[发明专利]基于反向传播网络的丙烯聚合生产过程软测量仪表和方法

摘要

本发明公开了一种基于反向传播网络的丙烯聚合生产过程最优软测量仪表，包括丙烯聚合生产过程、现场智能仪表、控制站、存放数据的DCS数据库、基于反向传播网络的最优软测量仪以及熔融指数软测量值显示仪。现场智能仪表及控制站与丙烯聚合生产过程相连，与DCS数据库相连；最优软测量仪与DCS数据库及软测量值显示仪相连。所述的基于反向传播网络的最优软测量仪包括模型更新模块、数据预处理模块、PCA主成分分析模块、神经网络模型模块以及蚁群算法优化模块。以及提供了一种用软测量仪表实现的软测量方法。本发明实现在线测量、在线参数优化、软测量速度快、模型自动更新、抗干扰能力强、精度高。

主权项

一种基于反向传播网络的丙烯聚合生产过程最优软测量仪表，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、基于反向传播网络的最优软测量仪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数据库与基于反向传播网络的最优软测量仪的输入端连接，所述基于反向传播网络的最优软测量仪的输出端与熔融指数软测量显示仪连接，其特征在于：所述基于反向传播网络的最优软测量仪包括：(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＝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；(3)、神经网络模型模块，用于采用反向传播神经网络、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；(4)、蚁群算法优化模块，用于采用基于蚁群算法的优化模块对神经网络进行优化，包括：(4.1)算法初始化，根据待优化的反向传播神经网络结构构造出初始的解空间，方法是将每一个维度平分成q等分，作为q个点；(4.2)执行蚁群算法：从解空间的起点开始选择一条路径达到终点，然后根据该路径对应的神经网络拟合能力更新它的信息素浓度：${\mathrm{\τ}}_{ij}(t+1)={\mathrm{\ρ\τ}}_{ij}\left(t\right)+\underset{k=1}{\overset{m}{\Σ}}{v}_{ij}^k---\left(1\right)$$v_{ij}^k=\frac{c}{L_{ij}^k}---\left(2\right)$ρ是信息素的挥发常数；k为蚂蚁编号，是蚂蚁k在路径ij上留下的信息素强度；c是常数，为路径ij对于蚂蚁k来说的长度，长度是根据路径对应的神经网络拟合能力来计算的，τ_ij为路径ij的信息素浓度，t表示t时刻，t+1表示t+1时刻或t时刻的下一时刻；(4.3)将解空间平分成q等分构造解空间的方法会影响整个问题求解的精度，所以针对蚁群算法得到的前n个解对应的n个神经网络，使用BP算法来进一步进行参数寻优，得到效果最好的神经网络作为最后的神经网络模型；所述基于反向传播网络的最优软测量仪还包括：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。