[发明专利]一种稀疏聚丙烯熔融指数软测量系统和方法

权利要求书

1.一种稀疏聚丙烯熔融指数软测量系统，包括标准化模块、稀疏模型训练模块、免疫智能优化模块、软测量模块、显示模块，其特征在于：

标准化模块，用于从数据库中采集系统正常时的关键变量作为训练样本，所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度，对训练样本进行标准化处理，得到输入矩阵X，采用以下过程来完成：

X‾=1NΣi=1NX~---(1)]]>

σ2=1N-1Σi=1N(X~-X‾)---(2)]]>

X=X~-X‾σ---(3)]]>

其中，X为标准化后的训练样本，为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，为训练样本的均值，σ为训练样本的标准差；

稀疏模型训练模块，用于建立软测量模型，其具体实现步骤如下

01vT1vK+γ-1Ibα=0Y---(4)]]>

求解以上线性方程组，得到：

Y=Σi=1MαiK(x,xi)+b---(5)]]>

其中，1_v=[1,...,1]^T,α=[α₁,...,α_M]^T，K=[k_ij]_M×M,k_ij=K(x_i,x_j)，I为单位阵，上标T表示矩阵转置，K(x,x_i)=exp(-||x-x_i||/θ²)为核函数，θ是核参数，M是支持向量的数目，α_i是第i个支持向量的拉格朗日乘子，b是偏置量，γ是惩罚系数；||·||为范数表达式。

免疫智能优化模块，用于对软测量模型核参数θ进行智能优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为每个粒子对应的速度表示为令其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子代入模型训练模块，计算训练误差作为其适应度，并将其与的适应度进行比较，将适应度较小的粒子作为新的比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)计算进化因子f和惯性权重ω，

f=||Σj=1n(gI-θjI)||Σj=1n||gI-θjI||---(6)]]>

ω=[1+2exp(-1.4f)]^-1

                                (7)

(4)根据下式更新每个粒子的速度和位置：

vkI+1=ωvkI+c1ξ(pkI-θkI)+c2η(gI-θkI)---(8)]]>

θkI+1=θkI+γvkI+1---(9)]]>

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，γ是约束因子；

(5)将新粒子代入模型训练模块，计算训练误差作为其适应度F，计算每个粒子的个体概率选择公式：

P(θkI)=αE(1-F(θkI))F(gI)+βF(θkI)F(gI)---(10)]]>

式中，α，β是[0,1]之间的随机数，是粒子的适应度，F(g^I)是g^I的适应度，E是抗体浓度；

用式(10)计算粒子的选择概率，依概率大小选择新粒子替换原来适应度较差的粒子，克隆适应度较好的粒子形成新一代粒子群体；

(6)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的g^I即为最佳的核参数值；

软测量模块，用于实现聚丙烯熔融指数的软测量，将经过标准化处理的新样本代入式（5），得到对应的熔融指数预测值

显示模块，用于软测量结果的显示。

2.一种稀疏聚丙烯熔融指数软测量方法，其特征在于：所述的方法包括以下步骤：

1）从数据库中采集系统正常时的关键变量作为训练样本，所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度，对训练样本进行标准化处理，得到输入矩阵X，采用以下过程来完成：

X‾=1NΣi=1NX~---(1)]]>

σ2=1N-1Σi=1N(X~-X‾)---(2)]]>

X=X~-X‾σ---(3)]]>

其中，X为标准化后的训练样本，为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，为训练样本的均值，σ为训练样本的标准差；

2）建立软测量模型，其具体实现步骤如下

01vT1vK+γ-1Ibα=0Y---(4)]]>

求解以上线性方程组，得到：

Y=Σi=1MαiK(x,xi)+b---(5)]]>

其中，1_v=[1,...,1]^T,α=[α₁,...,α_M]^T，K=[k_ij]_M×M,k_ij=K(x_i,x_j)，I为单位阵，上标T表示矩阵转置，K(x,x_i)=exp(-||x-x_i||/θ²)为核函数，θ是核参数，M是支持向量的数目，α_i是第i个支持向量的拉格朗日乘子，b是偏置量，γ是惩罚系数；||·||为范数表达式。

3）对软测量模型核参数θ进行智能优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为每个粒子对应的速度表示为令其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子代入模型训练模块，计算训练误差作为其适应度，并将其与的适应度进行比较，将适应度较小的粒子作为新的比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)计算进化因子f和惯性权重ω，

f=||Σj=1n(gI-θjI)||Σj=1n||gI-θjI||---(6)]]>

ω=[1+2exp(-1.4f)]^-1

                       (7)

(4)根据下式更新每个粒子的速度和位置：

vkI+1=ωvkI+c1ξ(pkI-θkI)+c2η(gI-θkI)---(8)]]>

θkI+1=θkI+γvkI+1---(9)]]>

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，γ是约束因子；

(5)将新粒子代入模型训练模块，计算训练误差作为其适应度F，计算每个粒子的个体概率选择公式：

P(θkI)=αE(1-F(θkI))F(gI)+βF(θkI)F(gI)---(10)]]>

式中，α，β是[0,1]之间的随机数，是粒子的适应度，F(g^I)是g^I的适应度，E是抗体浓度；

用式(10)计算粒子的选择概率，依概率大小选择新粒子替换原来适应度较差的粒子，克隆适应度较好的粒子形成新一代粒子群体；

(6)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的g^I即为最佳的核参数值；

4）将经过标准化处理的新样本代入式（5），得到对应的熔融指数预测值

5）显示软测量结果。