【技术实现步骤摘要】
一种群智寻优的丙烯聚合生产过程最优软测量仪表
本专利技术涉及一种群智寻优的最优软测量仪表及方法,具体是一种基于改进引力搜索算法优化相关向量机的丙烯聚合过程最优软测量仪表。
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群智寻优能力差、易受人为因素影响的不足,本专利技术的目的在于提供一种群智寻优的丙烯聚合生产过程最优软测量仪表,易 ...
【技术保护点】
1.一种群智寻优的丙烯聚合生产过程最优软测量仪表,用于对丙烯聚合生产过程中的熔融指数进行软测量,其特征在于,包括现场智能仪表、控制站、DCS数据库、软测量单元、显示仪;现场智能仪表和控制站分别测量丙烯聚合生产过程中的易测变量和操作变量后,存放在DCS数据库中,软测量单元对DCS数据库中的数据进行软测量处理后,输出到显示仪;所述软测量单元包括依次相连的数据预处理模块、PCA主成分分析模块、相关向量机模块和改进引力搜索算法优化模块,DCS数据库输入的模型输入变量由数据预处理模块进行预处理后,在PCA主成分分析模块中进行主成分分析,然后在相关向量机模块进行建模,最后由改进引力搜索算法优化模块对模型的核参数进行优化。
【技术特征摘要】
1.一种群智寻优的丙烯聚合生产过程最优软测量仪表,用于对丙烯聚合生产过程中的熔融指数进行软测量,其特征在于,包括现场智能仪表、控制站、DCS数据库、软测量单元、显示仪;现场智能仪表和控制站分别测量丙烯聚合生产过程中的易测变量和操作变量后,存放在DCS数据库中,软测量单元对DCS数据库中的数据进行软测量处理后,输出到显示仪;所述软测量单元包括依次相连的数据预处理模块、PCA主成分分析模块、相关向量机模块和改进引力搜索算法优化模块,DCS数据库输入的模型输入变量由数据预处理模块进行预处理后,在PCA主成分分析模块中进行主成分分析,然后在相关向量机模块进行建模,最后由改进引力搜索算法优化模块对模型的核参数进行优化。2.根据权利要求1所述群智寻优的丙烯聚合生产过程最优软测量仪表,其特征在于,所述数据预处理模块将从DCS数据库输入的模型输入变量进行预处理,具体根据下式进行标准化处理:其中,mean表示各变量的算术平均值,std表示各变量的标准差,表示输入变量的值,下标i表示第i次检测、j分别表示第j维变量,xij表示标准化后的输入变量,S表示模型输入变量。3.根据权利要求1所述群智寻优的丙烯聚合生产过程最优软测量仪表,其特征在于,所述PCA主成分分析模块通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度,将标准化后的数据集X={xij}进行主成分分析。记X={xij}是由n个样本组成的p变量数据集,X的协方差矩阵为:Σx为非负定的对称阵,基于线性代数理论可知必定存在正交阵U满足:其中,λ1,λ2,…,λp为协方差矩阵Σx的特征根,且满足λ1≥λ2≥…≥λp;而U恰好是由与特征根对应的特征向量所组成的正交阵:其中,ui=(u1i,u2i,…,upi)',i=1,2,…,p前k个主成分所含的信息量比率通过这k个主成分的贡献率之和得到:其中,ηk为前k个主成分的累积贡献率或者累积方差贡献率;λk为协方差矩阵Σx的第k个特征值;p为原数据集中的变量个数。当前k个主成分的累积贡献率超过85%时,表示这k个主成分已经能够代表总体X的主要特征,即最终选取的主成分个数。4.根据权利要求1所述群智寻优的丙烯聚合生产过程最优软测量仪表,其特征在于,所述相关向量机模块用于建立软测量模型。在相关向量机中,为输入向量,假设目标向量t=[t1,t2,…,tN]T符合高斯分布N(0,σ2),则目标向量的似然估计概率为:其中,N为样本点数目,σ2表示方差,w=[w0,w1,…,wN]为权值向量,Φ是N×(N+1)维的设计矩阵,即Φ=[φ(x1),φ(x2),…,φ(xN)]T,φ(xn)=[1,K(xn,x1),K(xn,x2),…,K(xn,xN)]T。核函数K(x,xn)取如下式的RBF核函数,其中σ1为核参数:在相关向量机中,权值w可以通过极大似然估计来确定,但是为了防止过拟合,通过高斯先验概率分布来约束参数:其中,α是N+1维超参数,该值的引入导致了系统的稀疏性。在先验概率的基础上,根据贝叶斯准则计算后验概率:(1)将后验概率进行分解:(2)关于权重的后验概率分布式如下:其中,后验协方...
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。