[發明專利]基于加權組合學習的丙烯聚合生產過程最優在線預報系統

有效

• 申請號: 201811625115.4
• 申請日: 2018-12-28
• 公開（公告）號: CN109445398B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 張澤銀;許杵;劉興高
• 申請（專利權）人: 浙江大學
• 主分類號: G05B19/418
• 分類號: G05B19/418;G06N3/00;G06N20/10
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于加權組合學習的丙烯聚合生產過程最優在線預報系統最優在線預報，用于對聚丙烯生產產品進行質量檢測，其特征在于：包括相空間重構模塊PCA主成分分析模塊，支持向量機模塊，布谷鳥搜索算法模塊，Adaboost模塊；

所述的相空間重構模塊的輸入為工業丙烯聚合過程的9個操作變量，分別為第一股丙烯進料流率、第二股丙烯進料流率、第三股丙烯進料流率、主催化劑流率、輔催化劑流率、攪拌釜內溫度、釜內壓強、釜內液位以及釜內氫氣體積濃度；對于混沌時間序列，混沌不變量的計算，混沌模型的建立和預測都是在相空間中進行，該模塊用于將從DCS數據庫輸入的模型輸入變量進行預處理，對于時間序列{x(i)}，其中{x(i)}是熔融指數的測量值，通過不同的延遲時間τ來構建d維相空間矢量X(i)＝(x(i),…,x(i+(d-1)τ)),1≤i≤n-(d-1)τ，延遲時間通過交互信息法得到，嵌入維數通過虛假最臨近點法得到；

所述的PCA主成分分析模塊，用于將輸入變量預白化處理及變量去相關，通過對輸入變量施加一個線性變換實現，即主成分由C＝MU得到，其中M為輸入變量，C為主成分得分矩陣，U為載荷矩陣；若對原始數據進行重構，可由M＝CU^T計算，其中上標T表示矩陣的轉置；當選取的主成分數目小于輸入變量的變量個數時，M＝CU^T+E，其中E為殘差矩陣；

所述的支持向量機模塊，用于采用支持向量機、基于貝葉斯框架來完成輸入到輸出的映射建模；支持向量機的訓練是在貝葉斯框架下進行的，通過引入超參數賦予權重向量零均值的高斯先驗分布來確保模型的稀疏性，超參數可以采用最大化邊緣似然函數的方法來估計；整個模型的目的是根據樣本集和先驗知識設計一個系統，使系統對新數據能預測輸出；

所述的布谷鳥搜索算法，用于對支持向量機的超參數進行優化，包括：

(5.1)定義目標函數數f(Z)，Z＝(z₁,…,z_d)^T，函數進行初始化，并隨機生成n個鳥窩的初始位置Z_i，i＝1,2…,n，設置種群規模n，問題維數d，最大發現概率P和最大迭代次數MaxGen，當前迭代次數Gen，最小誤差∈；

(5.2)求每個鳥窩位置的目標函數值，得到當前位置的最優函數值；

(5.3)記錄上一代最優函數值，利用對其他鳥窩的位置和狀態進行更新，其中為第i個鳥窩在第t代鳥窩的位置，初始化*為點對點乘法，α為步長控制量，用于控制步長的搜索范圍，取值服從正態分布，L(λ)為Levy隨機搜索路徑，隨機步長符合Levy分布L(s,λ)～s^-λ,1λ≤3,s是Levy飛行得到的隨機步長；

(5.4)求現有位置的目標函數值，并與上一代記錄的最優函數值進行比較，若當前目標函數值較好則改變當前最優值；

(5.5)進行位置更新后，利用隨機數r∈[0,1]和最大發現概率P進行比較，若rP表示該鳥窩被拋棄，對進行隨機改變，反之則認為成功，不進行隨機改變，最后保留最好的一組鳥窩位置

(5.6)若GenMaxGen或未達到最小誤差要求,則Gen＝Gen+1，返回步驟5.2，否則向下執行5.7；

(5.7)輸出全局最優目標函數值作為結果，結束當前算法并返回；

所述的Adaboost模塊，用于將支持向量機所得到的弱學習器進行加權組合學習，獲得一個抗干擾能力更強，精度更高的強學習器，包括：

(6.1)進行算法初始化，設置損失函數為均方根誤差MSE,設置初始化權值向量D₁＝(w₁₁,…w_1n),為D₁的第i個分量，其中n為訓練集的元素個數，設置最大迭代次數MaxN，當前迭代次數N；

(6.2)對具有權值向量D_N的訓練數據集通過支持向量機進行學習，獲得弱學習器F_N(x)；

(6.3)求出訓練集{(x_i,y_i)}上的最大誤差E_N＝max|y_i-F_N(x_i)|,i＝1,…，n，其中x_i、y_i為訓練集輸入樣本、輸出樣本的數據，F_N(x)是6.2所得弱學習器；求出每個樣本的相對誤差其中是最大誤差的平方；求回歸誤差率w_Ni為權重系數，以回歸誤差率求弱學習器系數并根據回歸誤差率更新樣本的權重系數其中Z_N是歸一化因子，滿足

(6.4)若NMaxN，即尚未達到最大迭代次數，N＝N+1，返回步驟6.2，否則，向下執行6.5；

(6.5)輸出其中f(x)是α_NF_N(x),N＝1,2…MaxN的中位數，結束當前算法并返回；

所述系統更新模塊用于檢測系統的在線更新，解決復雜聚合過程的模型失配問題，定期將離線化驗數據輸入到模型訓練集中，更新檢測系統。