基于仿生智能蚁群算法的工业软测量方法技术

本发明专利技术公开了一种基于仿生智能蚁群算法的工业软测量方法，包括如下步骤：（１）确定软测量过程中所用的关键变量，从关键变量的历史数据库中采集系统正常时的变量数据作为训练样本；（２）在软测量智能处理器中对训练样本的变量数据进行归一化处理，以使处理后的关键变量的均值为０、方差为１；（３）建立ＲＢＦ神经网络函数得到软测量模型，用归一化后的变量数据对所述ＲＢＦ神经网络进行训练，然后由仿生智能蚁群优化算法确定ＲＢＦ神经网络的隐层节点数和基函数中心点。本发明专利技术方法的控制参数确定方便，适用范围广，可推广到各种工业过程中；采用ＲＢＦ神经网络建模效果好，对数据的拟合精度高，避免复杂的机理建模，操作简捷方便。

【技术实现步骤摘要】

本专利技术涉及连续搅拌反应釜过程变量测量领域，特别地，涉及一种基于仿生智能蚁群算法的软测量方法。
技术介绍
在工业过程控制中，若要使生产装置处于最佳运行工况、实现卡边控制、多产高价 值产品，从而提高装置的经济效益，就必须要对产品质量或与产品质量密切相关的重要过 程变量进行严格控制，产品质量是企业在激烈竞争中赖以生存和发展的关键所在。对变量 的实时监控一般采用间接质量指标控制方法和直接测量法，但是出现精度不高、分析仪价 格昂贵、维护困难及难以提供实时质量信息等不足，一些重要的变量往往很艰难通过传感 器直接得到，影响了工业实践和科学研究的深入进行，软测量方法为此提供了新的解决途 径。软测量技术最早来源于Brosilow等人提出的推断控制思想，推断控制包括推断估计器 的构造和控制器的设计两部分，推断估计器是用来采集某些容易测量的变量，用这些变量 作为输入构造一个数学模型来估计难测的变量。近年来软测量技术获得了很大的发展，其 研究涉及到石油、化工和环保等领域。软测量模型的基本思想是根据某种最优准则，选择一组既与主导变量有密切关系 又容易测量的变量，通过构造某种数学关系来估计主导变量。如图1表示软测量模型过程 对象的输入输出关系，图中的y是难测的主导变量汍表示可测的干扰变量；d2表示不可测 的干扰变量，u表示可测的控制变量，θ表示可测的被控变量。难测的主导变量的估计值表 达为y = f (χ) (1)式(1)中的χ为可测的辅助变量，且㈣具約。随着应用范围的拓宽，对软测量技术的研究十分活跃。软测量建模方法可分为 机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机和核 函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术。由于人工神经网 络具有自学习、自适应和非线性逼近能力，因此本专利技术采用的是基于径向基(Radial Basis Function,RBF)神经网络的软测量建模方法，可以在不具备先验知识的前提下，将辅助变量 作为神经网络的输入，而待测变量作为输出，通过构造训练样本、网络学习就可以获得软测 量的径向基人工神经网络模型。连续搅拌反应釜(Continuous Stirred Tank Reactor, CSTR)是石油生产、化工 合成、发酵、生物制药、食品及合成材料等工业生产过程中应用最广泛的一种化学反应器， 在化工生产的核心设备中占有相当重要的地位，对连续搅拌反应釜辨识建立数学模型的目 的是为了更好地定量描述反应器内燃料的反应过程，通过观察反应釜内物料传热、传质和 反应的综合变化规律，掌握反应釜设计的方法。由于连续搅拌反应釜存在严重的敏感和非 线性，以及工业规模反应器的性能干变万化，辨识建模并不容易。它是一个多变量非线性系 统，它通过控制连续搅拌反应釜内部的工艺参数，如温度、压力、浓度等稳定，来保证反应的正常进行。连续搅拌反应釜内部的浓度的控制质量直接影响到生产的效益和质量指标，而 对其的准确测量是化工行业的一个难题，而运用软测量技术可以解决这一难题。连续搅拌反应釜内与浓度相关的转化率是该工业过程中的重要质量指标，传统测 量方法对其测量的不足有测量仪表的测量精度不高、易受人为因素的影响。引进软测量技 术良好地改善了这些不足。软测量的核心是数值计算，检测并消除误差对软测量技术至关重要。由于现代工 业过程复杂，控制对象的特性会随着工况发生变化，因此过程软仪表在运行过程中，过程的 在线校正功能极为重要，软测量必须根据变化特性修整仪表模型，调整仪表输出。但是现有 的工业软测量方法复杂，模型的控制参数难以确定，测量误差大、精度不高且通用性差。
技术实现思路
本专利技术所要解决的技术问题是提供一种控制参数确定方便的基于仿生智能蚁群 算法的工业软测量方法。本专利技术中的仿生智能蚁群算法是基于意大利学者M.Dorigo，V. Maniezzo和 A. Colorni于20世纪90年代初提出了一种新型的智能优化算法——蚂蚁系统，该算法模拟 了自然界蚂蚁的群体觅食行为。觅食行为是蚁群一个重要而有趣的行为，仿生学家们发现 自然界中的蚂蚁在没有任何提示的情况下能找出蚁巢到食物源之间的最短路径，并且能随 环境的变化自适应地搜索新的路径。虽然单个蚂蚁的行为极为简单，但由大量的蚂蚁个体 组成的蚁群能表现出极其复杂的行为，能够完成复杂的任务。仿生学家经过大量的细致观 察研究发现，蚂蚁在搜索食物时能在其走过的路径上释放一种信息素，这种信息素能指引 其他蚂蚁的运动方向，当一些路径通过的蚂蚁越多，则留下的信息素量就越多，吸引更多的 蚂蚁选择该路径。这样形成一种信息正反馈机制，即为增强型学习系统，于是蚂蚁总能在较 短时间寻找到其巢穴与食物之间最短的路径。人工蚁群算法是对自然界中真实的蚁群集体行为研究成果的启发而提出 的一种基于种群的模拟进化算法，蚁群算法的数学模型通过求解平面上η个城市的 TSP (Traveling Salesman Problem)问题为例来说明。现将m只蚂蚁放入η个随机选择的 城市中，表示城市i和城市j之间的距离，τ u (t)表示t时刻在城市i和城市j连线上 残留的信息量，初始时刻每条路径上的信息素量是相等的，皆为常数C。蚂蚁k在运动过程 中根据各条路径上的信息量选择下一个还没有被访问的城市，以此类推直至完成一个循环 后跟新所有路径上的残留信息量。在搜索过程中，蚂蚁根据各条路径上的信息量及路径的 启发信息来计算状态转移概率Pi/(t)<formula>formula see original document page 5</formula>式(2)中，allowedk表示蚂蚁k下一步允许选择的城市，α为信息启发因子，表示 轨迹的相对重要性，β为期望启发式因子，表示能见度的相对重要性，为启发函数， 其表达式如下<formula>formula see original document page 6</formula>式(3)中，Clij表示相邻城市i，j之间的距离。从式中可以看出，Clij越小，η。α) 越大，即Pi/(t)越大。所以该启发函数表示蚂蚁从城市i到城市j的期望程度。经过η个时刻蚂蚁完成一次循环，在进行下一轮循环前调整各路径上的信息量， 如下式τ Jj (t+n) = P t^· (t) + Δ τ (t) (4)<formula>formula see original document page 6</formula>上两式中，P为信息残留系数，以前留下的信息逐渐消逝，δ τ i/为第k只蚂蚁在 本次循环中留在到路径i到j上的信息增量，Δ τ u为本次循环中所有可能经过的蚂 蚁留在该路径上的信息素增量。根据信息素更新策略的不同，关于Δ τ J的计算，M. Dorigo曾给出三种不同的实 现方式分另Il为 ant-cycle system, ant-density system, ant-quantity system。在 ant-cycle system 模型中t若第k只蚂蚁在本次循环中经过(i，j)彳、Δ^(0= 4⑷0， 否则在 ant-density system 模型中若第k只蚂蚁在本次本文档来自技高网...

【技术保护点】
一种基于仿生智能蚁群算法的工业软测量方法，其特征在于包括如下步骤：　　（１）确定软测量过程中所用的关键变量，从关键变量的历史数据库中采集系统正常时的变量数据作为训练样本；　　（２）在软测量智能处理器中对训练样本的变量数据进行归一化处理，以使处理后的关键变量的均值为０、方差为１；　　（３）建立ＲＢＦ神经网络函数得到软测量模型，用归一化后的变量数据对所述ＲＢＦ神经网络进行训练，然后由仿生智能蚁群优化算法确定ＲＢＦ神经网络的隐层节点数和基函数中心点；　　在得到所述软测量模型的过程中Δτ（ｉ）＝ｋａ↑［－ｆ（Ｘ↓［ｉ］）］　⑥　　式⑥中，ａ，ｋ均为大于０的常数；　　ｄ）根据式⑥确定得到仿生智能蚁群优化算法中当前循环中信息素量最多的蚂蚁所在位置；　　ｅ）对每只蚂蚁进行全局搜索，更新蚂蚁所在位置，完成一次循环后，由式（７）得到每只蚂蚁向上一次循环中信息素量最多的蚂蚁位置的转移概率，各蚂蚁根据各自的转移概率向上一次循环中信息素量最多的蚂蚁所在位置进行全局转移，　　Ｐ（ｉ，ＢｅｓｔＩｎｄｅｘ）＝ｅ↑［τ↓［ｉ，ＢｅｓｔＩｎｄｅｘ］］／ｅ↑［Ｂｅｓｔ］　⑦　　式⑦中，Ｐ表示蚂蚁的转移概率，τ↓［ｉ，ＢｅｓｔＩｎｄｅｘ］＝τ（ＢｅｓｔＩｎｄｅｘ）－τ（ｉ），τ（ｉ）为第ｉ只蚂蚁所在位置的信息素大小，ＢｅｓｔＩｎｄｅｘ为信息素量最多的蚂蚁所在的位置，且ｉ≠ＢｅｓｔＩｎｄｅｘ；第ｉ只蚂蚁向本次循环中信息素量最多的蚂蚁位置的转移方式如式⑧所示　　＊＊＊　⑧　　式⑧中，Ｐ↓［０］和λ为常数，且０＜Ｐ↓［０］＜１，０＜λ＜１；　　ｆ）在小邻域范围内按式⑨所示的方法对当前信息素量最多的蚂蚁进行随机的局部搜索，更新当前信息素量最多蚂蚁所在的位置，若搜索后该蚂蚁所在位置的信息素量比搜索之前多，则以搜索后该蚂蚁所在位置取代搜索之前该蚂蚁所在的位置；否则该蚂蚁停留在搜索之前所在的位置；　　＊＊＊　⑨　　式⑨中，ｗ为搜索步长；　　ｇ）在所有蚂蚁完成全局搜索和局部搜索后，对每只蚂蚁所在位置的信息素量的大小按式⑩所示的规则进行更新，　　τ（ｉ）＝ρ.τ（ｉ）＋Δτ（ｉ）　⑩　　式⑩中，ρ为信息素挥发系数，且０＜ρ＜１；　　ｈ）仿生蚁群智能优化算法的循环次数自加１；　　ｉ）若步骤ｈ）得到的仿生智能蚁群优化算法的循环次数未达到最大循环次数，则重复步骤ｃ）至ｈ）；若步骤ｈ）得到的仿生智能蚁群优化算法的循环次数到达最大循环次数，则仿生智能蚁群优化算法结束，即得到所述...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘波，王宁，
申请(专利权)人：浙江大学，
类型：发明
国别省市：86[中国|杭州]