基于群智尋優(yōu)的丙烯聚合生產(chǎn)過程在線預(yù)報(bào)系統(tǒng)和方法
【專利摘要】本發(fā)明公開了一種群智尋優(yōu)的丙烯聚合生產(chǎn)過程最優(yōu)在線預(yù)報(bào)系統(tǒng)，包括丙烯聚合生產(chǎn)過程、現(xiàn)場智能儀表、控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于群智尋優(yōu)的最優(yōu)在線預(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)在線預(yù)報(bào)系統(tǒng)與DCS數(shù)據(jù)庫及預(yù)報(bào)值顯示儀相連。所述的基于群智尋優(yōu)的最優(yōu)在線預(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)模型模塊以及群智優(yōu)化模塊。以及提供了一種用在線預(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)在線測量、在線參數(shù)優(yōu)化、預(yù)報(bào)速度快、模型自動更新、抗干擾能力強(qiáng)、精度高。
【專利說明】基于群智尋優(yōu)的丙烯聚合生產(chǎn)過程在線預(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)在線預(yù)報(bào)系統(tǒng)及方法，具體是一種基于群智尋優(yōu)的丙烯聚合生產(chǎn)過程最優(yōu)在線預(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最快的通用熱塑性樹脂，總量僅僅次于聚乙烯和聚氯乙烯。為使我國聚丙烯產(chǎn)品具有市場競爭力，開發(fā)剛性、韌性、流動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)品牌號的重要質(zhì)量指標(biāo)之一，它決定了產(chǎn)品的不同用途，對熔融指數(shù)的測量是聚丙烯生產(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)常會堵塞而測量不準(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量、在線參數(shù)優(yōu)化、預(yù)報(bào)速度快、模型自動更新、抗干擾能力強(qiáng)、精度高的基于群智尋優(yōu)的丙烯聚合生產(chǎn)過程熔融指數(shù)最優(yōu)在線預(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:一種基于群智尋優(yōu)的丙烯聚合生產(chǎn)過程最優(yōu)在線預(yù)報(bào)系統(tǒng)，包括丙烯聚合生產(chǎn)過程、用于測量易測變量的現(xiàn)場智能儀表、用于測量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于群智尋優(yōu)的最優(yōu)在線預(yù)報(bào)系統(tǒng)以及熔融指數(shù)預(yù)報(bào)顯示儀，所述現(xiàn)場智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場智能儀表、控制站與DCS數(shù)據(jù)庫連接，所述DCS數(shù)據(jù)庫與基于群智尋優(yōu)的最優(yōu)在線預(yù)報(bào)系統(tǒng)的輸入端連接，所述基于群智尋優(yōu)的最優(yōu)在線預(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:所述基于群智尋優(yōu)的最優(yōu)在線預(yù)報(bào)系統(tǒng)包括:
[0007](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)，通過對輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=MU得到，其中M為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對原始數(shù)據(jù)進(jìn)行重構(gòu)，可由M=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)，M=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RBF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)洳蛔冃裕?br> [0010](4)、群智優(yōu)化模塊，用于采用基于群智算法的優(yōu)化模塊對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，包括:
[0011](4.1)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=G1, 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m,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gen=0 ；
[0012](4.2)計(jì)算出解集S對應(yīng)的適應(yīng)度值FiQ=I, 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)
[0013]
【權(quán)利要求】
1.一種群智尋優(yōu)的丙烯聚合生產(chǎn)過程最優(yōu)在線預(yù)報(bào)系統(tǒng)，包括丙烯聚合生產(chǎn)過程、用于測量易測變量的現(xiàn)場智能儀表、用于測量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于群智尋優(yōu)的最優(yōu)在線預(yù)報(bào)系統(tǒng)以及熔融指數(shù)預(yù)報(bào)顯示儀，所述現(xiàn)場智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場智能儀表、控制站與DCS數(shù)據(jù)庫連接，所述DCS數(shù)據(jù)庫與基于群智尋優(yōu)的最優(yōu)在線預(yù)報(bào)系統(tǒng)的輸入端連接，所述基于群智尋優(yōu)的最優(yōu)在線預(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:所述基于群智尋優(yōu)的最優(yōu)在線預(yù)報(bào)系統(tǒng)包括: (1)、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)，通過對輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=MU得到，其中M為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對原始數(shù)據(jù)進(jìn)行重構(gòu)，可由M=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)，M=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RBF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)洳蛔冃裕? (4)、群智優(yōu)化模塊，用于采用基于群智算法的優(yōu)化模塊對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，包括: (4.1)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),n為初始解的個(gè)數(shù)，sn為第n個(gè)初始解。確定蟻群的大小m，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gen=0 ； (4.2)計(jì)算出解集S對應(yīng)的適應(yīng)度值Fi (i=l, 2，…，n)，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，…，n)
2.一種用如權(quán)利要求1所述的群智尋優(yōu)的聚丙烯生產(chǎn)過程最優(yōu)在線預(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)對丙烯聚合生產(chǎn)過程對象，根據(jù)工藝分析和操作分析，選擇操作變量和易測變量作為模型的輸入，一般操作變量和易測變量取溫度、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)對樣本數(shù)據(jù)進(jìn)行預(yù)處理，對輸入變量中心化，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)，通過對輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=MU得到，其中M為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對原始數(shù)據(jù)進(jìn)行重構(gòu)，可由M=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)，M=CUT+E，其中E為殘差矩陣； (5.4)基于模型輸入、輸出數(shù)據(jù)建立初始神經(jīng)網(wǎng)絡(luò)模型，采用RBF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? (5.5)采用基于群智算法的優(yōu)化模塊對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，包括: (5.5.1)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m，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gen=0 ； (5.5.2)計(jì)算出解集S對應(yīng)的適應(yīng)度值Fi (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)
【文檔編號】G05B19/418GK103955170SQ201310659575
【公開日】2014年7月30日 申請日期: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, 趙成業(yè), 李九寶, 周葉翔, 張志猛 申請人:浙江大學(xué)