[发明专利]智能加权丙烯聚合生产过程最优软测量系统和方法

权利要求书

1.一种智能加权丙烯聚合生产过程最优软测量系统，包括丙烯聚合生产过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库、智能加权最优软测量系统以及熔融指数软测量显示仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、控制站与DCS数据库连接，所述DCS数据库与智能加权最优软测量系统的输入端连接，所述智能加权最优软测量系统的输出端与熔融指数软测量显示仪连接，其特征在于：所述智能加权最优软测量系统包括：

（1）、数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值；再进行归一化处理，即除以变量值的变化区间；

（2）、PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C=xU得到，其中x为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由x=CU^T计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，x=CU^T+E，其中E为残差矩阵；

（3）、神经网络模型模块，用于采用RBF神经网络、通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；需要建立若干子神经网络，第一个子RBF网络的训练目标是预报结果与实际结果差距J₁最小；

J1=1NΣl=1N(F1(xl)-d(xl))2---(1)]]>

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果。

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

Ji=1NΣl=1N(Fi(xl)-d(xl))2-λNΣl=1N(Fi(xl)-F(xl))2---(2)]]>

Ji为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目。

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。

采用一种连续空间蚁群算法对每个RBF网络进行训练和最优化，具体步骤为：

（a）算法初始化，根据待优化的RBF神经网络结构构造出初始的解集S=(s₁,s₂,…,s_n)，n为初始解的个数，sn为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；

（b）计算出解集S对应的适应度值G_i(i=1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,…,n)

Pa(k)=GaΣa=1nGi(a=1,2,···,n)---(3)]]>n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；

（c）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s_a'；

（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；

（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

（g）计算出解集S对应的适应度值G_a(a=1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，如果本次循环得到了更好的解，则在下次循环中会基于该解并保持搜索方向不变；否则在下次循环中仍基于原来的解但会调整搜索方向；

同时随着整个蚁群寻优代数的增加，蚂蚁搜索的步长会智能地减小，以适合整个蚁群寻优的收敛：

del_k=Random·k^r     (4)

式中，del_k为蚂蚁第k代迭代的初始步长，k为迭代代数，Random为随机向量，r为负常实数。

对于解集S中长期不被蚂蚁选作寻优初始解的那些解，会采用遗传算法中的变异和交叉策略进行处理，从而提高算法的全局寻优性能。

（4）、智能加权优化模块，用于对步骤（3）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

wq=(1/eq)/(Σj=1I1/ej),q=1,2,···,I.---(5)]]>

ej=1NΣm=1N|Fj(xm)-d(xm)|---(6)]]>

wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果。

最终多模神经网络的预报结果为各个子网络预报结果的加权求和。

O(x)=Σk=1I(wk·Fk(x))---(7)]]>

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数。

所述智能加权最优软测量系统还包括：模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。

所述的智能加权最优软测量系统，其特征在于：训练子RBF神经网络，然后将其加权组合起来形成神经网络群；由于子网络的选取标准是预报误差小、与其他的子网络差异大，所以这些预报效果好、又各不相同的子神经网络的综合预报效果能够具有更好的预报精度和稳定性。PCA主成分分析模块中，PCA方法实现输入变量的预白化处理，能够简化神经网络模型的输入变量，进而提高模型的性能。

2.一种用如权利要求1所述的智能加权聚丙烯生产过程最优软测量系统实现的软测量方法，其特征在于：所述软测量方法具体实现步骤如下：

(5.1)对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入，一般操作变量和易测变量取温度、压力、液位、氢气气相百分数、3股丙烯进料流速和2股催化剂进料流速这些变量，由DCS数据库获得；

(5.2)对样本数据进行预处理，对输入变量中心化，即减去变量的平均值；再进行归一化处理，即除以变量值的变化区间；

(5.3)PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C=xU得到，其中x为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由x=CU^T计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，x=CU^T+E，其中E为残差矩阵；

(5.4)基于模型输入、输出数据建立若干个初始子神经网络模型，采用RBF神经网络，通过误差最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；第一个子RBF网络的训练目标是预报结果与实际结果差距J₁最小；

J1=1NΣl=1N(F1(xl)-d(xl))2---(1)]]>

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果。

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

Ji=1NΣl=1N(Fi(xl)-d(xl))2-λNΣl=1N(Fi(xl)-F(xl))2---(2)]]>

Ji为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目。

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。

采用一种连续空间蚁群算法对每个RBF网络进行训练和最优化，具体步骤为：

（a）算法初始化，根据待优化的RBF神经网络结构构造出初始的解集S=(s₁,s₂,…,s_n)，n为初始解的个数，sn为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；

（b）计算出解集S对应的适应度值G_i(i=1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,…,n)

Pa(k)=GaΣa=1nGi(a=1,2,···,n)---(3)]]>

n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；

（c）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s_a'；

（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；

（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

（g）计算出解集S对应的适应度值G_a(a=1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，如果本次循环得到了更好的解，则在下次循环中会基于该解并保持搜索方向不变；否则在下次循环中仍基于原来的解但会调整搜索方向；

同时随着整个蚁群寻优代数的增加，蚂蚁搜索的步长会智能地减小，以适合整个蚁群寻优的收敛：

del_k=Random·k^r     (4)

式中，del_k为蚂蚁第k代迭代的初始步长，k为迭代代数，Random为随机向量，r为负常实数。

对于解集S中长期不被蚂蚁选作寻优初始解的那些解，会采用遗传算法中的变异和交叉策略进行处理，从而提高算法的全局寻优性能。

（5.5）加权组合所有的子神经网络，用于对步骤（5.4）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

wq=(1/eq)/(Σj=1I1/ej),q=1,2,···,I.---(5)]]>

ej=1NΣm=1N|Fj(xm)-d(xm)|---(6)]]>

wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果。

最终多模神经网络的预报结果为各个子网络预报结果的加权求和。

O(x)=Σk=1I(wk·Fk(x))---(7)]]>

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数。

所述软测量方法，还包括：定期将离线化验数据输入到训练集中，更新神经网络模型。

所述的软测量方法，其特征在于：训练子RBF神经网络，然后将其加权组合起来形成多模神经网络；由于子网络的选取标准是预报误差小、与其他的子网络差异大，所以这些预报效果好、又各不相同的子神经网络的综合预报效果能够具有更好的预报精度和稳定性。在所述的步骤（5.3）中采用PCA主成分分析方法实现输入变量的预白化处理，能够简化神经网络模型的输入变量，进而提高模型的性能。