[发明专利]基于集成学习的丙烯聚合生产过程最优在线预报系统

权利要求书

1.一种基于集成学习的丙烯聚合生产过程最优在线预报系统，用于对丙烯聚合生产过程的熔融指数进行预报，其特征在于：包括相空间重构、PCA主成分分析模块、支持向量机模块、模型更新模块、布谷鸟搜索算法优化模块，Gradient Boosting模块；

所述相空间重构模块，输入为工业丙烯聚合过程的9个操作变量，分别为第一股丙烯进料流率、第二股丙烯进料流率、第三股丙烯进料流率、主催化剂流率、辅催化剂流率、搅拌釜内温度、釜内压强、釜内液位以及釜内氢气体积浓度；对于混沌时间序列，混沌不变量的计算，混沌模型的建立和预测都是在相空间中进行，该模块用于将从DCS数据库输入的模型输入变量进行预处理，对于时间序列{x(i)}，其中{x(i)}是熔融指数的测量值，通过不同的延迟时间τ来构建d维相空间矢量X(i)＝(x(i)，...，x(i+(d-1)τ))，1≤i≤n-(d-1)τ，延迟时间通过交互信息法得到，嵌入维数通过虚假最临近点法得到；

所述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＝MU得到，其中M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M＝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，M＝CU^T+E，其中E为残差矩阵；

所述支持向量机模块，用于采用支持向量机、基于贝叶斯框架来完成输入到输出的映射建模；支持向量机的训练是在贝叶斯框架下进行的，通过引入超参数赋予权重向量零均值的高斯先验分布来确保模型的稀疏性，超参数可以采用最大化边缘似然函数的方法来估计；整个模型的目的是根据样本集和先验知识设计一个系统，使系统对新数据能预测输出；

所述布谷鸟搜索算法，用于对支持向量机的超参数进行优化，包括：

(5.1)定义目标函数f(Z)，Z＝(z₁，...，z_d)^T，函数进行初始化，并随机生成n个鸟窝的初始位置Z_i，i＝1，2…，n，设置种群规模n，问题维数d，最大发现概率P和最大迭代次数MaxGen，当前迭代次数Gen，最小误差∈；

(5.2)求每个鸟窝位置的目标函数值，得到当前位置的最优函数值；

(5.3)记录上一代最优函数值，利用对其他鸟窝的位置和状态进行更新，其中为第i个鸟窝在第t代鸟窝的位置，初始化*为点对点乘法，α为步长控制量，用于控制步长的搜索范围，取值服从正态分布，L(λ)为Levy随机搜索路径，随机步长符合Levy分布L(s，λ)～s^-λ，1＜λ≤3，s是Levy飞行得到的随机步长；

(5.4)求现有位置的目标函数值，并与上一代记录的最优函数值进行比较，若当前目标函数值较好则改变当前最优值；

(5.5)进行位置更新后，利用随机数r∈[0，1]和最大发现概率P进行比较，若r＞P表示该鸟窝被抛弃，对进行随机改变，反之则认为成功，不进行随机改变，最后保留最好的一组鸟窝位置

(5.6)若Gen＜MaxGen或未达到最小误差要求，则Gen＝Gen+1，返回步骤5.2，否则向下执行5.7；

(5.7)输出全局最优目标函数值作为结果，结束当前算法并返回；

所述Gradient Boosting模块，用于将支持向量机所得到的弱学习器进行集成学习，获得一个抗干扰能力更强，精度更高的强学习器，包括：

(6.1)进行算法初始化，设置损失函数为均方根误差MSE，初始化模型F₀(x)为支持向量机模块所得的回归模型，设置最大迭代次数MaxN，当前迭代次数N，最小误差δ；

(6.2)由当前弱学习器得到回归模型求得负梯度为y_i-F_N(x_i)，其中F_N(x_i)是回归模型预测值，对所求得到的负梯度训练一个回归树模型h_N(x)来拟合，(x_i，y_i)为该集成学习的训练集；

(6.3)将h_N(x)作为弱学习器，通过一维搜索求出步长γ_N使得以F_N(x)+γ_Nh_N(x)作为回归模型的均方根误差最小；

(6.4)若N＜MaxN或未达到最小误差，将F_N+1(x)记为F_N(x)+γ_Nh_N(x)，N＝N+1，返回步骤6.2，否则，向下执行6.5；

(6.5)输出当前回归模型，结束当前算法并返回；

所述系统更新模块用于检测系统的在线更新，解决复杂聚合过程的模型失配问题，定期将离线化验数据输入到模型训练集中，更新检测系统。