专利名称：基于ega优化的丙烯聚合生产过程最优软测量仪表及方法
技术领域：
本发明涉及最优软测量仪表及方法，具体是一种基于EGA优化的丙烯聚合 生产过程最优软测量仪表及方法。
背景技术：
聚丙烯是由丙烯聚合而制得的一种热塑性树脂，丙烯最重要的下游产品，世 界丙烯的50%，我国丙烯的65%都是用来制聚丙烯，是五大通用塑料之一，与我 们日常生活密切相关。聚丙烯是世界上增长最快的通用热塑性树脂，总量仅仅次 于聚乙烯和聚氯乙烯。为使我国聚丙烯产品具有市场竞争力，开发刚性、韧性、 流动性平衡好的抗冲共聚产品、无规共聚产品、BOPP和CPP薄膜料、纤维、无 紡布料，及开发聚丙烯在汽车和家电领域的应用，都是今后重要的研究课题。
熔融指数是聚丙烯产品确定产品牌号的重要质量指标之一，它决定了产品的 不同用途，对熔融指数的测量是聚丙烯生产中产品质量控制的一个重要环节，对 生产和科研，都有非常重要的作用和指导意义。
然而，熔融指数的在线分析测量目前很难做到， 一方面是在线熔融指数分析 仪的缺乏，另一方面是现有的在线分析仪由于经常会堵塞而测量不准甚至无法正 常使用所导致的使用上的困难。因此，目前工业生产中MI的测量，主要通过人 工取样、离线化验分析获得，而且一般每2-4小时只能分析一次，时间滞后大， 给丙烯聚合生产的质量控制带来了困难，成为生产中急需解决的一个瓶颈问题。 聚丙烯熔融指数的在线软测量仪表及方法研究，从而成为学术界和工业界的一个 前沿和热点。
发明内容
为了克服己有的丙烯聚合生产过程的测量精度不高、易受人为因素的影响的 不足，本发明提供一种在线测量、在线参数自动优化、计算速度快、模型自动更 新、抗干扰能力强、精度高的基于EGA优化的丙烯聚合生产过程熔融指数最优 软测量仪表及方法。
本发明解决其技术问题所采用的技术方案是
一种基于EGA优化的丙烯聚合生产过程最优软测量仪表，包括丙烯聚合生 产过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放 数据的DCS数据库以及熔融指数软测量值显示仪，所述现场智能仪表、控制站与 丙烯聚合生产过程连接，所述现场智能仪表、控制站与DCS数据库连接，所述软 测量仪表还包括基于EGA优化的最优软测量模型，所述DCS数据库与所述基于 EGA优化的最优软测量模型的输入端连接，所述基于EGA优化的最优软测量模 型的输出端与熔融指数软测量值显示仪连接，所述基于EGA优化的最优软测量 模型包括
数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入 变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对 输入变量施加一个线性变换；
ICA独立成分分析模块，用于从经过数据预处理的线性混合数据中恢复出基本源 信号，包括
(3.1) 选择随机初始权值B;
(3.2) 对B进行迭代更新，<formula>formula see original document page 8</formula>;
式中，B+表示更新后的权值，BT是B的转置，g'是g的倒数，E是数学期 望，x是矩阵X的矢量；
(3.3) 让<formula>formula see original document page 8</formula>; 式中，ll.ll表示泛数；
(3.4) 判断是否收敛，<formula>formula see original document page 8</formula> (6)
式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；
(3.5) 存储B;
然后，由式(2)计算各分离分量
Y=BX (2)
式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；
分离结果独立性的测度，采用基于负熵的独立性判别准则 <formula>formula see original document page 8</formula> (3)
式中G(O为非二次函数，y是矩阵Y的矢量；选择
<formula>formula see original document page 8</formula> (4)
式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；
估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准
则的非高斯性最大化，取
<formula>formula see original document page 9</formula> (5);
式中函数g(0为函数G(，)的倒数；
神经网络建模模块，用于采用BP神经网络，设BP神经网络的输出层第k个神经 元的实际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输出为 yj，则有
<formula>formula see original document page 9</formula> (7)
<formula>formula see original document page 9</formula>(8)
式中，Wkj是神经元k与神经元j之间的连接权，f(O为神经元的输出函数，通常取
为Sigmoid函数，表示为
<formula>formula see original document page 9</formula> (9)
式中，hk为神经元k的阈值，e。为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元
的期望输出Opk，则输出层的输出方差表示为
<formula>formula see original document page 9</formula> 10)
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连
接权W值，使E达到最小值；要求连接权Wkj， W」,应沿Ep的负梯度方向学习；所 以Wkj的修正量为
<formula>formula see original document page 9</formula> (11)
式中，y 为学习速率调整因子；
EGA优化模块，用于采用轮盘转法作为选择算子，选择规则如下设群体大小为 n，个体i的适应度为fi，则个体i被选择的概率P表示为
<formula>formula see original document page 9</formula> (12)
交叉算子采用算术交叉的交叉策略，并在传统交叉算子的基础上作了如下改
变<formula>formula see original document page 10</formula>
式中a为[-0.25， 1.25]区间上的随机数，parentl、 parent2为父代个体矢量， childl、 child2为交叉产生的子代个体矢量；
变异算子采用均匀变异，设个体取值范围为[a,b]，基因CTi的值将被变异为
<formula>formula see original document page 10</formula> (15)
式中y为
上的随机数。
作为优选的一种方案，所述基于EGA优化的最优软测量模型还包括模型 更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神 经网络模型。
作为优选的再一种方案在所述的数据预处理模块中，采用主成分分析方法 实现预白化处理。
一种基于EGA优化的丙烯聚合生产过程最优软测量方法，所述软测量方法
主要包括以下歩骤
1) 、对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测
变量作为模型的输入，操作变量和易测变量由DCS数据库获得；
2) 、对样本数据进行预处理，对输入变量中心化，即减去变量的平均值；再对输
入变量预白化处理即变量去相关，对输入变量施加一个线性变换；
3) 、对经过预处理的数据进行独立成分分析，包括
(3.1) 选择随机初始权值B;
(3.2) 对B进行迭代更新，B+= E{ xg ( BTx) } - E{ g'( BTx) } B;
式中，B+表示更新后的权值，BT是B的转置，g'是g的倒数，E是数学期 望，x是矩阵X的矢量；
(3.3) 1B = B+/1IB+|| ; 式中，ll.ll表示泛数；
(3.4) 判断是否收敛， II B+ —B ll<epsilon (6) 式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；
(3.5) 存储B;
然后，由式(2)计算各分离分量
Y = BX (2)
式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵； 分离结果独立性的测度，采用基于负熵的独立性判别准则 <formula>formula see original document page 11</formula> (3) 式中G(O为非二次函数，y是矩阵Y的矢量；选择
<formula>formula see original document page 11</formula> (4) 式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；
估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准
则的非高斯性最大化，取
<formula>formula see original document page 11</formula> (5);
式中函数g(O为函数GO的倒数；
神经网络建模模块，用于采用BP神经网络，通过误差函数最小化来完成输入到 输出的一种高度非线性映射，映射中保持拓扑不变性；
4)、基于模型输入、输出数据建立初始神经网络模型，采用BP神经网络，设BP 神经网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐 含层中任一神经元j的输出为yj，则有
<formula>formula see original document page 11</formula>(7)
<formula>formula see original document page 11</formula> (8)
式中，Wkj是神经元k与神经元j之间的连接权，f(O为神经元的输出函数，通常取 为Sigmoid函数，表示为
<formula>formula see original document page 11</formula> (9)
式中，hk为神经元k的阈值，6o为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元 的期望输出Opk，则输出层的输出方差表示为<formula>formula see original document page 11</formula> (10)
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连
接权W值，使E达到最小值；要求连接权Wk」，Wd应沿Ep的负梯度方向学习；所 以Wkj的修正量为<formula>formula see original document page 12</formula>
式中，A为学习速率调整因子；
5)、采用EGA优化方法优化初始神经网络的权值参数，采用轮盘转法作为选择 算子，选择规则如下设群体大小为n，个体i的适应度为fj，则个体i被选择的 概率P表示为
<formula>formula see original document page 12</formula> (12)
交叉算子采用算术交叉的交叉策略，并在传统交叉算子的基础上作了如下改
变
<formula>formula see original document page 12</formula>式中a为[-0.25， L25]区间上的随机数，parentl、 parent2为父代个体矢量， childl、 child2为交叉产生的子代个体矢量；
变异算子采用均匀变异，设个体取值范围为[a,b]，基因q的值将被变异为<formula>formula see original document page 12</formula>式中y为
上的随机数。
作为优选的一种方案所述软测量方法还包括以下歩骤6)、定期将离线化 验数据输入到训练集中，更新神经网络模型。
进一步，在所述的步骤2)中，采用主成分分析方法实现预白化处理。
本发明的技术构思为对丙烯聚合生产过程的重要质量指标熔融指数进行在 线最优软测量，克服已有的聚丙稀熔融指数测量仪表测量精度不高、易受人为因 素的影响的不足，引入EGA优化方法对神经网络参数和结构进行自动优化，不 需要人为经验或多次测试来调整神经网络，便可以得到最优的软测量结果。
本发明的有益效果主要表现在1、在线测量；2、在线参数自动优化；3、计 算速度快；4、模型自动更新；5、抗干扰能力强；6、精度高。
图1是基于EGA优化的丙烯聚合生产过程最优软测量仪表及方法的基本结 构示意图2是基于EGA优化的最优软测量模型结构示意图3是丙烯聚合生产过程Hypol工艺生产流程图。
具体实施例方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明， 而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明 作出的任何修改和改变，都落入本发明的保护范围。
实施例1
参照图l、图2和图3， 一种基于EGA优化的丙烯聚合生产过程最优软测量 仪表，包括丙烯聚合生产过程l、用于测量易测变量的现场智能仪表2、用于测量 操作变量的控制站3、存放数据的DCS数据库4以及熔融指数软测量值显示仪6， 所述现场智能仪表2、控制站3与丙烯聚合生产过程1连接，所述现场智能仪表2、 控制站3与DCS数据库4连接，所述软测量仪表还包括EGA优化的最优软测量 模型5，所述DCS数据库4与所述基于EGA优化的最优软测量模型5的输入端 连接，所述基于EGA优化的最优软测量模型5的输出端与熔融指数软测量值显 示仪6连接，所述基于EGA优化的最优软测量模型包括数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入 变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对 输入变量施加一个线性变换；ICA独立成分分析模块，用于从经过数据预处理的线性混合数据中恢复出基本源 信号，包括
(3.1) 选择随机初始权值B;
(3.2) 对B进行迭代更新，B+= E{ xg ( BTx) } - E{ g'( BTx) } B;
式中，B+表示更新后的权值，BT是B的转置，g'是g的倒数，E是数学期 望，x是矩阵X的矢量；
(3.3) 让B-BVIIB+I1 ; 式中，ll.ll表示泛数；
(3.4) 判断是否收敛， II B+ 一B l!〈epsikm (6)
式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续； (3.5)存储B;
然后，由式(2)计算各分离分量-
Y = BX (2)
式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；
分离结果独立性的测度，采用基于负熵的独立性判别准则
<formula>formula see original document page 14</formula> (3) 式中GO为非二次函数，y是矩阵Y的矢量；选择
<formula>formula see original document page 14</formula> (4) 式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；
估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准
则的非高斯性最大化，取
g(中皿p(-x2/2)<formula>formula see original document page 14</formula> (5); 式中函数g(，)为函数GO的倒数；
神经网络建模模块，用于采用BP神经网络，设BP神经网络的输出层第k个神经 元的实际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输出为 yj，则有
<formula>formula see original document page 14</formula> (7)
<formula>formula see original document page 14</formula>(8)
式中，Wkj是神经元k与神经元j之间的连接权，fO)为神经元的输出函数，通常取 为Sigmoid函数，表示为
<formula>formula see original document page 14</formula>(9)
式中，hk为神经元k的阖值，9o为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元
的期望输出Opk，则输出层的输出方差表示为
<formula>formula see original document page 14</formula> (10)
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连
接权W值，使E达到最小值；要求连接权Wkj， Wji应沿Ep的负梯度方向学习；所 以Wkj的修正量为
犯"
(11)
式中，y 为学习速率调整因子；
EGA优化模块，用于采用轮盘转法作为选择算子，选择规则如下设群体大小为 n，个体i的适应度为fi，则个体i被选择的概率P表示为
户:
户1 (12)
交叉算子采用算术交叉的交叉策略，并在传统交叉算子的基础上作了如下改
变:
c/z/Wl二戸/'ew/"l+ax(拜A2"/12-/ arewfl) (印
式中a为[-0.25， 1.25]区间上的随机数，parentl、 parent2为父代个体矢量， childl、 child2为交叉产生的子代个体矢量；
变异算子采用均匀变异，设个体取值范围为[a,b]，基因CTi的值将被变异为
式中y为[O，l]上的随机数。
所述基于EGA优化的最优软测量模型还包括模型更新模块，用于模型的
在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。
在所述的数据预处理模块中，采用主成分分析方法实现预白化处理。 丙烯聚合生产过程流程图如图3所示，根据反应机理以及流程工艺分析，考 虑到聚丙烯生产过程中对熔融指数产生影响的各种因素，取实际生产过程中常用 的九个操作变量和易测变量作为建模变量，有三股丙稀进料流率，主催化剂流 率，辅催化剂流率，釜内温度、压强、液位，釜内氢气体积浓度。
^^^EGA^化的最优软测^^莫型所需建模变量
变量符号变量含义变量符号变量含义
71釜内温度第-一股丙稀进料流率
釜内压强—二股丙稀进料流率
釜内液位第—三股丙稀进料流率
釜内氢气体积浓度主催化剂流率
/5_辅催化剂流率
表1基于EGA优化的最优软测量模型所需建模变量
表1列出了作为基于EGA优化的最优软测量模型5输入的9个建模变量， 分别为釜内温度(70、釜内压力&)、釜内液位(丄)、釜内氢气体积浓度(Xv)、
3股丙烯进料流率(第一股丙稀进料流率yi，第二股丙稀进料流率^，第三股丙
稀进料流率")、2股催化剂进料流率(主催化剂流率/4，辅催化剂流率")。反应 釜中的聚合反应是反应物料反复混合后参与反应的，因此模型输入变量涉及物料 的过程变量采用前若干时刻的平均值。此例中数据采用前一小时的平均值。熔融 指数离线化验值作为基于EGA优化的最优软测量模型5的输出变量。通过人工 取样、离线化验分析获得，每4小时分析采集一次。
现场智能仪表2及控制站3与丙烯聚合生产过程1相连，与DCS数据库4 相连；最优软测量模型5与DCS数据库及软测量值显示仪6相连。现场智能仪表 2测量丙烯聚合生产对象的易测变量，将易测变量传输到DCS数据库4;控制站 3控制丙烯聚合生产对象的操作变量，将操作变量传输到DCS数据库4。 DCS数 据库4中记录的变量数据作为基于EGA优化的最优软测量模型5的输入，软测 量值显示仪6用于显示基于EGA优化的最优软测量模型5的输出，即软测量值。 基于EGA优化的最优软测量模型5，包括
数据预处理模块7，用于对模型输入进行预处理，即中心化和预白化。对输入 变量中心化，就是减去变量的平均值，使变量为零均值的变量，从而简化算法。 对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换，使得变换 后的变量各个分量间互不相关，同时其协方差矩阵为单位阵。 一般通过主成分分 析方法实现。
ICA独立成分分析模块8，从经过数据预处理的线性混合数据中恢复出基本源 信号的方法。ICA问题的描述如下
假设有n个观测变量xl， x2， ...， xn，它们是m个非高斯分布的独立成分 变量sl， s2， ...， sm的线性组合。两者之间的关系定义为
X = AS+N (1) 式中，A为未知的混合矩阵，N为观测噪声矢量。X=[xl， x2， ...， xn]， S = [sl， s2 ， …，sm ]。
上式为ICA基本模型，表示观测数据是如何由独立成分分量混合产生。独 立成分是隐含变量，意味着不能直接观测到，而且混合系数矩阵A也是未知的，
已知的仅仅是观测变量X，如何利用观测变量X估计出A和S，正是ICA要解决 的问题。ICA的目的就是要寻找解混矩阵B，通过它能由观测变量X得到相互独 立的源变量
Y = BX (2)
式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵； 分离结果独立性的测度，采用基于负熵的独立性判别准则 J(y)oc[E{G(y)}-E{G(y)}2] (3) 式中GO为非二次函数，y是矩阵Y的矢量；选择
G(y)=-eXp(-y2/2) (4) 式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；
估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准
则的非高斯性最大化，取
g(x)，p(-x2/2) (5);
式中函数g(0为函数GO的倒数； 具体步骤如下
(3.1) 选择随机初始权值B;
(3.2) 对B进行迭代更新，B+= E{ xg ( BTx) } - E{ g'( BTx) } B;
式中，B+表示更新后的权值，BT是B的转置，g'是g的倒数，E是数学期 望，x是矩阵X的矢量；
(3.3) kB = B+/||B+ II ; 式中，ll.ll表示泛数；
(3.4) 判断是否收敛， 11B+ —B l|<epsilon (6)
式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；
(3.5) 存储B。
然后，由式(2)计算各分离分量。 神经网络建模模块9，具体实现如下
采用BP神经网络，多层前馈神经网络在网络结构上通常由输入层、隐含层 和输出层组成。在网络特征上主要表现为既无层内神经元的互联，也无层间的反 联络。这种网络实质上是一种静态网络，其输出只是现行输入的函数，而与过去 和将来的输入或输出无关。由BP神经网络结构可知，输入层中任一神经元的输 出为输入模式分量的加权和，这种加权和的概念同样适合其余各层。设BP神经
网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐含层 中任一神经元j的输出为yj，则有
<formula>formula see original document page 18</formula> (7)
<formula>formula see original document page 18</formula> (8)
式中，Wkj是神经元k与神经元j之间的连接权，f(O为神经元的输出函数，通常取 为Sigmoid函数，表示为
<formula>formula see original document page 18</formula> (9)
式中，hk为神经元k的阈值，eQ为陡度参数，用以调节Sigmoid函数的陡度。 令训练样本为k。对于任一个输入模式Xp,若相应有输出层中第k个神经元的期 望输出Opk，则输出层的输出方差可以表示为<formula>formula see original document page 18</formula> (10)
式中，Opk代表期望输出，ypk代表实际输出。反向误差传播学习的目的是修改连 接权w值，使E达到最小值。这就要求连接权wkj， w」i应沿Ep的负梯度方向学习。
所以Wkj的修正量为
formula>formula see original document page 18</formula> (11)
式中，"为学习速率调整因子。
4) EGA优化模块IO，具体实现如下
选择算子采用轮盘转法，选择规则如下设群体大小为n，个体i的适应度 为fi，则个体i被选择的概率P表示为-
<formula>formula see original document page 18</formula> (12)
交叉算子采用算术交叉的交叉策略，并在传统交叉算子的基础上作了如下改变<formula>formula see original document page 18</formula> (13)<formula>formula see original document page 18</formula> (14)
式中a为[-0.25， 1.25]区间上的随机数，parentl、 parent2为父代个体矢量， childl、 child2为交叉产生的子代个体矢量。较之传统的算术交叉算子，子代个体 不再局限在父代个体的连线上，克服了搜索空间不断收縮，容易早熟的缺点。
变异算子采用均匀变异，设个体取值范围为[a,b]，基因ai的值将被变异为-
式中y为
上的随机数。模型更新模块ll，用于模型的在线更新，定期将 离线化验数据输入到训练集中，更新神经网络模型。
实施例2
参照图l、图2和图3， 一种基于EGA优化的丙烯聚合生产过程最优软测量 方法，所述软测量方法主要包括以下步骤
1) 、对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测 变量作为模型的输入，操作变量和易测变量由DCS数据库获得；
2) 、对样本数据进行预处理，对输入变量中心化，即减去变量的平均值；再对输
入变量预白化处理即变量去相关，对输入变量施加一个线性变换；
3) 、对经过预处理的数据进行独立成分分析，包括
(3.1) 选择随机初始权值B;
(3.2) 对B进行迭代更新，B+= E{ xg ( BTx) } - E{ g'( B丁x) } B;
式中，B+表示更新后的权值，BT是B的转置，g'是g的倒数，E是数学期 望，x是矩阵X的矢量；
(3.3) 4B = B+/li B+ II ; 式中，ll.ll表示泛数；
(3.4) 判断是否收敛， II B+ —B ||<epsilon (6) 式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；
(3.5) 存储B;
然后，由式(2)计算各分离分量
Y = BX (2)
式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵； 分离结果独立性的测度，采用基于负熵的独立性判别准则 J(y)"[E{G(y)}-E{G(y)}2] (3) 式中G(，)为非二次函数，y是矩阵Y的矢量；选择
G(y) -exp(-y2 /2) (4) 式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；
估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准
则的非高斯性最大化，取
g(x)，p(-x2/2) (5);
式中函数g(')为函数G(，)的倒数；
神经网络建模模块，用于采用BP神经网络，通过误差函数最小化来完成输入到 输出的一种高度非线性映射，映射中保持拓扑不变性；
4) 、基于模型输入、输出数据建立初始神经网络模型，采用BP神经网络，设BP
神经网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐
含层中任一神经元j的输出为yj，则有-
=Zw&i乂
' (7)
(8)
式中，Wkj是神经元k与神经元j之间的连接权，f(-)为神经元的输出函数，通常取 为Sigmoid函数，表示为
/0" = l/(l + e-(netk+/%)/" (9)
式中，hk为神经元k的阈值，6o为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元 的期望输出Opk，则输出层的输出方差表示为
(10)
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连
接权W值，使E达到最小值；要求连接权Wkj， Wji应沿Ep的负梯度方向学习；所 以Wkj的修正量为
認
式中，yg为学习速率调整因子；
5) 、采用EGA优化方法优化初始神经网络的权值参数，采用轮盘转法作为选择 算子，选择规则如下设群体大小为n，个体i的适应度为fi，则个体i被选择的 概率P表示为-<formula>formula see original document page 21</formula> (12)
交叉算子采用算术交叉的交叉策略，并在传统交叉算子的基础上作了如下改
变
<formula>formula see original document page 21</formula> (13)<formula>formula see original document page 21</formula> (14)
式中a为[-0.25, 1.25]区间上的随机数，parentl、 parent2为父代个体矢量， childl、 child2为交叉产生的子代个体矢量；
变异算子采用均匀变异，设个体取值范围为[a,b]，基因q的值将被变异为<formula>formula see original document page 21</formula> (15)
式中y为
上的随机数。
进一步，在所述的步骤2)中，采用主成分分析方法实现预白化处理。
本实施例的方法具体实施步骤如下
步骤l:对丙烯聚合生产过程对象1，根据工艺分析和操作分析，选择操作 变量和易测变量作为模型的输入。操作变量和易测变量由DCS数据库4获得。 步骤2:对样本数据进行预处理，由数据预处理模块7完成。 步骤3:对经过预处理的数据进行独立成分分析，由ICA独立成分分析模块
8完成。
步骤4:基于模型输入、输出数据建立初始神经网络模型9。输入数据如步
骤1所述获得，输出数据由离线化验获得。
步骤5:由EGA优化方法10优化初始神经网络8的权值参数。
步骤6:模型更新模块11定期将离线化验数据输入到训练集中，更新神经
网络模型，基于EGA优化BP神经网络的最优软测量模型5建立完成。
步骤7:熔融指数软测量值显示仪6显示基于EGA优化BP神经网络的最优
软测量模型5的输出，完成对丙烯聚合生产过程熔融指数的最优软测量的显示。
权利要求
1、一种基于EGA优化的丙烯聚合生产过程最优软测量仪表，包括丙烯聚合生产过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库以及熔融指数软测量值显示仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、控制站与DCS数据库连接，其特征在于所述软测量仪表还包括基于EGA优化的最优软测量模型，所述DCS数据库与所述基于EGA优化的最优软测量模型的输入端连接，所述基于EGA优化的最优软测量模型的输出端与熔融指数软测量值显示仪连接，所述基于EGA优化的最优软测量模型包括数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换；ICA独立成分分析模块，用于从经过数据预处理的线性混合数据中恢复出基本源信号，包括(3. 1)选择随机初始权值B；(3. 2)对B进行迭代更新，B+＝E{xg(BTx)}-E{g′(BTx)}B；式中，B+表示更新后的权值，BT是B的转置，g′是g的倒数，E是数学期望，x是矩阵X的矢量；(3. 3)让B＝B+/‖B+‖；式中，‖. ‖表示泛数；(3. 4)判断是否收敛，‖B+—B‖<epsilon(6)式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；(3. 5)存储B；然后，由式(2)计算各分离分量Y＝BX(2)式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；分离结果独立性的测度，采用基于负熵的独立性判别准则J(y)∝[E{G(y)}-E{G(y)}2] (3)式中G(·)为非二次函数，y是矩阵Y的矢量；选择:G(y)＝-exp(-y2/2)(4)式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准则的非高斯性最大化，取:g(x)＝xexp(-x2/2)(5)；式中函数g(·)为函数G(·)的倒数；神经网络建模模块，用于采用BP神经网络，设BP神经网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输出为yj，则有yk＝f(netk) (8)式中，wkj是神经元k与神经元j之间的连接权，f(·)为神经元的输出函数，通常取为Sigmoid函数，表示为式中，hk为神经元k的阈值，θ0为陡度参数，用以调节Sigmoid函数的陡度；令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元的期望输出Opk，则输出层的输出方差表示为式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连接权w值，使E达到最小值；要求连接权wkj，wji应沿Ep的负梯度方向学习；所以wkj的修正量为式中，β为学习速率调整因子；EGA优化模块，用于采用轮盘转法作为选择算子，选择规则如下设群体大小为n，个体i的适应度为fi，则个体i被选择的概率P表示为交叉算子采用算术交叉的交叉策略，并在传统交叉算子的基础上作了如下改变child1＝parent1+α×(parent2-parent1)(13)child2＝parent2+α×(parent1-parent2)(14)式中α为[-0. 25，1.25]区间上的随机数，parent1、parent2为父代个体矢量，child1、child2为交叉产生的子代个体矢量；变异算子采用均匀变异，设个体取值范围为[a，b]，基因σi的值将被变异为σi′＝a+γ×(b-a) (15)式中γ为
上的随机数。
2、 如权利要求1所述的基于EGA优化的丙烯聚合生产过程最优软测量仪表，其 特征在于所述基于EGA优化的最优软测量模型还包括模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更 新神经网络模型。
3、 如权利要求1或2所述的基于EGA优化的丙烯聚合生产过程最优软测量仪表， 其特征在于在所述的数据预处理模块中，采用主成分分析方法实现预白化处理。
4、 一种用如权利要求1所述的基于EGA优化的丙烯聚合生产过程最优软测量仪表实现的软测量方法，其特征在于所述软测量方法主要包括以下步骤1) 、对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入，操作变量和易测变量由DCS数据库获得；2) 、对样本数据进行预处理，对输入变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换；3) 、对经过预处理的数据进行独立成分分析，包括(3.1) 选择随机初始权值B;(3.2) 对B进行迭代更新，B+= E{ xg ( BTx) } - E{ g'( BTx) } B;式中，B+表示更新后的权值，BT是B的转置，g'是g的倒数，E是数学期 望，x是矩阵X的矢量；(3.3) &B = B+/||B+ II ; 式中，ll.ll表示泛数；(3.4) 判断是否收敛， II B+ —B ||<epsilon (6) 式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续； (3.5)存储B;然后，由式(2)计算各分离分量Y=BX (2)式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；分离结果独立性的测度，采用基于负熵的独立性判别准则J(y)"[E{G(y)}-E{G(y)}2] (3)式中G(O为非二次函数，y是矩阵Y的矢量；选择G(y) :-exp(-y2 /2) (4)式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准 则的非高斯性最大化，取g(x)=xexp(-x2 / 2) (5); 式中函数g( )为函数G(O的倒数；神经网络建模模块，用于采用BP神经网络，通过误差函数最小化来完成输入到 输出的一种高度非线性映射，映射中保持拓扑不变性；4)、基于模型输入、输出数据建立初始神经网络模型，采用BP神经网络，设BP 神经网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输出为y」，则有<formula>formula see original document page 5</formula>(7)<formula>formula see original document page 5</formula>(8)式中，Wkj是神经元k与神经元j之间的连接权，f(，)为神经元的输出函数，通常 取为Sigmoid函数，表示为/(碼)二l/(l + e-一), (9) 式中，hk为神经元k的阈值，eo为陡度参数，用以调节Sigmoid函数的陡度； 令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元的期望输出Opk，则输出层的输出方差表示为<formula>formula see original document page 5</formula> (10)式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连接权W值，使E达到最小值；要求连接权Wkj， Wji应沿Ep的负梯度方向学习；所 以Wkj的修正量为 眠式中，P为学习速率调整因子；5)、采用EGA优化方法优化初始神经网络的权值参数，采用轮盘转法作为选择 算子，选择规则如下设群体大小为n，个体i的适应度为fi，则个体i被选择的 概率P表示为尸户1 (12) 交叉算子采用算术交叉的交叉策略，并在传统交叉算子的基础上作了如下改变c/z / W1=戸re +a x (pare W 2-戸re w/" 1) (i g)式中a为[-0.25， 1.25]区间上的随机数，parentl、 parent2为父代个体矢量， childl、 child2为交叉产生的子代个体矢量；变异算子采用均匀变异，设个体取值范围为[a,b]，基因Oi的值将被变异为^V'二針"(") (15)式中y为[O，l]上的随机数。
5、 如权利要求4所述的软测量方法，其特征在于所述软测量方法还包括以下步骤6)、定期将离线化验数据输入到训练集中，更新神经网络模型。
6、 如权利要求4或5所述的软测量方法，其特征在于在所述的步骤2)中，采 用主成分分析方法实现预白化处理。
全文摘要
一种基于EGA优化的丙烯聚合生产过程最优软测量仪表，包括丙烯聚合生产过程、现场智能仪表、控制站、存放数据的DCS数据库、基于EGA优化的最优软测量模型以及熔融指数软测量值显示仪，现场智能仪表及控制站与丙烯聚合生产过程相连，与DCS数据库相连；最优软测量模型与DCS数据库及软测量值显示仪相连。所述的基于EGA优化的最优软测量模型包括数据预处理模块、ICA独立成分分析模块、BP神经网络建模模块以及EGA优化模块。以及提供了一种用软测量仪表实现的软测量方法。本发明实现在线测量、在线参数自动优化、计算速度快、模型自动更新、抗干扰能力强、精度高。
文档编号G06N3/04GK101382801SQ20081021581
公开日2009年3月11日 申请日期2008年8月27日 优先权日2008年6月25日
发明者刘兴高, 巍 楼 申请人:浙江大学