CN103838955A - 最优混合丙烯聚合生产过程最优软测量仪表和方法 - Google Patents
最优混合丙烯聚合生产过程最优软测量仪表和方法 Download PDFInfo
- Publication number
- CN103838955A CN103838955A CN201310658777.2A CN201310658777A CN103838955A CN 103838955 A CN103838955 A CN 103838955A CN 201310658777 A CN201310658777 A CN 201310658777A CN 103838955 A CN103838955 A CN 103838955A
- Authority
- CN
- China
- Prior art keywords
- optimum
- particle
- variable
- algorithm
- optimal
- 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.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种最优混合丙烯聚合生产过程最优软测量仪表,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、基于最优混合寻优的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。所述的基于最优混合寻优的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最优混合优化模块。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。
Description
技术领域
本发明涉及一种最优软测量仪表及方法,具体是一种最优混合丙烯聚合生产过程最优软测量仪表及方法。
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、软测量速度快、模型自动更新、抗干扰能力强、精度高的基于最优混合寻优的丙烯聚合生产过程熔融指数最优软测量仪表及方法。
本发明解决其技术问题所采用的技术方案是:
一种基于最优混合寻优的丙烯聚合生产过程最优软测量仪表,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、基于最优混合寻优的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数据库与基于最优混合寻优的最优软测量仪的输入端连接,所述基于最优混合寻优的最优软测量仪的输出端与熔融指数软测量显示仪连接,其特征在于:所述基于最优混合寻优的最优软测量仪包括:
(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=CUT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=CUT+E,其中E为残差矩阵;
(3)、神经网络模型模块,用于采用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)、最优混合优化模块,用于采用基于最优混合算法的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神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN),初始移动速度V=(v1,v2,…,vN),初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg;
(4.2)通过下式执行IPSO算法,让粒子群收敛:
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,…,pN)和全局最优值pg的最优值集合。vk i为第k次迭代代数中第i个粒子的速度;xk i第k次迭代代数中第i个粒子的位置向量;pk i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。
这里的IPSO是改进的粒子群算法,其特征在于执行粒子群移动的公式中的w、c1和c2是自适应变化的;
(4.3)待粒子群收敛到合适的程度时,开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法,得到的最优解作为算法的最后结果返回。
作为优选的一种方案,所述基于最优混合寻优的最优软测量模型还包括: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:在所述的最优混合优化模块中,粒子群执行迭代时所用到的w、c1和c2的自适应变化式为:
c2(k)=0.1 (5)
式中,k为迭代代数,wmin、wmax、c1min、c1max分别是常数,表示w和c1的最大、最小值,itermax为设定的算法最大迭代代数,α、β为常数。
这样的自适应设计目的在于使得粒子群能够找到整个解空间内最多的局部最优解,为后续的SA算法利用这些局部最优解进一步发掘找到真正的全局最优解做好准备。
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。
一种基于最优混合寻优的聚丙烯生产过程最优软测量仪表实现的软测量方法,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)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=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=CUT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=CUT+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RBF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;
(5)采用基于最优混合算法的优化模块对神经网络进行优化,包括:
(5.1)算法初始化,根据待优化的RBF神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN),初始移动速度V=(v1,v2,…,vN),初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg;
(5.2)通过下式执行IPSO算法,让粒子群收敛:
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,…,pN)和全局最优值pg的最优值集合。vk i为第k次迭代代数中第i个粒子的速度;xk i第k次迭代代数中第i个粒子的位置向量;pk i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。
这里的IPSO是改进的粒子群算法,其特征在于执行粒子群移动的公式中的w、c1和c2是自适应变化的;
(5.3)待粒子群收敛到合适的程度时,开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法,得到的最优解作为算法的最后结果返回。
作为优选的一种方案,所述软测量方法还包括:定期将离线化验数据输入到训练集中,更新神经网络模型。
作为优选的再一种方案:在所述的IPSO-SA寻优步骤(5.2)中,粒子群执行迭代时所用到的w、c1和c2的自适应变化式为:
c2(k)=0.1 (5)
式中,k为迭代代数,wmin、wmax、c1min、c1max分别是常数,表示w和c1的最大、最小值,itermax为设定的算法最大迭代代数,α、β为常数。
这样的自适应设计目的在于使得粒子群能够找到整个解空间内最多的局部最优解,为后续的SA算法利用这些局部最优解进一步发掘找到真正的全局最优解做好准备。
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。
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软测量,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,引入最优混合优化模块对神经网络参数和结构进行自动优化,不需要人为经验或多次测试来调整神经网络,从而得到具有最优的熔融指数软测量功能的在线最优软测量仪表。
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、软测量速度快;4、模型自动更新;5、抗干扰能力强;6、精度高。
附图说明
图1是基于最优混合寻优的丙烯聚合生产过程最优软测量仪表及方法的基本结构示意图;
图2是基于最优混合寻优的最优软测量仪结构示意图;
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3,一种基于最优混合寻优的丙烯聚合生产过程最优软测量仪表,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、基于最优混合寻优的最优软测量仪5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DCS数据库4与基于最优混合寻优的最优软测量仪5的输入端连接,所述基于最优混合寻优的最优软测量仪5的输出端与熔融指数软测量值显示仪6连接,所述基于最优混合寻优的最优软测量仪包括:
(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=CUT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=CUT+E,其中E为残差矩阵;
(3)、神经网络模型模块,用于采用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)、最优混合优化模块,用于采用基于最优混合算法的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神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN),初始移动速度V=(v1,v2,…,vN),初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg;
(4.2)通过下式执行IPSO算法,让粒子群收敛:
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,…,pN)和全局最优值pg的最优值集合。vk i为第k次迭代代数中第i个粒子的速度;xk i第k次迭代代数中第i个粒子的位置向量;pk i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。
这里的IPSO是改进的粒子群算法,其特征在于执行粒子群移动的公式中的w、c1和c2是自适应变化的;
(4.3)待粒子群收敛到合适的程度时,开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法,得到的最优解作为算法的最后结果返回。
所述基于最优混合寻优的最优软测量仪还包括: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。
在所述的最优混合优化模块中,粒子群执行迭代时所用到的w、c1和c2的自适应变化式为:
c2(k)=0.1 (5)
式中,k为迭代代数,wmin、wmax、c1min、c1max分别是常数,表示w和c1的最大、最小值,itermax为设定的算法最大迭代代数,α、β为常数。
这样的自适应设计目的在于使得粒子群能够找到整个解空间内最多的局部最优解,为后续的SA算法利用这些局部最优解进一步发掘找到真正的全局最优解做好准备。
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基于最优混合寻优的最优软测量仪所需模型输入变量
表1列出了作为基于最优混合寻优的最优软测量仪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(Xv)、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最优混合寻优的最优软测量仪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;最优软测量仪5与DCS数据库4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基于最优混合寻优的最优软测量仪5的输入,软测量值显示仪6用于显示基于最优混合寻优的最优软测量仪5的输出,即软测量值。
基于最优混合寻优的最优软测量仪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=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=CUT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=CUT+E,其中E为残差矩阵。
(3)神经网络模型模块9,采用RBF神经网络,多层前馈神经网络在网络结构上通常由输入层、隐含层和输出层组成。在网络特征上主要表现为既无层内神经元的互联,也无层间的反联络。这种网络实质上是一种静态网络,其输出只是现行输入的函数,而于过去和将来的输入或输出无关。RBF神经网络模型有一个输入层、一个输出层和一个隐藏层。理论上可以证明,RBF神经网络可以任意逼近非线性系统。RBF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。
(4)最优混合优化模块10:采用基于最优混合优化模块对神经网络进行优化,通过IPSO-SA寻优的强大全局寻优能力来优化神经网络的输入和隐藏层结构,并以此进行神经网络学习,从而建立丙烯聚合熔融指数的IPSO-SA寻优优化的RBF神经网络最优软测量仪。具体实现步骤如下:
(4.1)算法初始化,根据待优化的RBF神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN),初始移动速度V=(v1,v2,…,vN),初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg;
(4.2)通过下式执行IPSO算法,让粒子群收敛:
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,…,pN)和全局最优值pg的最优值集合。vk i为第k次迭代代数中第i个粒子的速度;xk i第k次迭代代数中第i个粒子的位置向量;pk i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。
这里的IPSO是改进的粒子群算法,其特征在于执行粒子群移动的公式中的w、c1和c2是自适应变化的;
(4.3)待粒子群收敛到合适的程度时,开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法,得到的最优解作为算法的最后结果返回。
在该模块中,粒子群执行迭代时所用到的w、c1和c2的自适应变化式为:
c2(k)=0.1 (5)
式中,k为迭代代数,wmin、wmax、c1min、c1max分别是常数,表示w和c1的最大、最小值,itermax为设定的算法最大迭代代数,α、β为常数。
这样的自适应设计目的在于使得粒子群能够找到整个解空间内最多的局部最优解,为后续的SA算法利用这些局部最优解进一步发掘找到真正的全局最优解做好准备。
(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3,一种基于最优混合寻优的丙烯聚合生产过程最优软测量方法包括以下步骤:
(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=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=CUT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=CUT+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RBF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;
(5)采用基于最优混合算法的优化模块对神经网络进行优化,包括:
(5.1)算法初始化,根据待优化的RBF神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN),初始移动速度V=(v1,v2,…,vN),初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg;
(5.2)通过下式执行IPSO算法,让粒子群收敛:
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,…,pN)和全局最优值pg的最优值集合。vk i为第k次迭代代数中第i个粒子的速度;xk i第k次迭代代数中第i个粒子的位置向量;pk i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。
这里的IPSO是改进的粒子群算法,其特征在于执行粒子群移动的公式中的w、c1和c2是自适应变化的;
(5.3)待粒子群收敛到合适的程度时,开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法,得到的最优解作为算法的最后结果返回。
所述软测量方法还包括:定期将离线化验数据输入到训练集中,更新神经网络模型。
在所述的IPSO-SA寻优步骤(5.2)中,粒子群执行迭代时所用到的w、c1和c2的自适应变化式为:
c2(k)=0.1 (5)
式中,k为迭代代数,wmin、wmax、c1min、c1max分别是常数,表示w和c1的最大、最小值,itermax为设定的算法最大迭代代数,α、β为常数。
这样的自适应设计目的在于使得粒子群能够找到整个解空间内最多的局部最优解,为后续的SA算法利用这些局部最优解进一步发掘找到真正的全局最优解做好准备。
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:基于模型输入、输出建立初始神经网络模型9。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:由最优混合优化模块10优化初始神经网络9的输入和隐藏层结构。
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,基于最优混合寻优的最优软测量仪5建立完成。
步骤7:建立好的基于最优混合算法寻优的最优软测量仪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最优混合算法寻优的最优软测量。
步骤8:熔融指数软测量显示仪6显示基于最优混合寻优的最优软测量仪5的输出,完成对丙烯聚合生产过程熔融指数的最优软测量的显示。
Claims (2)
1.一种最优混合丙烯聚合生产过程最优软测量仪表,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、基于最优混合寻优的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数据库与基于最优混合寻优的最优软测量模型的输入端连接,所述基于最优混合寻优的最优软测量仪的输出端与熔融指数软测量显示仪连接,其特征在于:所述基于最优混合寻优的最优软测量仪包括:
(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=CUT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=CUT+E,其中E为残差矩阵;
(3)、神经网络模型模块,用于采用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)、最优混合优化模块,用于采用基于改进粒子群-模拟退火(IPSO-SA)最优混合算法的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神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN),初始移动速度V=(v1,v2,…,vN),初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg;
(4.2)通过下式执行IPSO算法,让粒子群收敛:
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,…,pN)和全局最优值pg的最优值集合。vk i为第k次迭代代数中第i个粒子的速度;xk i第k次迭代代数中第i个粒子的位置向量;pk i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。
这里的IPSO是改进的粒子群算法,其特征在于执行粒子群移动的公式中的w、c1和c2是自适应变化的;
(4.3)待粒子群收敛到合适的程度时,开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法,得到的最优解作为算法的最后结果返回。
所述基于最优混合寻优的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。
所述的基于最优混合寻优的丙烯聚合生产过程最优软测量仪表,其特征在于:在所述最优混合优化模块中,粒子群执行迭代时所用到的w、c1和c2的自适应变化式为:
c2(k)=0.1 (5)
式中,k为算法迭代代数,wmin、wmax、c1min、c1max分别是常数,表示w和c1的最大、最小值,itermax为设定的算法最大迭代代数,α、β为常数。
这样的自适应设计目的在于使得粒子群能够找到整个解空间内最多的局部最优解,为后续的SA算法利用这些局部最优解进一步发掘找到真正的全局最优解做好准备。
所述的基于最优混合寻优的丙烯聚合生产过程最优软测量仪表,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。
2.一种用如权利要求1所述的基于最优混合寻优的聚丙烯生产过程最优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:
(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,一般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=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=CUT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=CUT+E,其中E为残差矩阵;
(5.4)基于模型输入、输出数据建立初始神经网络模型,采用RBF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;
(5.5)采用基于最优混合算法的优化模块对神经网络进行优化,包括:
(5.5.1)算法初始化,根据待优化的RBF神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN),初始移动速度V=(v1,v2,…,vN),初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg;
(5.5.2)通过下式执行IPSO算法,让粒子群收敛:
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,…,pN)和全局最优值pg的最优值集合。vk i为第k次迭代代数中第i个粒子的速度;xk i第k次迭代代数中第i个粒子的位置向量;pk i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。
这里的IPSO是改进的粒子群算法,其特征在于执行粒子群移动的公式中的w、c1和c2是自适应变化的;
(5.5.3)待粒子群收敛到合适的程度时,开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法,得到的最优解作为算法的最后结果返回。
所述软测量方法还包括:定期将离线化验数据输入到训练集中,更新神经网络模型。
所述的软测量方法,其特征在于:在所述的IPSO-SA寻优步骤(5.5.2)中,粒子群执行迭代时所用到的w、c1和c2的自适应变化式为:
c2(k)=0.1 (5)
式中,k为迭代代数,wmin、wmax、c1min、c1max分别是常数,表示w和c1的最大、最小值,itermax为设定的算法最大迭代代数,α、β为常数。
这样的自适应设计目的在于使得粒子群能够找到整个解空间内最多的局部最优解,为后续的SA算法利用这些局部最优解进一步发掘找到真正的全局最优解做好准备。
所述的软测量方法,其特征在于: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310658777.2A CN103838955A (zh) | 2013-12-09 | 2013-12-09 | 最优混合丙烯聚合生产过程最优软测量仪表和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310658777.2A CN103838955A (zh) | 2013-12-09 | 2013-12-09 | 最优混合丙烯聚合生产过程最优软测量仪表和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103838955A true CN103838955A (zh) | 2014-06-04 |
Family
ID=50802443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310658777.2A Pending CN103838955A (zh) | 2013-12-09 | 2013-12-09 | 最优混合丙烯聚合生产过程最优软测量仪表和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103838955A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844972A (zh) * | 2017-01-22 | 2017-06-13 | 上海电力学院 | 基于pso‑svr的变压器绕组温度软测量方法 |
CN108873838A (zh) * | 2018-06-28 | 2018-11-23 | 浙江大学 | 一种群智寻优的丙烯聚合生产过程最优软测量仪表 |
CN108958181A (zh) * | 2018-06-28 | 2018-12-07 | 浙江大学 | 一种敏捷的丙烯聚合生产过程最优软测量仪表 |
CN110322932A (zh) * | 2019-07-11 | 2019-10-11 | 重庆科技学院 | 三嗪酮生产过程反应釜温度软测量方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003026791A1 (en) * | 2001-09-26 | 2003-04-03 | Bp Corporation North America Inc. | Integrated chemical process control |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
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 |
-
2013
- 2013-12-09 CN CN201310658777.2A patent/CN103838955A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003026791A1 (en) * | 2001-09-26 | 2003-04-03 | Bp Corporation North America Inc. | Integrated chemical process control |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
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 |
Non-Patent Citations (1)
Title |
---|
李九宝: "基于人工智能优化算法的聚丙烯熔融指数预报建模优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 July 2012 (2012-07-15), pages 17 - 50 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844972A (zh) * | 2017-01-22 | 2017-06-13 | 上海电力学院 | 基于pso‑svr的变压器绕组温度软测量方法 |
CN108873838A (zh) * | 2018-06-28 | 2018-11-23 | 浙江大学 | 一种群智寻优的丙烯聚合生产过程最优软测量仪表 |
CN108958181A (zh) * | 2018-06-28 | 2018-12-07 | 浙江大学 | 一种敏捷的丙烯聚合生产过程最优软测量仪表 |
CN110322932A (zh) * | 2019-07-11 | 2019-10-11 | 重庆科技学院 | 三嗪酮生产过程反应釜温度软测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101315557B (zh) | 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 | |
CN101315556B (zh) | 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 | |
CN103823964A (zh) | 一种全局最优丙烯聚合生产过程最优软测量仪表和方法 | |
CN101382801B (zh) | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 | |
CN103823430B (zh) | 智能加权丙烯聚合生产过程最优软测量系统和方法 | |
CN103838142B (zh) | 基于混合寻优的丙烯聚合生产过程最优软测量系统和方法 | |
CN103838955A (zh) | 最优混合丙烯聚合生产过程最优软测量仪表和方法 | |
CN103839103B (zh) | 丙烯聚合生产过程bp最优预报系统和方法 | |
CN108803525A (zh) | 一种混沌敏捷高精度的丙烯聚合生产过程最优软测量仪表 | |
CN103675011A (zh) | 最优支持向量机的工业熔融指数软测量仪表和方法 | |
CN103674778A (zh) | Rbf粒子群优化的工业熔融指数软测量仪表和方法 | |
CN103955170A (zh) | 基于群智寻优的丙烯聚合生产过程在线预报系统和方法 | |
CN103824121A (zh) | 基于多模群智的丙烯聚合生产过程最优预报系统和方法 | |
CN103675006A (zh) | 最小二乘的工业熔融指数软测量仪表和方法 | |
CN103838206A (zh) | 最优bp多模丙烯聚合生产过程最优软测量仪表和方法 | |
CN103838209A (zh) | 丙烯聚合生产过程自适应最优预报系统和方法 | |
CN103838957A (zh) | 丙烯聚合生产过程径向基最优软测量仪表和方法 | |
CN103838958A (zh) | 模糊智能最优丙烯聚合生产过程最优软测量仪表和方法 | |
CN109507889A (zh) | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 | |
CN103838205A (zh) | Bp全局最优丙烯聚合生产过程最优软测量仪表和方法 | |
CN103823369A (zh) | 基于bp多模网络的丙烯聚合生产过程预报系统和方法 | |
CN109856971A (zh) | 基于群智寻优的丙烯聚合生产过程最优在线预报系统 | |
CN103838143B (zh) | 多模态全局最优丙烯聚合生产过程最优软测量系统和方法 | |
CN109829197A (zh) | 改进的布谷鸟寻优的丙烯聚合生产过程最优软测量仪表 | |
CN109445398A (zh) | 基于加权组合学习的丙烯聚合生产过程最优在线预报系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140604 |