基于GA-BP算法的分子蒸馏工艺参数优化方法

摘要

本发明基于GA-BP算法的分子蒸馏工艺参数优化方法涉及分子蒸馏优化领域，该方法是，首先利用GA算法优化BP神经网络的权值和阈值，再利用BP神经网络实现分子蒸馏工艺中由蒸发面温度、蒸发器内真空度、进料速度三个工艺控制参数预测出馏出物的纯度和得率，最后，利用GA算法实现分子蒸馏工艺中由馏出物的期望纯度和得率值得到优化的工艺控制参数输入值的过程。本发明的方法能够及时地掌握馏出物的纯度和得率，并作出精确地预测，可以及时采取调节措施，使影响馏出物产品质量的关键因素得到合理的控制，从而保证产品的纯度和得率在规定范围内，有效地提高企业的生产效率，节约能源，降低企业的生产成本。

主权项

1.基于GA-BP算法的分子蒸馏工艺参数优化方法，其特征在于，该方法包括以下步骤：步骤一：将分子蒸馏系统在同一时刻下的一组蒸发面温度、蒸发器内真空度、进料速度三个对蒸馏过程影响最大的工艺控制参数的值作为输入量P_k＝(a₁,a₂,a₃)，其中，a₁、a₂、a₃分别是蒸发面温度、蒸发器内真空度、进料速度，k是n组实验样本中的任意一组，k=1,2，…，n，将此时分子蒸馏系统的馏出物的纯度值和得率值作为输出量C_k＝(c₁,c₂)，其中，c₁、c₂分别是纯度值和得率值，确立一个在同一时刻下输入量P_k与输出量C_k具有映射对应关系的实验数据组；在分子蒸馏过程稳态进行的情况下，在不同时刻提取并记录n个具有上述映射关系的实验数据组，将这些实验数据组作为实验样本，存入实验样本数据库中；步骤二：根据步骤一所述实验样本中输入量与输出量的映射对应关系，建立三层拓扑结构的BP神经网络，设定BP神经网络的输入层神经元为3个，输出层神经元为2个，隐含层神经元为7个；其中输入层和隐含层的激活函数都选取Log-sigmoid型函数，输出层的激活函数选取Pureline型函数；Log-sigmoid型函数定义为其中s_j是指第j个隐含层节点的输入，即其中j=1,2…7；w_ij为第i个输入节点与第j个输出节点的连接权值，θ_j为隐含层第j节点的阈值，a_i为蒸发面温度、蒸发器内真空度、进料速度；Pureline型函数是线性函数，自变量为隐含层节点的输出，因变量是输出层节点的输出；步骤三：以步骤二所述的BP神经网络作为黑箱模型，建立以步骤一所述实验样本中的输入量作为BP神经网络的输入变量、以对应馏出物纯度和得率的预测值作为输出变量的BP神经网络预测模型；步骤四：对步骤三所述的BP神经网络预测模型中的输入层与隐含层之间的连接权值w_ij、阈值θ_ij，隐含层与输出层之间的连接权值v_jq、阈值γ_q进行随机初始化，使BP神经网络预测模型具备最基本的预测条件，其中q为输出层节点数，q=1,2；步骤五：将从步骤一所述的实验样本数据库中调取的各组工艺控制参数的值，作为步骤四所述的具备最基本预测条件的BP神经网络预测模型的输入变量P_k，从而得到与每组输入变量P_k＝(a₁,a₂,a₃)映射对应的BP神经网络预测模型输出的纯度值和得率值的预测输出量Y_k的数据组；步骤六：在由步骤一所述实验样本确定的阈值和权值范围内，根据GA遗传算法的原理优化BP神经网络预测模型的初始阈值和权值，完成BP神经网络预测模型的训练学习过程；步骤6-1：随机初始化多组BP神经网络预测模型的阈值θ_m和权值w_z作为GA遗传算法的初始种群，种群大小根据经验预先设定，并对该初始种群进行实数编码，设定最大进化代数为100代；步骤6-2：构造用于优化BP神经网络预测模型初始阈值和权值的GA遗传算法的初始种群中第k个样本的个体适应度函数根据个体适应度函数公式计算出初始种群中每个个体的适应度f的数值；式中，为根据实际生产需要预先设定的分子蒸馏后的纯度值和得率值的期望输出量；为步骤五所述的纯度值和得率值的预测输出量，q为输出节点数；步骤6-3：依据轮盘赌的选择法，从步骤6-2所述初始种群的多个个体中选择对应个体适应度值f数值相对较大的多个待优化个体，进行交叉、变异操作，产生的新个体作为子一代阈值θ'_m和权值w'_z种群的个体；步骤6-4：用步骤6-3所述子一代阈值θ'_m和权值w'_z的种群新个体替换步骤6-1所述的初始种群的个体，重复步骤6-1至步骤6-3的GA遗传算法对子一代种群个体的优化过程，直到步骤6-2所述的个体适应度函数基本稳定不变或者达到设定的进化代数时，结束优化过程，并得到初步优化完毕的最后一代种群的个体，即得到了初步优化完毕的BP神经网络初始阈值θ"′_m和权值w"′_z；步骤6-5：从步骤一所述的实验样本数据库中调取由分子蒸馏实验获得的实验样本，此实验样本中的输入量P_k与输出量Y_k具有真实的映射对应关系；以相同的实验样本中的输入量P_k代入到BP神经网络预测模型中，并将步骤6-4所述初步优化完毕的阈值θ"′_m和权值w"′_z作为BP神经网络预测模型的新初始阈值θ和权值w，此时由BP神经网络预测模型得到预测输出量Y'_k，此预测输出量Y'_k与分子蒸馏期望输出量T_k之间存在误差；步骤6-6：建立BP神经网络的误差反向传播模型，构造一个由分子蒸馏期望输出量T_k与BP神经网络预测模型的预测输出量Y'_k的差的平方和的目标函数，该函数第k个样本的平均误差为为根据实际生产需要预先设定的分子蒸馏后的纯度值和得率值的期望输出量；为步骤6-5所述的纯度值和得率值的预测输出量，q为输出节点数，使这个目标函数最小化的过程就是BP神经网络误差反向传播的过程；步骤6-7：用梯度下降法对步骤6-6所述的BP神经网络误差反向传播的目标函数进行运算，使得步骤6-5中所述BP神经网络预测模型的初始阈值θ和权值w进行进一步优化；按照梯度下降法，伴随迭代次数的增加，目标函数的误差将逐步减小，直至误差满足预先设定的精度要求，结束初始阈值θ和权值w的优化过程；步骤6-8：经过步骤6-7的反复计算和缩小误差，当误差最终满足预先设定的精度要求时，将会得到一组最优的权值w₀和阈值θ₀，将此时的权值w₀和阈值θ₀作为BP神经网络预测模型最终的权值和阈值，不再需要调整和改变，BP神经网络预测模型的训练学习过程至此结束；步骤七：利用遗传算法实现通过给定多个分子蒸馏系统期望的馏出物的纯度值和对应此时的得率值，得到对应的分子蒸馏系统的工艺控制参数的输入值即蒸发面温度值、蒸发器内真空度值、进料速度值，该遗传算法的实现过程如下：步骤7-1：给定多个分子蒸馏系统期望的馏出物的纯度值和得率值T_j，从步骤一所述的实验样本数据库中选取与期望的纯度值和得率值T_j相对接近的分子蒸馏实验真实输出量C_j所对应的多个工艺控制参数输入量P_j作为遗传算法的初始种群；步骤7-2：对步骤7-1所述的多个工艺控制参数输入量P_j的初始种群进行实数编码，设定最大进化代数为100代；步骤7-3：构造遗传算法的目标函数：设经过BP神经网络预测模型得到的纯度和得率的值分别为y₁、y₂，期望的纯度和得率的值分别为T₁和T₂，纯度和得率的权重分别为W₁和W₂，纯度的最大、最小值分别为T_1max和T_1min，得率最大、最小值分别为T_2max和T_2min，则纯度和得率两个期望目标组合加权得到的目标函数f(X)为：$\left\{\begin{array}{c}f\left(X\right)=W_1*\frac{|y_1-T_1|}{|T_{1\max }-T_{1\min }|}+W_2*\frac{|y_2-T_2|}{|T_{2\max }-T_{2\min }|}\\ T_{1\max }>T_{1\min },T_{2\max }>T_{2\min },W_1+W_2=1\end{array}\right.,$式中目标函数值越小，则表明BP神经网络预测模型预测的纯度值y₁、得率值y₂越接近期望的纯度值T₁、得率值T₂；步骤7-4：选取步骤7-3所述的目标函数f(X)的倒数作为遗传算法的初始种群的个体适应度函数f(Y)，即f(Y)＝1/f(X)，则个体适应度函数f(Y)的值越大，表明个体适应能力越强；步骤7-5：针对步骤7-1所述的遗传算法的初始种群，根据步骤7-4中的个体适应度函数f(Y)，计算该初始种群中每个工艺控制参数输入量P_j个体的适应度值；步骤7-6：依据轮盘赌的选择方法，选出步骤7-5中个体适应度值相对较大的多个工艺控制参数输入量P_j个体，进行交叉、变异操作，产生的新工艺控制参数输入量P_j'个体，作为子一代的初始种群个体；步骤7-7：将经步骤7-6产生的新工艺控制参数输入量P_j′初始种群替换步骤7-1所述的工艺控制参数输入量P_j初始种群；步骤7-8：将步骤7-6产生的每个子一代新工艺控制参数输入量P_j′种群的个体都代入步骤6-8所述的训练好的BP神经网络预测模型中，得出新一组的预测结果y₁'和y₂'；用该新一组的预测结果替代步骤7-3中纯度和得率的预测值y₁、y₂；步骤7-9：将步骤7-8中得出的新一组的预测结果y₁'和y₂'代入步骤7-4的个体适应度函数f(Y)，计算新种群个体对应下的新一组的工艺控制参数输入量P_j种群个体的适应度函数值；步骤7-10：重复步骤7-4至步骤7-9所述更新下一代种群个体、计算对应新种群下的新的预测值和计算新的个体适应度函数f(Y)值的过程；在该重复过程中个体适应度函数f(Y)值将逐步增大；直至个体适应度函数f(Y)值基本稳定不再明显变化或达到预设的进化代数时，终止遗传算法的优化过程；此时稳定的个体适应度函数值对应的工艺控制参数输入量P_j就是对应期望纯度值和得率值所要输入的蒸发面温度值、蒸发器内真空度值、进料速度值。