基于bp多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程預(yù)報(bào)系統(tǒng)和方法
【專利摘要】本發(fā)明公開了一種基于BP多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)，包括丙烯聚合生產(chǎn)過程、現(xiàn)場(chǎng)智能儀表、控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)以及熔融指數(shù)預(yù)報(bào)值顯示儀?，F(xiàn)場(chǎng)智能儀表及控制站與丙烯聚合生產(chǎn)過程相連，與DCS數(shù)據(jù)庫相連；最優(yōu)預(yù)報(bào)系統(tǒng)與DCS數(shù)據(jù)庫及預(yù)報(bào)值顯示儀相連。所述的基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)包括模型更新模塊、數(shù)據(jù)預(yù)處理模塊、PCA主成分分析模塊、神經(jīng)網(wǎng)絡(luò)模型模塊、神經(jīng)網(wǎng)絡(luò)智能多模優(yōu)化模塊。以及提供了一種用預(yù)報(bào)系統(tǒng)實(shí)現(xiàn)的預(yù)報(bào)方法。本發(fā)明實(shí)現(xiàn)在線測(cè)量、在線參數(shù)優(yōu)化、預(yù)報(bào)速度快、模型自動(dòng)更新、抗干擾能力強(qiáng)、精度高。
【專利說明】基于BP多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程預(yù)報(bào)系統(tǒng)和方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種最優(yōu)預(yù)報(bào)系統(tǒng)及方法，具體是一種基于BP多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)及方法。
【背景技術(shù)】
[0002]聚丙烯是由丙烯聚合而制得的一種熱塑性樹脂，丙烯最重要的下游產(chǎn)品，世界丙烯的50%，我國(guó)丙烯的65%都是用來制聚丙烯，是五大通用塑料之一，與我們的日常生活密切相關(guān)。聚丙烯是世界上增長(zhǎng)最快的通用熱塑性樹脂，總量?jī)H僅次于聚乙烯和聚氯乙烯。為使我國(guó)聚丙烯產(chǎn)品具有市場(chǎng)競(jìng)爭(zhēng)力，開發(fā)剛性、韌性、流動(dòng)性平衡好的抗沖共聚產(chǎn)品、無規(guī)共聚產(chǎn)品、BOPP和CPP薄膜料、纖維、無紡布料，及開發(fā)聚丙烯在汽車和家電領(lǐng)域的應(yīng)用，都是今后重要的研究課題。
[0003]熔融指數(shù)是聚丙烯產(chǎn)品確定產(chǎn)品牌號(hào)的重要質(zhì)量指標(biāo)之一，它決定了產(chǎn)品的不同用途，對(duì)熔融指數(shù)的測(cè)量是聚丙烯生產(chǎn)中產(chǎn)品質(zhì)量控制的一個(gè)重要環(huán)節(jié)，對(duì)生產(chǎn)和科研，都有非常重要的作用和指導(dǎo)意義。
[0004]然而，熔融指數(shù)的在線分析測(cè)量目前很難做到，一方面是在線熔融指數(shù)分析儀的缺乏，另一方面是現(xiàn)有的在線分析儀由于經(jīng)常會(huì)堵塞而測(cè)量不準(zhǔn)甚至無法正常使用所導(dǎo)致的使用上的困難。因此，目前工業(yè)生產(chǎn)中MI的測(cè)量，主要是通過人工取樣、離線化驗(yàn)分析獲得，而且一般每2-4小時(shí)只能分析一次，時(shí)間滯后大，給丙烯聚合生產(chǎn)的質(zhì)量控制帶來了困難，成為生產(chǎn)中急需解決的一個(gè)瓶頸問題。聚丙烯熔融指數(shù)的在線預(yù)報(bào)系統(tǒng)及方法研究，從而成為學(xué)術(shù)界和工業(yè)界的一個(gè)前沿和熱點(diǎn)。

【發(fā)明內(nèi)容】

[0005]為了克服目前已有的丙烯聚合生產(chǎn)過程的測(cè)量精度不高、易受人為因素的影響的不足，本發(fā)明的目的在于提供一種在線測(cè)量、在線參數(shù)優(yōu)化、預(yù)報(bào)速度快、模型自動(dòng)更新、抗干擾能力強(qiáng)、精度高的基于BP多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程熔融指數(shù)最優(yōu)預(yù)報(bào)系統(tǒng)及方法。
[0006]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:
[0007]—種基于BP多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)，包括丙烯聚合生產(chǎn)過程、用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、用于測(cè)量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)以及熔融指數(shù)預(yù)報(bào)顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫連接，所述DCS數(shù)據(jù)庫與基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)的輸入端連接，所述基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)的輸出端與熔融指數(shù)預(yù)報(bào)顯示儀連接，其特征在于:所述基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)包括:(I )、數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進(jìn)行預(yù)處理，對(duì)輸入變量中心化，即減去變量的平均值；再進(jìn)行歸一化處理，即除以變量值的變化區(qū)間；
[0008](2)、PCA主成分分析模塊，用于將輸入變量預(yù)白化處理及變量去相關(guān)，通過對(duì)輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=xU得到，其中χ為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)，可由X=CUt計(jì)算，其中上標(biāo)T表示矩陣的轉(zhuǎn)置。當(dāng)選取的主成分?jǐn)?shù)目小于輸入變量的變量個(gè)數(shù)時(shí)，x=CUT+E，其中E為殘差矩陣；
[0009](3)、神經(jīng)網(wǎng)絡(luò)模型模塊，用于采用BP神經(jīng)網(wǎng)絡(luò)、通過誤差函數(shù)最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓?fù)洳蛔冃?；需要建立若干子神?jīng)網(wǎng)絡(luò)，第一個(gè)子BP網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是預(yù)報(bào)結(jié)果與實(shí)際結(jié)果差距J1最??；
[0010]
【權(quán)利要求】
1.一種基于BP多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)，包括丙烯聚合生產(chǎn)過程、用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、用于測(cè)量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)以及熔融指數(shù)預(yù)報(bào)顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫連接，所述DCS數(shù)據(jù)庫與基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)的輸入端連接，所述基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)的輸出端與熔融指數(shù)預(yù)報(bào)顯示儀連接，其特征在于:所述基于BP多模網(wǎng)絡(luò)的最優(yōu)預(yù)報(bào)系統(tǒng)包括:(I )、數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進(jìn)行預(yù)處理，對(duì)輸入變量中心化，即減去變量的平均值；再進(jìn)行歸一化處理，即除以變量值的變化區(qū)間； (2)、PCA主成分分析模塊，用于將輸入變量預(yù)白化處理及變量去相關(guān)，通過對(duì)輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=xU得到，其中χ為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)，可由X=CUt計(jì)算，其中上標(biāo)T表示矩陣的轉(zhuǎn)置。當(dāng)選取的主成分?jǐn)?shù)目小于輸入變量的變量個(gè)數(shù)時(shí)，x=CUT+E，其中E為殘差矩陣； (3)、神經(jīng)網(wǎng)絡(luò)模型模塊，用于采用BP神經(jīng)網(wǎng)絡(luò)、通過誤差函數(shù)最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓?fù)洳蛔冃?；需要建立若干子神?jīng)網(wǎng)絡(luò)，第一個(gè)子BP網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是預(yù)報(bào)結(jié)果與實(shí)際結(jié)果差距J1最??；
N1=1 N為樣本數(shù)目，χ為輸入變量，I為樣本點(diǎn)序號(hào)，匕(.)為子網(wǎng)絡(luò)預(yù)報(bào)結(jié)果，d(.)為實(shí)際結(jié)果。 從第二個(gè)子網(wǎng)絡(luò)開始， 訓(xùn)練目標(biāo)變?yōu)槭沟镁W(wǎng)絡(luò)的預(yù)報(bào)誤差盡可能小，同時(shí)網(wǎng)絡(luò)的預(yù)報(bào)結(jié)果與之前的網(wǎng)絡(luò)預(yù)報(bào)結(jié)果又盡可能大的差異，目標(biāo)函數(shù)如下: I N， λ N2 Ji= Σ (Fi (-V.) - d(X/))- - Σ (廠(X1) — F(X1))(9) Ji為前i個(gè)子網(wǎng)絡(luò)的訓(xùn)練目標(biāo)，匕(.)為第i個(gè)網(wǎng)絡(luò)的預(yù)報(bào)結(jié)果；d(.)為實(shí)際結(jié)果；F(.)為前1-Ι個(gè)子網(wǎng)絡(luò)的綜合結(jié)果；λ為調(diào)節(jié)參數(shù)，N為樣本數(shù)目。 訓(xùn)練的終止條件為將得到的新的子網(wǎng)絡(luò)加入多模神經(jīng)網(wǎng)絡(luò)后，網(wǎng)絡(luò)群的預(yù)報(bào)誤差不再減小。 采用一種連續(xù)空間蟻群算法對(duì)每個(gè)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和最優(yōu)化，具體步驟為:(a)算法初始化，根據(jù)待優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)造出初始的解集S= (Sl，S2,..., sn), η為初始解的個(gè)數(shù)，sn為第η個(gè)初始解，確定蟻群的大小Μ，設(shè)置蟻群尋優(yōu)算法迭代次數(shù)的閾值MaxGen并初始化蟻群尋優(yōu)的迭代次數(shù)序號(hào)gen=0 ； (b)計(jì)算出解集S對(duì)應(yīng)的適應(yīng)度值Gi(i=l, 2，...，η)，適應(yīng)度值越大代表解越好；再根據(jù)下式確定解集中每個(gè)解被取到作為螞蟻尋優(yōu)的初始解的概率Pi (i=l, 2，...，η) PM) = ~(a = l，2,~,ra)(3)
Y a

1 η為初始解的個(gè)數(shù)，sn為第η個(gè)初始解,k為迭代次數(shù)。初始化執(zhí)行尋優(yōu)算法的螞蟻編號(hào) a=0 ； (c)螞蟻a選取S中的一個(gè)解作為尋優(yōu)的初始解，選取規(guī)則是根據(jù)P來做輪盤選；(d)螞蟻a在選取的初始解的基礎(chǔ)上進(jìn)行尋優(yōu)，找到更好的解s’a ； (e)如果a〈M,則a=a+l,返回步驟c;否則繼續(xù)向下執(zhí)行步驟f ； Cf)如果gen〈MaxGen,則gen=gen+l,使用步驟d中所有螞蟻得到的更好的解取代S中的對(duì)應(yīng)解，返回步驟b ;否則向下執(zhí)行步驟g ; (g)計(jì)算出解集S對(duì)應(yīng)的適應(yīng)度值Ga(a=l, 2，...，η)，選取適應(yīng)度值最大的解作為算法的最優(yōu)解，結(jié)束算法并返回。 每一只螞蟻在它選定的初始解的基礎(chǔ)上尋優(yōu)時(shí)會(huì)循環(huán)固定的次數(shù)，以提高算法的搜索到更好解的概率。 (4)、神經(jīng)網(wǎng)絡(luò)智能多模優(yōu)化模塊，用于對(duì)步驟(3)中的每個(gè)子網(wǎng)絡(luò)賦權(quán)值；依據(jù)是每個(gè)子網(wǎng)絡(luò)的預(yù)報(bào)誤差，誤差越小，權(quán)值越大；
2.一種用如權(quán)利要求1所述的基于BP多模網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)實(shí)現(xiàn)的預(yù)報(bào)方法，其特征在于:所述預(yù)報(bào)方法具體實(shí)現(xiàn)步驟如下: (5.1)對(duì)丙烯聚合生產(chǎn)過程對(duì)象，根據(jù)工藝分析和操作分析，選擇操作變量和易測(cè)變量作為模型的輸入，一般操作變量和易測(cè)變量取溫度、壓力、液位、氫氣氣相百分?jǐn)?shù)、3股丙烯進(jìn)料流速和2股催化劑進(jìn)料流速這些變量，由DCS數(shù)據(jù)庫獲得； (5.2)對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)輸入變量中心化，即減去變量的平均值；再進(jìn)行歸一化處理，即除以變量值的變化區(qū)間； (5.3)PCA主成分分析模塊，用于將輸入變量預(yù)白化處理及變量去相關(guān)，通過對(duì)輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=xU得到，其中χ為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)，可由X=CUt計(jì)算，其中上標(biāo)T表示矩陣的轉(zhuǎn)置。當(dāng)選取的主成分?jǐn)?shù)目小于輸入變量的變量個(gè)數(shù)時(shí)，x=CUT+E，其中E為殘差矩陣； (5.4)基于模型輸入、輸出數(shù)據(jù)建立若干個(gè)初始子神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)，通過誤差最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓?fù)洳蛔冃裕坏谝粋€(gè)子BP網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是預(yù)報(bào)結(jié)果與實(shí)際結(jié)果差距J1最??；
【文檔編號(hào)】G05B13/04GK103823369SQ201310658947
【公開日】2014年5月28日 申請(qǐng)日期:2013年12月9日 優(yōu)先權(quán)日:2013年12月9日
【發(fā)明者】劉興高, 李九寶 申請(qǐng)人:浙江大學(xué)