丙烯聚合生产过程自适应最优预报系统和方法

摘要

本发明公开了一种丙烯聚合生产过程自适应最优预报系统，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、自适应最优预报系统以及熔融指数预报值显示仪。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；最优预报系统与DCS数据库及预报值显示仪相连。所述的自适应最优预报系统包括模型更新模块、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自适应智能优化模块。以及提供了一种用预报系统实现的预报方法。本发明实现在线测量、在线参数优化、预报速度快、模型自动更新、抗干扰能力强、精度高。

主权项

1.一种丙烯聚合生产过程自适应最优预报系统，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、自适应最优预报系统以及熔融指数预报显示仪，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数据库与自适应最优预报系统的输入端连接，所述自适应最优预报系统的输出端与熔融指数预报显示仪连接，其特征在于：所述自适应最优预报系统包括：（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，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）、自适应智能优化模块，用于采用基于智能粒子群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,…,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）通过下式执行智能粒子群算法，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)$式中x为粒子的位置向量，i为粒子的序号，k为算法迭代代数，v为粒子速度，p表示初始的各粒子历代最优值OP=(p¹,p²,…,p^N)和全局最优值p^g的最优值集合。v_kⁱ为第k次迭代代数中第i个粒子的速度；x_kⁱ第k次迭代代数中第i个粒子的位置向量；p_kⁱ为第k次迭代代数中第i个粒子的历代最优位置，pⁱ为第i个粒子的历代最优解，w为速度权重系数，c₁、c₂分别为粒子历代最优解和群体最优解的吸引系数，r₁、r₂分别为随机数。（4.3）这里的智能粒子群算法体现在速度权重值w是基于一种进化状态来进行估计的；粒子群的进化状态包括了探索期、开拓期、聚合器和跳出期；由f来定量表示；$f=\frac{d_g-d_{\min }}{d_{\max }-d_{\min }}\in \left[\mathrm{0,1}\right]---\left(3\right)$d_i是粒子i到粒子群中其他粒子的平均距离；d_g是粒子群中最优解到粒子群中其他粒子的平均距离；d_max和d_min分别是{d_i}中的最大、最小值；d_i按照下式计算：$d_i=\frac{1}{P-1}\underset{j=1,j\ne i}{\overset{P}{\Sigma }}{\left|\right|x_i-x_j\left|\right|}_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 \left[\mathrm{0.4,0.9}\right]---\left(5\right)$所述自适应最优预报系统还包括：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。所述的自适应最优预报系统，其特征在于：在所述自适应智能优化模块中，粒子群执行迭代时所用到的w是根据粒子群的进化状态来智能变化的；这样的智能设计目的在于使得粒子群能够在不同的阶段采用不同的速度权重，控制群体的收敛速度，提高整个群体的全局寻优能力。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。