CN117740632B - 一种基于差分进化算法的pta粒径动态软测量方法 - Google Patents
一种基于差分进化算法的pta粒径动态软测量方法 Download PDFInfo
- Publication number
- CN117740632B CN117740632B CN202410191460.0A CN202410191460A CN117740632B CN 117740632 B CN117740632 B CN 117740632B CN 202410191460 A CN202410191460 A CN 202410191460A CN 117740632 B CN117740632 B CN 117740632B
- Authority
- CN
- China
- Prior art keywords
- population
- output
- variable
- pta
- input variable
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000000691 measurement method Methods 0.000 title claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000012546 transfer Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 241000251555 Tunicata Species 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 10
- KKEYFWRCBNTPAC-UHFFFAOYSA-N Terephthalic acid Chemical compound OC(=O)C1=CC=C(C(O)=O)C=C1 KKEYFWRCBNTPAC-UHFFFAOYSA-N 0.000 description 60
- 239000000047 product Substances 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 241000251557 Ascidiacea Species 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 229920000728 polyester Polymers 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于差分进化算法的PTA粒径动态软测量方法，涉及动态分析技术领域，该基于差分进化算法的PTA粒径动态软测量方法包括以下步骤：S1、获取PTA的生产历史数据，并确定输入变量和输出变量，所述输出变量包括PTA粒径的平均值和标准差；S2、基于确定的输入变量和输出变量建立双输出传递函数矩阵模型；S3、实时获取PTA生产过程中的输入变量数据，并将其输入到双输出传递函数矩阵模型中，得出粒径的动态软测量值。本发明可以及时得到粒径的软测量值，对生产过程进行实时控制，可以确保生产过程满足相关的质量和安全标准，有助于PTA的生产管理。
Description
技术领域
本发明涉及动态分析技术领域，具体来说，特别涉及一种基于差分进化算法的PTA粒径动态软测量方法。
背景技术
精对苯二甲酸（PTA）是聚酯生产和化工制造中的重要原料，在许多产品，如塑料瓶、涤纶纤维、涂料、树脂等中都有其身影。在PTA的生产过程中，精制单位的晶体粒径大小是一个极为重要的质量控制参数，这是因为它直接影响到产品的物理和化学性质。具体来说，粒径大小会影响PTA的溶解性，这对于后续的聚合反应至关重要。如果粒径过大，PTA的溶解性会降低，这将影响聚合过程的效率和最终产品的质量。另一方面，如果粒径过小，可能会导致滤饼的疏松，影响固液分离效果和产品产率。因此，良好的PTA粒径控制是非常关键的，它不仅有助于保持聚酯生产的稳定性，而且可以提高聚酯产品的质量。
软测量技术是根据难以测量的变量和易于测量的变量之间的关系建立回归模型的一种技术。软测量在工业过程的监测中有着重要的作用，例如，软测量可以用来预测难以在线测量的重要变量，也可以用来作为昂贵硬件传感器的替代品。
目前，在PTA生产过程中，粒径是决定产品质量的重要参数。但是，由于生产过程中的复杂性和不确定性，以及设备的限制，传统的模型优化方法可能无法有效地处理PTA生产过程中的数据复杂性和不确定性。从而会导致模型优化结果的准确性和效率不高，进而影响到PTA生产的效率和产品质量。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
有鉴于此，本发明提供一种基于差分进化算法的PTA粒径动态软测量方法，以解决上述提及的传统的模型优化方法可能无法有效地处理PTA生产过程中的数据复杂性和不确定性的问题。
为了解决上述问题，本发明采用的具体技术方案如下：
一种基于差分进化算法的PTA粒径动态软测量方法，该基于差分进化算法的PTA粒径动态软测量方法包括以下步骤：
S1、获取PTA的生产历史数据，并确定输入变量和输出变量，输出变量包括PTA粒径的平均值和标准差；
S2、基于确定的输入变量和输出变量建立双输出传递函数矩阵模型；
S3、实时获取PTA生产过程中的输入变量数据，并将其输入到双输出传递函数矩阵模型中，得出粒径的动态软测量值。
优选的，获取PTA的生产历史数据，并确定输入变量和输出变量包括以下步骤：
S11、基于PTA的生产设备获取PTA的生产历史数据，生产历史数据包括PTA粒径的影响因素数据和PTA粒径数据；
S12、将影响因素数据作为初始输入变量；
S13、根据PTA粒径数据计算PTA粒径的平均值和标准差，并将PTA粒径的平均值和标准差作为输出变量；
S14、基于依赖性分析法对初始输入变量和输出变量进行依赖性分析，并确定最终的输入变量。
优选的，基于依赖性分析法对初始输入变量和输出变量进行依赖性分析，并确定最终的输入变量包括以下步骤：
S141、分别计算初始输入变量和输出变量的信息熵；
S142、根据初始输入变量和输出变量的信息熵，计算各初始输入变量与输出变量之间的依赖性；
S143、根据计算出的依赖性，对初始输入变量按照从大到小的顺序进行排序，并筛选出排序靠前的若干初始输出变量，作为初次候选输出变量；
S144、通过冗余度计算公式计算初始输入变量中每个变量间的冗余度；
S145、根据计算出的冗余度，对初始输入变量按照从小到大的顺序进行排序，并筛选出排序靠前的若干初始输出变量，作为二次候选输出变量；
S146、从初次候选输出变量和二次候选输出变量中选取相同的输出变量作为最终的输出变量。
优选的，冗余度计算公式为：
；
式中，G表示初始输入变量中输入变量X i 与输入变量X j 之间的冗余度；
S表示初始输入变量的集合；
I表示初始输入变量中输出入量X i 与输入变量X j 之间的依赖性值。
优选的，基于确定的输入变量和输出变量建立双输出传递函数矩阵模型包括以下步骤：
S21、基于确定的输入变量和输出变量从PTA的生产历史数据中选取样本数据；
S22、对选取的样本数据进行预处理，并将预处理后的样本数据作为训练数据，预处理包括数据清洗和标准化处理；
S23基于神经网络确定模型结构，模型结构包括输入层、隐含层及输出层；
S24、对隐含层使用ReLU作为激励函数，并基于深度学习框架构建双输出传递函数矩阵模型；
S25、利用训练数据对构建的双输出传递函数矩阵模型进行训练；
S26、基于改进的差分进化算法对双输出传递函数矩阵模型进行模型优化。
优选的，基于改进的差分进化算法对双输出传递函数矩阵模型进行模型优化包括以下步骤：
S261、根据输入变量和输出变量之间的互信息建立初始种群；
S262、利用自适应因子对建立的初始种群进行划分，得到第一种群和第二种群；
S263、采用樽海鞘搜索策略及差分进化搜索策略分别对第一种群和第二种群进行更新；
S264、将更新后的第一种群和第二种群进行合并，并利用两点变异策略对合并后的种群进行变异处理，得到新的种群；
S265、计算新的种群中每个个体的适应度，并保留适应度最高的个体；
S266、判断适应度是否满足预设的阈值，若满足，则输出当前最优个体，并作为双输出传递函数矩阵模型的最优参数，若不满足，则返回步骤S262。
优选的，根据输入变量和输出变量之间的互信息建立初始种群包括以下步骤：
S2611、确定输入变量和输出变量之间的互信息；
S2612、根据得到的互信息计算出各输入变量和输出变量的权重；
S2613、根据各输入变量和输出变量的权重并基于最大支撑树原则建立网络结构；
S2614、基于建立的网络结构创建初始种群。
优选的，利用自适应因子对建立的初始种群进行划分，得到第一种群和第二种群包括以下步骤：
S2621、利用贝叶斯信息准则评分函数对初始种群中的种群个体进行评分；
S2622、计算初始种群中的所有种群个体的平均评分，并从初始种群中选取高于平均评分的个体作为待划分种群；
S2623、基于种群的进化情况计算用于种群划分的自适应因子；
S2624、利用计算的自适应因子对待划分种群进行划分，得到第一种群和第二种群。
优选的，将更新后的第一种群和第二种群进行合并，并利用两点变异策略对合并后的种群进行变异处理，得到新的种群包括以下步骤：
S2641、检车第一种群和第二种群中种群个体的评分，并将评分相同的种群个体筛选出来合并为第三种群，将评分不同的种群个体筛选出来合并为第四种群；
S2642、对第三种群中的种群个体应用两点变异策略，得到更新后的第三种群；
S2643、将更新后的第三种群、第一种群及第四种群进行合并，得到新的种群。
优选的，实时获取PTA生产过程中的输入变量数据，并将其输入到双输出传递函数矩阵模型中，得出粒径的动态软测量值包括以下步骤：
S31、从PTA的生产设备实时获取PTA生产过程中的输入变量数据；
S32、对得到的输入变量数据进行预处理；
S33、将预处理后的输入变量数据输入到双输出传递函数矩阵模型中，得到PTA粒径的平均值和标准差；
S34、对得到的平均值和标准差进行分析，判断粒径分布是否满足产品质量要求。
本发明的有益效果为：
1、本发明通过神经网络和差分进化算法的结合，可以提高模型对于PTA粒径平均值和标准差的预测精度，从而提高生产过程中的质量控制的准确性，通过实时获取PTA生产过程中的输入变量数据，并将其输入到模型中，可以及时得到粒径的软测量值，对生产过程进行实时控制，进而可以确保生产过程满足相关的质量和安全标准，有助于PTA的生产管理。
2、本发明通过基于实际生产历史数据来选择输入和输出变量，确保了模型的实际性和适用性，通过依赖性分析方法可以自动选择最相关的输入变量。有助于减少不必要的维度，提高模型的简洁性和效率，通过筛选最终的输入变量，可以减少模型的复杂性，提高模型的训练和预测速度，同时减小过拟合的风险，可以更好地理解生产过程中哪些因素对产品质量有重要影响，从而有助于进一步优化生产流程。
3、本发明通过从历史数据中选择样本数据，并对其进行预处理，可以确保训练数据的质量和准确性，数据清洗和标准化有助于提高模型的鲁棒性和性能，基于神经网络的模型结构由模型自动确定，可以提高建模的灵活性和适应性，以应对不同的生产环境，使用改进的差分进化算法对模型进行优化，以获得最佳参数配置，有助于提高模型的性能和泛化能力，使用自适应因子对种群进行划分，可以更好地适应不同问题的复杂性，从而提高优化过程的效率，通过适应度评估和阈值判断，可以自动找到最佳模型参数配置，以获得最佳的模型性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是根据本发明实施例的一种基于差分进化算法的PTA粒径动态软测量方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。
根据本发明的实施例，提供了一种基于差分进化算法的PTA粒径动态软测量方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于差分进化算法的PTA粒径动态软测量方法，该基于差分进化算法的PTA粒径动态软测量方法包括以下步骤：
S1、获取PTA的生产历史数据，并确定输入变量和输出变量，输出变量包括PTA粒径的平均值和标准差。
作为优选实施方式，获取PTA的生产历史数据，并确定输入变量和输出变量包括以下步骤：
S11、基于PTA的生产设备获取PTA的生产历史数据，生产历史数据包括PTA粒径的影响因素数据和PTA粒径数据。
具体而言，PTA粒径的影响因素数据包括原料质量、生产过程参数、设备类型、设备状态及环境因素等等，PTA粒径数据包括粒径分布、平均粒径、最大和最小粒径等等。
S12、将影响因素数据作为初始输入变量。
S13、根据PTA粒径数据计算PTA粒径的平均值和标准差，并将PTA粒径的平均值和标准差作为输出变量。
S14、基于依赖性分析法对初始输入变量和输出变量进行依赖性分析，并确定最终的输入变量。
需要说明的是，依赖性分析是一种统计方法，主要用于确定数据集中各变量之间的依赖性或关联性，这种方法可以用于识别变量之间的关系：一个变量的变化是否会影响到另一个或者多个变量。
作为优选实施方式，基于依赖性分析法对初始输入变量和输出变量进行依赖性分析，并确定最终的输入变量包括以下步骤：
S141、分别计算初始输入变量和输出变量的信息熵。
需要说明的是，在计算初始输入变量和输出变量的信息熵之前需要确定每个输入变量和输出变量的概率分布，通常可以通过对数据进行统计分析来实现，例如，通过统计每个可能值出现的频率，然后除以总数，得到每个可能值的概率，当确定了变量的概率分布后，就可以计算其信息熵了。
S142、根据初始输入变量和输出变量的信息熵，计算各初始输入变量与输出变量之间的依赖性。
需要说明的是，根据初始输入变量和输出变量的信息熵，可以使用互信息来度量两个变量之间的相关性，互信息衡量了两个随机变量之间的依赖程度，也就是通过一个变量可以得到另一个变量的多少信息。互信息的定义是两个变量的联合熵减去它们的条件熵。
S143、根据计算出的依赖性，对初始输入变量按照从大到小的顺序进行排序，并筛选出排序靠前的若干初始输出变量，作为初次候选输出变量。
S144、通过冗余度计算公式计算初始输入变量中每个变量间的冗余度。
具体的，冗余度计算公式为：
。
式中，G表示初始输入变量中输入变量X i 与输入变量X j 之间的冗余度；
S表示初始输入变量的集合；
I表示初始输入变量中输出入量X i 与输入变量X j 之间的依赖性值。
其中，将影响因素数据作为初始输入变量，PTA粒径的影响因素数据包括原料质量、生产过程参数、设备类型、设备状态及环境因素等等，PTA粒径数据包括粒径分布、平均粒径、最大和最小粒径等等。
S145、根据计算出的冗余度，对初始输入变量按照从小到大的顺序进行排序，并筛选出排序靠前的若干初始输出变量，作为二次候选输出变量。
S146、从初次候选输出变量和二次候选输出变量中选取相同的输出变量作为最终的输出变量。
具体的，通过基于实际生产历史数据来选择输入和输出变量，确保了模型的实际性和适用性，通过依赖性分析方法可以自动选择最相关的输入变量。有助于减少不必要的维度，提高模型的简洁性和效率，通过筛选最终的输入变量，可以减少模型的复杂性，提高模型的训练和预测速度，同时减小过拟合的风险，可以更好地理解生产过程中哪些因素对产品质量有重要影响，从而有助于进一步优化生产流程。
S2、基于确定的输入变量和输出变量建立双输出传递函数矩阵模型。
作为优选实施方式，基于确定的输入变量和输出变量建立双输出传递函数矩阵模型包括以下步骤：
S21、基于确定的输入变量和输出变量从PTA的生产历史数据中选取样本数据。
S22、对选取的样本数据进行预处理，并将预处理后的样本数据作为训练数据，预处理包括数据清洗和标准化处理。
需要说明的是，数据清洗包括处理缺失值、处理异常值、去除重复数据等等，标准化处理包括数据是将数据缩放至某个固定的范围，常见的方法包括归一化（将数据缩放到0到1之间）和标准化（将数据转化为均值为0，标准差为1的分布）。
S23基于神经网络确定模型结构，模型结构包括输入层、隐含层及输出层。
具体而言，输入层通常用于接收输入数据，而这些数据是模型训练和预测的基础，输入层的节点数量通常与特征变量的数量相匹配，例如，如果数据集有10个特征，那么输入层就应有10个节点。
隐藏层位于输入层和输出层之间，可以有一层或多层，隐藏层的节点数量和层数可以根据问题的复杂性和数据的维度来确定，隐藏层的作用是从输入数据中提取有用的、复杂的特征，每个隐藏层的节点都会通过激活函数对其输入进行非线性转换。
输出层是神经网络的最后一层，用于输出模型的预测结果，输出层的节点数量通常与预测任务的类型有关，例如，在回归问题中，可能只有一个输出节点。在多分类问题中，输出节点的数量可能等于类别的数量。
S24、对隐含层使用ReLU作为激励函数，并基于深度学习框架构建双输出传递函数矩阵模型。
具体而言，在神经网络中，激励函数是用于向网络添加非线性的关键因素。ReLU（Rectified Linear Unit）是一种激励函数，ReLU的主要优点是它能加速神经网络的训练，因为它的导数要么为0，要么为1。
基于深度学习框架（如TensorFlow或PyTorch），可以构建一个双输出的神经网络模型，这个模型的输出层将有两个节点，每个节点都会输出一个数值。
S25、利用训练数据对构建的双输出传递函数矩阵模型进行训练。
S26、基于改进的差分进化算法对双输出传递函数矩阵模型进行模型优化。
作为优选实施方式，基于改进的差分进化算法对双输出传递函数矩阵模型进行模型优化包括以下步骤：
S261、根据输入变量和输出变量之间的互信息建立初始种群。
作为优选实施方式，根据输入变量和输出变量之间的互信息建立初始种群包括以下步骤：
S2611、确定输入变量和输出变量之间的互信息。
需要说明的是，根据步骤S142中输入变量和输出变量的依赖性来确定互信息。
S2612、根据得到的互信息计算出各输入变量和输出变量的权重。
需要说明的是，在确定出互信息值后，可以将其作为权重的度量，通常，互信息值越高，表示输入变量和输出变量之间的依赖性越强，因此可以将互信息值作为权重，如果互信息值是正的，表示输入变量和输出变量之间的关联是正相关的，可以将互信息值直接作为权重，如果互信息值是负的，表示输入变量和输出变量之间的关联是负相关的，可以取其绝对值作为权重，权重可以用于衡量每个输入变量对输出变量的重要性，在某些情况下，还可以对权重进行标准化，以确保它们在一个合适的范围内，例如归一化到[0,1]区间。
S2613、根据各输入变量和输出变量的权重并基于最大支撑树原则建立网络结构。
具体而言，最大支撑树是一种树状结构，其中每个节点代表一个变量，边表示变量之间的关联，基于最大支撑树原则，可以确定变量之间的连接方式，按照最大支撑树原则，逐步建立网络结构，即确定哪些输入变量与哪些输出变量之间存在连接。通常，根据权重值和相关性强度来确定连接。较高权重和互信息的连接可能会被优先选择，然后再确定网络的拓扑结构，即如何将变量连接起来形成网络，基于建立的网络结构，创建初始种群，每个个体代表一种可能的参数配置。
S2614、基于建立的网络结构创建初始种群。
需要说明的是，首先，根据建立的网络结构，定义参数空间，为每个参数定义合适的范围，确保它们在一个合理的范围内，根据参数空间和范围，生成初始种群。通常，初始种群中的每个个体都包含了一组参数配置，这些参数配置构成了一个网络模型。通过随机初始化每个个体的参数来创建初始种群。
S262、利用自适应因子对建立的初始种群进行划分，得到第一种群和第二种群。
作为优选实施方式，利用自适应因子对建立的初始种群进行划分，得到第一种群和第二种群包括以下步骤：
S2621、利用贝叶斯信息准则评分函数对初始种群中的种群个体进行评分。
需要说明的是，使用每个个体（模型配置）生成模型的预测，这通常涉及将输入数据传递给模型，计算模型的输出，通常使用损失函数计算模型的拟合度，在使用贝叶斯信息准则评分函数综合考虑模型的性能和模型的复杂性，计算初始种群中的每个种群个体的评分。
S2622、计算初始种群中的所有种群个体的平均评分，并从初始种群中选取高于平均评分的个体作为待划分种群。
S2623、基于种群的进化情况计算用于种群划分的自适应因子。
需要说明的是，在执行过程中，收集关于种群的进化信息，这些信息可能包括种群的规模、适应度分布、多样性度量、种群的收敛速度等，然后使用收集的进化信息来计算自适应因子。
具体的，自适应因子的计算公式为：
。
式中，q表示自适应因子，K表示种群规模，H表示自适应调整规模因子q的参数，是根据个体评分与该种群平均评分的相对值建立的，T表示最大迭代次数，t表示迭代次数，表示向下取整函数。
S2624、利用计算的自适应因子对待划分种群进行划分，得到第一种群和第二种群。
需要说明的是，根据划分结果，得到第一种群和第二种群。第一种群通常包含了相对较好的个体，第二种群通常包含了多样性较高的个体。
S263、采用樽海鞘搜索策略及差分进化搜索策略分别对第一种群和第二种群进行更新。
需要说明的是，采用樽海鞘搜索策略时，种群个体（代表樽海鞘）通常具有位置信息，类似于种群中的某个解，樽海鞘个体通过模拟樽海鞘的移动方式来改进解，例如，通过移动、聚集和散开等操作，这种策略有助于在搜索空间中实现全局搜索和局部搜索，以促进算法的探索和收敛。
在差分进化中，种群中的个体以不同方式进行组合，形成新的解，然后通过比较新解的适应度来选择性地替代原有解，差分进化算法有三个关键操作：变异、交叉和选择，变异操作用于生成新的解，交叉操作用于组合解，选择操作用于决定是否接受新解，差分进化策略可以有效地在搜索空间中进行局部搜索，找到更好的解。
S264、将更新后的第一种群和第二种群进行合并，并利用两点变异策略对合并后的种群进行变异处理，得到新的种群。
作为优选实施方式，将更新后的第一种群和第二种群进行合并，并利用两点变异策略对合并后的种群进行变异处理，得到新的种群包括以下步骤：
S2641、检车第一种群和第二种群中种群个体的评分，并将评分相同的种群个体筛选出来合并为第三种群，将评分不同的种群个体筛选出来合并为第四种群。
S2642、对第三种群中的种群个体应用两点变异策略，得到更新后的第三种群。
具体而言，在两点变异策略中，通常选择两个不同的个体，并随机选择一个位置，然后交换这两个个体在选择位置上的值，这导致了两个新的个体，这个过程会在第三种群的个体之间进行，产生新的解。
S2643、将更新后的第三种群、第一种群及第四种群进行合并，得到新的种群。
S265、计算新的种群中每个个体的适应度，并保留适应度最高的个体。
需要说明的是，适应度是在优化算法和机器学习中经常使用的一个概念，它用来衡量一个个体在解决特定问题或任务中的质量或性能。适应度通常是一个数值，可以是实数、整数或二进制值，具体取决于问题的特性。
S266、判断适应度是否满足预设的阈值，若满足，则输出当前最优个体，并作为双输出传递函数矩阵模型的最优参数，若不满足，则返回步骤S262。
具体的，通过从历史数据中选择样本数据，并对其进行预处理，可以确保训练数据的质量和准确性，数据清洗和标准化有助于提高模型的鲁棒性和性能，基于神经网络的模型结构由模型自动确定，可以提高建模的灵活性和适应性，以应对不同的生产环境，使用改进的差分进化算法对模型进行优化，以获得最佳参数配置，有助于提高模型的性能和泛化能力，使用自适应因子对种群进行划分，可以更好地适应不同问题的复杂性，从而提高优化过程的效率，通过适应度评估和阈值判断，可以自动找到最佳模型参数配置，以获得最佳的模型性能。
S3、实时获取PTA生产过程中的输入变量数据，并将其输入到双输出传递函数矩阵模型中，得出粒径的动态软测量值。
作为优选实施方式，实时获取PTA生产过程中的输入变量数据，并将其输入到双输出传递函数矩阵模型中，得出粒径的动态软测量值包括以下步骤：
S31、从PTA的生产设备实时获取PTA生产过程中的输入变量数据。
S32、对得到的输入变量数据进行预处理。
S33、将预处理后的输入变量数据输入到双输出传递函数矩阵模型中，得到PTA粒径的平均值和标准差。
S34、对得到的平均值和标准差进行分析，判断粒径分布是否满足产品质量要求。
综上所述，借助于本发明的上述技术方案，本发明通过神经网络和差分进化算法的结合，可以提高模型对于PTA粒径平均值和标准差的预测精度，从而提高生产过程中的质量控制的准确性，通过实时获取PTA生产过程中的输入变量数据，并将其输入到模型中，可以及时得到粒径的软测量值，对生产过程进行实时控制，进而可以确保生产过程满足相关的质量和安全标准，有助于PTA的生产管理；本发明通过基于实际生产历史数据来选择输入和输出变量，确保了模型的实际性和适用性，通过依赖性分析方法可以自动选择最相关的输入变量。有助于减少不必要的维度，提高模型的简洁性和效率，通过筛选最终的输入变量，可以减少模型的复杂性，提高模型的训练和预测速度，同时减小过拟合的风险，可以更好地理解生产过程中哪些因素对产品质量有重要影响，从而有助于进一步优化生产流程；本发明通过从历史数据中选择样本数据，并对其进行预处理，可以确保训练数据的质量和准确性，数据清洗和标准化有助于提高模型的鲁棒性和性能，基于神经网络的模型结构由模型自动确定，可以提高建模的灵活性和适应性，以应对不同的生产环境，使用改进的差分进化算法对模型进行优化，以获得最佳参数配置，有助于提高模型的性能和泛化能力，使用自适应因子对种群进行划分，可以更好地适应不同问题的复杂性，从而提高优化过程的效率，通过适应度评估和阈值判断，可以自动找到最佳模型参数配置，以获得最佳的模型性能。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、光学存储器等）上实施的计算机程序产品的形式。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于差分进化算法的PTA粒径动态软测量方法，其特征在于，该基于差分进化算法的PTA粒径动态软测量方法包括以下步骤：
S1、获取PTA的生产历史数据，并确定输入变量和输出变量，所述输出变量包括PTA粒径的平均值和标准差；
S2、基于确定的输入变量和输出变量建立双输出传递函数矩阵模型；
S3、实时获取PTA生产过程中的输入变量数据，并将其输入到双输出传递函数矩阵模型中，得出粒径的动态软测量值；
所述基于确定的输入变量和输出变量建立双输出传递函数矩阵模型包括以下步骤：
S21、基于确定的输入变量和输出变量从PTA的生产历史数据中选取样本数据；
S22、对选取的样本数据进行预处理，并将预处理后的样本数据作为训练数据，所述预处理包括数据清洗和标准化处理；
S23基于神经网络确定模型结构，所述模型结构包括输入层、隐含层及输出层；
S24、对隐含层使用ReLU作为激励函数，并基于深度学习框架构建双输出传递函数矩阵模型；
S25、利用训练数据对构建的双输出传递函数矩阵模型进行训练；
S26、基于改进的差分进化算法对双输出传递函数矩阵模型进行模型优化；
所述基于改进的差分进化算法对双输出传递函数矩阵模型进行模型优化包括以下步骤：
S261、根据输入变量和输出变量之间的互信息建立初始种群；
S262、利用自适应因子对建立的初始种群进行划分，得到第一种群和第二种群；
S263、采用樽海鞘搜索策略及差分进化搜索策略分别对第一种群和第二种群进行更新；
S264、将更新后的第一种群和第二种群进行合并，并利用两点变异策略对合并后的种群进行变异处理，得到新的种群；
S265、计算新的种群中每个个体的适应度，并保留适应度最高的个体；
S266、判断适应度是否满足预设的阈值，若满足，则输出当前最优个体，并作为双输出传递函数矩阵模型的最优参数，若不满足，则返回步骤S262；
所述根据输入变量和输出变量之间的互信息建立初始种群包括以下步骤：
S2611、确定输入变量和输出变量之间的互信息；
S2612、根据得到的互信息计算出各输入变量和输出变量的权重；
S2613、根据各输入变量和输出变量的权重并基于最大支撑树原则建立网络结构；
S2614、基于建立的网络结构创建初始种群；
所述利用自适应因子对建立的初始种群进行划分，得到第一种群和第二种群包括以下步骤：
S2621、利用贝叶斯信息准则评分函数对初始种群中的种群个体进行评分；
S2622、计算初始种群中的所有种群个体的平均评分，并从初始种群中选取高于平均评分的个体作为待划分种群；
S2623、基于种群的进化情况计算用于种群划分的自适应因子；
S2624、利用计算的自适应因子对待划分种群进行划分，得到第一种群和第二种群；
所述将更新后的第一种群和第二种群进行合并，并利用两点变异策略对合并后的种群进行变异处理，得到新的种群包括以下步骤：
S2641、检车第一种群和第二种群中种群个体的评分，并将评分相同的种群个体筛选出来合并为第三种群，将评分不同的种群个体筛选出来合并为第四种群；
S2642、对第三种群中的种群个体应用两点变异策略，得到更新后的第三种群；
S2643、将更新后的第三种群、第一种群及第四种群进行合并，得到新的种群。
2.根据权利要求1所述的一种基于差分进化算法的PTA粒径动态软测量方法，其特征在于，所述获取PTA的生产历史数据，并确定输入变量和输出变量包括以下步骤：
S11、基于PTA的生产设备获取PTA的生产历史数据，所述生产历史数据包括PTA粒径的影响因素数据和PTA粒径数据；
S12、将影响因素数据作为初始输入变量；
S13、根据PTA粒径数据计算PTA粒径的平均值和标准差，并将PTA粒径的平均值和标准差作为输出变量；
S14、基于依赖性分析法对初始输入变量和输出变量进行依赖性分析，并确定最终的输入变量。
3.根据权利要求2所述的一种基于差分进化算法的PTA粒径动态软测量方法，其特征在于，所述基于依赖性分析法对初始输入变量和输出变量进行依赖性分析，并确定最终的输入变量包括以下步骤：
S141、分别计算初始输入变量和输出变量的信息熵；
S142、根据初始输入变量和输出变量的信息熵，计算各初始输入变量与输出变量之间的依赖性；
S143、根据计算出的依赖性，对初始输入变量按照从大到小的顺序进行排序，并筛选出排序靠前的若干初始输出变量，作为初次候选输出变量；
S144、通过冗余度计算公式计算初始输入变量中每个变量间的冗余度；
S145、根据计算出的冗余度，对初始输入变量按照从小到大的顺序进行排序，并筛选出排序靠前的若干初始输出变量，作为二次候选输出变量；
S146、从初次候选输出变量和二次候选输出变量中选取相同的输出变量作为最终的输出变量。
4.根据权利要求3所述的一种基于差分进化算法的PTA粒径动态软测量方法，其特征在于，所述冗余度计算公式为：
；
式中，G表示初始输入变量中输入变量X i 与输入变量X j 之间的冗余度；
S表示初始输入变量的集合；
I表示初始输入变量中输出入量X i 与输入变量X j 之间的依赖性值；
其中，所述输入变量包括原料质量、生产过程参数、设备类型、设备状态或环境因素中的至少一种。
5.根据权利要求1所述的一种基于差分进化算法的PTA粒径动态软测量方法，其特征在于，所述实时获取PTA生产过程中的输入变量数据，并将其输入到双输出传递函数矩阵模型中，得出粒径的动态软测量值包括以下步骤：
S31、从PTA的生产设备实时获取PTA生产过程中的输入变量数据；
S32、对得到的输入变量数据进行预处理；
S33、将预处理后的输入变量数据输入到双输出传递函数矩阵模型中，得到PTA粒径的平均值和标准差；
S34、对得到的平均值和标准差进行分析，判断粒径分布是否满足产品质量要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410191460.0A CN117740632B (zh) | 2024-02-21 | 2024-02-21 | 一种基于差分进化算法的pta粒径动态软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410191460.0A CN117740632B (zh) | 2024-02-21 | 2024-02-21 | 一种基于差分进化算法的pta粒径动态软测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117740632A CN117740632A (zh) | 2024-03-22 |
| CN117740632B true CN117740632B (zh) | 2024-04-26 |
Family
ID=90283471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410191460.0A Active CN117740632B (zh) | 2024-02-21 | 2024-02-21 | 一种基于差分进化算法的pta粒径动态软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117740632B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1487268A (zh) * | 2003-08-12 | 2004-04-07 | 上海交通大学 | 基于阶跃响应测试的多变量系统结构化闭环辨识方法 |
| CN1589955A (zh) * | 2004-05-25 | 2005-03-09 | 扬子石油化工股份有限公司 | 精对苯二甲酸生产装置中pta粒径的智能控制方法 |
| CN1645276A (zh) * | 2005-02-03 | 2005-07-27 | 上海交通大学 | 化工双输入输出过程的分布式pi和pid控制器的定量整定方法 |
| CN102432848A (zh) * | 2011-09-08 | 2012-05-02 | 浙江恒逸聚合物有限公司 | 一种聚酯生产中的浆料配置方法及其系统 |
| CN102486632A (zh) * | 2010-12-01 | 2012-06-06 | 中国石油化工股份有限公司 | 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法 |
| CN104504232A (zh) * | 2014-10-25 | 2015-04-08 | 南京邮电大学 | 一种基于稀疏最小二乘支持向量机的4-cba含量的软测量方法 |
| CN113268925A (zh) * | 2021-05-18 | 2021-08-17 | 南京邮电大学 | 基于差分进化算法时延估计的动态软测量方法 |
| CN114547974A (zh) * | 2022-02-11 | 2022-05-27 | 齐鲁工业大学 | 基于输入变量选择与lstm神经网络的动态软测量建模方法 |
-
2024
- 2024-02-21 CN CN202410191460.0A patent/CN117740632B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1487268A (zh) * | 2003-08-12 | 2004-04-07 | 上海交通大学 | 基于阶跃响应测试的多变量系统结构化闭环辨识方法 |
| CN1589955A (zh) * | 2004-05-25 | 2005-03-09 | 扬子石油化工股份有限公司 | 精对苯二甲酸生产装置中pta粒径的智能控制方法 |
| CN1645276A (zh) * | 2005-02-03 | 2005-07-27 | 上海交通大学 | 化工双输入输出过程的分布式pi和pid控制器的定量整定方法 |
| CN102486632A (zh) * | 2010-12-01 | 2012-06-06 | 中国石油化工股份有限公司 | 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法 |
| CN102432848A (zh) * | 2011-09-08 | 2012-05-02 | 浙江恒逸聚合物有限公司 | 一种聚酯生产中的浆料配置方法及其系统 |
| CN104504232A (zh) * | 2014-10-25 | 2015-04-08 | 南京邮电大学 | 一种基于稀疏最小二乘支持向量机的4-cba含量的软测量方法 |
| CN113268925A (zh) * | 2021-05-18 | 2021-08-17 | 南京邮电大学 | 基于差分进化算法时延估计的动态软测量方法 |
| CN114547974A (zh) * | 2022-02-11 | 2022-05-27 | 齐鲁工业大学 | 基于输入变量选择与lstm神经网络的动态软测量建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于CNN-XGBoost的PTA平均粒径动态软测量模型;周鹏;;信息技术与网络安全;20180910(第09期);全文 * |
| 基于差分进化粒子群混合优化算法的软测量建模;陈如清;;化工学报;20091215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117740632A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Multi-objective optimisation of machining process parameters using deep learning-based data-driven genetic algorithm and TOPSIS | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| Chien et al. | A data mining approach for analyzing semiconductor MES and FDC data to enhance overall usage effectiveness (OUE) | |
| Saldivar et al. | Identifying smart design attributes for Industry 4.0 customization using a clustering Genetic Algorithm | |
| CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
| CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
| Cuentas et al. | An SVM-GA based monitoring system for pattern recognition of autocorrelated processes | |
| CN116340726A (zh) | 一种能源经济大数据清洗方法、系统、设备及存储介质 | |
| CN112418987B (zh) | 交通运输单位信用评级方法、系统、电子设备及存储介质 | |
| CN117740632B (zh) | 一种基于差分进化算法的pta粒径动态软测量方法 | |
| Li et al. | Multiple-input multiple-output soft sensors based on KPCA and MKLS-SVM for quality prediction in atmospheric distillation column | |
| Zhang et al. | Industrial text analytics for reliability with derivative-free optimization | |
| CN115201394B (zh) | 一种多组分变压器油色谱在线监测方法及相关装置 | |
| Huynh | A multi-subpopulation genetic algorithm-based CNN approach for ceramic tile defects classification | |
| Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
| Yu et al. | A dynamic multi-objective evolutionary algorithm based on polynomial regression and adaptive clustering | |
| CN114124554B (zh) | 一种虚拟网络服务链吞吐量预测方法 | |
| US20240168467A1 (en) | Computer-Implemented Methods Referring to an Industrial Process for Manufacturing a Product and System for Performing Said Methods | |
| CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 | |
| Wu | Hybrid fuzzy support vector classifier machine and modified genetic algorithm for automatic car assembly fault diagnosis | |
| CN112579580B (zh) | 一种基于工业大数据预测的预报警方法 | |
| Mosavi et al. | Intelligent energy management using data mining techniques at Bosch Car Multimedia Portugal facilities | |
| Unceta et al. | From batch to online learning using copies | |
| CN109684471B (zh) | 一种ai智能文本处理系统在新零售领域的应用方法 | |
| Eshlaghy et al. | A hybrid grey-based KOHONEN and genetic algorithm to integrated technology selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |