CN103630568B - Bp网络的工业熔融指数软测量仪表及方法 - Google Patents
Bp网络的工业熔融指数软测量仪表及方法 Download PDFInfo
- Publication number
- CN103630568B CN103630568B CN201310434800.XA CN201310434800A CN103630568B CN 103630568 B CN103630568 B CN 103630568B CN 201310434800 A CN201310434800 A CN 201310434800A CN 103630568 B CN103630568 B CN 103630568B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- math
- msup
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005259 measurement Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 85
- 210000002569 neuron Anatomy 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 29
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 claims description 22
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 239000000155 melt Substances 0.000 claims description 14
- 238000006116 polymerization reaction Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000000903 blocking effect Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims 1
- 238000002844 melting Methods 0.000 abstract 1
- 230000008018 melting Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- -1 Polypropylene Polymers 0.000 description 6
- 239000004743 Polypropylene Substances 0.000 description 6
- 229920001155 polypropylene Polymers 0.000 description 6
- 239000003054 catalyst Substances 0.000 description 5
- 238000003556 assay Methods 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 239000004416 thermosoftening plastic Substances 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种BP网络的工业熔融指数软测量仪表及方法。该方法将BP神经网络与模糊方程结合起来,对模糊方程系统中的局部方程进行了改进,提高了软测量仪表的预报精度。在本发明中,用于测量易测变量的现场智能仪表、控制站与DCS数据库连接,DCS数据库与软测量模型的输入端连接,所述BP网络的工业熔融指数的软测量模型的输出端与熔融指数软测量值显示仪连接;本发明具有预报精度高、计算速度快、自动更新数据、推广性能好的特点。
Description
技术领域
本发明涉及软测量仪表及方法,尤其涉及一种BP网络的工业熔融指数软测量仪表及方法。
背景技术
聚丙烯是一种由丙烯聚合而成的半结晶的热塑性塑料,具有较高的耐冲击性,机械性质强韧,抗多种有机溶剂和酸碱腐蚀,在工业界有广泛的应用,是平常最常见的高分子材料之一。熔融指数(MI)是聚丙烯生产中确定最终产品牌号的重要质量指标之一,它决定了产品的不同用途。熔融指数的精确、及时的测量,对生产和科研,都有非常重要的作用和指导意义。然而,熔融指数的在线分析测量目前仍然很难做到,缺乏熔融指数的在线分析仪是制约聚丙烯产品质量的一个主要问题。MI只能通过人工取样、离线化验分析获得,而且一般每2-4小时分析一次,时间滞后大,难以满足生产实时控制的要求。
近年来关于MI的在线预报的研究工作大部分都集中在人工神经网络上面,取得了不错的效果。神经网络具有很强的自适应、自组织、自学习的能力以及大规模并行运算的能力。但在实际应用中,神经网络也暴露了一些自身固有的缺陷:权值的初始化是随机的,易陷入局部极小;学习过程中隐含层的节点数目和其他参数的选择只能根据经验和实验来选择;收敛时间过长、鲁棒性差等。其次,工业现场采集到的DCS数据也因为噪音、人工操作误差等带有一定的不确定误差,所以使用确定性强的人工神经网络的预报模型一般推广能力不强。
1965年美国数学家L.Zadeh首先提出了模糊集合的概念。随后模糊逻辑以其更接近于日常人们的问题和语意陈述的方式,开始代替坚持所有事物都可以用二元项表示的经典逻辑。模糊逻辑迄今已经成功应用在了工业的多个领域之中,例如家电、工业控制等领域。2003年,Demirci提出了模糊方程的概念,通过使用模糊隶属度矩阵和和其变形构建一个新的输入矩阵,接着在局部方程中以反模糊方法中的重心法得出解析值作为最后的输出。对于丙烯聚合生产过程中熔融指数的软测量,考虑到工业生产过程中的噪音影响以及操作误差,可以使用模糊逻辑的模糊性能降低误差对整个预报精度的影响。
发明内容
为了克服已有的丙烯聚合生产过程的测量精度不高、对噪声敏感度低、参数选取难度大的不足,本发明提供一种在线测量、计算速度快、模型自动更新、抗噪声能力强的BP网络的工业熔融指数软测量仪表及方法。
一种BP网络的工业熔融指数软测量仪表,包括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数据库以及熔融指数软测量值显示仪,所述现场智能仪表、控制站与DCS数据库连接,所述软测量仪表还包括BP网络的工业熔融指数软测量模型,所述DCS数据库与所述BP网络的工业熔融指数软测量模型的输入端连接,所述BP网络的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接,所述BP网络的工业熔融指数软测量模型包括:
数据预处理模块,用于将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化:
计算均值:
计算方差:
标准化:
其中TXi为第i个训练样本,N为训练样本数,为训练样本的均值,X为标准化后的训练样本。σx表示训练样本的标准差,σ2 x表示训练样本的方差。
模糊方程模块,对从数据预处理模块传过来的标准化后的训练样本X,进行模糊化。设模糊方程系统中有c*个模糊群,模糊群k、j的中心分别为vk、vj,则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为:
式中,m为模糊分类过程中需要的分块矩阵指数,通常取作2,||·||为范数表达式。
使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:
Φik(Xi,μik)=[1func(μik)Xi](5)
其中func(μik)为隶属度值μik的变形函数,一般取exp(μik)等,Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
BP神经网络作为模糊方程系统的局部方程,设第k个BP神经网络模糊方程输出层的预测输出为输入为net,与此层相邻的隐含层中任一神经元l的输出为sl,则有:
式中,wlk是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,通常取为Sigmoid函数,表示为:
式中,h为输出层神经元的阈值,θ0为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:
其中,为第k个BP神经网络模糊方程输出层的预测输出。
作为优选的一种方案,所述BP网络的工业熔融指数软测量模型还包括: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,更新模糊方程模型。
一种BP网络的工业熔融指数软测量方法,所述软测量方法具体实现步骤如下:
1)、对丙烯聚合生产过程对象,根据工艺分析和操作分析,选择操作变量和易测变量作为模型的输入,操作变量和易测变量由DCS数据库获得;
2)、将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化,使得其均值为0,方差为1。该处理采用以下算式过程来完成:
2.1)计算均值:
2.2)计算方差:
2.3)标准化:
其中,TXi为第i个训练样本,N为训练样本数,为训练样本的均值,X为标准化后的训练样本。σx表示训练样本的标准差,σ2 x表示训练样本的方差。
3)、对从数据预处理模块传过来的训练样本,进行模糊化。设模糊方程系统中有c*个模糊群,模糊群k、j的中心分别为vk、vj,则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为:
式中,m为模糊分类过程中需要的分块矩阵指数,通常取作2,||·||为范数表达式。
使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:
Φik(Xi,μik)=[1func(μik)Xi](5)
其中func(μik)为隶属度值μik的变形函数,一般取exp(μik)等,Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
BP神经网络作为模糊方程系统的局部方程,设第k个BP神经网络模糊方程输出层的预测输出为输入为net,与此层相邻的隐含层中任一神经元l的输出为sl,则有:
式中,wlk是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,通常取为Sigmoid函数,表示为:
式中,h为输出层神经元的阈值,θ0为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:
其中,为第k个BP神经网络模糊方程输出层的预测输出。
作为优选的一种方案:所述软测量方法还包括以下步骤:4)、定期将离线化验数据输入到训练集中,更新模糊方程模型。
本发明的技术构思为:对丙烯聚合生产过程的重要质量指标熔融指数进行在线软测量,克服已有的聚丙稀熔融指数测量仪表测量精度不高、对噪声敏感度低、推广性能差的不足,以得到较高精度的软测量结果。此模型相对于已有的熔融指数软测量模型有以下优点:此软测量仪表,相对于已有的熔融指数软测量仪表,具有以下优点:(1)减小了噪声和人工操作误差对预报精度的影响;(2)增强了预报性能;(3)提高了稳定性。
本发明的有益效果主要表现在:1、在线测量;2、模型自动更新;4、抗噪声干扰能力强、4、精度高。
附图说明
图1是BP网络的工业熔融指数软测量仪表及方法的基本结构示意图;
图2是BP网络的工业熔融指数软测量模型结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
实施例1
参照图1、图2,一种BP网络的工业熔融指数软测量仪表,包括丙烯聚合生产过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的DCS数据库4以及熔融指数软测量值显示仪6,所述现场智能仪表2、控制站3与丙烯聚合生产过程1连接,所述现场智能仪表2、控制站3与DCS数据库4连接,所述软测量仪表还包括BP神经网络模糊方程的软测量模型5,所述DCS数据库4与所述BP网络的工业熔融指数软测量模型5的输入端连接,所述BP网络的工业熔融指数软测量模型5的输出端与熔融指数软测量值显示仪6连接,所述BP网络的工业熔融指数软测量模型包括:
数据预处理模块,用于将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化:
计算均值:
计算方差:
标准化:
其中,TXi为第i个训练样本,N为训练样本数,为训练样本的均值,X为标准化后的训练样本。σx表示训练样本的标准差,σ2 x表示训练样本的方差。
模糊方程模块,对从数据预处理模块传过来的标准化后的训练样本X,进行模糊化。设模糊方程系统中有c*个模糊群,模糊群k、j的中心分别为vk、vj,则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为:
式中,m为模糊分类过程中需要的分块矩阵指数,通常取作2,||·||为范数表达式。
使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:
Φik(Xi,μik)=[1func(μik)Xi](5)
其中func(μik)为隶属度值μik的变形函数,一般取exp(μik)等,Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
BP神经网络作为模糊方程系统的局部方程,设第k个BP神经网络模糊方程输出层的预测输出为输入为net,与此层相邻的隐含层中任一神经元l的输出为sl,则有:
式中,wlk是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,通常取为Sigmoid函数,表示为:
式中,h为输出层神经元的阈值,θ0为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:
其中,为第k个BP神经网络模糊方程输出层的预测输出。
作为优选的一种方案,所述BP网络的工业熔融指数软测量模型还包括: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,更新模糊方程模型。
丙烯聚合生产过程流程中,根据反应机理以及流程工艺分析,考虑到聚丙烯生产过程中对熔融指数产生影响的各种因素,取实际生产过程中常用的九个操作变量和易测变量作为建模变量,有:三股丙稀进料流率,主催化剂流率,辅催化剂流率,釜内温度、压强、液位,釜内氢气体积浓度。表1列出了作为软测量模型5输入的9个建模变量,分别为釜内温度(T)、釜内压力(p)、釜内液位(L)、釜内氢气体积浓度(Xv)、3股丙烯进料流率(第一股丙稀进料流率f1,第二股丙稀进料流率f2,第三股丙稀进料流率f3)、2股催化剂进料流率(主催化剂流率f4,辅催化剂流率f5)。反应釜中的聚合反应是反应物料反复混合后参与反应的,因此模型输入变量涉及物料的过程变量采用前若干时刻的平均值。此例中数据采用前一小时的平均值。熔融指数离线化验值作为软测量模型5的输出变量。通过人工取样、离线化验分析获得,每4小时分析采集一次。
现场智能仪表2及控制站3与丙烯聚合生产过程1相连,与DCS数据库4相连;软测量模型5与DCS数据库及软测量值显示仪6相连。现场智能仪表2测量丙烯聚合生产对象的易测变量,将易测变量传输到DCS数据库4;控制站3控制丙烯聚合生产对象的操作变量,将操作变量传输到DCS数据库4。DCS数据库4中记录的变量数据作为BP网络的工业熔融指数软测量模型5的输入,软测量值显示仪6用于显示BP网络的工业熔融指数软测量模型5的输出,即软测量值。
表1:BP网络的工业熔融指数软测量模型所需建模变量
变量符号 | 变量含义 | 变量符号 | 变量含义 |
T | 釜内温度 | f1 | 第一股丙稀进料流率 |
p | 釜内压强 | f2 | 第二股丙稀进料流率 |
L | 釜内液位 | f3 | 第三股丙稀进料流率 |
Xv | 釜内氢气体积浓度 | f4 | 主催化剂流率 |
f5 | 辅催化剂流率 |
BP网络的工业熔融指数软测量模型5,包括以下3个部分:
数据预处理模块7,用于将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化:
计算均值:
计算方差:
标准化:
其中,TXi为第i个训练样本,N为训练样本数,为训练样本的均值,X为标准化后的训练样本。σx表示训练样本的标准差,σ2 x表示训练样本的方差。
模糊方程模块8,对从数据预处理模块传过来的标准化后的训练样本X,进行模糊化。设模糊方程系统中有c*个模糊群,模糊群k、j的中心分别为vk、vj,则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为:
式中,m为模糊分类过程中需要的分块矩阵指数,通常取作2,||·||为范数表达式。
使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:
Φik(Xi,μik)=[1func(μik)Xi](5)
其中func(μik)为隶属度值μik的变形函数,一般取exp(μik)等,Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
BP神经网络作为模糊方程系统的局部方程,设第k个BP神经网络模糊方程输出层的预测输出为输入为net,与此层相邻的隐含层中任一神经元l的输出为sl,则有:
式中,wlk是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,通常取为Sigmoid函数,表示为:
式中,h为输出层神经元的阈值,θ0为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:
其中,为第k个BP神经网络模糊方程输出层的预测输出。
模型更新模块9,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,更新模糊方程模型。
实施例2
参照图1、图2,一种BP网络的工业熔融指数软测量方法,所述软测量方法具体实现步骤如下:
1)、对丙烯聚合生产过程对象,根据工艺分析和操作分析,选择操作变量和易测变量作为模型的输入,操作变量和易测变量由DCS数据库获得;
2)、将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化,使得其均值为0,方差为1。该处理采用以下算式过程来完成:
2.1)计算均值:
2.2)计算方差:
2.3)标准化:
其中,TXi为第i个训练样本,N为训练样本数,为训练样本的均值,X为标准化后的训练样本。σx表示训练样本的标准差,σ2 x表示训练样本的方差。
3)、对从数据预处理模块传过来的经过标准化后的训练样本,进行模糊化。设模糊方程系统中有c*个模糊群,模糊群k、j的中心分别为vk、vj,则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为:
式中,m为模糊分类过程中需要的分块矩阵指数,通常取作2,||·||为范数表达式。
使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:
Φik(Xi,μik)=[1func(μik)Xi](5)
其中func(μik)为隶属度值μik的变形函数,一般取exp(μik)等,Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
BP神经网络作为模糊方程系统的局部方程,设第k个BP神经网络模糊方程输出层的预测输出为输入为net,与此层相邻的隐含层中任一神经元l的输出为sl,则有:
式中,wlk是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,通常取为Sigmoid函数,表示为:
式中,h为输出层神经元的阈值,θ0为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:
其中,为第k个BP神经网络模糊方程输出层的预测输出。
作为优选的一种方案:所述软测量方法还包括以下步骤:4)、定期将离线化验数据输入到训练集中,更新模糊方程模型。
本实施例的方法具体实现步骤如下:
步骤1:对丙烯聚合生产过程对象1,根据工艺分析和操作分析,选择操作变量和易测变量作为模型的输入。操作变量和易测变量由DCS数据库4获得。
步骤2:对样本数据进行预处理,由数据预处理模块7完成。
步骤3:基于模型训练样本数据建立初始模糊方程模型8。输入数据如步骤2所述获得,输出数据由离线化验获得。
步骤4:模型更新模块9定期将离线化验数据输入到训练集中,更新模糊方程模型,基于BP神经网络模糊方程模型的软测量模型5建立完成。
步骤5:熔融指数软测量值显示仪6显示BP网络的工业熔融指数软测量模型5的输出,完成对工业聚丙烯生产熔融指数软测量的显示。
Claims (2)
1.一种BP网络的工业熔融指数软测量仪表,包括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数据库以及熔融指数软测量值显示仪,所述现场智能仪表、控制站与DCS数据库连接,其特征在于:所述软测量仪表还包括BP网络的工业熔融指数软测量模型,所述DCS数据库与所述BP网络的工业熔融指数软测量模型的输入端连接,所述BP网络的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接,所述BP网络的工业熔融指数软测量模型包括:
数据预处理模块,用于将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化:
计算均值:
计算方差:
标准化:
其中,TXi为第i个训练样本,N为训练样本数,为训练样本的均值,X为标准化后的训练样本;σx表示训练样本的标准差,σ2 x表示训练样本的方差;
模糊方程模块,对从数据预处理模块传过来的标准化后的训练样本X,进行模糊化;设模糊方程系统中有c*个模糊群,模糊群k、j的中心分别为vk、vj,则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为:
式中,m为模糊分类过程中需要的分块矩阵指数,取作2,||·||为范数表达式;
使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:
Φik(Xi,μik)=[1func(μik)Xi](5)
其中func(μik)为隶属度值μik的变形函数,取exp(μik),Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵;
BP神经网络作为模糊方程系统的局部方程,设第k个BP神经网络模糊方程输出层的预测输出为输入为net,与此层相邻的隐含层中任一神经元l的输出为sl,则有:
式中,wlk是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,取为Sigmoid函数,表示为:
式中,h为输出层神经元的阈值,θ0为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:
所述的BP网络的工业熔融指数软测量模型还包括: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,更新模糊方程模型。
2.一种用如权利要求1所述的BP网络的工业熔融指数软测量仪表实现的软测量方法,其特征在于:所述软测量方法具体实现步骤如下:
1)、对丙烯聚合生产过程对象,根据工艺分析和操作分析,选择操作变量和易测变量作为模型的输入,操作变量和易测变量由DCS数据库获得;
2)、将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化,使得其均值为0,方差为1;该处理采用以下算式过程来完成:
2.1)计算均值:
2.2)计算方差:
2.3)标准化:
其中,TXi为第i个训练样本,N为训练样本数,为训练样本的均值,X为标准化后的训练样本;σx表示训练样本的标准差,σ2 x表示训练样本的方差;
3)、对从数据预处理模块传过来的训练样本,进行模糊化;设模糊方程系统中有c*个模糊群,模糊群k、j的中心分别为vk、vj,则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为:
式中,m为模糊分类过程中需要的分块矩阵指数,取作2,||·||为范数表达式;
使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:
Φik(Xi,μik)=[1func(μik)Xi](5)
其中func(μik)为隶属度值μik的变形函数,取exp(μik),Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵;
BP神经网络作为模糊方程系统的局部方程,设第k个BP神经网络模糊方程输出层的预测输出为输入为net,与此层相邻的隐含层中任一神经元l的输出为sl,则有:
式中,wlk是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,取为Sigmoid函数,表示为:
式中,h为输出层神经元的阈值,θ0为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:
所述软测量方法还包括以下步骤:4)、定期将离线化验数据输入到训练集中,更新模糊方程模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310434800.XA CN103630568B (zh) | 2013-09-22 | 2013-09-22 | Bp网络的工业熔融指数软测量仪表及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310434800.XA CN103630568B (zh) | 2013-09-22 | 2013-09-22 | Bp网络的工业熔融指数软测量仪表及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103630568A CN103630568A (zh) | 2014-03-12 |
CN103630568B true CN103630568B (zh) | 2015-11-11 |
Family
ID=50211842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310434800.XA Expired - Fee Related CN103630568B (zh) | 2013-09-22 | 2013-09-22 | Bp网络的工业熔融指数软测量仪表及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103630568B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030156B (zh) * | 2021-03-13 | 2023-02-24 | 宁波大学科学技术学院 | 一种基于非线性慢特征模型的聚丙烯熔融指数软测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040095017A (ko) * | 2003-05-06 | 2004-11-12 | 엘지전자 주식회사 | 세탁기의 응급조치 제어 방법 |
CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
CN101315556A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表及方法 |
CN101382801A (zh) * | 2008-06-25 | 2009-03-11 | 浙江大学 | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 |
WO2010015465A1 (de) * | 2008-08-08 | 2010-02-11 | Endress+Hauser Gmbh+Co.Kg | Diagnoseverfahren eines prozessautomatisierungssystem |
-
2013
- 2013-09-22 CN CN201310434800.XA patent/CN103630568B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040095017A (ko) * | 2003-05-06 | 2004-11-12 | 엘지전자 주식회사 | 세탁기의 응급조치 제어 방법 |
CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
CN101315556A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表及方法 |
CN101382801A (zh) * | 2008-06-25 | 2009-03-11 | 浙江大学 | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 |
WO2010015465A1 (de) * | 2008-08-08 | 2010-02-11 | Endress+Hauser Gmbh+Co.Kg | Diagnoseverfahren eines prozessautomatisierungssystem |
Non-Patent Citations (3)
Title |
---|
A soft sensor based on adaptive fuzzy neural network and support vector regression for industrial melt index prediction;Mingming Zhang 等;《Chemometrics and Intelligent Laboratory Systems》;20130509;第126卷;83-90 * |
Mingming Zhang 等.Melt Index Prediction by Fuzzy Functions.《Chem. Eng. Technol.》.2013,第36卷(第9期),1577-1584. * |
Sean E.等.Greater Than the Sum of Its Parts_ Combining Models for Useful ADMET Prediction.《J. Med. Chem.》.2005,第48卷(第4期),1287-1291. * |
Also Published As
Publication number | Publication date |
---|---|
CN103630568A (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675011B (zh) | 最优支持向量机的工业熔融指数软测量仪表和方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN103675006B (zh) | 最小二乘的工业熔融指数软测量仪表和方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN103674778B (zh) | Rbf粒子群优化的工业熔融指数软测量仪表和方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN103675005B (zh) | 最优模糊网络的工业熔融指数软测量仪表及方法 | |
CN111461187A (zh) | 一种建筑物沉降智能检测系统 | |
CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
CN103675009B (zh) | 模糊方程的工业熔融指数软测量仪表及方法 | |
CN103675010B (zh) | 支持向量机的工业熔融指数软测量仪表及方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN1996192A (zh) | 基于仿生智能的工业软测量仪表及软测量方法 | |
CN103630568B (zh) | Bp网络的工业熔融指数软测量仪表及方法 | |
CN103675008B (zh) | 加权模糊的工业熔融指数软测量仪表及方法 | |
CN103488089B (zh) | 自适应的农药废液焚烧炉有害物排放达标控制系统及方法 | |
CN103678953A (zh) | 基于贝叶斯组合神经网络的生物发酵产量在线预报方法 | |
CN103472728B (zh) | 机器学习的农药焚烧炉有害物排放达标控制系统及方法 | |
CN103472727B (zh) | 群智加权的农药焚烧炉有害物排放达标控制系统及方法 | |
CN103675007B (zh) | Rbf网络的工业熔融指数软测量仪表及方法 | |
CN113764048A (zh) | 一种聚丙烯生产质量在线测量系统 | |
CN103488090B (zh) | 群智机器学习的焚烧炉有害物排放达标控制系统及方法 | |
CN103488087B (zh) | 最优的农药废液焚烧炉有害物排放达标控制系统及方法 | |
CN116523388B (zh) | 一种基于工业互联网平台的数据驱动的质量建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151111 Termination date: 20180922 |