专利名称：连续搅拌反应釜的变搜索空间rna遗传算法建模方法
技术领域：
本发明涉及一种连续搅拌反应釜的变搜索空间RNA遗传算法建模方法。
背景技术：
随着化工生产的大规模化，化工过程变得越来越复杂。为了提高产品质量和收率，通常需要在分析化工过程机理的基础上建立精度比较高的模型。但是由于化工过程中的不确定性和变量之间相互耦合关系的存在，使化工过程的建模问题变成一个非常棘手的任务。在化工生产中，在主要反应发生的同时还伴随未知或者不可测的伴生反应，这就给建模问题增加了难度。通常对化工过程建模采用传统的机理建模方法，即分析化学反应过程的机理，考虑主要因素，忽略次要因素，建立化工过程的机理模型。由于化学反应的复杂性，很难得到理想的机理模型。如果模型过于简单，考虑的因素过少，则建立的模型不能反应实际情况，而如果模型过于复杂，则不仅增加了建模的复杂度，而且在工况发生微小变动的情况下，建模精度会明显下降。针对机理模型的不足，近年来，采用人工神经网络的建模方法得到了迅速发展。由于神经网络具有拟合任意的非线性函数的能力，因此神经网络用于化工过程建模成为广泛关注的研究热点之一，对神经网络参数进行优化，能有效提高神经网络的建模性能。连续揽拌反应爸(Continuous Stirred Tank Reactor,简称CSTR)是典型的化工过程的反应装置。在连续搅拌反应釜内进行的反应具有强非线性，强耦合的特点。对连续搅拌反应釜内进行的反应建模、状态估计和实时控制等问题，近年来受到研究者和工程师们的关注。CSTR的控制性能受到多方面因素的影响，主要是由于对其反应机理缺乏足够清晰的认识，以及 过程本身存在的严重敏感性和非线性，这些都使得对CSTR过程的建模变得相当困难。而作为化工过程的一个重要单元，连续搅拌反应釜模型的精度和复杂度又严重影响着后继的控制效果，最终影响到产品的质量。CSTR过程是一类具有强非线性的复杂化工过程，采用传统的建模方法获得的模型难以反映真实的特性。CSTR过程的原理图如
图1所示，图1为A —B的单级不可逆放热反应,该反应过程可用如下的一阶非线性微分方程来描述:
(JC.0I.:-L = ^7U',..-cA)-K0CAew(-—)
at Vli(
J/ Q ,.,Δ//Kt)( ^./:, 、 Pcc pc..., h.A.,— = 77(Λ -Τ)---exP1-^~-(.1.Ll-exp(--~—)](/,； -1)
dt V jPCpRt PCpQcPfi pc上式中，Ca是反应器组份A的浓度；T是反应温度；Tef是连续搅拌反应釜内夹套内的循环冷却剂的温度；Q是反应物进料流量；CAF是进料浓度；Tf是进料温度；V是反应体积；Qc是冷却剂流量A是预指数因子；E是活化能；ΛΗ是反应热；Cp是热容量。
发明内容
本发明的目的是针对连续搅拌反应釜传统机理建模技术的不足，提供一种连续搅拌反应釜的变搜索空间RNA遗传算法建模方法，从而得到精度高的连续搅拌反应釜的输入、输出模型。实现上述目的，本发明所采取的技术方案是:本发明连续搅拌反应釜的变搜索空间RNA遗传算法建模方法包括以下步骤:(I)对连续搅拌反应釜采集的每一组输入数据和对应的输出数据分别进行去量纲归一化处理；所述输入数据包括连续搅拌反应釜内夹套内的循环冷却剂的温度和进料流量，所述输出数据包括需监控的反应物浓度转化率；(2)利用去量纲归一化处理后的输入数据和输出数据建立连续搅拌反应釜的RBF神经网络模型，其中，所述RBF神经网络模型中的基函数采用薄板样条函数；(3)利用去量纲归一化处理后的输入数据和输出数据，采用变搜索空间RNA遗传算法对所述RBF神经网络模型中的隐层节点数、基函数中心点的取值进行优化，使得连续搅拌反应釜的RBF神经网络模型的输出误差最小；在进行所述优化的过程中，RBF神经网络模型的输出层权值采用递推最小二乘法得到。进一步地，本发明所述变搜索空间RNA遗传算法的方法如下:I)对置换概率、转位交叉概率、变异概率、种群的最大进化代数、RBF神经网络模型的输出层权值递推的当前值分别进行初始化，初始化后的置换概率为O 1、转位交叉概率为O 1、变异概率为O 0.5、RBF神经网络模型的输出层权值递推的当前值为O 1，种群的最大进化代数为500 1000代；2)随机生成一个种群，种群的规模为I 80个，种群中的每个个体变量的当前搜索空间为O 1，种群中的每个个体采用定长碱基编码方式，种群中的每个个体的变量个数如式(I)所示:n=2Xnmax r(I)式(I)中，η为种群中的每个个体的变量个数，nmax r为RBF神经网络模型的基函数中心点的最大个数，nmax r为I 60个；3)将种群中的每个个体利用式(2)所示的公式解码成当前搜索空间内的实数解:
权利要求
1.一种连续搅拌反应釜的变搜索空间RNA遗传算法建模方法，其特征在于，包括以下步骤: (1)对连续搅拌反应釜采集的每一组输入数据和对应的输出数据分别进行去量纲归一化处理；所述输入数据包括连续搅拌反应釜内夹套内的循环冷却剂的温度和进料流量，所述输出数据包括需监控的反应物浓度转化率； (2)利用去量纲归一化处理后的输入数据和输出数据建立连续搅拌反应釜的RBF神经网络模型，其中，所述RBF神经网络模型中的基函数采用薄板样条函数； (3)利用去量纲归一化处理后的输入数据和输出数据，采用变搜索空间RNA遗传算法对所述RBF神经网络模型中的隐层节点数、基函数中心点的取值进行优化，使得连续搅拌反应釜的RBF神经网络模型 的输出误差最小；在进行所述优化的过程中，RBF神经网络模型的输出层权值采用递推最小二乘法得到。
2.根据权利要求1所述的连续搅拌反应釜的变搜索空间RNA遗传算法建模方法，其特征在于，所述变搜索空间RNA遗传算法的方法如下: 1)对置换概率、转位交叉概率、变异概率、种群的最大进化代数、RBF神经网络模型的输出层权值递推的当前值分别进行初始化，初始化后的置换概率为O 1、转位交叉概率为O 1、变异概率为O 0.5、RBF神经网络模型的输出层权值递推的当前值为O 1，种群的最大进化代数为500 1000代； 2)随机生成一个种群，种群的规模为I 80个，种群中的每个个体变量的当前搜索空间为O 1，种群中的每个个体采用定长碱基编码方式，种群中的每个个体的变量个数如式(1所示: n=2Xnmax r(1) 式(1)中，η为种群中的每个个体的变量个数，nmax r为RBF神经网络模型的基函数中心点的最大个数，nmax r为I 60个； 3)将种群中的每个个体利用式(2)所示的公式解码成当前搜索空间内的实数解:
3.根据权利要求2所述的连续搅拌反应釜的变搜索空间RNA遗传算法建模方法，其特征在于，所述“应用变搜索空间策略对种群中的每个个体变量的搜索空间进行变换”包括以下步骤: a)从种群中选取适应度值最大的d个个体和种群中的最优个体X*，d为I 80，所述最优个体为种群中适应度值最大的一个个体，利用式(5)所示的公式计算种群中的每个个体的各个变量的新的搜索空间的“参考点”:
全文摘要
本发明公开了一种连续搅拌反应釜的变搜索空间RNA遗传算法建模方法，包括(1)对连续搅拌反应釜采集的每一组输入数据和对应的输出数据分别进行去量纲归一化处理；输入数据包括连续搅拌反应釜内夹套内的循环冷却剂温度和进料流量，输出数据包括需监控的反应物浓度转化率；(2)利用去量纲归一化处理后的输入和输出数据建立连续搅拌反应釜的RBF神经网络模型，其中，RBF神经网络模型中的基函数采用薄板样条函数；(3)利用去量纲归一化处理后的输入和输出数据，采用变搜索空间RNA遗传算法对RBF神经网络模型中的隐层节点数、基函数中心点的取值进行优化，使得RBF神经网络模型的输出误差最小；在优化过程中，RBF神经网络模型的输出层权值采用递推最小二乘法得到。
文档编号G06N3/12GK103177291SQ20131013982
公开日2013年6月26日 申请日期2013年4月19日 优先权日2013年4月19日
发明者王宁, 王康泰 申请人:浙江大学