当前位置: 首页 > 专利查询>浙江大学专利>正文

基于循环神经网络的丙烯聚合生产过程最优在线预报系统技术方案

技术编号:21088176 阅读:26 留言:0更新日期:2019-05-11 09:28
本发明专利技术公开了一种基于循环神经网络的丙烯聚合生产过程最优在线预报系统,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、基于循环神经网络的最优在线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;最优在线预报系统与DCS数据库及预报值显示仪相连。所述的基于循环神经网络的最优在线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、循环神经网络模型模块以及差分粒子群模块。以及提供了一种用在线预报系统实现的预报方法。本发明专利技术实现在线测量、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。

【技术实现步骤摘要】
基于循环神经网络的丙烯聚合生产过程最优在线预报系统
本专利技术涉及一种最优在线预报系统,具体是一种基于循环神经网络的丙烯聚合生产过程最优在线预报系统。
技术介绍
聚丙烯是由丙烯聚合而制得的一种热塑性树脂,丙烯最重要的下游产品,世界丙烯的50%,我国丙烯的65%都是用来制聚丙烯,是五大通用塑料之一,与我们的日常生活密切相关。聚丙烯是世界上增长最快的通用热塑性树脂,总量仅仅次于聚乙烯和聚氯乙烯。为使我国聚丙烯产品具有市场竞争力,开发刚性、韧性、流动性平衡好的抗冲共聚产品、无规共聚产品、BOPP和CPP薄膜料、纤维、无纺布料,及开发聚丙烯在汽车和家电领域的应用,都是今后重要的研究课题。熔融指数是聚丙烯产品确定产品牌号的重要质量指标之一,它决定了产品的不同用途,对熔融指数的测量是聚丙烯生产中产品质量控制的一个重要环节,对生产和科研,都有非常重要的作用和指导意义。然而,熔融指数的在线分析测量目前很难做到,一方面是在线熔融指数分析仪的缺乏,另一方面是现有的在线分析仪由于经常会堵塞而测量不准甚至无法正常使用所导致的使用上的困难。因此,目前工业生产中MI的测量,主要是通过人工取样、离线化验分析获得,而且一般每2-4小时只能分析一次,时间滞后大,给丙烯聚合生产的质量控制带来了困难,成为生产中急需解决的一个瓶颈问题。聚丙烯熔融指数的在线预报系统研究,从而成为学术界和工业界的一个前沿和热点。
技术实现思路
为了克服目前已有的丙烯聚合生产过程的测量精度不高、易受人为因素的影响的不足,本专利技术的目的在于提供一种在线测量、在线参数优化、预报速度快、模型自动更新、抗干扰能力强、精度高的基于循环神经网络的丙烯聚合生产过程熔融指数最优在线预报系统。本专利技术的目的是通过以下技术方案来实现的:基于循环神经网络的丙烯聚合生产过程最优在线预报系统,包括数据预处理模块、PCA主成分分析模块、循环神经网络模型模块、差分粒子群模块、模型更新模块。进一步地,所述数据预处理模块,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;进一步地,所述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=CUT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=CUT+E,其中E为残差矩阵;进一步地,所述循环神经网络模型模块,用于采用循环神经网络、通过误差函数最小化来完成输入到输出的一种连续性高度非线性映射,映射中保持拓扑不变性;对于时刻t,网络的输入为xt,隐藏层神经元值为ht,上一时刻隐藏层神经元值为ht-1,设置h0=0,f(·)是非线性激活函数logistic函数,则当前时刻隐藏层神经元值ht可根据下式确定ht=f(ht-1+xt)(1)进一步地,所述差分粒子群模块,结合差分进化算法和粒子群算法优化循环神经网络模型模块中的网络参数,实现具体步骤如下:(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差,将差向量进行缩放,缩放后的向量与第三个随机选取的种群个体进行求和,生成新个体,更新公式如下所示:Ni(k)=Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N(3)其中,F是缩放因子,m1,m2,m3均为1到N之间的整数,k表示迭代次数,Lm1(k)表示第m1个粒子的位置,Lm2(k)表示第m2个粒子的位置,Lm3(k)表示第m3个粒子的位置。通过变异之后,得到第i个变异中间种群Ni(k)。(3.2)交叉操作:根据原始种群和变异得到中间种群,进行个体间的交叉操作,得到交叉中间种群U,更新公式如下所示:其中,CR为交叉概率,处于0到1之间,ni,j(k)表示第i个中间种群第j维变量,li,j(k)表示第i个原始种群第j维变量,ui,j(k)表示交叉中间种群的第i个新种群第j维变量,ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。(3.3)选择操作:差分进化算法采用了贪心算法,根据适应度值来决定进入下次迭代种群的个体:其中,Ui(k)表示第i个交叉中间种群,Li(k)表示第i个原始种群。(4)如果交叉中间种群的适应度值小于原始种群适应度值,则返回步骤(3.3),否则,执行步骤(5),激活粒子群算法;(5)根据如下公式执行粒子群算法,更新粒子群速度、位置矢量和惯性权重;其中,Vi(k)是粒子i在第k次迭代时的速度,Li(k)是粒子i在第k次迭代时的位置,Pbest是粒子自身经验的局部最优解;gbest是所有粒子经验的全局最优解,w是惯性权重,c1和c2是学习速率,r1和r2是在0到1之间的随机数,wmax和wmin是惯性权重的最大值和最小值,itermax是最大迭代次数。(6)如果粒子群算法迭代次数小于终止迭代次数,则返回步骤(5),否则,转到步骤(7);(7)更新Pbest和gbest作为循环神经网络参数的候选解,判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数,若是,则返回步骤(2),否则,输出种群历史最优gbest,算法终止;gbest即为循环神经网络的待优化参数。进一步地,所述模型更新模块,用于模型的在线更新,将定期将离线化验数据输入到训练集中,更新神经网络模型。对丙烯聚合生产过程的重要质量指标熔融指数进行在线最优预报,克服已有的聚丙烯熔融指数测量仪表测量精度不高、易受人为因素的影响的不足,引入差分粒子群模块对神经网络参数进行自动优化,不需要人为经验或多次测试来调整神经网络,从而得到具有最优的熔融指数预报功能的最优在线预报系统。本专利技术的有益效果主要表现在:1、通过实施监测和在线预报,实现在线测量;2、克服已有的聚丙烯熔融指数测量仪表测量精度不高、易受人为因素的影响的不足,引入结合差分进化算法和粒子群算法的差分粒子群模块对神经网络参数和结构进行自动优化;3、预报速度快,不需要人为经验或多次测试来调整神经网络;4、模型自动更新,模块自动更新参数,无需反复调试;5、抗干扰能力强,降低噪声干扰;6、精度高,参数自动调整寻优,保证模型精度。附图说明图1是基于循环神经网络的丙烯聚合生产过程最优在线预报系统的基本结构示意图;图2是基于循环神经网络的最优在线预报系统结构示意图;具体实施方式下面结合附图对本专利技术做进一步描述。本专利技术实施例用来解释说明本专利技术,而不是对本专利技术进行限制,在本专利技术的精神和权利要求的保护范围内,对本专利技术作出的任何修改和改变,都落入本专利技术的保护范围。实施例11.参本文档来自技高网...

【技术保护点】
1.基于循环神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:包括数据预处理模块、PCA主成分分析模块、循环神经网络模型模块、差分粒子群模块、模型更新模块。

【技术特征摘要】
1.基于循环神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:包括数据预处理模块、PCA主成分分析模块、循环神经网络模型模块、差分粒子群模块、模型更新模块。2.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述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;3.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述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=CUT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=CUT+E,其中E为残差矩阵;4.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述循环神经网络模型模块,用于采用循环神经网络、通过误差函数最小化来完成输入到输出的一种连续性高度非线性映射,映射中保持拓扑不变性;对于时刻t,网络的输入为xt,隐藏层神经元值为ht,上一时刻隐藏层神经元值为ht-1,设置h0=0,f(·)是非线性激活函数logistic函数,则当前时刻隐藏层神经元值ht可根据下式确定ht=f(ht-1+xt)(1)5.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述差分粒子群模块,结合差分进化算法和粒子群算法优化循环神经网络模型模块中的网络参数,实现具体步骤如下:(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随...

【专利技术属性】
技术研发人员:张泽银黄国权刘兴高
申请(专利权)人:浙江大学
类型:发明
国别省市:浙江,33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1