本发明专利技术公开了一种BP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、BP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BP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、智能多模BP神经网络优化模块。以及提供了一种用软测量仪表实现的软测量方法。本发明专利技术实现在线测量、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。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种BP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、BP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BP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、智能多模BP神经网络优化模块。以及提供了一种用软测量仪表实现的软测量方法。本专利技术实现在线测量、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。【专利说明】BP全局最优丙烯聚合生产过程最优软测量仪表和方法
本专利技术涉及一种最优软测量仪表及方法，具体是一种BP全局最优丙烯聚合生产过程最优软测量仪表及方法。
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软测量仪表及方法研究，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、软测量速度快、模型自动更新、抗干扰能力强、精度高的BP全局最优丙烯聚合生产过程熔融指数最优软测量仪表及方法。本专利技术解决其技术问题所采用的技术方案是:1.一种BP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、BP全局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，所述DCS数据库与BP全局最优软测量仪的输入端连接，所述BP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BP全局最优软测量仪包括:(I)、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χ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=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，x=CUT+E，其中E为残差矩阵；(3)、神经网络模型模块，用于采用BP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；需要建立若干子神经网络，第一个子BP网络的训练目标是预报结果与实际结果差距J1最小；【权利要求】1.一种BP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、BP全局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，所述DCS数据库与BP全局最优软测量仪的输入端连接，所述BP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BP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=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，x=CUT+E，其中E为残差矩阵； (3)、神经网络模型模块，用于采用BP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；需要建立若干子神经网络，第一个子BP网络的训练目标是预报结果与实际结果差距J1最小； 2.一种用如权利要求1所述的BP全局最优聚丙烯生产过程最优软测量仪表实现的软测量方法，其特征在于:所述软测量方法具体实现步骤如下: (5.1)对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入，一般操作变量和易测变量取温度、压力、液位、氢气气相百分数、3股丙烯进料流速和2股催化剂进料流速这些变量，由DCS数据库获得； (5.2)对样本数据进行预处理，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； (5.3)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χ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=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，x=CUT+E，其中E为残差矩阵； (5.4)基于模型输入、输出数据建立若干个初始子神经网络模型，采用BP神经网络，通过误差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；第一个子BP网络的训练目标是预报结果与实际结果差距J1最小； 【文档编号】G05B19/418GK103838205SQ201310658829【公开日】2014年6月4日 申请日期:2013年12月9日 优先权日:2013年12月9日 【专利技术者】刘兴高, 李九宝 申请人:浙江大学本文档来自技高网...
【技术保护点】
一种BP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、BP全局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，所述DCS数据库与BP全局最优软测量仪的输入端连接，所述BP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BP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=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，x=CUT+E，其中E为残差矩阵；（3）、神经网络模型模块，用于采用BP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；需要建立若干子神经网络，第一个子BP网络的训练目标是预报结果与实际结果差距J1最小；J1=1NΣl=1N(F1(xl)-d(xl))2---(1)]]>N为样本数目，x为输入变量，l为样本点序号，F1(·)为子网络预报结果，d(·)为实际结果。从第二个子网络开始，训练目标变为使得网络的预报误差尽可能小，同时网络的预报结果与之前的网络预报结果又尽可能大的差异，目标函数如下：Ji=1NΣl=1N(Fi(xl)-d(xl))2-λNΣl=1N(Fi(xl)-F(xl))2---(2)]]>Ji为前i个子网络的训练目标，Fi(·)为第i个网络的预报结果；d(·)为实际结果；F(·)为前i‑1个子网络的综合结果；λ为调节参数，N为样本数目。训练的终止条件为将得到的新的子网络加入多模神经网络后，网络群的预报误差不再减小。采用一种智能连续空间蚁群算法对每个BP网络进行训练和最优化，具体步骤为：（a）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,…,sn)，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；（b）计算出解集S对应的适应度值Gi(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Pi(i=1,2,…,n)Pa(k)=GaΣa=1nGi(a=1,2,···,n)---(3)]]>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；（c）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；（d）蚂蚁a在选取的初始解的基础上进行寻优，找到更好的解sa′；（e）如果a<M，则a=a+1，返回步骤c；否则继续向下执行步骤f；（f）如果gen<MaxGen，则gen=gen+1，使用步骤d中所有蚂蚁得到的更好的解取代S中的对应解，返回步骤b；否则向下执行步骤g；（g）计算出解集S对应的适应度值Ga(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。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：delk=Random·kr (4)式中，delk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，从而提高算法的全局寻优性能。（4）、神经网络智能多模优化模块，用于对步骤（3）中的每个子网络赋权值；依据是每个子网络的预报误差，误差越小，权值越大；wq=(1/eq)/(Σj=1I1/ej),q=1,2,···,I.---(5)]]>ej=1NΣm=1N|Fj(xm)-d(xm)|---(6)]]>wq为第q个子网络的权值；eq为第q个子网络的预报误差；I为总的子网络数目；j为子网络序号；N为样本数目，x为输入变量，m为样本点序号...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘兴高，李九宝，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33
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。