[發(fā)明專利]基于時(shí)間差分遞推PLS和自適應(yīng)模型校正的PX吸附分離純度軟測(cè)量建模方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811317130.2
• 申請(qǐng)日: 2018-11-07
• 公開（公告）號(hào): CN109522514A
• 公開（公告）日: 2019-03-26
• 發(fā)明（設(shè)計(jì)）人: 傅永峰;栗偉;陳迎迎;徐歐官;蔡鐵峰;張聚;劉勤賢
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)之江學(xué)院
• 主分類號(hào): G06F17/17
• 分類號(hào): G06F17/17;G06F17/18;G01N33/44
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種基于時(shí)間差分遞推PLS和自適應(yīng)模型校正的PX吸附分離純度軟測(cè)量建模方法，包括如下步驟：

(1)采集數(shù)據(jù)及數(shù)據(jù)預(yù)處理；

1)確定輔助變量：根據(jù)工藝分析，影響PX純度的主要因素是吸附塔中4個(gè)區(qū)的區(qū)域流量，以及塔溫、塔壓，而區(qū)域流量是由外部5股物流的流量決定的；通過對(duì)工藝機(jī)理的深入分析，最終選取脫附劑與進(jìn)料比、反洗與進(jìn)料比、抽出液量與抽余液比、泵回量與進(jìn)料比、操作溫度、操作壓力、吸附塔底壓力作為軟測(cè)量模型的輔助變量，模型主導(dǎo)變量為PX純度；

2)采集數(shù)據(jù)樣本，確定訓(xùn)練樣本長(zhǎng)度N，即每次建模時(shí)的訓(xùn)練樣本個(gè)數(shù)為20，構(gòu)建建模樣本集[X₁(t),y₁(t)]，對(duì)該樣本集分別按照(1)式和(2)式計(jì)算輔助變量和主導(dǎo)變量PX純度的時(shí)間差分ΔX(t)和Δy(t)，

ΔX(t)＝X₁(t)-X₁(t-i) (1)

Δy(t)＝y(tǒng)₁(t)-y₁(t-i) (2)

式中X₁(t)和y₁(t)分別為輔助變量和主導(dǎo)變量PX純度的當(dāng)前值；X₁(t-i)和y₁(t-i)分別是輔助變量和主導(dǎo)變量PX純度i時(shí)刻之前的值；

3)對(duì)計(jì)算得到的ΔX(t)和Δy(t)樣本數(shù)據(jù)按照(3)式和(4)式求取這N-1個(gè)樣本的均值和方差，并按照(5)式進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化的訓(xùn)練樣本集[X(t),y(t)]，

設(shè)輔助變量的個(gè)數(shù)為M，則和σ_x均為M維的向量；主導(dǎo)變量為PX的純度，為標(biāo)量，和σ_y為標(biāo)量；

公式(5)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其中X的標(biāo)準(zhǔn)化處理公式表示相同維數(shù)的向量除，經(jīng)過公式(5)的標(biāo)準(zhǔn)化處理后，得到的數(shù)據(jù)X(t)和y(t)的均值為0，方差為1；

(2)根據(jù)樣本集[X(t),y(t)]建立時(shí)間差分PLS軟測(cè)量模型；

PLS算法可以用以下NIPALS遞推公式來(lái)實(shí)現(xiàn)

1)E₀＝X(t)，F(xiàn)₀＝y(tǒng)(t)，h＝0；

2)h＝h+1，u_h＝F_h-1；

3)

4)對(duì)w_h作歸一化處理，即令w_h＝w_h/||w_h||；

5)

6)

7)對(duì)q_h作歸一化處理，即令q_h＝q_h/||q_h||；

8)

9)檢查u_h的收斂性，若收斂，則轉(zhuǎn)第10)步，否則轉(zhuǎn)第3)步；

10)

11)

12)

13)檢查h是否達(dá)到給定值a，若沒有轉(zhuǎn)第2)步，否則轉(zhuǎn)第14)步；

14)結(jié)束；

根據(jù)以上算法，可以計(jì)算出模型的回歸系數(shù)

其中，W為M×a維矩陣，W＝[w₁,w₂,…,w_a]；為M×a維矩陣，B為a×a維對(duì)角陣，B＝diag(b₁,b₂,…,b_a)；Q為1×a維矩陣；a為隱含變量的個(gè)數(shù)，可以根據(jù)經(jīng)驗(yàn)和試驗(yàn)確定；

根據(jù)

可以得到y(tǒng)(t)的PLS模型預(yù)測(cè)值即經(jīng)過標(biāo)準(zhǔn)化處理后PX純度的預(yù)測(cè)值；

(3)反標(biāo)準(zhǔn)化處理；

步驟(2)中得到的模型為標(biāo)準(zhǔn)化處理后得到的軟測(cè)量模型預(yù)測(cè)值，這個(gè)值不能直接用來(lái)進(jìn)行預(yù)測(cè)，需要進(jìn)行反標(biāo)準(zhǔn)化處理，處理后得到的時(shí)間差分軟測(cè)量模型公式為，

其中

e＝σ_y/diag(σ_x)

(4)求主導(dǎo)變量PX純度的預(yù)測(cè)值；

根據(jù)

可以得到主導(dǎo)變量PX純度的預(yù)測(cè)值；

(5)設(shè)置模型的初始置信限；

根據(jù)式(9)計(jì)算模型的標(biāo)準(zhǔn)偏差δ_e，并將它作為模型的初始置信限；

式中，N為建模樣本長(zhǎng)度，a為模型的隱含變量數(shù)，y_i為PX純度的第i個(gè)測(cè)量值，為其相應(yīng)的模型預(yù)測(cè)值；

(6)均值和方差的在線校正；

1)每當(dāng)一個(gè)新樣本[x_new,y_new]到來(lái)時(shí)，滑動(dòng)窗口向前滑動(dòng)一步，將新樣本加入建模樣本集[X₁(t),y₁(t)]，并丟棄最老的樣本，按照(1)式和(2)式計(jì)算新樣本的時(shí)間差分值Δx_new(t)，Δy_new(t)；

2)根據(jù)式(10)和(11)遞推校正建模樣本集的均值和方差；

其中和分別表示第i個(gè)輸入變量在數(shù)據(jù)窗口長(zhǎng)度為N時(shí)的均值和方差；和分別表示當(dāng)新樣本到來(lái)后第i個(gè)輸入變量在線校正后的均值和方差；

3)按照在線校正后的均值和方差對(duì)加入新樣本時(shí)間差分樣本集進(jìn)行標(biāo)準(zhǔn)化處理，得到滑動(dòng)遞推后的新的樣本集[X(t),y(t)]；

(7)根據(jù)式(12)和(13)計(jì)算新樣本的預(yù)測(cè)值；

(8)根據(jù)式(14)計(jì)算均方根誤差(root mean squared error,RMSE)；

其中，N為樣本數(shù)，y_i為PX純度的第i個(gè)測(cè)量值，為其相應(yīng)的模型預(yù)測(cè)值；

(9)根據(jù)模型預(yù)測(cè)結(jié)果，自適應(yīng)更新模型的置信限；

判斷RMSE是否大于δ_e，若是，轉(zhuǎn)移至步驟(2)，否則轉(zhuǎn)移至步驟(6)。