[发明专利]一种基于SFA-GRNN串联模型的脱丁烷塔丁烷浓度软测量方法

说明书

本发明公开一种基于SFA‑GRNN串联模型的脱丁烷塔丁烷浓度软测量方法，本发明方法建立脱丁烷塔底部产品中丁烷浓度的软测量模型时，首先使用SFA算法将原输入变量对应的数据转换成具代表性的输入特征，在降维的同时也剔除了诸多噪声信息的干扰影响；其次，本发明方法将降维后的输入特征当成GRNN模型的输入，使得SFA与GRNN之间是串联连接关系，并在此基础上计算得到丁烷浓度的软测量值。在具体的实施案例中，通过实验结果的对比验证了本发明方法在软测量脱丁烷塔底部产品丁烷浓度时的有效性与准确性。

技术领域

本发明涉及一种软测量方法，特别涉及一种基于SFA-GRNN串联模型的脱丁烷塔丁烷浓度软测量方法。

背景技术

脱丁烷塔是工业炼油过程中用于脱硫和石脑油分离的一部分装置，其目的是取出石脑油气体中的丙烷和丁烷。为有效提高对该过程的控制，在生产过程中尽可能最小化底部丁烷浓度显得极为重要。因此，实时测量丁烷浓度对于提高产品质量和过程控制尤为关键。传统的技术手段都是通过色相分析仪，得到脱丁烷塔底部丁烷浓度。但是，这种方法有个非常大的缺陷，即：丁烷浓度的测量数据存在很大滞后性。因此，采用色相分析仪这种硬件传感器是非常不利于实时操控脱丁烷塔，从而对脱丁烷塔底部丁烷浓度进行精准调控。

为了克服这一难题，一个取而代之的测量手段是通过软测量技术来实时在线软测量脱丁烷塔底部产品中的丁烷浓度。在现有科研文献与专利文件中，软测量方法技术多种多样，适用的过程对象也不尽相同。由于脱丁烷塔过程自身的复杂性与非线性特征，线性回归算法所能达到的软测量精度是非常有限的。虽然，有多种改善基于线性回归算法的软测量技术，但是所能取得的软测量效果始终不如神经网络效果好。

然而，当前应用的神经网络技术，如：Elman神经网络，BP神经网络，和回声状态网络，都有一个比较致命的问题，就是过拟合。换句话说，对训练数据，神经网络的拟合精度非常之高，但是在实际应用时，软测量精度差强人意。因此，基于神经网络技术的脱丁烷塔底部浓度软测量还需进一步商榷。除此之外，在神经网络研究领域，广义回归神经网络(Generalized Regression Neural Network，缩写：GRNN)具有很强的非线性映射能力以及高度的鲁棒性与容错性，不存在对网络的训练的优势，在软测量技术领域得到了重视。但是GRNN同样面临着过拟合问题，应用于脱丁烷底部浓度软测量时，其泛化能力还有待提升！

发明内容

本发明所要解决的主要技术问题是：如何使用缓慢特征分析(Slow FeatureAnalysis，缩写：SFA)算法提升GRNN模型应用于脱丁烷塔底部浓度软测量的泛化性能，从而改善其软测量精度。具体来讲，本发明方法首先通过SFA提取脱丁烷塔过程输入变量中的缓慢变化的特征，然后利用提取的缓慢变化特征做为GRNN模型的输入，从而实施对脱丁烷塔底部丁烷浓度的实时软测量。

本发明方法解决上述问题所采用的技术方案为：一种基于SFA-GRNN串联模型的脱丁烷塔丁烷浓度软测量方法，包括以下步骤：

步骤(1)：确定丁烷浓度软测量模型的输入变量，具体包括：塔顶部温度，塔顶部压力，回流流量，底部产品出口流量，第6层塔板温度，塔釜温度，和塔底部温度；并将塔底部产品中的丁烷浓度确定为丁烷浓度软测量模型的输出变量。

步骤(2)：根据确定的输入变量与输出变量，连续采集n个样本数据后，将输入变量对应的样本数据存储为一个n×7维的数据矩阵X，并将输出变量对应的数据存储为n×1维的数据向量y。

步骤(3)：根据如下所示公式分别对X中的列向量z₁，z₂，…，z₇分别实施标准化处理，对应得到7个列向量并将列向量组建成矩阵

其中，R^n×7表示n×7维的实数矩阵，R表示实数集，μ_i与δ_i分别表示列向量z_i中所有元素的均值与标准差，i∈{1，2，…，7}。