CN104778338A - 一种低能耗分子蒸馏过程给定值的优化方法 - Google Patents

Abstract

本发明公开了一种低能耗分子蒸馏过程给定值的优化方法，首先将主成分分析法和神经网络结合进行建模；在神经网络权值和阀值的训练方法上，先用遗传算法对网络进行一定代数的训练，找到一个较优解，然后将此时网络参数作为梯度下降法中的网络初始参数在进行训练；运用响应面回归分析法分别建立各个产品效益指标与工艺参数之间的模型，进而建立目标函数组；用多目标遗传算法对多目标函数组求解可行域内的Pareto最优解集，兼顾生产能耗的同时结合实际问题在Pareto最优解集中选择适合于分子蒸馏工艺问题的给定值。本发明方法最终所得出的给定值在分子蒸馏工艺实际的生产中具有更为有效的指导意义。

Description

一种低能耗分子蒸馏过程给定值的优化方法

技术领域

本发明涉及一种用分子蒸馏设备提取精油及其他产品的生产工艺过程，特别涉及一种低能耗分子蒸馏过程给定值的优化方法。

背景技术

分子蒸馏(又称短程蒸馏)是一种在高真空条件下进行的非平衡连续蒸馏过程，是一种无沸腾现象的特殊分离技术，由于其具有诸多优点，使其在工业中得到了前所未有的发展，尤其是在热敏性的天然产物分离方面应用最为广泛。

根据目前已发表的相关分子蒸馏方面的研究文献，如今人们研究的重点仍只是着重于建立分子蒸馏工艺流程的模型进而对工艺的产品指标进行预测。总结得出分子蒸馏工艺建模的主要方法包括BP神经网络以及GA-BP神经网络。其中BP神经网络建模的步骤为，利用文献有关记载取得分子蒸馏神经网络模型的输入层神经元的个数，输出层神经元个数则只取为一个来作为产品的衡量指标，如取某天然提取物的纯度或产品得率来作为模型的输出层神经元。然后根据神经网络建模的相关规则确定隐含层进而确定BP神经网络的完整拓扑结构，在神经网络的权值和阀值的优化时，初始研究阶段人们只是简单的采取梯度下降法或共轭梯度法，在梯度下降法中求某函数极大值时，沿着梯度方向走，可以最快达到极大点；反之，沿着负梯度方向走，则最快达到极小点。其缺点是梯度下降法存在容易陷入局部最优的可能，且梯度下降法训练速度慢，其初始值的给定对于网络的训练结果具有较大的影响。

对于大数据量、高维数及多层节点等条件，各类神经网络训练过程中很有可能会遇到大量的局部极值，不仅严重影响了收敛速度，而且有可能导致训练误差收敛于局部最优解而不是全局最优解，严重影响了神经网络的性能。鉴于BP神经网络的缺点，而后有人将改进型的BP神经网络引入了分子蒸馏工艺的建模之中，即GA-BP神经网络(其中GA，Genetic Algorithm)。遗传算法是一种全新的全局优化搜索算法，具有简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点。因此，采用遗传算法进行优化神经网络的权值和阀值具有一定的优势和改进。但是遗传算法同时也存在着自己的缺点：对于局部的精度搜索能力不强，收敛速度缓慢等。与基于梯度下降法与高斯牛顿法结合的BP算法相比较，无论从收敛速度还是学习精度都会有逊色。因此完全由遗传算法来训练神经网络权值和阀值未必会取得较好的结果。

在关于分子蒸馏工艺的相关研究中，对于分子蒸馏过程给定值优化方法的研究极少，只有以单目标函数来求取相应最佳给定值的相关论文。其相应的方法为：建立输出层为单神经元的神经网络模型，对实验数据进行二次响应面回归分析，然后进行存粹的数学计算得出唯一的单目标函数的最优给定值。这种方法在实际的分子蒸馏工艺生产中是不实用的，因为产品指标以及产品效益的衡量是多方面的。

在我国节能减排、经济发展战略转型以及产业结构升级的大背景下，能源的消耗在工业的发展中尤其要重点考虑。由于分子蒸馏技术在当今的工业发展中占有重要的地位，其相关的工艺设备的能源消耗在整个工业能源消耗中也占有相当的比例，因此在寻找分子蒸馏工艺的最优给定值时，同时应兼顾电能的消耗。

综上所述，可知目前人们对于分子蒸馏工艺的研究重点还是主要在于它的产品指标预测以及根据单一的产品指标求取其相应的最优给定值。其中现有产品指标的预测模型的学习速度以及预测精度也有待于提高，且根据单一的产品指标所求取的最优给定值不具有实际的生产指导意义。因而，有必要寻找一种兼顾能耗且具有实际生产指导意义的分子蒸馏多目标组合优化方法，进而求取最佳的生产工艺过程的给定值，来指导实际的生产工艺参数的给定。

发明内容

本发明的目的是提供一种低能耗分子蒸馏过程给定值的优化方法，该方法能够在求取分子蒸馏生产工艺最佳参数的同时，兼顾生产工艺的能耗问题，使得工艺产品指标在尽可能高的同时能耗尽可能的低。

影响分子蒸馏系统生产工艺的因素及过程较为复杂，并且各个因素之间还具有耦合的关系，以往关于分子蒸馏产品的衡量指标通常只取为单一的某种提取物含量或产品得率，而忽略了实际产品效益衡量指标的多样性以及工业发展的低能耗生产的大背景。由于分子蒸馏工艺的具有众多的影响因素，对工艺流程进行神经网络建模，如果考虑全部的影响因素将对建模造成极大的困难。此外神经网络在实际的使用过程中，常常存在一些问题。

(1)输入维数过高，一方面导致神经网络的收敛时间呈指数级数增长，甚至会出现不收敛的情况，即所谓的维数灾难：另一方面大量的输入变量对输出事实上影响极小，甚至可以不考虑，造成了大量的运算浪费。

(2)输入变量之间常常相关性很强，也会导致出现维数增加的情况。针对以上情况，

本发明的方法是：

(一)、首先确定产品效益衡量指标，选择产品纯度、得率和能耗作为工艺产品的指标，然后运用主成分分析法对实验样本数据进行处理，找出影响工艺产品指标的主要参数，从而确定神经网络模型的输入层神经元个数，其作用还有另外两方面。第一，去相关性：第二，减少无关变量的影响，对神经网络而言则体现为降维，进而大大的减少计算量。

(二)、确定好神经网络模型的输入层以及输出层神经元个数之后，根据神经网络建模相关规则确定隐含层神经元个数。进而分子蒸馏工艺BP神经网络模型的拓扑结构也就确定，即m×n×3，其中m代表经主成分分析法处理后得出的输入层神经元个数，n代表隐含层神经元个数，3代表输出层采用三个神经元，一个代表纯度，一个代表得率，另一个代表能耗。因此将能耗同时作为最佳工艺参数的一项衡量指标，在产品纯度和得率尽可能的高的同时，所消耗的能量尽可能的低，则工艺参数可谓最佳。

(三)、确定好BP神经网络的拓扑结构之后，用实验采集的数据样本对神经网络进行训练，在分子蒸馏工艺BP神经网络的权值和阀值的优化方法选择上，结合遗传算法与梯度下降法两种方法的各自特点，选择了两者组合的训练方法，先用遗传算法对网络进行一定代数的训练，找到一个较优解，然后将此时网络参数作为梯度下降法中的网络初始参数在进行训练。此种组合训练算法克服了两种算法各自的缺点，实现了两者的优势互补，在加快网络学习速度的同时也提高了网络泛化能力。

具体步骤为：

(1)依据参数设置随机初始化种群。

(2)计算种群中各个个体的适应值，并保存最优适应值。

(3)如果达到设定演化代数或当前最优个体满足条件则返回网络参数并转步骤(4)；否则进行选择、交叉、变异等遗传操作后转步骤(2)。

(4)将步骤(3)中返回的网络参数值作为梯度训练法的网络初始参数。

(5)依据梯度迭代公式对当前网络参数进行一次修正。

(6)当达到最大迭代次数限制或当前网络误差达到要求时结束程序；否则转步骤(5)。

在神经网络建模的模型选择上还可以采用粒子群优化算法(ParticalSwarm Optimization)与BP神经网络结合的方式，即PSO-BP神经网络。粒子群优化算法具有很强的通用性，优化目标函数时，不需要计算函数的梯度信息，不要求目标函数和约束的连续性、凸性、可导、可行域连通，甚至有无解析表达式，只需要依据适应度函数，通过粒子的速度和位置更新公式进行更新来优化函数。粒子群算法本身策略简单，需要调整的参数少，没有遗传算法中的编码、交叉和变异等操作，因而操作简便、易于实现，对于计算复杂的神经网络学习优化问题表现出很大的优势。

(四)、运用二次响应面回归分析法对PCA处理过后的实验样本数据再次进行处理。通过使用SAS软件程序进行二次回归响应面分析，分别拟合出产品纯度、得率以及能耗的二次响应面回归模型，由参数估计写出各指标的二次响应面回归方程，即f₁(x)，f₂(x)，f₃(x)。并以此作为各指标相应的目标函数。

(五)、最后对得到的目标函数f₁(x)，f₂(x)，f₃(x)，采用多目标遗传算法来搜索取得Pareto非劣解，然后结合实际问题在Pareto最优解集中选择适合于问题的解，再将所选取的解用所建的神经网络模型进行检验。

多目标优化数学模型表达式为：

$\left\{\begin{array}{c}V-\max f\left(x\right)={[f_1\left(x\right),f_2\left(x\right),1/f_3\left(x\right)]}^T\\ s.t.\\ x\∈X\\ X\⊆R^m\end{array}\right.$

MOP问题由m个决策变量参数、3个目标函数组成，V-max表示向量目标函数f(X)中各子目标尽可能达到最大，为多目标优化模型约束集，x为决策向量的可行取值范围。

选用改进非劣分类遗传算法(Nondominated Sorting Genetic Algorithm Ⅱ，NSGA Ⅱ)来求解此多目标优化问题。

本发明的优点是：

首先将主成分分析法和神经网络结合进行建模，其作用体现在两方面。一方面，去相关性：另一方面，减少无关变量的影响，对神经网络而言则体现为降维，进而大大的减少计算量。

第二，在神经网络权值和阀值的训练方法上，根据实际应用，结合遗传算法与梯度下降法两种方法的各自特点，选择了两者组合的训练方法，先用遗传算法对网络进行一定代数的训练，找到一个较优解，然后将此时网络参数作为梯度下降法中的网络初始参数在进行训练。此种组合训练算法克服了两种算法各自的缺点，发挥了两种算法的长处。

第三，运用响应面回归分析法分别建立各个产品效益指标与工艺参数之间的模型，进而建立目标函数组。

第四，运用多目标遗传算法对多目标函数组求解可行域内的Pareto最优解集，兼顾生产能耗的同时结合实际问题在Pareto最优解集中选择适合于分子蒸馏工艺问题的给定值。在国家节能减排、经济发展战略转型以及产业结构升级的大背景下，本发明方法最终所得出的给定值在分子蒸馏工艺实际的生产中具有更为有效的指导意义。

附图说明

图1是本发明的流程图。

具体实施方式

如图1所示，本发明的方法是：

(一)、首先确定产品效益衡量指标，选择产品纯度、得率和能耗作为工艺产品的指标，然后运用主成分分析法对实验样本数据进行处理，找出影响工艺产品指标的主要参数，从而确定神经网络模型的输入层神经元个数，其作用还有另外两方面。第一，去相关性：第二，减少无关变量的影响，对神经网络而言则体现为降维，进而大大的减少计算量。

(二)、确定好神经网络模型的输入层以及输出层神经元个数之后，根据神经网络建模相关规则确定隐含层神经元个数。进而分子蒸馏工艺BP神经网络模型的拓扑结构也就确定，即m×n×3，其中m代表经主成分分析法处理后得出的输入层神经元个数，n代表隐含层神经元个数，3代表输出层采用三个神经元，一个代表纯度，一个代表得率，另一个代表能耗。因此将能耗同时作为最佳工艺参数的一项衡量指标，在产品纯度和得率尽可能的高的同时，所消耗的能量尽可能的低，则工艺参数可谓最佳。

(三)、确定好BP神经网络的拓扑结构之后，用实验采集的数据样本对神经网络进行训练，在分子蒸馏工艺BP神经网络的权值和阀值的优化方法选择上，结合遗传算法与梯度下降法两种方法的各自特点，选择了两者组合的训练方法，先用遗传算法对网络进行一定代数的训练，找到一个较优解，然后将此时网络参数作为梯度下降法中的网络初始参数在进行训练。此种组合训练算法克服了两种算法各自的缺点，实现了两者的优势互补，在加快网络学习速度的同时也提高了网络泛化能力。

具体步骤为：

(1)依据参数设置随机初始化种群。

(2)计算种群中各个个体的适应值，并保存最优适应值。

(3)如果达到设定演化代数或当前最优个体满足条件则返回网络参数并转步骤(4)；否则进行选择、交叉、变异等遗传操作后转步骤(2)。

(4)将步骤(3)中返回的网络参数值作为梯度训练法的网络初始参数。

(5)依据梯度迭代公式对当前网络参数进行一次修正。

(6)当达到最大迭代次数限制或当前网络误差达到要求时结束程序；否则转步骤(5)。

在神经网络建模的模型选择上还可以采用粒子群优化算法(ParticalSwarm Optimization)与BP神经网络结合的方式，即PSO-BP神经网络。粒子群优化算法具有很强的通用性，优化目标函数时，不需要计算函数的梯度信息，不要求目标函数和约束的连续性、凸性、可导、可行域连通，甚至有无解析表达式，只需要依据适应度函数，通过粒子的速度和位置更新公式进行更新来优化函数。粒子群算法本身策略简单，需要调整的参数少，没有遗传算法中的编码、交叉和变异等操作，因而操作简便、易于实现，对于计算复杂的神经网络学习优化问题表现出很大的优势。

(四)、运用二次响应面回归分析法对PCA处理过后的实验样本数据再次进行处理。通过使用SAS软件程序进行二次回归响应面分析，分别拟合出产品纯度、得率以及能耗的二次响应面回归模型，由参数估计写出各指标的二次响应面回归方程，即f₁(x)，f₂(x)，f₃(x)。并以此作为各指标相应的目标函数。

(五)、最后对得到的目标函数f₁(x)，f₂(x)，f₃(x)，采用多目标遗传算法来搜索取得Pareto非劣解，然后结合实际问题在Pareto最优解集中选择适合于问题的解，再将所选取的解用所建的神经网络模型进行检验。

多目标优化数学模型表达式为：

$\left\{\begin{array}{c}V-\max f\left(x\right)={[f_1\left(x\right),f_2\left(x\right),1/f_3\left(x\right)]}^T\\ s.t.\\ x\∈X\\ X\⊆R^m\end{array}\right.$

MOP问题由m个决策变量参数、3个目标函数组成，V-max表示向量目标函数f(X)中各子目标尽可能达到最大，为多目标优化模型约束集，x为决策向量的可行取值范围。

选用改进非劣分类遗传算法(Nondominated Sorting Genetic Algorithm Ⅱ，NSGA Ⅱ)来求解此多目标优化问题。

Claims (1)

1.一种低能耗分子蒸馏过程给定值的优化方法，该方法包括以下步骤：

(一)、首先确定产品效益衡量指标，选择产品纯度、得率和能耗作为工艺产品的指标，然后运用主成分分析法对实验样本数据进行处理，找出影响工艺产品指标的主要参数，从而确定神经网络模型的输入层神经元个数，其作用还有另外两方面；第一，去相关性：第二，减少无关变量的影响，对神经网络而言则体现为降维，进而大大的减少计算量；

(二)、确定好神经网络模型的输入层以及输出层神经元个数之后，根据神经网络建模相关规则确定隐含层神经元个数；进而分子蒸馏工艺BP神经网络模型的拓扑结构也就确定，即m×n×3，其中m代表经主成分分析法处理后得出的输入层神经元个数，n代表隐含层神经元个数，3代表输出层采用三个神经元，一个代表纯度，一个代表得率，另一个代表能耗；因此将能耗同时作为最佳工艺参数的一项衡量指标，在产品纯度和得率尽可能的高的同时，所消耗的能量尽可能的低，则工艺参数可谓最佳；

(三)、确定好BP神经网络的拓扑结构之后，用实验采集的数据样本对神经网络进行训练，在分子蒸馏工艺BP神经网络的权值和阀值的优化方法选择上，结合遗传算法与梯度下降法两种方法的各自特点，选择了两者组合的训练方法，先用遗传算法对网络进行一定代数的训练，找到一个较优解，然后将此时网络参数作为梯度下降法中的网络初始参数在进行训练；此种组合训练算法克服了两种算法各自的缺点，实现了两者的优势互补，在加快网络学习速度的同时也提高了网络泛化能力；

具体步骤为：

(1)依据参数设置随机初始化种群；

(2)计算种群中各个个体的适应值，并保存最优适应值；

(3)如果达到设定演化代数或当前最优个体满足条件则返回网络参数并转步骤(4)；否则进行选择、交叉、变异等遗传操作后转步骤(2)；

(4)将步骤(3)中返回的网络参数值作为梯度训练法的网络初始参数；

(5)依据梯度迭代公式对当前网络参数进行一次修正；

(6)当达到最大迭代次数限制或当前网络误差达到要求时结束程序；否则转步骤(5)；

在神经网络建模的模型选择上还可以采用粒子群优化算法与BP神经网络结合的方式，即PSO-BP神经网络；粒子群优化算法具有很强的通用性，优化目标函数时，不需要计算函数的梯度信息，不要求目标函数和约束的连续性、凸性、可导、可行域连通，甚至有无解析表达式，只需要依据适应度函数，通过粒子的速度和位置更新公式进行更新来优化函数；粒子群算法本身策略简单，需要调整的参数少，没有遗传算法中的编码、交叉和变异等操作，因而操作简便、易于实现，对于计算复杂的神经网络学习优化问题表现出很大的优势；

(四)、运用二次响应面回归分析法对PCA处理过后的实验样本数据再次进行处理；通过使用SAS软件程序进行二次回归响应面分析，分别拟合出产品纯度、得率以及能耗的二次响应面回归模型，由参数估计写出各指标的二次响应面回归方程，即f₁(x)，f₂(x)，f₃(x)；并以此作为各指标相应的目标函数；

(五)、最后对得到的目标函数f₁(x)，f₂(x)，f₃(x)，采用多目标遗传算法来搜索取得Pareto非劣解，然后结合实际问题在Pareto最优解集中 选择适合于问题的解，再将所选取的解用所建的神经网络模型进行检验；

多目标优化数学模型表达式为：

MOP问题由m个决策变量参数、3个目标函数组成，V-max表示向量目标函数f(X)中各子目标尽可能达到最大，为多目标优化模型约束集，x为决策向量的可行取值范围；

选用改进非劣分类遗传算法来求解此多目标优化问题。