[发明专利]一种全局最优丙烯聚合生产过程最优软测量仪表和方法

摘要

本发明公开了一种全局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、全局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。所述的基于智能连续空间蚁群算法算法寻优的全局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全局优化模块。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

1.一种全局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、基于智能连续空间蚁群算法算法寻优的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，智能连续空间蚁群算法所述DCS数据库与全局最优软测量仪的输入端连接，所述全局最优软测量仪的输出端与熔融指数软测量显示仪连接，其特征在于：所述全局最优软测量仪包括：（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=xU得到，其中x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x=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，x=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）、全局优化模块，用于采用全局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解集S=(s₁,s₂,…,s_n)，n为初始解的个数，sn为第n个初始解,确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen=0；（4.2）计算出解集S对应的适应度值F_i(i=1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i=1,2,…,n)Pi(k)=FiΣi=1nFi(i=1,2,···,n)---(1)]]>n为初始解的个数，sn为第n个初始解，k为迭代次数。初始化执行寻优算法的蚂蚁编号a=0；（4.3）蚂蚁a选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；（4.4）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解s_a′；（4.5）如果a<m，则a=a+1，返回步骤4.3；否则继续向下执行步骤4.6；（4.6）如果gen<MaxGen，则gen=gen+1，使用步骤4.4中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤4.2；否则向下执行步骤4.7；（4.7）计算出解集S对应的适应度值F_a(a=1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。所述全局最优软测量模型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。在所述全局优化模块中，每一只蚂蚁在它选定的初始解的基础上寻优时会循环固定的次数，如果本次循环得到了更好的解，则在下次循环中会基于该解并保持搜索方向不变；否则在下次循环中仍基于原来的解但会调整搜索方向；同时随着整个蚁群寻优代数的增加，蚂蚁搜索的步长会智能减小，以适合整个蚁群寻优的收敛：del_k=Random·k^r     (2)式中，del_k为蚂蚁第k代迭代的初始步长，k为迭代代数，Random为随机向量，r为负常实数。对于解集S中长期不被蚂蚁选作寻优初始解的那些解，会采用遗传算法中的变异和交叉策略进行处理，避免群体早熟，提高智能连续空间蚁群算法算法的全局寻优性能。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，进而提高建模的效率和模型的性能。