基于遗传算法优化BP神经网络的丙烯聚合生产过程最优软测量仪表及方法

摘要

一种基于遗传算法优化BP神经网络的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、基于遗传算法优化BP神经网络的最优软测量模型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；最优软测量模型与DCS数据库及软测量值显示仪相连。所述的基于遗传算法优化BP神经网络的最优软测量模型包括数据预处理模块、ICA独立成分分析模块、BP神经网络建模模块以及遗传算法优化BP神经网络模块。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、在线参数自动优化、计算速度快、模型自动更新、抗干扰能力强、精度高。

主权项

1、一种基于遗传算法优化BP神经网络的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数据库以及熔融指数软测量值显示仪，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，其特征在于：所述软测量仪表还包括基于遗传算法优化BP神经网络的最优软测量模型，所述DCS数据库与所述基于遗传算法优化BP神经网络的最优软测量模型的输入端连接，所述基于遗传算法优化BP神经网络的最优软测量模型的输出端与熔融指数软测量值显示仪连接，所述基于遗传算法优化BP神经网络的最优软测量模型包括：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；再对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换；通过独立成分分析方法，从经过中心化和预白化处理的线性混合数据中恢复出基本源信号；BP神经网络模型模块，用于采用BP神经网络，设BP神经网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输出为yj，则有：${\mathrm{net}}_k=\underset{i}{\Sigma }{w}_{\mathrm{kj}}·y_j---\left(1\right)yk＝f(netk)\; (2)式中，wkj是神经元k与神经元j之间的连接权，f(·)为神经元的输出函数，通常取为Sigmoid函数，表示为：$ f\left({\mathrm{net}}_k\right)=1/(1+e^{-({\mathrm{net}}_k+h_k)/{\theta }_0})---\left(3\right)式中，hk为神经元k的阈值，\theta 0为陡度参数，用以调节Sigmoid函数的陡度；令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元的期望输出Opk，则输出层的输出方差表示为：$ E_p=\frac{1}{2}\underset{p}{\Sigma }{(O_{\mathrm{pk}}-y_{\mathrm{pk}})}^2---\left(4\right)式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连接权w值，使E达到最小值；要求连接权wkj，wji应沿Ep的负梯度方向学习；所以wkj的修正量为：$ {\Delta }_p{w}_{\mathrm{kj}}=-\beta \frac{\partial E_p}{{\partial w}_{\mathrm{kj}}}---\left(5\right)式中，\beta 为学习速率调整因子；遗传算法优化BP神经网络模块，用于采用遗传算法优化方法对BP神经网络进行优化，具体步骤如下：①确定网络权值的编码方式，个体的位串长度，染色体采用二进制编码，网络每个链接权值都用一定长度的0/1串表示，在编码时首先假定连接权在某一预定的范围内变化，连接权的实际值和字符串表示值关系表示为：$ W_t(i,j)=W_{\min }(i,j)+\frac{\mathrm{binrep}\left(t\right)}{2^t-1}[W_{\max }(i,j)-W_{\min }(i,j)]---\left(6\right)式中，binrep(t)是二进制整数，[Wmax(i，j)，Wmin(i，j)]为各连接权的变化范围，将所有权值对应的二进制字符串串联在一起，得到一条染色体，代表网络的一种权值组合。②设定的种群规模n，随机产生初始种群；③设定网络的目标函数，将其转换为适应度，对个网络权值进行评价；通过网络的误差函数计算适应度函数，并认为误差大的个体适应度小，个体i的适应度函数fi表示为：fi＝1/(Ei+1)\; (7)式中，Ei是网络的误差函数，表示为：$ E_i=\frac{1}{2}\underset{k=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n_3}{\Sigma }}{(c_j^k-c_j)}^2---\left(8\right)式中，m是训练集的样本个数，n3是神经元数，cj\; k是单元j的理想输出cj是单元j的实际输出；④选定遗传操作，设置遗传参数及自适应调整算法，交叉概率设为Pc，变异概率设为Pm，个体i被选择的概率P表示为：$ P=f_i/\underset{j=1}{\overset{n}{\Sigma }}{f}_j---\left(9\right)式中，n为群体大小，fi为个体i的适应度，fj为个体j的适应度；⑤依据适应度在遗传空间进行选择操作；⑥依据选定的交叉、变异及有关算法、参数，进行相应的操作，得到新一代种群；⑦判断是否满足性能要求，若是，结束寻优，得到一组优化的权值；否则返回步骤⑤，继续迭代寻优。$$$$$$$