主权项 |
1、对二甲苯氧化过程中预测杂质成分浓度的建模方法,其特征是包括以下的步骤:1)首先根据工艺要求以及现场经验收集对二甲苯氧化过程中的建模样本,选择杂质成分4-CBA含量软测量模型的输入变量:进料混合罐流量,氧化反应器进料流量,催化剂浓度,氧化反应器液位,氧化反应器温度,氧化反应器尾氧含量,冷凝器排出水量,结晶器温度约束和尾氧含量,将建模样本集S={(xl,y1),...(xi,yi),...,(xl,yl)}向特征空间进行映射,将输入空间中的样本映射到一个高维的特征空间F,然后在特征空间中,求解下面(1)式的二次规划,<math> <mrow> <mi>min</mi> <mi>W</mi> <mrow> <mo>(</mo> <msub> <mi>ξ</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>R</mi> <mo>,</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>R</mi> <mn>2</mn> </msup> <mo>+</mo> <mi>C</mi> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <msub> <mi>ξ</mi> <mi>i</mi> </msub> </mrow> </math> <math> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <msup> <mrow> <mo>|</mo> <mo>|</mo> <mi>Φ</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mi>a</mi> <mo>|</mo> <mo>|</mo> </mrow> <mn>2</mn> </msup> <mo>≤</mo> <msup> <mi>R</mi> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>ξ</mi> <mi>i</mi> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>ξ</mi> <mi>i</mi> </msub> <mo>≥</mo> <mn>0</mn> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1,2</mn> <mo>,</mo> <mo>·</mo> <mo>·</mo> <mo>·</mo> <mo>,</mo> <mi>l</mi> <mo>.</mo> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </math> 其中R为特征空间中最小包含超球半径,a为超球球心,ξi为优化松弛变量,C为惩罚因子,l为样本个数,Φ(xi)代表样本xi的映射;2)求解(1)式的二次优化,得到样本在特征空间的最小包含超球半径R,以及各个样本到最小包含超球球心的距离D(xi),<math> <mrow> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <msub> <mi>β</mi> <mi>i</mi> </msub> <msub> <mi>β</mi> <mi>j</mi> </msub> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mn>2</mn> <msubsup> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>β</mi> <mi>j</mi> </msub> <mo>,</mo> </msqrt> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mi>l</mi> <mo>.</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> </math> 其中K(xi,xi)为两个建模样本的高斯核函数,通常采用高斯核<math> <mrow> <mi>K</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>p</mi> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <mn>2</mn> </mrow> </msup> <mo>,</mo> </mrow> </math> p为高斯核函数参数,βj代表样本集中样本的Lagrange系数;3)得到样本到最小包含超球球心距离D(xi)的最大值Dmax和最小值Dmin, Dmax=max(D(xi)|xi∈S), Dmin=min(D(xi)|xi∈S). (3)4)根据D(xi)、Dmax、Dmin、R确定每一个样本的模糊隶属度μi,<math> <mrow> <msub> <mi>μ</mi> <mi>i</mi> </msub> <mo>=</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>D</mi> <mi>min</mi> </msub> </mrow> <mrow> <msub> <mi>D</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>D</mi> <mi>min</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>f</mi> </msup> <mo>+</mo> <mi>σ</mi> <mo>,</mo> <mi>R</mi> <mo><</mo> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>≤</mo> <msub> <mi>D</mi> <mi>max</mi> </msub> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>D</mi> <mi>min</mi> </msub> </mrow> <mrow> <msub> <mi>D</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>D</mi> <mi>min</mi> </msub> </mrow> </mfrac> <mo>,</mo> <msub> <mi>D</mi> <mi>min</mi> </msub> <mo>≤</mo> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>≤</mo> <mi>R</mi> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow> </math> 其中f一般取1-3,σ取0.05;5)采用两层网格搜索以及10倍样本交叉检验的方法确定模糊支持向量机中最佳的惩罚因子C和高斯核参数p;6)根据得到的模糊隶属度μi模型,采用模糊支持向量机回归建模算法求解(5)式的二次规划问题,<math> <mrow> <mi>max</mi> <mi>W</mi> <mrow> <mo>(</mo> <mi>α</mi> <mo>,</mo> <msup> <mi>α</mi> <mo>*</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mi>ϵ</mi> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>α</mi> <mi>i</mi> </msub> <mo>+</mo> <msubsup> <mi>α</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>α</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>α</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <msub> <mi>y</mi> <mi>i</mi> </msub> </mrow> </math> <math> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>α</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>α</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>α</mi> <mi>j</mi> </msub> <mo>-</mo> <msubsup> <mi>α</mi> <mi>j</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>·</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow> </math> <math> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>α</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>α</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> <mo>≤</mo> <msub> <mi>α</mi> <mi>i</mi> </msub> <mo>,</mo> <msubsup> <mi>α</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mo>≤</mo> <msub> <mi>μ</mi> <mi>i</mi> </msub> <mi>C</mi> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>·</mo> <mo>·</mo> <mo>·</mo> <mo>,</mo> <mi>l</mi> </mtd> </mtr> </mtable> </mfenced> </mrow> </math> 其中W(α,α*)为目标函数,ε为回归偏差,αi,αi*为拉格朗日系数,C为惩罚因子;7)最后得到建模的回归预测函数为<math> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>α</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>α</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>b</mi> <mo>,</mo> </mrow> </math> 其中b为支持向量机预测的阈值。 |