[发明专利]基于正链RNA-GA的连续搅拌反应釜反应物浓度软测量方法及仪表

说明书

技术领域

本发明涉及一种连续搅拌反应釜过程变量测量技术，尤其涉及一种基于正链RNA-GA的连续搅拌反应釜反应物浓度软测量仪表及软测量方法。

背景技术

在许多工业过程中，一些需要加以严格控制的、与产品质量密切相关的重要过程参数由于技术或经济的原因，缺乏在线直接测量手段，这已成为制约产品质量、产量和经济效益进一步提高的瓶颈。软测量技术为解决此类问题提供了有效的途径。连续搅拌反应釜是一种复杂的非线性化学反应器，广泛应用于石油化工、制药等工业生产过程，其控制效果直接影响生产效率和质量指标。为连续搅拌反应釜的实时控制，需要对反应釜液位、反应釜温度、入口流速、出口流速、冷却剂流速、反应物浓度等关键变量进行实时在线测量。其中，反应釜液位、反应釜温度、入口流速、出口流速、冷却剂流速可以方便的进行测量，而反应物浓度则需要定期取样，送至化验室进行分析，无法做到实时测量。因此，有必要对连续搅拌反应釜建立实时、动态的软测量模型，以满足生产上实时性的要求。

近年来，对软测量技术的研究十分活跃。用于建立软测量模型的方法很多，常用的有：状态估计、机理推导、模式识别和神经网络等等。传统的基于工艺机理分析的软测量模型方法是建立在对工艺过程机理深刻认识的基础上的，建模难度较大；对于机理研究不充分、尚不完全清楚的复杂工业过程，难以建立合适的机理模型，此时该方法就需要与其他参数估计方法相结合才能构造软仪表。而基于人工神经网络(Artificial Neural Network，简记ANN)的软测量是近年来研究最多、发展很快和应用范围很广泛的一种软测量技术。由于人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能，基于人工神经网络的软测量可在不具备对象的先验知识的条件下，根据对象的输入输出数据直接建模，模型的在线校正能力强，并能适用于高度非线性和严重不确定性系统，为解决复杂系统过程参数的软测量问题提供了一条有效途径。但是，神经网络的学习训练样本的数量和质量、学习算法、网络的拓扑结构和类型等的选择对构成的软仪表的性能都有重大影响。针对这一问题，可以使用优化算法对神经网络的关键参数进行优化，选取具有最优结构的神经网络作为软测量模型。常用的用于优化神经网络的方法主要有遗传算法、DE等，但这些方法或过于复杂，无法满足实时性要求，或求解精度不高，得不到最优的网络结构。而基于正链RNA结构的遗传算法吸取了DNA计算领域较新的研究成果，使用正链RNA编码方法以及RNA的操作算子，使算法性能大幅提升。将此种方法用于解决连续搅拌反应釜软测量建模问题，取得了较理想的效果。

由于高效的软测量方法往往需要较为庞大的计算量，为满足实时性要求，不得不使用PC机作为软测量仪表的硬件设备。这就造成了移植性差、维护不便等诸多缺点。近年来，高速数字信号处理芯片(DSP)的飞速发展，使得开发独立的软仪表设备成为了可能。基于DSP的软测量仪表包含了数据采集模块、人机交互模块、数据存储模块、数据处理模块、接口模块，既可以作为独立的软测量仪表使用，也可以方便的与工业控制系统(如DCS)接口，满足了复杂工业控制系统设备模块化的现实需求。

发明内容

本发明的目的在于针对现有连续搅拌反应釜过程软测量仪表的参数确定困难、精度不高、实时性差的不足，提供一种基于正链RNA-GA的连续搅拌反应釜反应物浓度软测量方法及仪表。

本发明的目的是通过以下技术方案来实现的：

一种基于正链RNA-GA的连续搅拌反应釜反应物浓度软测量方法，包括以下步骤：

(1)采集连续搅拌反应釜温度、入口温度、出口流速、冷却剂温度、冷却剂流速、反应物浓度数据，建立各变量的历史数据库；

(2)每隔一段时间读取历史数据库数据，进行预处理，使各变量的均值为0，方差为1；

(3)利用经过预处理的数据对RBF神经网络进行训练；

(4)使用基于正链RNA的遗传算法对RBF网络的基函数中心点及节点数进行优化，得到最优神经网络结构；

(5)使用该神经网络作为连续搅拌反应釜的软测量模型，不断利用新采集的数据对该模型进行修正。

进一步地，所述步骤(2)中，所述预处理过程如下：