模糊智能最优丙烯聚合生产过程最优软测量仪表和方法

摘要

本发明公开了一种模糊智能最优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、模糊智能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。所述的模糊智能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模糊智能优化模块。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。

主权项

一种模糊智能最优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、模糊智能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数据库与模糊智能最优软测量模型的输入端连接，所述模糊智能最优软测量模型的输出端与熔融指数软测量显示仪连接，其特征在于：所述模糊智能最优软测量仪包括：(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＝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，M＝CU^T+E，其中E为残差矩阵；(3)、神经网络模型模块，采用一个四层的模糊神经网络、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)、模糊智能优化模块，用于采用模糊智能优化模块对神经网络进行优化，包括：(4.1)算法初始化，根据待优化的模糊神经网络结构参数构造出初始的粒子群体X＝(x¹,x²,…,x^N)，初始移动速度V＝(v¹,v²,…,v^N)，初始的各粒子历代最优值OP＝(p¹,p²,…,p^N)和全局最优值p^g；(4.2)通过下式执行粒子群优化算法，让粒子群收敛：$x_{k+1}^i=x_k^i+v_{k+1}^i---\left(1\right)$$v_{k+1}^i={\mathrm{wv}}_k^i+c_1{r}_1(p_k^i-x_k^i)+c_2{r}_2(p_k^g-x_k^i)---\left(2\right)$式中x为粒子的位置向量，i为粒子的序号，k为算法迭代代数，v为粒子速度，p表示初始的各粒子历代最优值OP＝(p¹,p²,…,p^N)和全局最优值p^g的最优值集合；v_kⁱ为第k次迭代中第i个粒子的速度；x_kⁱ为第k次迭代中第i个粒子的位置向量；p_kⁱ为第k次迭代中第i个粒子的历代最优位置，pⁱ为第i个粒子的历代最优解，w为速度权重系数，c₁、c₂分别为粒子历代最优解和群体最优解的吸引系数，r₁、r₂分别为随机数；(4.3)所述粒子群优化算法体现在速度权重值w是基于一种进化状态来进行估计的；粒子群的进化状态包括了探索期、开拓期、聚合期和跳出期；由f来定量表示；$f=\frac{d_g-d_{\min }}{d_{max}-d_{\min }}\in [0,1]---\left(3\right)$其中，f表示粒子群的进化状态，d_i是粒子i到粒子群中其他粒子的平均距离；d_g是粒子群中最优解到粒子群中其他粒子的平均距离；d_max和d_min分别是{d_i}中的最大、最小值；d_i按照下式计算：$d_i=\frac{1}{P-1}\underset{j=1,j\ne i}{\overset{P}{\Sigma }}\left|\right|x_i-x_j|{|}_2---\left(4\right)$x_i为第i个粒子的位置，x_j为第j个粒子的位置，‖·‖为范数表达式；P为粒子群中粒子的数目；由f值来得到粒子群速度权重的计算式为：$w=\frac{1}{1+1.5e^{-2.6f}}\in [0.4,0.9]---\left(5\right)$所述模糊智能最优软测量仪还包括：模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型；所述模糊神经网络输入层到第二层的传递函数使用的是高斯函数：$\begin{array}{ccc}{u}_{qj}^{\left(2\right)}=\exp (-\frac{{[u_q^{\left(1\right)}-m_{qj}]}^2}{{\sigma }_{qj}^2}),& q=1,2,...,n,& j=1,2,...,N\end{array}---\left(6\right)$式中u⁽¹⁾、u⁽²⁾分别为第二层的输入和输出向量，m为中心向量，σ为宽度参数，q、j分别为维度和节点序号；使用高斯非线性函数能够增强该模糊神经网络的非线性拟合能力；所述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。