专利名称：一种氢氰酸生产过程的在线自适应建模方法
技术领域：
本发明属于氢氰酸生产工业过程中的智能信息处理技术，特别涉及一种基于无迹卡尔曼神经网络子空间逼近的氢氰酸生产过程的在线自适应建模方法。
背景技术：
氢氰酸(HCN)生产的原料气为氨气、天然气和空气，三种原料气经净化、混合、氧化和酸洗四个工段，才可得到纯净的HCN气体。HCN工业流程复杂，过程工艺参数较多，HCN生产设备都和空气接触，受温度、湿度、设备老化和原材料批次等不确定因素影响，是典型的复杂非线性动态特性化工系统。如何建立精确可靠的HCN工业过程模型是提高氢氰酸转化率的基础和前提，对指导实际工业生产具有重要的现实意义。氢氰酸机理模型可描述生产中重要变量的变化趋势，反映生产过程的机理知识。然而，氢氰酸生产过程是一个复杂的物理、化学过程，一般具有结构复杂、多变量、非线性、时滞、不确定性等特点，传统的机理建模方法很难满足精确建模的要求。神经网络(ArtificialNeural Network, ANN)以其强大非线性逼近能力，与传统机理建模方法相比，属于统计建模方法，具有能建立不依赖于精确过程原理和能以任意精度逼近任何非线性映射的特点。ANN在处理复杂系统的建模问题上显示出独特的优越性，被广泛用于工业过程建模。然而目前，应用神经网络建立氢氰酸生产过程模型时，忽略了环境变量和内部状态变量对模型的影响，假设其环境噪声和内部状态变量是相对稳定的。往往只是对输入输出变量进行简单的静态映射，是一种静态建模方法，对氢氰酸生产过程建模效果有限。如何建立氢氰酸过程的高精度模型成为难点。
发明内容
针对氢氰酸生产过程的动态非线性复杂特性，传统方法不能有效建立其高精度模型。为了解决以上问题，本发明提出一种基于无迹卡尔曼神经网络子空间逼近的氢氰酸生产过程的在线自适应建模方法，通过在输入变量子空间采用无迹卡尔曼神经网络来精确逼近氢氰酸生产过程，有效解决氢氰酸复杂非线性动态生产过程的建模难题。本发明表述一种氢氰酸生产过程的在线自适应建模方法，其关键在于按如下步骤进行:步骤1:确定氢氰酸生产过程的输入变量子空间:通过对氢氰酸生产过程进行分析，选择氢氰酸生产过程中能够被有效控制的M个控制变量作为模型输入变量，以建立氢氰酸生产过程的转化率模型，其中M = 9，输入变量分别为:Xl表示氨的补偿温度，X2表示氨的流量，X3表示天然气氨气流量比，X4表示空气氨气流量比，X5表示氨的补偿压力，X6表示天然气的补偿压力，X7表示空气的补偿压力，X8表示气泡压力，X9表示大混合器出口温度；步骤2:对氢氰酸生产过程进行数据采集，所得数据为[Xm，Y]，其中:M为输入变量数，N为采集数据样本数，Y为氢氰酸转化率，X为输入变量子空间，X= {Xl, x2, X3, x4, x5, X6,X7，Xgj Xg}；步骤3:对氢氰酸生产过程数据进行预处理，得到受噪声影响最小，最能反映出生产过程实际特性的有效数据:3.1:对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，[Xw，Y]减少为[Xmh, Y] (H ≤N)；粗大误差数据剔除的具体方法为:若X中某输入变量的取值比其附近其他样本点的值较大(小)，出现明显的波动，则剔除该数据样本点，数据减少为[xm，Y] (H ^ N)；3.2:对输入变量数据进行3 O准则处理，3 O准则处理后，[Xmh, Y] (H ( N)减少为[XMT，Y] (T≤H)；30准则处理的基本思想为:通常数据上控制限UCL和下控制限LCL与中心线的距离为30以内的数据是较好的。因此，将在上、下控制线以外的数据删除，保证数据为最优数据。其中，中心线与上、下控制线的公式如下:UCL= U +3 O , CL= U , LCL= U -3 o其中:U:总体数据的平均值；O:总体数据的标准差。对数据[Xm，Y] (HSN)中的各输入变量，采用上述公式进行计算，确定UCL, CL, LCL0若某输入变量的取值在该上、下控制线外，则剔除该数据样本点，通过对系统分析。如果某变量的大量正常取值位于控制线外，则扩大控制线范围，以保留该正常取值的变量。得到新数据[XMT, Y] (T≤H)。3.3:对输入变量数据进行五点三次平滑处理，利用最小二乘法原理对数据[XMT，Y] (T ≤ H)进行五点三次最小二乘多项式平滑，五点三次平滑处理后，得到[X' MT, Y](T ≤ H)；利用最小二乘法原理对数据[X' MT, Y] (T ( H)中的各输入变量进行五点三次最小二乘多项式平滑处理，该处理方法对于时域数据的作用主要是能减少混入振动信号中的高频随机噪声，对于频域数据的作用则是能使谱曲线变得光滑，以便在模态参数识别中得到较好的拟合效果。得到新数据得到新数据[X' mt，Y](T<H)。计算公式为:
权利要求
1.一种氢氰酸生产过程的在线自适应建模方法，其特征在于按如下步骤进行:步骤1:确定氢氰酸生产过程的输入变量子空间:选择氢氰酸生产过程中能够被有效控制的M个控制变量作为模型输入变量，以建立氢氰酸生产过程的转化率模型，其中M = 9，输入变量分别为:Xl表示氨的补偿温度，X2表示氨的流量，X3表示天然气氨气流量比，X4表示空气氨气流量比，X5表示氨的补偿压力，X5表示天然气的补偿压力，X7表示空气的补偿压力，X8表示气泡压力，X9表不大混合器出口温度； 步骤2:对氢氰酸生产过程进行数据采集，所得数据为[XM，Y]，其中:M为输入变量数，N为采集数据样本数，X为输入变量子空间，Y为氢氰酸转化率； 步骤3:对氢氰酸生产过程数据进行预处理，得到受噪声影响最小，最能反映出生产过程实际特性的有效数据: .3.1:对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，[Xm，Y]减少为[Xmh, Y] (H^N)； .3.2:对输入变量数据进行3 O准则处理，3 O准则处理后，[X , Y] (H ( N)减少为[XMT，Y] (T ^ H)； .3.3:对输入变量数据进行五点三次平滑处理，利用最小二乘法原理对数据[XMT，Y](TSH)进行五点三次最小二乘多项式平滑，五点三次平滑处理后，得到[X' MT, Y] (T^H)； .3.4:进行数据归一化处理，得到新数据为[X" mt，Y" ] (T ^ H)； 具体归一化处理方法如下
全文摘要
本发明公开一种氢氰酸生产过程的在线自适应建模方法，其特征在于按如下步骤进行确定氢氰酸生产过程的输入变量子空间；对氢氰酸生产过程进行数据采集；对氢氰酸生产过程数据进行预处理，得到受噪声影响最小，最能反映出生产过程实际特性的有效数据；采用无迹卡尔曼神经网络对预处理后的数据[X″MT，Y″](T≤H)进行建模，以得到氢氰酸转化率的精确模型。本发明的有益效果是能够有效获得受噪声影响最小，最能反映出生产过程实际特性的有效数据，再通过在输入变量子空间采用无迹卡尔曼神经网络来精确逼近氢氰酸生产过程，有效解决氢氰酸复杂非线性动态生产过程的建模难题。
文档编号G05B13/00GK103116272SQ20131003177
公开日2013年5月22日 申请日期2013年1月28日 优先权日2013年1月28日
发明者李太福, 侯杰, 易军, 辜小花, 姚立忠 申请人:重庆科技学院