一种脱丁烷塔底部产品丁烷含量的在线软测量方法技术

本发明专利技术公开一种脱丁烷塔底部产品丁烷含量的在线软测量方法，旨在建立深度Elman神经网络模型，从而逐层提取非线性特征，用于实现对丁烷含量的实时软测量。具体来讲，本发明专利技术方法通过搭建由多级Elman神经网络串联而成的深度Elman神经网络模型，从而实现对脱丁烷塔过程数据的深度特征提取。在此基础上，建立精度更高，更有保障的底部产品丁烷含量的软测量模型。本发明专利技术方法的主要优势在于：在建立软测量模型时，使用的是多级Elman神经网络串联而成的深度Elman神经网络模型，不仅利用了Elman神经网络自有的适应时变特性的能力，而且还通过逐层提取非线性特征实现了对过程数据的深度特征提取。

【技术实现步骤摘要】
一种脱丁烷塔底部产品丁烷含量的在线软测量方法
本专利技术涉及一种软测量技术，特别涉及一种脱丁烷塔底部产品丁烷含量的在线软测量方法。
技术介绍
脱丁烷塔做为一类特殊用途的精馏塔设备，其目的在于去除石脑油产品中的丁烷成分，这在炼油过程中起到了非常关键的作用。脱丁烷塔的的工艺设备除了起分离作用的精馏塔之外，还包括塔顶部冷凝器，热交换器，塔顶部回流泵，塔底部再沸器，回流储液罐，和进料泵。石脑油经过脱丁烷塔处理后，其底部产品中丁烷的含量应该尽可能将至最低。若丁烷含量不符合工艺设计要求，则需要及时调控脱丁烷塔的生产过程状态。因此，在线实时测量丁烷的含量是非常有必要的，可直接根据丁烷含量数据实时的对脱丁烷塔进行相应的调控。从硬件设备上讲，丁烷含量的测量仪器仪表跟化工过程测量温度、压力、流量的仪器仪表是存在显著不同的。测量温度，压力，流量等信息的仪表技术非常成熟，成本相对低廉。然而，测量化学成分的在线分析仪，设备采购价格高昂，且还需要人工定期进行设备的维护。无论是从设备成本，亦或是后期设备维护，在线分析仪器的价格是不菲的。一个取而代之的测量手段是通过使用离线成分分析仪，但是离线分析仪器无法做到在线测量的实时性要求，测量结果反馈会存在严重的滞后性。因此，需要一种软测量技术来实时在线软测量脱丁烷塔底部产品中的丁烷含量。一方面，由于脱丁烷塔的运行过程是动态性的，存在时间先后的相关性。因此，在建立软测量模型时，需要考虑时序特性。另一方面，由于脱丁烷塔回流流量和温度等信息会直接影响丁烷的含量，且他们之间的关系是非线性的。因此，需要非线性的数据特征挖掘策略来建立这种软测量关系。此外，考虑到脱丁烷塔运行时候的变化特性，需要对过程数据进行深度特征挖掘，从而提取出最利于软测量建模的潜在非线性特征。在现有专利与科研文献中，Elman神经网络因其反馈回路的存在，使其具有适应时变特性的能力，能直接动态反应动态过程系统的特性。因此，利用Elman神经网络进行深度动态非线性特征提取，可建立脱丁烷塔底部产品丁烷含量的软测量模型。
技术实现思路
本专利技术所要解决的主要技术问题是：如何建立深度Elman神经网络模型，从而实现逐层提取非线性特征，用于实现对丁烷含量的实时软测量。具体来讲，本专利技术方法通过搭建由多级Elman神经网络串联而成的深度Elman神经网络模型，从而实现对脱丁烷塔过程数据的深度特征提取。并在此基础上从而建立精度更高，更有保障的塔底部产品丁烷含量的软测量模型。本专利技术方法解决上述问题所采用的技术方案为：一种脱丁烷塔底部产品丁烷含量的在线软测量方法，包括以下步骤：步骤(1)：利用脱丁烷塔设备中安装的7个测量仪表实时测量数据，直至采集得到N个样本数据，分别记录成7个列向量x1，x2，…，x7，并利用离线分析仪获取相同测量时刻塔底部产品丁烷含量的N个数据，对应记录成列向量y，其中xi由第i个过程变量的N个样本数据组成，i∈{1，2，…，7}分别对应于塔顶部温度，塔顶部压力，回流流量，底部产品出口流量，第6层塔板温度，塔底部温度A和塔底部温度B。由于涉及商业机密，脱丁烷塔底部温度测量点有两个，具体测量位置使用A和B来表示。步骤(2)：根据如下所示公式对x1，x2，…，x7和y分别实施归一化处理，对应得到7个数据向量和1个输出向量并将数据向量组建成一个过程矩阵其中，RN×7表示N×7维的实数矩阵，表示归一化处理后的第i个数据向量，xi(min)表示列向量xi中的最小值，xi(max)表示列向量xi中的最大值，y(min)与y(max)分别表示列向量y中的最小值和最大值，下标号i∈{1，2，…，7}。步骤(3)：根据如下所示公式组建输入矩阵Z中的第k列输入向量zk∈R21×1：zk＝[X(k+2)，X(k+1)，X(k)]T②其中，X(k+2)，X(k+1)，X(k)分别表示过程矩阵X中的第k+2行，k+1行，和第k行的行向量，k∈{1，2，…，n}，R21×1表示21×1维的实数向量，n＝N-2，上标号T表示矩阵或向量的转置。步骤(4)：搭建一个由M级Elman神经网络串联组成的深度Elman神经网络模型，并确定中间层神经元的传递函数f(u)，输出层神经元的传递函数ζ(u)，以及各级Elman神经网络的中间层神经元个数h1，h2，…，hM；其中u表示函数自变量。步骤(5)：利用反向传播(Back-Propagation，缩写为BP)算法依次训练第1级Elman神经网络，第2级Elman神经网络，至第M级Elman神经网络，并保留各级Elman神经网络的中间层神经元的权重系数W1，W2，…，WM和中间层神经元的阈值b1，b2，…，bM，各级Elman神经网络的承接层到中间层的连接权值V1，V2，…，VM和阈值a1，a2，…，aM，第M级Elman神经网络的输出层神经元的权重系数和阈值具体的实施过程如下所示。步骤(5.1)：第1级Elman神经网络的输入层有21个神经元，中间层有h1个神经元，输出层有1个神经元，初始化中间层神经元和输出层神经元的权重系数和阈值，并同时初始化承接层到中间层的连接权值与阈值。步骤(5.2)：以z1，z2，…，zn做为第1级Elman神经网络的输入，同时以做为第1级Elman神经网络的输出，利用BP算法训练得到第1级Elman神经网络的中间层神经元的权重系数和阈值承接层到中间层的连接权值和阈值以及输出层神经元的权重系数和阈值后，初始化m＝1，其中分别表示输出向量中的第3个，第4个，至第N个元素。步骤(5.3)：第m+1级Elman神经网络的输入层有hm个神经元，中间层有hm+1个神经元，输出层有1个神经元，初始化中间层神经元和输出层神经元的权重系数和阈值，并同时初始化承接层到中间层的连接权值与阈值。步骤(5.4)：将第m级Elman神经网络中间层神经元的输出向量g1(m)，g2(m)，…，gn(m)做为第m+1级Elman神经网络的输入，同时以做为第m+1级Elman神经网络的输出，其中g1(m)，g2(m)，…，gn(m)的计算方式如下所示。上式中，k∈{1，2，…，n}，当k＝1时，与都为零向量，表示hm-1×1维的实数向量。步骤(5.5)：利用BP算法训练得到第m+1级Elman神经网络中间层神经元的权重系数和阈值承接层到中间层的连接权值和阈值以及输出层神经元的权重系数和阈值其中表示hm×hm+1维的实数矩阵，表示hm+1×hm+1维的实数矩阵。步骤(5.6)：判断是否满足条件m+1＜M；若是，则设置m＝m+1后返回步骤(5.3)；若否，则深度Elman神经网络模型训练结束。上述实施步骤完成了对脱丁烷塔底部产品丁烷浓度的软测量建模，从步骤(5)的具体实施过程可以看出，本专利技术方法建立的软测量模型是使用多级Elman神经网络串联而成的深度Elman神经网络模型。步骤(6)：在最新采样时刻t，对7个采样数据v1(t)，v2(t)，…，v7(t)进行归一化处理，得到归一化后的数本文档来自技高网...

【技术保护点】
1.一种脱丁烷塔底部产品丁烷含量的在线软测量方法，其特征在于，包括以下步骤：/n首先，离线软测量建模阶段包括如下所示步骤(1)至步骤(5)；/n步骤(1)：利用脱丁烷塔设备中安装的7个测量仪表实时测量数据，直至采集得到N个样本数据，分别记录成7个列向量x

【技术特征摘要】
1.一种脱丁烷塔底部产品丁烷含量的在线软测量方法，其特征在于，包括以下步骤：
首先，离线软测量建模阶段包括如下所示步骤(1)至步骤(5)；
步骤(1)：利用脱丁烷塔设备中安装的7个测量仪表实时测量数据，直至采集得到N个样本数据，分别记录成7个列向量x1，x2，…，x7，并利用离线分析仪获取相同测量时刻塔底部产品丁烷含量的N个数据，对应记录成列向量y，其中xi由第i个过程变量的N个样本数据组成，i∈{1，2，…，7}分别对应于塔顶部温度，塔顶部压力，回流流量，底部产品出口流量，第6层塔板温度，塔底部温度A和塔底部温度B，其中A和B分别表示两个不同的温度测量位置；
步骤(2)：根据如下所示公式对x1，x2，…，x7和y分别实施归一化处理，对应得到7个数据向量和1个输出向量并将数据向量组建成一个过程矩阵



其中，RN×7表示N×7维的实数矩阵，表示归一化处理后的第i个数据向量，xi(min)表示列向量xi中的最小值，xi(max)表示列向量xi中的最大值，y(min)与y(max)分别表示列向量y中的最小值和最大值，下标号i∈{1，2，…，7}；
步骤(3)：根据如下所示公式组建输入矩阵Z中的第k列输入向量zk∈R21×1：
zk＝[X(k+2)，X(k+1)，X(k)]T②
其中，X(k+2)，X(k+1)，X(k)分别表示过程矩阵X中的第k+2行，k+1行，和第k行的行向量，k∈{1，2，…，n}，R21×1表示21×1维的实数向量，n＝N-2，上标号T表示矩阵或向量的转置；
步骤(4)：搭建一个由M级Elman神经网络串联组成的深度Elman神经网络模型，并确定中间层神经元的传递函数f(u)，输出层神经元的传递函数ζ(u)，以及各级Elman神经网络的中间层神经元个数h1，h2，…，hM；其中u表示函数自变量；
步骤(5)：利用BP算法依次训练第1级Elman神经网络，第2级Elman神经网络，至第M级Elman神经网络，并保留各级Elman神经网络的中间层神经元的权重系数W1，W2，…，WM和中间层神经元的阈值b1，b2，…，bM，各级Elman神经网络的承接层到中间层的连接权值V1，V2，…，VM和阈值a1，a2，…，aM，第M级Elman神经网络的输出层神经元的权重系数和阈值具体的实施过程如步骤(5.1)至步骤(5.6)所示；
步骤(5.1)：第1级Elman神经网络的输入层有21个神经元，中间层有h1个神经元，输出层有1个神经元，初始化中间层神经元和输出层神经元的权重系数和阈值，并同时初始化承接层到中间层的连接权值与阈值；
步骤(5.2)：以z1，z2，…，zn做为第1级Elman神经网络的输入，同时以做为第1级El...

【专利技术属性】
技术研发人员：葛英辉，朱莹，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