一种利用软测量建模对移动床分离过程监控方法技术

一种利用软测量建模对移动床分离过程监控方法，涉及一种移动床分离过程监控方法。本发明专利技术在选取合适辅助变量的基础上，利用模拟移动床中较易得到的流量参数值，获取难以直接测量的纯度值，提高了分离过程的响应速度。CNN

【技术实现步骤摘要】
一种利用软测量建模对移动床分离过程监控方法


[0001]本专利技术涉及一种移动床分离过程的监控方法，特别是涉及一种利用软测量建模对移动床分离过程监控方法。
技术背景
[0002]随着企业的生产规模日益大型化以及设备的分离过程日益复杂化，精确建立模拟移动床色谱分离过程的机理模型变得越来越困难，即使依据过程机理建立了精确的数学模型，也难以求解出精确的数值解。
[0003]机器学习技术的发展，使得利用机器学习算法对模拟移动床色谱分离过程进行软测量建模成为可能。近年来，国内外的诸多学者提出了多种软测量建模的方法。其中比较常见的是利用线性回归和经典前馈神经网络进行软测量建模，但是由于线性回归和经典前馈神经网络的内部结构比较简单，所以建立的模型精确度不高，为了解决这个问题，提出了利用深度神经网络算法建立软测量模型的方法。
[0004]由于单一CNN模型的各层神经元之间是没有连接的，因此在之后的预测中无法对先前的信息进行判断和应用，对时间序列数据的处理性较弱，而单一LSTM模型在提取数据中潜在特征方面的能力较弱，没法提取出全部的特征指标，从而使得模型陷入到局部最优中。针对这个问题，提出了CNN
‑
LSTM混合神经网络，CNN
‑
LSTM混合模型可以克服以上两种单一模型的缺点，利用CNN网络从样本数据中提取出其潜在的特征，利用LSTM网络捕捉长期成分，处理时间序列数据，所以相同条件下CNN
‑
LSTM模型的预测效果要优于另外两种单一模型，预测的误差值更小，拟合的效果更好。
[0005]CNN
‑
LSTM混合网络容易陷入局部最优，需要对其超参数进行优化，由于经验法的不确定性较高，所以利用SSA对所建立的CNN
‑
LSTM混合模型的超参数进行优化，可以进一步提高模型的训练精度和预测准确度。
[0006]麻雀搜索算法是一种元启发式算法，它基于因果推理和模拟退火，具有较高的搜索效率和求解速度，SSA把麻雀群体分为发现者、加入者、警戒者三种类型，发现者的任务是为整个群体寻找食物，所以它具有更大的食物搜寻范围，加入者的任务是利用发现者所提供的位置线索去获取食物，警戒者的任务是时刻观察周围是否存在危险，SSA具有很强的探索性，能够在大规模搜索空间中找到更多的解决方案。

技术实现思路

[0007]本专利技术提出一种利用软测量建模对移动床分离过程监控方法，实现对移动床分离过程进行实时监控和控制，实现迅速发现生产过程中的异常，提高生产效率。同时，在选取辅助变量基础上，利用模拟移动床中得到的流量参数值，来获取难以直接测量的纯度值，提高了分离过程的响应速度。
[0008]本专利技术采用了下述技术方案：
[0009]一种利用软测量建模对移动床分离过程监控方法，所述方法在选取辅助变量的基
础上，使用深度学习方法对模拟移动床色谱分离过程进行软测量建模，采用麻雀搜索算法对模型的参数进行优化；具体包括以下步骤：
[0010]1)建立模拟移动床色谱的机理模型及对模型进行求解；
[0011]2)数据生成及预处理；
[0012]3)为了避免CNN
‑
LSTM混合网络陷入局部最优，利用SSA对所建立的CNN
‑
LSTM混合模型的超参数进行优化，利用SSA对CNN
‑
LSTM模型的L2正则化系数、初始学习率、隐含层神经元个数进行寻优，经过500次迭代后得到优化参数；
[0013]4)根据得到的优化参数，利用训练集对CNN
‑
LSTM混合网络模型进行训练；
[0014]5)利用最优模型进行数据预测，采用平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)三种指标进行模型评估。
[0015]所述的一种利用软测量建模对移动床分离过程监控方法，所述模型，即建立4区8柱模拟移动床色谱的机理模型，采用线上求解法对模拟移动床色谱分离过程的机理模型进行数值求解；模拟移动床的机理模型是由色谱柱模型和各节点的平衡模型组合而成的，采用一般速率理论建立SMB的单根色谱柱模型，采用线上求解法对模拟移动床色谱分离过程的机理模型进行数值求解，首先将模型中的所有偏导数项进行离散化，然后调用MATLAB求解函数(ode15)对常微分方程组进行求解。
[0016]所述的一种利用软测量建模对移动床分离过程监控方法，所述模拟移动床色谱的机理模型，生成软测量建模所用的输入输出数据并对数据进行预处理；以切换时间T
C
、流动相流量Q
D
和进料流量Q
F
作为输入变量，以提取液口和抽余液口纯度的平均值做为输出变量，在Matlab中利用循环语句将所建立的模型求解程序循环运行500次，共可以得到500组输入输出数据，利用mapminmax函数对这500组数据进行归一化；
[0017]x
*
＝(x
‑
min)/(max
‑
min)
ꢀꢀꢀ
(1)
[0018]其中，x
*
、x、min、max分别为数据归一化后的值、数据实际值、数据中的最小值、数据中的最大值；接下来利用归一化后的数据进行软测量建模，选取450个数据作为训练集对模型进行训练，剩下的50个数据作为测试集，检验所训练模型的准确性。
[0019]所述的一种利用软测量建模对移动床分离过程监控方法，所述利用SSA对CNN
‑
LSTM混合模型的超参数进行优化，利用SSA对CNN
‑
LSTM模型的L2正则化系数、初始学习率、隐含层神经元个数进行寻优，经过500次迭代后得到优化参数，可以避免CNN
‑
LSTM混合网络陷入局部最优。
[0020]所述的一种利用软测量建模对移动床分离过程监控方法，所述利用SSA优化后的CNN
‑
LSTM混合模型，分别利用SSA优化后的CNN
‑
LSTM混合模型和未经SSA优化的CNN
‑
LSTM混合模型进行数据预测，采用平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)三种指标进行模型评估；
[0021][0022][0023][0024]其中，y
i
表示的是真实值，表示的是预测值；利用SSA优化后，CNN
‑
LSTM混合模型的平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)分别减少了39.45％、27.2％、39.62％。
[0025]本专利技术的积极效果：
[0026]本专利技术利用深度学习算法对模拟移动床色谱分离过程进行软测量建模，选取合适的辅助变量，使得利用模拟移动床中较易得到的参数值，来获取难以直接测量的纯度值，提高了分离过程的响应速度。同时，利用软测量建模的方法，可以实现对模拟移动床分离过程进行实时监控本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用软测量建模对移动床分离过程监控方法，其特征在于，所述方法在选取辅助变量的基础上，使用深度学习方法对模拟移动床色谱分离过程进行软测量建模，采用麻雀搜索算法对模型的参数进行优化；具体包括以下步骤：1)建立模拟移动床色谱的机理模型及对模型进行求解；2)数据生成及预处理；3)为了避免CNN
‑
LSTM混合网络陷入局部最优，利用SSA对所建立的CNN
‑
LSTM混合模型的超参数进行优化，利用SSA对CNN
‑
LSTM模型的L2正则化系数、初始学习率、隐含层神经元个数进行寻优，经过500次迭代后得到优化参数；4)根据得到的优化参数，利用训练集对CNN
‑
LSTM混合网络模型进行训练；5)利用最优模型进行数据预测，采用平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)三种指标进行模型评估。2.根据权利要求1所述的一种利用软测量建模对移动床分离过程监控方法，其特征在于，所述模型，即建立4区8柱模拟移动床色谱的机理模型，采用线上求解法对模拟移动床色谱分离过程的机理模型进行数值求解；模拟移动床的机理模型是由色谱柱模型和各节点的平衡模型组合而成的，采用一般速率理论建立SMB的单根色谱柱模型，采用线上求解法对模拟移动床色谱分离过程的机理模型进行数值求解，首先将模型中的所有偏导数项进行离散化，然后调用MATLAB求解函数(ode15)对常微分方程组进行求解。3.根据权利要求1所述的一种利用软测量建模对移动床分离过程监控方法，其特征在于，所述模拟移动床色谱的机理模型，生成软测量建模所用的输入输出数据并对数据进行预处理；以切换时间T
C
、流动相流量Q
D
和进料流量Q
F
作为输入变量，以提取液口和抽余液口纯度的平均值做为输出变量，在Matlab中利用循环语句将所建立的模型求解程序循环运行...

【专利技术属性】
技术研发人员：李凌，陈玉环，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：