CN103823966A - 一种群智聚丙烯熔融指数软测量系统和方法 - Google Patents

Abstract

本发明公开了一种群智聚丙烯熔融指数软测量系统和方法，系统包括标准化模块、模型训练模块、群智模块、软测量模块和显示模块；本发明的方法首先从数据库中采集系统正常时的关键变量作为训练样本，然后建立软测量模型，对软测量模型核参数进行群智优化，最后得到对应的熔融指数预测值；本发明建立了熔融指数的软测量模型，可以在线预测熔融指数值，计算速度快，准确性高，并对软测量模型进行群智优化。

Description

一种群智聚丙烯熔融指数软测量系统和方法

技术领域

本发明涉及软测量领域，特别地，涉及一种聚丙烯熔融指数软测量系统和方法。

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，与我们日常生活密切相关。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软测量仪表及方法研究，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，本发明提供一种能用群智算法对软测量模型进行优化的聚丙烯熔融指数软测量的系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种群智聚丙烯熔融指数软测量系统，包括与丙烯聚合生产过程连接的现场智能仪表、数据库、标准化模块、模型训练模块、群智模块、软测量模块、显示模块，其特征在于：

标准化模块，用于从数据库中采集系统正常时的关键变量作为训练样本，对训练样本

进行标准化处理，得到输入矩阵X，采用以下过程来完成：

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

${\mathrm{\σ}}^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\tilde{X}-\stackrel{\‾}{X})---\left(2\right)$

$X=\frac{\tilde{X}-\stackrel{\‾}{X}}{\mathrm{\σ}}---\left(3\right)$

其中，X为标准化后的训练样本，为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，

为训练样本的均值，σ为训练样本的标准差；

模型训练模块，用于建立软测量模型，其具体实现步骤如下

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j分别是第i个和第j个支持向量的拉格朗日乘子，i=1,…,N，j=1,…,N；

和

分别是第i个和第j个支持向量，i=1,…,M，j=1,…,M；x_i和x_j分别是输入矩阵X的第i个和第j个列向量，i=1,…,N，j=1,…,N；K(x,x_i)=exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的第i个列向量，γ是惩罚系数；‖·‖为范数表达式。

群智模块，用于对软测量模型核参数θ进行群智优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为

每个粒子对应的速度表示为

令

其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子代入模型训练模块，计算训练误差作为其适应度，并将其与的适应度进行比较，将适应度较小的粒子作为新的

比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)根据下式更新每个粒子的速度和位置：

$v_k^{I+1}={\mathrm{\ωv}}_k^I+c_1\mathrm{\ξ}(p_k^I-{\mathrm{\θ}}_k^I)+c_2\mathrm{\η}(g^I-{\mathrm{\θ}}_k^I)---\left(6\right)$

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，Υ是约束因子；

(4)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的θ^I即为最佳的核参数值；

软测量模块，用于实现聚丙烯熔融指数的软测量，将经过标准化处理的新样本代入式（5），得到对应的熔融指数预测值

显示模块，用于软测量结果的显示。

作为优选的一种方案：所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度。

一种群智聚丙烯熔融指数软测量方法，其特征在于：所述的方法包括以下步骤：

1)从数据库中采集系统正常时的关键变量作为训练样本，所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度，对训练样本

进行标准化处理，得到输入矩阵X，采用以下过程来完成：

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

${\mathrm{\σ}}^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\tilde{X}-\stackrel{\‾}{X})---\left(2\right)$

$X=\frac{\tilde{X}-\stackrel{\‾}{X}}{\mathrm{\σ}}---\left(3\right)$

其中，X为标准化后的训练样本，

为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，为训练样本的均值，σ为训练样本的标准差；

2)建立软测量模型，其具体实现步骤如下

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j分别是第i个和第j个支持向量的拉格朗日乘子，i=1,…,N，j=1,…,N；

和

分别是第i个和第j个支持向量，i=1,…,M，j=1,…,M；x_i和x_j分别是输入矩阵X的第i个和第j个列向量，i=1,…,N，j=1,…,N；K(x,x_i)=exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的第i个列向量，γ是惩罚系数；‖·‖为范数表达式。

3)软测量模型核参数θ进行群智优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为

每个粒子对应的速度表示为

令

其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子代入模型训练模块，计算训练误差作为其适应度，并将其与的适应度进行比较，将适应度较小的粒子作为新的

比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)根据下式更新每个粒子的速度和位置：

$v_k^{I+1}={\mathrm{\ωv}}_k^I+c_1\mathrm{\ξ}(p_k^I-{\mathrm{\θ}}_k^I)+c_2\mathrm{\η}(g^I-{\mathrm{\θ}}_k^I)---\left(6\right)$

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，Υ是约束因子；

(4)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的θ^I即为最佳的核参数值；

4)将经过标准化处理的新样本代入式（5），得到对应的熔融指数预测值

5)显示软测量结果。

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、易受人为因素的影响的不足。

本发明的有益效果主要表现在：1、建立了熔融指数的软测量模型，可以在线预测熔融指数值；2、计算速度快，准确性快：3对软测量模型进行群智优化。

附图说明

图1是本发明所提出的系统的结构图；

图2是在DCS系统上实施例的硬件结构图。

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

当丙烯聚合生产过程已配有DCS系统时，样本实时动态数据的检测、存储利用DCS系统的实时和历史数据库，软测量功能主要在上位机上完成。

参照图图1、图2，一种相关向量聚丙烯熔融指数软测量系统，包括丙烯聚合生产过程1连接的现场智能仪表2、数据库3及上位机，所述的上位机包括：

标准化模块4，用于从数据库中采集系统正常时的关键变量作为训练样本，所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度，对训练样本

进行标准化处理，得到输入矩阵X，采用以下过程来完成：

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

${\mathrm{\σ}}^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\tilde{X}-\stackrel{\‾}{X})---\left(2\right)$

$X=\frac{\tilde{X}-\stackrel{\‾}{X}}{\mathrm{\σ}}---\left(3\right)$

其中，X为标准化后的训练样本，

为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，

为训练样本的均值，σ为训练样本的标准差；

模型训练模块5，用于建立软测量模型，其具体实现步骤如下

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j分别是第i个和第j个支持向量的拉格朗日乘子，i=1,…,N，j=1,…,N；

和

分别是第i个和第j个支持向量，i=1,…,M，j=1,…,M；x_i和x_j分别是输入矩阵X的第i个和第j个列向量，i=1,…,N，j=1,…,N；K(x,x_i)=exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的第i个列向量，γ是惩罚系数；‖·‖为范数表达式。

群智模块6，用于对软测量模型核参数θ进行群智优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为每个粒子对应的速度表示为

令

其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子代入模型训练模块，计算训练误差作为其适应度，并将其与

的适应度进行比较，将适应度较小的粒子作为新的

比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)根据下式更新每个粒子的速度和位置：

$v_k^{I+1}={\mathrm{\ωv}}_k^I+c_1\mathrm{\ξ}(p_k^I-{\mathrm{\θ}}_k^I)+c_2\mathrm{\η}(g^I-{\mathrm{\θ}}_k^I)---\left(6\right)$

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，Υ是约束因子；

(4)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的θ^I即为最佳的核参数值；

软测量模块7，用于实现聚丙烯熔融指数的软测量，将经过标准化处理的新样本

代入式（5），得到对应的熔融指数预测值

显示模块8，用于软测量结果的显示；

当生产过程没有配备DCS系统时，采用数据存储器来替代DCS系统的实时和历史数据库的数据存储功能，并将软测量系统制造成包括I/O元件、数据存储器、程序存储器、运算器、显示模块几大构件的不依赖于DCS系统的一个独立的完整的片上系统，在不管生产过程是否配备DCS的情况下，都能够独立使用，更有益于推广使用。

实施例2

参照图1、图2，一种群智聚丙烯熔融指数软测量方法，其特征在于：所述的方法包括以下步骤：

1)模块4从数据库3中采集系统正常时的关键变量作为训练样本，所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度，对训练样本

进行标准化处理，得到输入矩阵X，采用以下过程来完成：

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

${\mathrm{\σ}}^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\tilde{X}-\stackrel{\‾}{X})---\left(2\right)$

$X=\frac{\tilde{X}-\stackrel{\‾}{X}}{\mathrm{\σ}}---\left(3\right)$

其中，X为标准化后的训练样本，

为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，

为训练样本的均值，σ为训练样本的标准差；

2)模块5建立软测量模型，其具体实现步骤如下

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j分别是第i个和第j个支持向量的拉格朗日乘子，i=1,…,N，j=1,…,N；

和

分别是第i个和第j个支持向量，i=1,…,M，j=1,…,M；x_i和x_j分别是输入矩阵X的第i个和第j个列向量，i=1,…,N，j=1,…,N；K(x,x_i)=exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的第i个列向量，γ是惩罚系数；‖·‖为范数表达式。

3)模块6对软测量模型核参数θ进行群智优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为

每个粒子对应的速度表示为

令

其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子代入模型训练模块，计算训练误差作为其适应度，并将其与的适应度进行比较，将适应度较小的粒子作为新的

比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)根据下式更新每个粒子的速度和位置：

$v_k^{I+1}={\mathrm{\ωv}}_k^I+c_1\mathrm{\ξ}(p_k^I-{\mathrm{\θ}}_k^I)+c_2\mathrm{\η}(g^I-{\mathrm{\θ}}_k^I)---\left(6\right)$

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，Υ是约束因子；

(4)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的θ^I即为最佳的核参数值；

4)模块7将经过标准化处理的新样本

代入式（5），得到对应的熔融指数预测值

5)模块8将结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。

Claims (2)

1.一种群智聚丙烯熔融指数软测量系统，包括标准化模块、模型训练模块、群智模块、软测量模块、显示模块，其特征在于：

标准化模块，用于从数据库中采集系统正常时的关键变量作为训练样本，所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度，对训练样本

进行标准化处理，得到输入矩阵X，采用以下过程来完成：

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

${\mathrm{\σ}}^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\tilde{X}-\stackrel{\‾}{X})---\left(2\right)$

$X=\frac{\tilde{X}-\stackrel{\‾}{X}}{\mathrm{\σ}}---\left(3\right)$

其中，X为标准化后的训练样本，

为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，

为训练样本的均值，σ为训练样本的标准差；

模型训练模块，用于建立软测量模型，其具体实现步骤如下

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j分别是第i个和第j个支持向量的拉格朗日乘子，i=1,…,N，j=1,…,N；

和

分别是第i个和第j个支持向量，i=1,…,M，j=1,…,M；x_i和x_j分别是输入矩阵X的第i个和第j个列向量，i=1,…,N，j=1,…,N；K(x,x_i)=exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的第i个列向量，γ是惩罚系数；‖·‖为范数表达式。

群智模块，用于对软测量模型核参数θ进行群智优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为每个粒子对应的速度表示为

令

其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子

代入模型训练模块，计算训练误差作为其适应度，并将其与

的适应度进行比较，将适应度较小的粒子作为新的

比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)根据下式更新每个粒子的速度和位置：

$v_k^{I+1}={\mathrm{\ωv}}_k^I+c_1\mathrm{\ξ}(p_k^I-{\mathrm{\θ}}_k^I)+c_2\mathrm{\η}(g^I-{\mathrm{\θ}}_k^I)---\left(6\right)$

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，Υ是约束因子；

(4)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的θ^I即为最佳的核参数值；

软测量模块，用于实现聚丙烯熔融指数的软测量，将经过标准化处理的新样本

代入式（5），得到对应的熔融指数预测值

显示模块，用于软测量结果的显示。

2.一种群智聚丙烯熔融指数软测量方法，其特征在于：所述的方法包括以下步骤：

1)从数据库中采集系统正常时的关键变量作为训练样本，所述的关键变量包括三股丙烯进料流量、主催化剂流量、辅催化剂流量、釜内温度、压强、液位，氢气体积浓度，对训练样本

进行标准化处理，得到输入矩阵X，采用以下过程来完成：

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

${\mathrm{\σ}}^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\tilde{X}-\stackrel{\‾}{X})---\left(2\right)$

$X=\frac{\tilde{X}-\stackrel{\‾}{X}}{\mathrm{\σ}}---\left(3\right)$

其中，X为标准化后的训练样本，

为训练样本，对应的聚丙烯熔融指数数据为Y，N为训练样本数，

为训练样本的均值，σ为训练样本的标准差；

2)建立软测量模型，其具体实现步骤如下

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j分别是第i个和第j个支持向量的拉格朗日乘子，i=1,…,N，j=1,…,N；

和

分别是第i个和第j个支持向量，i=1,…,M，j=1,…,M；x_i和x_j分别是输入矩阵X的第i个和第j个列向量，i=1,…,N，j=1,…,N；K(x,x_i)=exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的第i个列向量，γ是惩罚系数；‖·‖为范数表达式。

3)软测量模型核参数θ进行群智优化，其具体实现步骤如下：

(1)初始化n个随机粒子，每个粒子表示为

每个粒子对应的速度表示为

令

其中，n是群体规模，p_k表示第k个粒子自己搜索到的历史最优值，上标0表示初始值，下标k=1,…,n，令迭代步数I=0；

(2)将每个粒子

代入模型训练模块，计算训练误差作为其适应度，并将其与

的适应度进行比较，将适应度较小的粒子作为新的

比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为g^I；

(3)根据下式更新每个粒子的速度和位置：

$v_k^{I+1}={\mathrm{\ωv}}_k^I+c_1\mathrm{\ξ}(p_k^I-{\mathrm{\θ}}_k^I)+c_2\mathrm{\η}(g^I-{\mathrm{\θ}}_k^I)---\left(6\right)$

其中，ω是惯性权重，c₁是“认知”系数，c₂是“社会”系数，ξ和η是[0,1]区间内的均匀分布的随机数，Υ是约束因子；

(4)判断是否满足终止条件，如果达到最大迭代次数或g^I对应的适应度小于预定阈值，则终止迭代，否则，令迭代步数I增加1，返回(2)继续迭代；

迭代终止时的θ^I即为最佳的核参数值；

4)将经过标准化处理的新样本

代入式（5），得到对应的熔融指数预测值

5)显示软测量结果。

Images