[发明专利]丙烯聚合生产过程径向基最优软测量仪表和方法

摘要

本发明公开了一种丙烯聚合生产过程径向基最优软测量仪表，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、径向基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。所述的径向基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径向基优化模块。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

1.一种丙烯聚合生产过程径向基最优软测量仪表，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、径向基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数据库与径向基最优软测量模型的输入端连接，所述径向基最优软测量模型的输出端与熔融指数软测量显示仪连接，其特征在于：所述径向基最优软测量仪包括：（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，采用一个三层的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；（4）、径向基优化模块，用于采用径向基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RBF神经网络结构参数构造出初始的粒子群体X=(x¹,x²,…,x^N)，初始移动速度V=(v¹,v²,…,v^N)，初始的各粒子历代最优值OP=(p¹,p²,…,p^N)和全局最优值p^g；（4.2）通过下式执行粒子群优化算法，让粒子群收敛：xk+1i=xki+vk+1i---(1)]]>vk+1i=wvki+c1r1(pki-xki)+c2r2(pkg-xki)---(2)]]>式中x为粒子的位置向量，i为粒子的序号，k为算法迭代代数，v为粒子速度，p表示初始的各粒子历代最优值OP=(p¹,p²,…,p^N)和全局最优值p^g的最优值集合。v_kⁱ为第k次迭代代数中第i个粒子的速度；x_kⁱ第k次迭代代数中第i个粒子的位置向量；p_kⁱ为第k次迭代代数中第i个粒子的历代最优位置，pⁱ为第i个粒子的历代最优解，w为速度权重系数，c₁、c₂分别为粒子历代最优解和群体最优解的吸引系数，r₁、r₂分别为随机数。（4.3）为了使粒子群算法能够避免收敛过快导致早熟，同时也为了提高群体的全局寻优能力，r₁和r₂是随机数。所述径向基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。所述的丙烯聚合生产过程径向基最优软测量仪表，其特征在于：RBF神经网络隐含层的传递函数使用的是高斯函数：uqj(2)=exp(-[uq(1)-mqj]2σqj2),q=1,2,...,n,j=1,2,...,N---(3)]]>式中u⁽¹⁾、u⁽²⁾分别为第二层的输入和输出向量，m为中心向量，σ为宽度参数，q、j分别为维度和节点序号。使用高斯非线性函数能够增强RBF神经网络的非线性拟合能力。所述的丙烯聚合生产过程径向基最优软测量仪表，其特征在于：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。