[發明專利]基于循環神經網絡的丙烯聚合生產過程最優在線預報系統

在審

• 申請號: 201811625183.0
• 申請日: 2018-12-28
• 公開（公告）號: CN109739086A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 張澤銀;黃國權;劉興高
• 申請（專利權）人: 浙江大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 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.基于循環神經網絡的丙烯聚合生產過程最優在線預報系統，其特征在于：包括數據預處理模塊、PCA主成分分析模塊、循環神經網絡模型模塊、差分粒子群模塊、模型更新模塊。

2.根據權利要求1所述基于循環神經網絡的丙烯聚合生產過程最優在線預報系統，其特征在于：所述數據預處理模塊用于將從DCS數據庫輸入的模型輸入變量進行預處理，對輸入變量中心化，即減去變量的平均值；再進行歸一化處理，即除以變量值的變化區間；

3.根據權利要求1所述基于循環神經網絡的丙烯聚合生產過程最優在線預報系統，其特征在于：所述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；

4.根據權利要求1所述基于循環神經網絡的丙烯聚合生產過程最優在線預報系統，其特征在于：所述循環神經網絡模型模塊，用于采用循環神經網絡、通過誤差函數最小化來完成輸入到輸出的一種連續性高度非線性映射，映射中保持拓撲不變性；

對于時刻t，網絡的輸入為x_t，隱藏層神經元值為h_t，上一時刻隱藏層神經元值為h_t-1，設置h₀＝0，f(·)是非線性激活函數logistic函數，則當前時刻隱藏層神經元值h_t可根據下式確定

h_t＝f(h_t-1+x_t) (1)

5.根據權利要求1所述基于循環神經網絡的丙烯聚合生產過程最優在線預報系統，其特征在于：所述差分粒子群模塊，結合差分進化算法和粒子群算法優化循環神經網絡模型模塊中的網絡參數，實現具體步驟如下：

(1)隨機初始化種群，設置種群數量N＝100；設置差分進化算法縮放因子F＝0.7，交叉概率CR＝0.5，差分進化算法最大迭代次數50；設置粒子群學習速度c₁＝c₂＝2，慣性權重ω＝0.67，粒子群算法最大迭代次數100；設置k＝0,i＝0；

(2)根據適應度函數來計算候選粒子種群的適應度值，適應度f(x)函數如下所示；

其中，表示輸出變量的真實值，表示輸出變量的預測值，n表示樣本個數。

(3)根據以下步驟進行差分進化算法變異、交叉、選擇操作；

(3.1)變異操作：差分進化算法是通過差分的方式進行變異操作的。在當前種群中隨機選取兩個種群個體進行作差，將差向量進行縮放，縮放后的向量與第三個隨機選取的種群個體進行求和，生成新個體，更新公式如下所示：

N_i(k)＝L_m3(k)+F×(L_m1(k)-L_m2(k)),1≤m₁≠m₂≠m₃≠i≤N (3)

其中，F是縮放因子，m₁，m₂，m₃均為1到N之間的整數，k表示迭代次數，L_m1(k)表示第m1個粒子的位置，L_m2(k)表示第m2個粒子的位置，L_m3(k)表示第m3個粒子的位置。通過變異之后，得到第i個變異中間種群N_i(k)。

(3.2)交叉操作：根據原始種群和變異得到中間種群，進行個體間的交叉操作，得到交叉中間種群U，更新公式如下所示：

其中，CR為交叉概率，處于0到1之間，n_i,j(k)表示第i個中間種群第j維變量，l_i,j(k)表示第i個原始種群第j維變量，u_i,j(k)表示交叉中間種群的第i個新種群第j維變量，n_i,j(k)表示變異中間種群N_i(k)的第i個新種群第j維變量。

(3.3)選擇操作：差分進化算法采用了貪心算法，根據適應度值來決定進入下次迭代種群的個體：

其中，U_i(k)表示第i個交叉中間種群，L_i(k)表示第i個原始種群。

(4)如果交叉中間種群的適應度值小于原始種群適應度值，則返回步驟(3.3)，否則,執行步驟(5)，激活粒子群算法；

(5)根據如下公式執行粒子群算法，更新粒子群速度、位置矢量和慣性權重；

其中，V_i(k)是粒子i在第k次迭代時的速度，L_i(k)是粒子i在第k次迭代時的位置，P_best是粒子自身經驗的局部最優解；g_best是所有粒子經驗的全局最優解，w是慣性權重，c₁和c₂是學習速率，r₁和r₂是在0到1之間的隨機數，w_max和w_min是慣性權重的最大值和最小值，iter_max是最大迭代次數。

(6)如果粒子群算法迭代次數小于終止迭代次數，則返回步驟(5)，否則，轉到步驟(7)；

(7)更新P_best和g_best作為循環神經網絡參數的候選解，判斷差分進化算法迭代次數是否小于差分進化算法終止迭代次數，若是，則返回步驟(2)，否則，輸出種群歷史最優g_best，算法終止；g_best即為循環神經網絡的待優化參數。

6.根據權利要求1所述基于循環神經網絡的丙烯聚合生產過程最優在線預報系統，其特征在于：所述模型更新模塊，用于模型的在線更新，定期將離線化驗數據輸入到訓練集中，更新神經網絡模型。