CN103823369B - 基于bp多模网络的丙烯聚合生产过程预报系统和方法 - Google Patents

Abstract

本发明公开了一种基于BP多模网络的丙烯聚合生产过程最优预报系统，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BP多模网络的最优预报系统以及熔融指数预报值显示仪。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；最优预报系统与DCS数据库及预报值显示仪相连。所述的基于BP多模网络的最优预报系统包括模型更新模块、数据预处理模块、PCA主成分分析模块、神经网络模型模块、神经网络智能多模优化模块。以及提供了一种用预报系统实现的预报方法。本发明实现在线测量、在线参数优化、预报速度快、模型自动更新、抗干扰能力强、精度高。

Description

基于BP多模网络的丙烯聚合生产过程预报系统和方法

技术领域

本发明涉及一种最优预报系统及方法，具体是一种基于BP多模网络的丙烯聚合生产过程最优预报系统及方法。

背景技术

聚丙烯是由丙烯聚合而制得的一种热塑性树脂，丙烯最重要的下游产品，世界丙烯的50%，我国丙烯的65%都是用来制聚丙烯，是五大通用塑料之一，与我们的日常生活密切相关。聚丙烯是世界上增长最快的通用热塑性树脂，总量仅仅次于聚乙烯和聚氯乙烯。为使我国聚丙烯产品具有市场竞争力，开发刚性、韧性、流动性平衡好的抗冲共聚产品、无规共聚产品、BOPP和CPP薄膜料、纤维、无纺布料，及开发聚丙烯在汽车和家电领域的应用，都是今后重要的研究课题。

熔融指数是聚丙烯产品确定产品牌号的重要质量指标之一，它决定了产品的不同用途，对熔融指数的测量是聚丙烯生产中产品质量控制的一个重要环节，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很难做到，一方面是在线熔融指数分析仪的缺乏，另一方面是现有的在线分析仪由于经常会堵塞而测量不准甚至无法正常使用所导致的使用上的困难。因此，目前工业生产中MI的测量，主要是通过人工取样、离线化验分析获得，而且一般每2-4小时只能分析一次，时间滞后大，给丙烯聚合生产的质量控制带来了困难，成为生产中急需解决的一个瓶颈问题。聚丙烯熔融指数的在线预报系统及方法研究，从而成为学术界和工业界的一个前沿和热点。

发明内容

为了克服目前已有的丙烯聚合生产过程的测量精度不高、易受人为因素的影响的不足，本发明的目的在于提供一种在线测量、在线参数优化、预报速度快、模型自动更新、抗干扰能力强、精度高的基于BP多模网络的丙烯聚合生产过程熔融指数最优预报系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种基于BP多模网络的丙烯聚合生产过程最优预报系统，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BP多模网络的最优预报系统以及熔融指数预报显示仪，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BP多模网络的最优预报系统的输入端连接，所述基于BP多模网络的最优预报系统的输出端与熔融指数预报显示仪连接，其特征在于：所述基于BP多模网络的最优预报系统包括：（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=xU得到，其中x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x=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，x=CU^T+E，其中E为残差矩阵；

（3）、神经网络模型模块，用于采用BP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；需要建立若干子神经网络，第一个子BP网络的训练目标是预报结果与实际结果差距J₁最小；

$J_1=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}{(F_1\left(x_l\right)-d\left(x_l\right))}^2---\left(1\right)$

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果。

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

$J_i=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}{(F_i\left(x_l\right)-d\left(x_l\right))}^2-\frac{\mathrm{\λ}}{N}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}{(F_i\left(x_l\right)-F\left(x_l\right))}^2---\left(2\right)$

Ji为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目。

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。

采用一种连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：（a）算法初始化，根据待优化的RBF神经网络结构构造出初始的解集S=(s₁,s₂,...,s_n)，n为初始解的个数，sn为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；

（b）计算出解集S对应的适应度值G_i(i=1,2,...,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,...,n)

$P_a\left(k\right)=\frac{G_a}{{\mathrm{\Σ}}_{a=1}^n{G}_i}(a=\mathrm{1,2},...,n)---\left(3\right)$

n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；

（c）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s'_a；

（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；

（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

（g）计算出解集S对应的适应度值G_a(a=1,2,...,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，以提高算法的搜索到更好解的概率。

（4）、神经网络智能多模优化模块，用于对步骤（3）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

$w_q=(1/e_q)/(\underset{j=1}{\overset{I}{\mathrm{\&Sigma;}}}/e_j),q=\mathrm{1,2},...,I.---\left(4\right)$

$e_j=\frac{1}{N}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}|F_j\left(x_m\right)-d\left(x_m\right)|---\left(5\right)$

wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果。

最终多模神经网络的预报结果为各个子网络预报结果的加权求和。

$O\left(x\right)=\underset{k=1}{\overset{I}{\mathrm{\&Sigma;}}}(w_k\&CenterDot;F_k\left(x\right))---\left(6\right)$

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数。

作为优选的一种方案，所述基于连续空间蚁群算法训练智能多模BP神经网络的最优预报模型还包括：模型更新模块，用于模型的在线更新，将定期将离线化验数据输入到训练集中，更新神经网络模型。

作为优选的再一种方案：在所述的连续空间蚁群算法训练智能多模BP神经网络模型中，训练子BP神经网络，然后将其智能地构建起来形成神经网络群；由于子网络的选取标准是预报误差小、与其他的子网络差异大，所以这些预报效果好、又各不相同的子神经网络的综合预报效果能够具有更好的预报精度和稳定性。

作为优选的再一种方案：在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。

一种基于BP多模网络的丙烯聚合生产过程最优预报系统实现的预报方法，所述预报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）对样本数据进行预处理，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；

（3）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=xU得到，其中x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x=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，x=CU^T+E，其中E为残差矩阵；

（4）基于模型输入、输出数据建立若干个初始子神经网络模型，采用BP神经网络，通过误差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；第一个子BP网络的训练目标是预报结果与实际结果差距J₁最小；

$J_1=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_1\left(x_l\right)-d\left(x_l\right))}^2---\left(1\right)$

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果。

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

$J_i=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-d\left(x_l\right))}^2-\frac{\mathrm{\&lambda;}}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-F\left(x_l\right))}^2---\left(2\right)$

Ji为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目。

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。

采用一种连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：（a）算法初始化，根据待优化的RBF神经网络结构构造出初始的解集S=(s₁,s₂,...,s_n)，n为初始解的个数，sn为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；

（b）计算出解集S对应的适应度值G_i(i=1,2,...,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,...,n)

$P_a\left(k\right)=\frac{G_a}{{\mathrm{\&Sigma;}}_{a=1}^n{G}_i}(a=\mathrm{1,2},...,n)---\left(3\right)$

n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；

（c）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s’_a；

（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；

（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

（g）计算出解集S对应的适应度值G_a(a=1,2,...,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，以提高算法的搜索到更好解的概率。

（5）、智能构建所有的子神经网络，用于对步骤（5.4）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

$w_q=(1/e_q)/(\underset{j=1}{\overset{I}{\mathrm{\&Sigma;}}}/e_j),q=\mathrm{1,2},...,I.---\left(4\right)$

$e_j=\frac{1}{N}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}|F_j\left(x_m\right)-d\left(x_m\right)|---\left(5\right)$

wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；NN为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果。

最终多模神经网络的预报结果为各个子网络预报结果的加权求和。

$O\left(x\right)=\underset{k=1}{\overset{I}{\mathrm{\&Sigma;}}}(w_k\&CenterDot;F_k\left(x\right))---\left(6\right)$

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数。

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最优预报，克服已有的聚丙烯熔融指数测量仪表测量精度不高、易受人为因素的影响的不足，通过连续空间蚁群算法训练智能多模BP神经网络的方法来建立预报精度高、稳定性好的预报模型来得到最优的预报结果。

本发明的有益效果主要表现在：1、在线测量；2、在线参数自动优化；3、预报速度快；4、模型自动更新；5、抗干扰能力强；6、精度高。

附图说明

图1是基于BP多模网络的丙烯聚合生产过程最优预报系统及方法的基本结构示意图；

图2是基于BP多模网络的最优预报系统结构示意图；

图3是丙烯聚合生产过程Hypol工艺生产流程图。

具体实施方式

下面结合附图对本发明做进一步描述。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

1.参照图1、图2和图3，一种基于BP多模网络的丙烯聚合生产过程最优预报系统，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、基于BP多模网络的最优预报系统5以及熔融指数预报值显示仪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DCS数据库4与基于BP多模网络的最优预报系统5的输入端连接，所述基于BP多模网络的最优预报系统5的输出端与熔融指数预报值显示仪6连接，所述基于BP多模网络的最优预报系统包括：

（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=xU得到，其中x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x=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，x=CU^T+E，其中E为残差矩阵；

（3）、神经网络模型模块，用于采用BP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；需要建立若干子神经网络，第一个子BP网络的训练目标是预报结果与实际结果差距J₁最小；

$J_1=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_1\left(x_l\right)-d\left(x_l\right))}^2---\left(1\right)$

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果。

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

$J_i=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-d\left(x_l\right))}^2-\frac{\mathrm{\&lambda;}}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-F\left(x_l\right))}^2---\left(2\right)$

Ji为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目。

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。

采用一种连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：（a）算法初始化，根据待优化的RBF神经网络结构构造出初始的解集S=(s₁,s₂,...,s_n)，n为初始解的个数，sn为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；

（b）计算出解集S对应的适应度值G_i(i=1,2,...,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,...,n)

$P_a\left(k\right)=\frac{G_a}{{\mathrm{\&Sigma;}}_{a=1}^n{G}_i}(a=\mathrm{1,2},...,n)---\left(3\right)$

n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；

（c）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s'_a；

（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；

（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

（g）计算出解集S对应的适应度值G_a(a=1,2,...,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，以提高算法的搜索到更好解的概率。

（4）、神经网络智能多模优化模块，用于对步骤（3）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

$w_q=(1/e_q)/(\underset{j=1}{\overset{I}{\mathrm{\&Sigma;}}}/e_j),q=\mathrm{1,2},...,I.---\left(4\right)$

$e_j=\frac{1}{N}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}|F_j\left(x_m\right)-d\left(x_m\right)|---\left(5\right)$

wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果。

最终多模神经网络的预报结果为各个子网络预报结果的加权求和。

$O\left(x\right)=\underset{k=1}{\overset{I}{\mathrm{\&Sigma;}}}(w_k\&CenterDot;F_k\left(x\right))---\left(6\right)$

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数。

在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。

2.丙烯聚合生产过程流程图如图3所示，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个因素，取实际生产过程中常用的九个操作变量和易测变量作为模型输入变量，有：三股丙烯进料流率，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列出了作为基于BP多模网络的最优预报系统5输入的9个模型输入变量，分别为釜内温度（T）、釜内压强（p）、釜内液位（L）、釜内氢气体积浓度（X_v）、3股丙烯进料流率（第一股丙烯进料流率f1，第二股丙烯进料流率f2，第三股丙烯进料流率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基于BP多模网络的最优预报系统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。

表1基于BP多模网络的最优预报系统所需模型输入变量

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；最优预报系统5与DCS数据库4及熔融指数预报值显示仪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基于BP多模网络的最优预报系统5的输入，预报值显示仪6用于显示基于BP多模网络的最优预报系统5的输出，即预报值。

基于BP多模网络的最优预报系统5，包括：

（1）数据预处理模块7，用于对模型输入进行预处理，即中心化和归一化。对输入变量中心化，就是减去变量的平均值，使变量为零均值的变量，从而简化算法；对输入变量归一化，就是除以输入变量值的变化区间，是变量的值落到-0.5～0.5之内，进一步简化。

（2）PCA主成分分析模块8，用于对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换，使得变换后的变量各个分量间互不相关，同时其协方差矩阵为单位阵，即主成分由C=xU得到，其中x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x=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，x=CU^T+E，其中E为残差矩阵。

（3）神经网络模型模块9，采用BP神经网络，BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型有一个输入层、一个输出层和不定数目的隐藏层。理论上可以证明，BP神经网络可以任意逼近非线性系统。BP神经网络训练算法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；需要建立若干子神经网络，第一个子BP网络的训练目标是预报结果与实际结果差距J₁最小；

$J_1=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_1\left(x_l\right)-d\left(x_l\right))}^2---\left(1\right)$

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果。

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

$J_i=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-d\left(x_l\right))}^2-\frac{\mathrm{\&lambda;}}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-F\left(x_l\right))}^2---\left(2\right)$

Ji为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目。

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。

采用一种连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：（a）算法初始化，根据待优化的RBF神经网络结构构造出初始的解集S=(s₁,s₂,...,s_n)，n为初始解的个数，sn为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；

（b）计算出解集S对应的适应度值G_i(i=1,2,...,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,...,n)

$P_a\left(k\right)=\frac{G_a}{{\mathrm{\&Sigma;}}_{a=1}^n{G}_i}(a=\mathrm{1,2},...,n)---\left(3\right)$

n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；

（c）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s'_a；

（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；

（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

（g）计算出解集S对应的适应度值G_a(a=1,2,...,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，以提高算法的搜索到更好解的概率。

（4）、神经网络智能多模优化模块10，用于对步骤（3）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

$w_q=(1/e_q)/(\underset{j=1}{\overset{I}{\mathrm{\&Sigma;}}}/e_j),q=\mathrm{1,2},...,I.---\left(4\right)$

$e_j=\frac{1}{N}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}|F_j\left(x_m\right)-d\left(x_m\right)|---\left(5\right)$

wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果。

最终多模神经网络的预报结果为各个子网络预报结果的加权求和。

$O\left(x\right)=\underset{k=1}{\overset{I}{\mathrm{\&Sigma;}}}(w_k\&CenterDot;F_k\left(x\right))---\left(6\right)$

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数。

在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。

（5）模型更新模块11，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。

实施例2

1.参照图1、图2和图3，一种基于BP多模网络的丙烯聚合生产过程最优预报方法包括以下步骤：

（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）对样本数据进行预处理，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；

（3）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=xU得到，其中x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x=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，x=CU^T+E，其中E为残差矩阵；

（4）基于模型输入、输出数据建立初始神经网络模型，采用BP神经网络，通过误差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；第一个子BP网络的训练目标是预报结果与实际结果差距J₁最小；

$J_1=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_1\left(x_l\right)-d\left(x_l\right))}^2---\left(1\right)$

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果。

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

$J_i=\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-d\left(x_l\right))}^2-\frac{\mathrm{\&lambda;}}{N}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{(F_i\left(x_l\right)-F\left(x_l\right))}^2---\left(2\right)$

Ji为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目。

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。

采用一种连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：（a）算法初始化，根据待优化的RBF神经网络结构构造出初始的解集S=(s₁,s₂,...,s_n)，n为初始解的个数，sn为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；

（b）计算出解集S对应的适应度值G_i(i=1,2,...,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,...,n)

$P_a\left(k\right)=\frac{G_a}{{\mathrm{\&Sigma;}}_{a=1}^n{G}_i}(a=\mathrm{1,2},...,n)---\left(3\right)$

n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；

（c）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s'_a；

（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；

（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

（g）计算出解集S对应的适应度值G_a(a=1,2,...,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，以提高算法的搜索到更好解的概率。

（5）、智能构建所有的子神经网络，用于对步骤（5.4）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

$w_q=(1/e_q)/(\underset{j=1}{\overset{I}{\mathrm{\&Sigma;}}}/e_j),q=\mathrm{1,2},...,I.---\left(4\right)$

$e_j=\frac{1}{N}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}|F_j\left(x_m\right)-d\left(x_m\right)|---\left(5\right)$

wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果。

最终多模神经网络的预报结果为各个子网络预报结果的加权求和。

$O\left(x\right)=\underset{k=1}{\overset{I}{\mathrm{\&Sigma;}}}(w_k\&CenterDot;F_k\left(x\right))---\left(6\right)$

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数。

进一步，在所述的步骤（3）中采用PCA主成分分析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。

2.本实施例的方法具体实施步骤如下：

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。

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：对经过预处理的数据进行主成分分析，由PCA主成分分析模块8完成。

步骤4：模块9基于模型输入、输出结合步骤（4）建立若干初始神经网络模型。输入数据如步骤1所述获得，输出数据由离线化验获得。

步骤5：模块10结合步骤（5）根据子网络预报误差将所有的子神经网络智能地构建起来；

步骤6：模型更新模块11定期将离线化验数据输入到训练集中，更新神经网络模型，基于BP多模网络的最优预报系统5建立完成。

步骤7：建立好的基于BP多模网络的最优预报系统5基于DCS数据库4传来的实时模型输入变量数据对丙烯聚合生产过程1的熔融指数进行基于连续空间蚁群算法训练智能多模BP神经网络的最优预报。

步骤8：熔融指数预报显示仪6显示基于BP多模网络的最优预报系统5的输出，完成对丙烯聚合生产过程熔融指数的最优预报的显示。

Claims (2)

1.一种基于BP多模网络的丙烯聚合生产过程最优预报系统，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BP多模网络的最优预报系统以及熔融指数预报显示仪，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BP多模网络的最优预报系统的输入端连接，所述基于BP多模网络的最优预报系统的输出端与熔融指数预报显示仪连接，其特征在于：所述基于BP多模网络的最优预报系统包括：

(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＝xU得到，其中x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x＝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，x＝CU^T+E，其中E为残差矩阵；

(3)、神经网络模型模块，用于采用BP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；需要建立若干子神经网络，第一个子BP网络的训练目标是预报结果与实际结果差距J₁最小；

$J_1=\frac{1}{N}\underset{l=1}{\overset{N}{\&Sigma;}}{\left(F_1\right(x_l)-d(x_l\left)\right)}^2---\left(1\right)$

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果；

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

$J_i=\frac{1}{N}\underset{l=1}{\overset{N}{\&Sigma;}}{\left(F_i\right(x_l)-d(x_l\left)\right)}^2-\frac{\mathrm{\&lambda;}}{N}\underset{l=1}{\overset{N}{\&Sigma;}}{\left(F_i\right(x_l)-F(x_l\left)\right)}^2---\left(2\right)$

J_i为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目；

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小；

采用一种连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：

(a)算法初始化，根据待优化的BP网络构造出初始的解集S＝(s₁,s₂,…,s_n)，n为初始解的个数，s_n为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen＝0；

(b)计算出解集S对应的适应度值G_i，i＝1,2,…,n，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i，i＝1,2,…,n

$P_a\left(k\right)=\frac{G_a}{{\mathrm{\&Sigma;}}_{a=1}^n{G}_i},a=1,2,...,n---\left(3\right)$

n为初始解的个数，s_n为第n个初始解，k为迭代次数；初始化执行寻优算法的蚂蚁编号a＝0；

(c)蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

(d)蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s_a'；

(e)如果a<M，则a＝a+1，返回步骤c；否则继续向下执行步骤f；

(f)如果gen<MaxGen，则gen＝gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

(g)计算出解集S对应的适应度值G_a，a＝1,2,…,n，选取适应度值最大的解作为算法的最优解，结束算法并返回；

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，以提高算法的搜索到更好解的概率；

(4)、神经网络智能多模优化模块，用于对步骤(3)中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

$w_q=(1/e_q)/(\underset{j=1}{\overset{I}{\&Sigma;}}1/e_j),q=1,2,...,I.---\left(4\right)$

$e_j=\frac{1}{N}\underset{m=1}{\overset{N}{\&Sigma;}}|F_j\left(x_m\right)-d\left(x_m\right)|---\left(5\right)$

w_q为第q个子网络的权值；e_q为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果；

最终多模神经网络的预报结果为各个子网络预报结果的加权求和；

$O\left(x\right)=\underset{k=1}{\overset{I}{\&Sigma;}}(w_k\&CenterDot;F_k(x\left)\right)---\left(6\right)$

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数；

所述的基于BP多模网络的丙烯聚合生产过程最优预报系统，其特征在于：所述基于BP多模网络的最优预报系统还包括：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；

所述的基于BP多模网络的丙烯聚合生产过程最优预报系统，其特征在于：训练子BP神经网络，然后将其智能地构建起来形成神经网络群；由于子网络的选取标准是预报误差小、与其他的子网络差异大，所以这些预报效果好、又各不相同的子神经网络的综合预报效果能够具有更好的预报精度和稳定性；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。

2.一种用如权利要求1所述的基于BP多模网络的丙烯聚合生产过程最优预报系统实现的预报方法，其特征在于：所述预报方法具体实现步骤如下：

(5.1)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取温度、压力、液位、氢气气相百分数、3股丙烯进料流速和2股催化剂进料流速这些变量，由DCS数据库获得；

(5.2)对样本数据进行预处理，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；

(5.3)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＝xU得到，其中x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x＝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，x＝CU^T+E，其中E为残差矩阵；

(5.4)基于模型输入、输出数据建立若干个初始子神经网络模型，采用BP神经网络，通过误差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；第一个子BP网络的训练目标是预报结果与实际结果差距J₁最小；

$J_1=\frac{1}{N}\underset{l=1}{\overset{N}{\&Sigma;}}{\left(F_1\right(x_l)-d(x_l\left)\right)}^2---\left(1\right)$

N为样本数目，x为输入变量，l为样本点序号，F₁(·)为子网络预报结果，d(·)为实际结果；

从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：

$J_i=\frac{1}{N}\underset{l=1}{\overset{N}{\&Sigma;}}{\left(F_i\right(x_l)-d(x_l\left)\right)}^2-\frac{\mathrm{\&lambda;}}{N}\underset{l=1}{\overset{N}{\&Sigma;}}{\left(F_i\right(x_l)-F(x_l\left)\right)}^2---\left(2\right)$

J_i为前i个子网络的训练目标，F_i(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i-1个子网络的综合结果；λ为调节参数，N为样本数目；

训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小；

采用一种连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：(a)算法初始化，根据待优化的BP网络构造出初始的解集S＝(s₁,s₂,…,s_n)，n为初始解的个数，s_n为第n个初始解，确定蚁群的大小M，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen＝0；

(b)计算出解集S对应的适应度值G_i，i＝1,2,…,n，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i，i＝1,2,…,n

$P_a\left(k\right)=\frac{G_a}{{\mathrm{\&Sigma;}}_{a=1}^n{G}_i},a=1,2,...,n---\left(3\right)$

n为初始解的个数，s_n为第n个初始解，k为迭代次数；初始化执行寻优算法的蚂蚁编号a＝0；

(c)蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

(d)蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s_a'；

(e)如果a<M，则a＝a+1，返回步骤c；否则继续向下执行步骤f；

(f)如果gen<MaxGen，则gen＝gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；

(g)计算出解集S对应的适应度值G_a，a＝1,2,…,n，选取适应度值最大的解作为算法的最优解，结束算法并返回；

每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，以提高算法的搜索到更好解的概率；

(5.5)、智能构建所有的子神经网络，用于对步骤(5.4)中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；

$w_q=(1/e_q)/(\underset{j=1}{\overset{I}{\&Sigma;}}1/e_j),q=1,2,...,I.---\left(4\right)$

$e_j=\frac{1}{N}\underset{m=1}{\overset{N}{\&Sigma;}}|F_j\left(x_m\right)-d\left(x_m\right)|---\left(5\right)$

w_q为第q个子网络的权值；e_q为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号，F_j(·)为第j个子网络预报结果，d(·)为实际结果；

最终多模神经网络的预报结果为各个子网络预报结果的加权求和；

$O\left(x\right)=\underset{k=1}{\overset{I}{\&Sigma;}}(w_k\&CenterDot;F_k(x\left)\right)---\left(6\right)$

式中x为输入变量，O(·)为模型输出，F_k(·)为第k个子网络输出，w_k为第k个子网络的权重，I为子网络总数；

所述预报方法还包括：定期将离线化验数据输入到训练集中，更新神经网络模型；

所述的预报方法，其特征在于：训练子BP神经网络，然后将其智能地构建起来形成神经网络群；由于子网络的选取标准是预报误差小、与其他的子网络差异大，所以这些预报效果好、又各不相同的子神经网络的综合预报效果能够具有更好的预报精度和稳定性；在所述的步骤(5.3)中采用PCA主成分分析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。