CN103675007A - Rbf网络的工业熔融指数软测量仪表及方法 - Google Patents

Abstract

本发明公开了一种RBF网络的工业熔融指数软测量仪表及方法。该方法使用多个RBF神经网络对训练样本进行训练，然后对每个RBF神经网络的输出结果进行模糊化处理，提高了系统的预报精度。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数据库与所述软测量模型的输入端连接，所述RBF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；本发明具有在线测量、计算速度快、输入数据集自动更新、抗噪声能力强的特点。

Description

RBF网络的工业熔融指数软测量仪表及方法

技术领域

本发明设计软测量仪表及方法，尤其涉及一种RBF网络的工业熔融指数软测量仪表和方法。 

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。 

近年来人工神经网络，尤其是RBF神经网络，在系统优化方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RBF网络的工业熔融指数软测量仪表和方法。 

一种RBF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RBF网络的工业熔融指数软测量模型，所述DCS数据库与所述RBF网络的工业熔融指数软测量模型的输入端连接，所述RBF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RBF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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{T\; X}}}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，TX_i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。σ_x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v_k、v_j，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为： 

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$

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： 

Φ_ik(X_i,μ_ik)=[1  func(μ_ik)  X_i]   （5） 

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。 

RBF神经网络作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设第k个RBF神经网络模糊方程的的输出是： 

${\hat{y}}_{\mathrm{ik}}=\underset{l}{\mathrm{\Σ}}{w}_{\mathrm{lk}}{\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)---\left(6\right)$

其中C_lk和w_lk是第k个RBF神经网络模糊方程第l个结点的中心和输出权值，Φ_lk(||X_i-C_lk||)是第k个RBF神经网络模糊方程第l个结点的径向基函数，由下式确定： 

${\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)=\exp (-\frac{{\left(\right||x_i-C_{\mathrm{lk}}|\left|\right)}^2}{2\×{\mathrm{\σ}}_{\mathrm{lk}}})---\left(7\right)$

其中σ_lk是对应的径向基函数的高斯宽度，||·||为范数表达式。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： 

${\hat{y}}_i=\frac{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}}---\left(8\right)$

式中，

为第k个RBF神经网络模糊方程的的输出。 

作为优选的一种方案，所述RBF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RBF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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

2.2）计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

2.3）标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{T\; X}}}{{\mathrm{\σ}}_x}---\left(3\right)$ 其中，TX_i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。σ_x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v_k、v_j，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为： 

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$

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： 

Φ_ik(X_i,μ_ik)=[1  func(μ_ik)  X_i]   （5） 

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。 

RBF神经网络作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设第k个RBF神经网络模糊方程的的输出是： 

${\hat{y}}_{\mathrm{ik}}=\underset{l}{\mathrm{\Σ}}{w}_{\mathrm{lk}}{\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)---\left(6\right)$

其中C_lk和w_lk是第k个RBF神经网络模糊方程第l个结点的中心和输出权值，Φ_lk(||X_i-C_lk||)是第k个RBF神经网络模糊方程第l个结点的径向基函数，由下式确定： 

${\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)=\exp (-\frac{{\left(\right||x_i-C_{\mathrm{lk}}|\left|\right)}^2}{2\×{\mathrm{\σ}}_{\mathrm{lk}}})---\left(7\right)$

其中σ_lk是对应的径向基函数的高斯宽度，||·||为范数表达式。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： 

${\hat{y}}_i=\frac{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}}---\left(8\right)$

式中，为第k个RBF神经网络模糊方程的的输出。 

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；3、抗噪声干扰能力强、4、精度高。 

附图说明

图1是RBF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RBF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RBF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RBF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RBF网络的工业熔融指数软测量模型5的输入端连接，所述RBF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RBF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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{T\; X}}}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，TX_i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。σ_x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v_k、v_j，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为： 

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$

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： 

Φ_ik(X_i,μ_ik)=[1  func(μ_ik)  X_i]   （5） 

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。 

RBF神经网络作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设第k个RBF神经网络模糊方程的的输出是： 

${\hat{y}}_{\mathrm{ik}}=\underset{l}{\mathrm{\Σ}}{w}_{\mathrm{lk}}{\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)---\left(6\right)$

其中C_lk和w_lk是第k个RBF神经网络模糊方程第l个结点的中心和输出权值，Φ_lk(||X_i-C_lk||)是第k个RBF神经网络模糊方程第l个结点的径向基函数，由下式确定： 

${\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)=\exp (-\frac{{\left(\right||x_i-C_{\mathrm{lk}}|\left|\right)}^2}{2\×{\mathrm{\σ}}_{\mathrm{lk}}})---\left(7\right)$

其中σ_lk是对应的径向基函数的高斯宽度，||·||为范数表达式。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： 

${\hat{y}}_i=\frac{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}}---\left(8\right)$

式中，

为第k个RBF神经网络模糊方程的的输出。 

作为优选的一种方案，所述RBF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。 

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（X_v）、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RBF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RBF网络的工业熔融指数软测量模型5的输出，即软测量值。 

表1RBF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

RBF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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{T\; X}}}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，TX_i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。σ_x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v_k、v_j，则第i个标准化后的训练样 本X_i对于模糊群k的隶属度μ_ik为： 

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$

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： 

Φ_ik(X_i,μ_ik)=[1  func(μ_ik)  X_i]   （5） 

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。 

RBF神经网络作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设第k个RBF神经网络模糊方程的的输出是： 

${\hat{y}}_{\mathrm{ik}}=\underset{l}{\mathrm{\Σ}}{w}_{\mathrm{lk}}{\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)---\left(6\right)$

其中C_lk和w_lk是第k个RBF神经网络模糊方程第l个结点的中心和输出权值，Φ_lk(||X_i-C_lk||)是第k个RBF神经网络模糊方程第l个结点的径向基函数，由下式确定： 

${\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)=\exp (-\frac{{\left(\right||x_i-C_{\mathrm{lk}}|\left|\right)}^2}{2\×{\mathrm{\σ}}_{\mathrm{lk}}})---\left(7\right)$

其中σ_lk是对应的径向基函数的高斯宽度，||·||为范数表达式。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： 

${\hat{y}}_i=\frac{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}}---\left(8\right)$

式中，为第k个RBF神经网络模糊方程的的输出。 

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2，一种基于RBF神经网络模糊方程模型的工业聚丙烯生产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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

2.2）计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

2.3）标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{T\; X}}}{{\mathrm{\σ}}_x}---\left(3\right)$ 其中，TX_i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。σ_x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v_k、v_j，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为： 

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$

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： 

Φ_ik(X_i,μ_ik)=[1  func(μ_ik)  X_i]   （5） 

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。 

RBF神经网络作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设第k个RBF神经网络模糊方程的的输出是： 

${\hat{y}}_{\mathrm{ik}}=\underset{l}{\mathrm{\Σ}}{w}_{\mathrm{lk}}{\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)---\left(6\right)$

其中C_lk和w_lk是第k个RBF神经网络模糊方程第l个结点的中心和输出权值，Φ_lk(||X_i-C_lk||)是第k个RBF神经网络模糊方程第l个结点的径向基函数，由下式确定： 

${\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)=\exp (-\frac{{\left(\right||x_i-C_{\mathrm{lk}}|\left|\right)}^2}{2\×{\mathrm{\σ}}_{\mathrm{lk}}})---\left(7\right)$

其中σ_lk是对应的径向基函数的高斯宽度，||·||为范数表达式。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： 

${\hat{y}}_i=\frac{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}}---\left(8\right)$

式中，

为第k个RBF神经网络模糊方程的的输出。 

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RBF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RBF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RBF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RBF网络的软测量模型，所述DCS数据库与所述RBF网络的工业熔融指数软测量模型的输入端连接，所述RBF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RBF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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{T\; X}}}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，TX_i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。σ_x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v_k、v_j，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$ 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：

Φ_ik(X_i,μ_ik)=[1  func(μ_ik)  X_i]   （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取、exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

RBF神经网络作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设第k个RBF神经网络模糊方程的的输出是：

${\hat{y}}_{\mathrm{ik}}=\underset{l}{\mathrm{\Σ}}{w}_{\mathrm{lk}}{\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)---\left(6\right)$

其中C_lk和w_lk是第k个RBF神经网络模糊方程第l个结点的中心和输出权值，Φ_lk(||X_i-C_lk||)是第k个RBF神经网络模糊方程第l个结点的径向基函数，由下式确定：

${\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)=\exp (-\frac{{\left(\right||x_i-C_{\mathrm{lk}}|\left|\right)}^2}{2\×{\mathrm{\σ}}_{\mathrm{lk}}})---\left(7\right)$

其中σ_lk是对应的径向基函数的高斯宽度，||·||为范数表达式。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：

${\hat{y}}_i=\frac{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}}---\left(8\right)$

式中，

为第k个RBF神经网络模糊方程的的输出。

所述的RBF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RBF网络的工业熔融指数工业聚丙烯生产熔融指数软测量仪表实现的软测量方法，其特征在于：所述软测量方法主要包括以下步骤：

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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

2.2）计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

2.3）标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{T\; X}}}{{\mathrm{\σ}}_x}---\left(3\right)$ 其中，TX_i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。σ_x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v_k、v_j，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$ 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：

Φ_ik(X_i,μ_ik)=[1  func(μ_ik)  X_i]   （5）其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

RBF神经网络作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设第k个RBF神经网络模糊方程的的输出是：

${\hat{y}}_{\mathrm{ik}}=\underset{l}{\mathrm{\Σ}}{w}_{\mathrm{lk}}{\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)---\left(6\right)$

其中C_lk和w_lk是第k个RBF神经网络模糊方程第l个结点的中心和输出权值，Φ_lk(||X_i-C_lk||)是第k个RBF神经网络模糊方程第l个结点的径向基函数，由下式确定：

${\mathrm{\Φ}}_{\mathrm{lk}}\left(\right||X_i-C_{\mathrm{lk}}|\left|\right)=\exp (-\frac{{\left(\right||x_i-C_{\mathrm{lk}}|\left|\right)}^2}{2\×{\mathrm{\σ}}_{\mathrm{lk}}})---\left(7\right)$

其中σ_lk是对应的径向基函数的高斯宽度，||·||为范数表达式。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：

${\hat{y}}_i=\frac{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\Σ}}_{k=1}^{c^{*}}{\mathrm{\μ}}_{\mathrm{ik}}}---\left(8\right)$

式中，

为第k个RBF神经网络模糊方程的的输出。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。

Images