本发明专利技术基于GA-BP算法的分子蒸馏工艺参数优化方法涉及分子蒸馏优化领域，该方法是，首先利用GA算法优化BP神经网络的权值和阈值，再利用BP神经网络实现分子蒸馏工艺中由蒸发面温度、蒸发器内真空度、进料速度三个工艺控制参数预测出馏出物的纯度和得率，最后，利用GA算法实现分子蒸馏工艺中由馏出物的期望纯度和得率值得到优化的工艺控制参数输入值的过程。本发明专利技术的方法能够及时地掌握馏出物的纯度和得率，并作出精确地预测，可以及时采取调节措施，使影响馏出物产品质量的关键因素得到合理的控制，从而保证产品的纯度和得率在规定范围内，有效地提高企业的生产效率，节约能源，降低企业的生产成本。
【技术实现步骤摘要】
本专利技术涉及分子蒸懼工艺条件优化领域，具体涉及一种基于GA (GeneticAlgorithm,遗传算法)和BP (Back Propagation,误差反向传播)网络的分子蒸懼工艺参数优化方法。
技术介绍
目前，药厂、保健品生产等厂家都非常关注精油的提取技术，以提取五味子精油为例，在药厂中主要采用浸泡法和水蒸气蒸馏法，这两种方法虽然成本较低，但成分为混合物，精油成分不高，纯度很低，且提取时间较长，浸泡的时间多达几小时 到十几小时甚至更长；近些年发展了超临界萃取、分子蒸馏等适合于生产中应用的提取方法，来实现精油提取，其中超临界提取仍为粗提的方法，提取的精油中混有水份、溶剂、杂质等，产品的纯度和得率较低，企业生产效率和经济效益仍然得不到显著提高，所以分子蒸馏成为精制精油提取的最佳方法，分子蒸馏法相对其它提取方法虽然效率高，但是，该方法馏出物的纯度和得率受蒸发面温度、蒸发器内真空度、进料速率三个工艺参数的影响最大，能否准确确定这些工艺参数值，将直接影响产品的质量和生产效率。分子蒸馏生产过程中工艺参数大多采用经验参数，缺少科学依据，且生产过程复杂，无法建立准确的数学模型，目前较多地用显式的统计分析方法来解决，但是统计分析模型缺乏自适应性，模型更新困难，参数确定不准确；也有采用正交试验进行工艺参数优化的方法，如当真空度不变，通过多次试验得到最佳温度，在此温度下再通过多次蒸馏试验摸索最佳真空度，而分子蒸馏蒸发器的温度与真空度具有耦合关系，当真空度改变，物质的沸点发生变化，即真空度变化，最佳蒸馏温度随之变化，所以需要应用更科学有效的实验参数优化方法来确定最佳工艺参数。本专利技术采用GA-BP算法实现分子蒸馏工艺参数优化，根据产品指标要求(得率、纯度)，运用该算法获得最佳工艺参数值。在实际蒸馏过程中，由于蒸发面温度、蒸发器内真空度、进料速度是影响蒸馏产品指标最重要的工艺参数，也是蒸馏过程需要精确控制的三个量，所以本专利技术以这三个量作为优化对象，设计了 GA-BP蒸馏工艺参数优化方法，对于指导生产具有很好的实际意义。
技术实现思路
为了解决传统方法确定的分子蒸馏工艺参数不准确，馏出物的纯度和得率低的问题，本专利技术提供一种基于GA-BP算法的分子蒸馏工艺参数优化方法。该方法首先建立以蒸发面温度、蒸发器内真空度、进料速度作为输入量的BP神经网络预测模型，通过遗传算法优化该预测模型的权值和阈值，然后对该预测模型进行训练，得到稳定的预测模型；对训练好的BP神经网络预测模型在一定范围内随机给定多组输入向量(蒸发面温度、蒸发器内真空度、进料速度)，利用BP神经网络预测模型预测出相应的输出量(纯度和得率)，通过个体适应度函数，计算个体适应度值，再利用遗传算子调整输入向量，产生具有更好适应性的新的种群(输入向量)，重复以上优化过程，直到适应度函数值收敛，与该值对应的输入向量即为一组最优工艺参数。本专利技术基于GA-BP算法的分子蒸馏工艺参数优化方法包括以下步骤步骤一将分子蒸馏系统在同一时刻下的一组蒸发面温度、蒸发器内真空度、进料速度三个对蒸馏过程影响最大的工艺控制参数的值作为输入量Pk = ( , a2，a3)，其中，B1,a2、a3分别是蒸发面温度、蒸发器内真空度、进料速度，k是n组实验样本中的任意一组,k =1,2,..., n，将此时分子蒸馏系统的馏出物的纯度值和得率值作为输出量Ck = (Cl, c2)，其中，Cl、C2分别是纯度值和得率值，确立一个在同一时刻下输入量Pk与输出量Ck具有映射对应关系的实验数据组；在分子蒸馏过程稳态进行的情况下，在不同时刻提取并记录n个具有上述映射关系的实验数据组，将这些实验数据组作为实验样本，存入实验样本数据库中； 步骤二 根据步骤一所述实验样本中输入量与输出量的映射对应关系，建立三层拓扑结构的BP神经网络，设定BP神经网络的输入层神经元为3个，输出层神经元为2个，隐含层神经元为7个；其中输入层和隐含层的激活函数都选取Log-sigmoid型函数，输出层的激活函数选取Pureline型函数；Log_sigmoid型函数定义为其中Sj是指第j个隐含层节点的输入，即4，其中j = 1，2. . . 7 ^ij为第i个输入节点与第j个输 /=1出节点的连接权值，e j为隐含层第j节点的阈值，a,为蒸发面温度、蒸发器内真空度、进料速度；Pureline型函数是线性函数，自变量为隐含层节点的输出，因变量是输出层节点的输出；步骤三以步骤二所述的BP神经网络作为黑箱模型，建立以步骤一所述实验样本中的输入量作为BP神经网络的输入变量、以对应馏出物纯度和得率的预测值作为输出变量的BP神经网络预测模型；步骤四对步骤三所述的BP神经网络预测模型中的输入层与隐含层之间的连接权值Wu、阈值0 隐含层与输出层之间的连接权值V&、阈值Y q进行随机初始化，使BP神经网络预测模型具备最基本的预测条件，其中q为输出层节点数，Q= 1,2；步骤五将从步骤一所述的实验样本数据库中调取的各组工艺控制参数的值，作为步骤四所述的具备最基本预测条件的BP神经网络预测模型的输入变量Pk，从而得到与每组输入变量Pk映射对应的BP神经网络预测模型输出的纯度值和得率值的预测输出量Yk的数据组；步骤六在由步骤一所述实验样本确定的阈值和权值范围内，根据GA遗传算法的原理优化BP神经网络预测模型的初始阈值和权值，完成BP神经网络预测模型的训练学习过程；步骤6-1 :随机初始化多组BP神经网络预测模型的阈值0 m和权值Wz作为GA遗传算法的初始种群，种群大小根据经验预先设定，并对该初始种群进行实数编码，设定最大进化代数为100代；步骤6-2 :构造用于优化BP神经网络预测模型初始阈值和权值的GA遗传算法的权利要求1.基于GA-BP算法的分子蒸馏工艺参数优化方法，其特征在于，该方法包括以下步骤步骤一将分子蒸馏系统在同一时刻下的一组蒸发面温度、蒸发器内真空度、进料速度三个对蒸馏过程影响最大的工艺控制参数的值作为输入量Pk = ( , a2，a3)，其中，ai、a2、a3分别是蒸发面温度、蒸发器内真空度、进料速度，k是n组实验样本中的任意一组，k= 1，.2，. . .，n，将此时分子蒸馏系统的馏出物的纯度值和得率值作为输出量Ck = (Cl, C2)，其中，C1^ C2分别是纯度值和得率值，确立一个在同一时刻下输入量Pk与输出量Ck具有映射对应关系的实验数据组；在分子蒸馏过程稳态进行的情况下，在不同时刻提取并记录n个具有上述映射关系的实验数据组，将这些实验数据组作为实验样本，存入实验样本数据库中；步骤二 根据步骤一所述实验样本中输入量与输出量的映射对应关系，建立三层拓扑结构的BP神经网络，设定BP神经网络的输入层神经元为3个，输出层神经元为2个，隐含层神经元为7个；其中输入层和隐含层的激活函数都选取Log-sigmoid型函数，输出层的激活函数选取Pureline型函数；Log_sigmoid型函数定义为全文摘要本专利技术基于GA-BP算法的分子蒸馏工艺参数优化方法涉及分子蒸馏优化领域，该方法是，首先利用GA算法优化BP神经网络的权值和阈值，再利用BP神经网络实现分子蒸馏工艺中由蒸发面温度、蒸发器内真空度、进料速度三个工艺控制参数预测出馏出物的纯度和本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：李慧，张德江，尤文，胡彩霞，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：
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。