【技术实现步骤摘要】
一种基于相关变量分散式建模的化工过程监测方法
本专利技术涉及一种化工过程监测方法,特别涉及一种基于相关变量分散式建模的化工过程监测方法。
技术介绍
在以智能制造为主导的发展大潮流下,利用采样数据来监测化工过程的运行状态已成为化工“大数据”建设与应用的重要组成部分。数据驱动的化工过程监测经过多年的研究发展,出现了大批以主成分分析(PrincipalComponentAnalysis,缩写:PCA)与偏最小二乘(PartialLeastSquares,缩写:PLS)算法为主的过程监测方法。然而,这些主流的过程监测方法较多的关注于数据潜在特征挖掘。换句话说,所建立的数据驱动模型都是旨在提取数据隐形特征,未能探讨测量变量之间的外在的显性特征关系。从物理意义上讲,提取数据的潜在特征无法对化工过程对象的机理进行揭示,只能反映出数据的统计特征。由此可见,探讨化工过程测量变量之间的显性特征关系,对化工过程运行状态的监测有着重要的意义。研究化工过程对象的运行机理莫过于使用微分方程或差分方程,但是现代化工过程对象的复杂多变性严重影响了机理模型的精度,这也是为什么基于机理模型实施过程监测发展于近年来遇到了瓶颈的主要原因。由于微分方程或差分方程解释了输入到输出之间的变化本质,描述的就是化工过程对象某些测量变量之间的关系。而数据驱动模型从数据的角度出发同样也能描述不同测量变量之间的输入-输出关系(或称软测量关系)。从这个角度出发,为测量变量建立相应的软测量模型,也能起到微分方程或差分方程对过程运行机理的解释作用。幸运的是,在现 ...
【技术保护点】
1.一种基于相关变量分散式建模的化工过程监测方法,其特征在于,包括以下步骤:/n首先,离线建模阶段包括如下所示步骤(1)至步骤(5);/n步骤(1):采集化工过程对象在正常运行状态下的n个训练样本数据x
【技术特征摘要】
1.一种基于相关变量分散式建模的化工过程监测方法,其特征在于,包括以下步骤:
首先,离线建模阶段包括如下所示步骤(1)至步骤(5);
步骤(1):采集化工过程对象在正常运行状态下的n个训练样本数据x1,x2,…,xn组成训练数据矩阵X=[x1,x2,…,xn]∈Rm×n,并计算均值向量μ=(x1+x2+…+xn)/n以及标准差向量δ∈Rm×1:
其中,⊙表示向量(xi-μ)与(xi-μ)中的对应元素相乘、xi∈Rm×1表示第i个样本数据、m为测量变量的总个数、i=1,2,…,n、R为实数集,Rm×n表示m×n维的实数矩阵;
步骤(2):根据公式对样本数据x1,x2,…,xn分别实施标准化处理,从而得到矩阵其中,表示向量(xi-μ)与标准差向量δ中的对应元素相除,为标准化后的数据向量;
步骤(3):根据如下所示步骤(3.1)至步骤(3.13)依次为m个测量变量优选出各自的相关变量集ψ1,ψ2,…,ψm;
步骤(3.1):初始化k=1;
步骤(3.2):将矩阵中第k行的行向量yk∈R1×n记做软测量模型的输出向量,并将矩阵中除第k行向量以外的行向量组成软测量模型的输入矩阵Xk∈R(m-1)×n;
步骤(3.3):设置遗传算法的最大迭代次数Im、种群个数N(需设置N为偶数)、交叉概率c1、变异概率c2,并初始化一个N×(m-1)的维二进制数据矩阵W,以及设置γ=1与iter=1,其中二进制数据矩阵W中的各个行向量即为遗传算法的各个种群;
步骤(3.4):根据如下所示公式①计算矩阵Xk中第i列向量与第j列向量之间的加权距离
上式中,i=1,2,…,n、j=1,2,…,n、向量wγ为二进制数据矩阵W中第γ行的行向量、diag(wγ)表示将向量wγ转变为一个对角矩阵,符号||||表示计算向量的长度;
步骤(3.5):根据如下所示公式②计算向量与向量相近的概率pij:
步骤(3.6):根据如下所示公式③计算向量的概率误差pi:
上式中,yk,i与yk,j分别为向量yk中的第i个元素与第j个元素;
步骤(3.7):根据公式Jγ=-(p1+p2+…+pn)计算第γ个种群对应的近邻成分分析目标函数值Jγ后,判断是否满足条件:γ<N?若是,则置γ=γ+1后返回步骤(3.4);若否,将J1,J2,…,JN中最大值所对应的种群记为w0后执行步骤(3.8);
步骤(3.8):根据公式qγ=(J1+J2+…+Jγ)/(J1+J2+…+JN)计算各个种群的选择概率q1,q2,…,qN;
步骤(3.9):在区间(0,1]上随机生成一个数φ后,从q1,q2,…,qN中找出...
【专利技术属性】
技术研发人员:唐俊苗,童楚东,其他发明人请求不公开姓名,
申请(专利权)人:宁波大学,
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。