專利名稱：基于限定記憶部分最小二乘算法的4－cba含量在線軟測(cè)量建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法。
背景技術(shù)：
PTA(Prified Terephthalic Acid精對(duì)苯二甲酸)是生產(chǎn)聚酯纖維的主要原料之一。圖1顯示了阿莫科法(AMOCO)對(duì)二甲苯氧化反應(yīng)基本工藝流程，對(duì)二甲苯、醋酸、母液及催化劑鈷、錳、溴在混合罐中攪拌均勻，混合液送入氧化反應(yīng)器，同時(shí)進(jìn)入氧化反應(yīng)器的還有空氣。氧化過(guò)程分兩階段進(jìn)行，第一階段發(fā)生在氧化反應(yīng)器中，第二階段發(fā)生在第一結(jié)晶器中。反應(yīng)后的液體在后續(xù)的三個(gè)結(jié)晶器中經(jīng)過(guò)降壓，冷凝處理后再經(jīng)過(guò)過(guò)濾和干燥，得到對(duì)苯二甲酸(TA)和對(duì)羧基苯甲醛(4-CBA)，然后進(jìn)入后續(xù)單元經(jīng)過(guò)精制得到PTA。更為詳細(xì)的有關(guān)PX氧化反應(yīng)機(jī)理見(jiàn)文獻(xiàn)[1]。
4-CBA濃度是PTA產(chǎn)品中的主要雜質(zhì)及重要質(zhì)量指標(biāo)，在氧化反應(yīng)過(guò)程中，為了達(dá)到一定的轉(zhuǎn)化率和收率，要求對(duì)其進(jìn)行嚴(yán)格控制。但實(shí)際生產(chǎn)中，由于4-CBA含量無(wú)法在線測(cè)量，離線分析又滯后數(shù)小時(shí)，遠(yuǎn)遠(yuǎn)不能滿足控制要求。有兩種途徑來(lái)解決這一問(wèn)題，其一是研制在線分析儀；其二是使用軟測(cè)量技術(shù)。由于前者開(kāi)發(fā)周期長(zhǎng)，費(fèi)用昂貴，而且不易維護(hù)。因此最好的解決方案使用第二種途徑，即建立4-CBA含量的軟測(cè)量模型，在不增加硬件投資的前提下在線估計(jì)4-CBA含量值。
迄今為止，通常有三種方法來(lái)建立4-CBA含量軟測(cè)量模型，它們分別為機(jī)理建模方法、回歸建模方法和神經(jīng)網(wǎng)絡(luò)建模方法。
基于機(jī)理分析的建模方法主要根據(jù)PTA氧化反應(yīng)動(dòng)力學(xué)、物料平衡、能量平衡等關(guān)系，通過(guò)機(jī)理分析建立起4-CBA含量與可測(cè)的過(guò)程變量之間的數(shù)學(xué)模型，根據(jù)該模型和新檢測(cè)到的過(guò)程變量值即可實(shí)現(xiàn)對(duì)4-CBA含量的實(shí)時(shí)估計(jì)。有關(guān)4-CBA含量的機(jī)理建模方法見(jiàn)參考文獻(xiàn)[1]。
回歸建模方法可以細(xì)分為線性多元回歸和經(jīng)驗(yàn)回歸兩種。線性多元回歸建模方法見(jiàn)參考文獻(xiàn)[2]，該文分別使用了限定記憶遞推最小二乘算法、主成分回歸法和部分最小二乘算法來(lái)建立4-CBA含量的軟測(cè)量模型，仿真結(jié)果表明限定記憶遞推最小二乘方法所得的結(jié)果較好。經(jīng)驗(yàn)回歸方法一般指的是一些世界著名化學(xué)工業(yè)公司(如美國(guó)AMOCO、日本三井油化等)開(kāi)發(fā)的預(yù)測(cè)4-CBA含量的專利經(jīng)驗(yàn)回歸模型[4][5]。
文獻(xiàn)[5]給出了基于神經(jīng)網(wǎng)絡(luò)的4-CBA含量軟測(cè)量專利技術(shù)。該發(fā)明專利選取對(duì)二甲苯流量及在結(jié)晶器中進(jìn)行二次氧化的空氣流量和尾氧含量作為產(chǎn)品質(zhì)量指標(biāo)——4-CBA含量軟測(cè)量模型的輸入變量，利用PX流量表、空氣流量表、尾氧含量分析儀和現(xiàn)有TA生產(chǎn)裝置的DCS系統(tǒng)，采用神經(jīng)網(wǎng)絡(luò)模型，通過(guò)過(guò)程數(shù)據(jù)的實(shí)時(shí)、連續(xù)采集，將訓(xùn)練好的權(quán)值及閾值帶入模型并進(jìn)行計(jì)算，進(jìn)行對(duì)二甲苯氧化反應(yīng)產(chǎn)品中4-CBA含量的軟測(cè)量。文獻(xiàn)[6]提出了基于神經(jīng)網(wǎng)絡(luò)的4-CBA含量的在線軟測(cè)量技術(shù)。可以在線對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整?，F(xiàn)有的軟測(cè)量方法存在如下的一些缺點(diǎn)1)機(jī)理建模方法只能應(yīng)用于工藝機(jī)理清楚的工業(yè)過(guò)程，一旦過(guò)程復(fù)雜，而且工藝機(jī)理又不完全清楚，該方法不再適用。
2)經(jīng)驗(yàn)回歸模型本質(zhì)上是一靜態(tài)模型，沒(méi)有考慮對(duì)象的動(dòng)態(tài)特性。同時(shí)，與線性模型相比，結(jié)構(gòu)復(fù)雜。
3)神經(jīng)網(wǎng)絡(luò)建模方法事先需要采集大量的訓(xùn)練樣本，結(jié)構(gòu)復(fù)雜，模型的訓(xùn)練時(shí)間長(zhǎng)，不利于在線建模，且模型的推廣能力較差。
4)部分最小二乘建模方法和主成分分析方法只適用于定常系統(tǒng)的建模，如果過(guò)程對(duì)象具有慢時(shí)變特性，則原來(lái)的模型將不再適用。
5)限定記憶最小二乘建模方法雖然在一定程度上可以實(shí)現(xiàn)對(duì)具有慢時(shí)變特性的對(duì)象的建模，但是該算法要求輸入變量之間的相關(guān)程度小，如果輸入變量之間的相關(guān)性較大(即具有復(fù)共線性)，則用限定記憶最小二乘算法得到的模型的誤差較大。
參考文獻(xiàn)1)王麗軍.PX氧化動(dòng)力學(xué)研究及氧化反應(yīng)器模擬[D].杭州浙江大學(xué)，2001，26～31.
2)陳磊，姜捷，何衍慶.軟測(cè)量在PTA氧化反應(yīng)器出料質(zhì)量控制中的應(yīng)用，第十三屆中國(guó)過(guò)程控制年會(huì)論文集.pp473-476。2002年7月3)Harold，A.L，et al.Method and Apparatus for Controlling the Manufacture ofTerephthalic Acid to Control the Level and Variability of the contaminant content andthe Optical Density[P].U.S.Patent4835307，May 30，1989.
4)Takano，et al.Process for producing purified terephthalic acid[P].U.S.Patent5973196，October 26，1999
5)錢鋒，馬秋林，杜文莉，等。對(duì)二甲苯氧化反應(yīng)產(chǎn)品中對(duì)羧基苯甲醛含量的軟測(cè)量方法[P].專利申請(qǐng)?zhí)?1113517.4.2001年10月10日6)杜文莉，錢鋒?；谏窠?jīng)網(wǎng)絡(luò)的在線軟測(cè)量技術(shù)在PTA生產(chǎn)過(guò)程中的應(yīng)用，第十三屆中國(guó)過(guò)程控制年會(huì)論文集，pp436-440，2002年7月7)Svante Wold.Multi-way principal components and PLS-analysis.Journal of chemometrics，1987，141～568)王惠文.偏最小二乘回歸方法及其應(yīng)用.北京國(guó)防工業(yè)出版社，1999200～206。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法。
選擇與4-CBA含量最重要的9個(gè)過(guò)程變量作為軟測(cè)量模型的輔助變量，使用限定記憶部分最小二乘算法在線滾動(dòng)建立動(dòng)態(tài)的軟測(cè)量模型，為了防止信息的丟失，采用滾動(dòng)校正樣本的均值和方差的方法將老樣本的信息帶到模型中來(lái)。
本發(fā)明的優(yōu)點(diǎn)1)4-CBA軟測(cè)量模型為線性模型，結(jié)構(gòu)簡(jiǎn)單；2)4-CBA軟測(cè)量模型通過(guò)在線滾動(dòng)方式建立的，具有自適應(yīng)功能，即能適應(yīng)系統(tǒng)的慢時(shí)變特性；3)使用限定記憶部分最小二乘算法，能克服樣本的飽和性；4)4-CBA含量的軟測(cè)量模型為動(dòng)態(tài)模型，模型的估計(jì)精度較高。


圖1是阿莫科法(AMOCO)對(duì)二甲苯氧化反應(yīng)基本工藝流程示意圖；圖2是基于限定記憶部分最小二乘算法的軟測(cè)量建模流程示意圖。
具體實(shí)施例方式
本發(fā)明提出了限定記憶部分最小二乘算法。在滾動(dòng)建模過(guò)程中，每增加一個(gè)新的樣本就去掉一個(gè)老樣本，用來(lái)建模的數(shù)據(jù)長(zhǎng)度始終保持不變。本發(fā)明使用限定記憶部分最小二乘算法在線滾動(dòng)地建立對(duì)象的動(dòng)態(tài)軟測(cè)量模型，該方案同時(shí)考慮了對(duì)象的時(shí)變性、樣本的飽和性和外界擾動(dòng)三種因素，以提高模型的估計(jì)精度。本發(fā)明包括在線滾動(dòng)建模方法、樣本均值和方差的在線修正算法以及建立動(dòng)態(tài)軟測(cè)量模型的算法。
術(shù)語(yǔ)解釋
PTAPTA(Prified Terephthalic Acid精對(duì)苯二甲酸)是生產(chǎn)聚酯纖維的主要原料之一。它的生產(chǎn)方法如下原料對(duì)二甲苯，醋酸、母液在催化劑鈷、錳、溴的作用下，發(fā)生氧化反應(yīng)，在一系列的結(jié)晶，冷凝，過(guò)濾和干燥處理后得到對(duì)苯二甲酸(TA)和對(duì)羧基苯甲醛(4-CBA)，然后經(jīng)過(guò)精制得到PTA。更為詳細(xì)的有關(guān)PX氧化反應(yīng)機(jī)理見(jiàn)文獻(xiàn)[3，4]。
4-CBA含量4-CBA(4-Carboxybenzaldchydc對(duì)羧基苯甲醛)是PTA產(chǎn)品中的主要雜質(zhì)及重要質(zhì)量指標(biāo)，在氧化反應(yīng)過(guò)程中，為了達(dá)到一定的轉(zhuǎn)化率和收率，要求對(duì)其含量進(jìn)行嚴(yán)格控制。
限定記憶在線建模過(guò)程中，隨著時(shí)間的推移樣本數(shù)目逐漸增多，這時(shí)如果將以前采集到的所有樣本都用來(lái)建模，會(huì)導(dǎo)致老的樣本信息淹沒(méi)掉新的樣本信息而導(dǎo)致模型的精度下降。限定記憶法是每增加一個(gè)新的樣本就去掉一個(gè)老樣本，用來(lái)建模的數(shù)據(jù)長(zhǎng)度始終保持不變，兼顧考慮到系統(tǒng)的時(shí)變性和樣本的飽和性。
部分最小二乘算法部分最小二乘算法(PLS)是一種將高維空間信息投影到由幾個(gè)隱含變量組成的低維信息空間的多變量回歸方法，隱含變量中包含了原始數(shù)據(jù)中的重要信息，且隱含變量間是互相獨(dú)立的。PLS方法不但能消除原始數(shù)據(jù)間的共線性影響，還能處理含有噪聲的數(shù)據(jù)，而且當(dāng)自變量個(gè)數(shù)比觀測(cè)次數(shù)大時(shí)，用PLS回歸方法仍能得到較好的結(jié)果。由于大型復(fù)雜石化與化工裝置中的一些很重要的反映產(chǎn)品質(zhì)量的數(shù)據(jù)的獲取很困難而且相應(yīng)的檢測(cè)設(shè)備十分昂貴，通常這些數(shù)據(jù)的采樣值是很少的，而與這些質(zhì)量數(shù)據(jù)相關(guān)的常規(guī)變量的維數(shù)卻很大，常常有數(shù)十甚至上百個(gè)，因此PLS方法特別適合于這些復(fù)雜裝置的軟測(cè)量建模。
軟測(cè)量在現(xiàn)代工業(yè)生產(chǎn)過(guò)程中，存在一大類反應(yīng)產(chǎn)品質(zhì)量的變量，它們出于技術(shù)或經(jīng)濟(jì)上的原因，不能用常規(guī)傳感器直接測(cè)量，而是通過(guò)在線分析儀檢測(cè)或?qū)嶒?yàn)室分析出來(lái)，分析周期長(zhǎng)，滯后大(比如4-CBA含量每隔數(shù)小時(shí)才分析一次)。但是這些變量的實(shí)時(shí)檢測(cè)對(duì)于保證產(chǎn)品質(zhì)量和生產(chǎn)裝置的連續(xù)平穩(wěn)操作以及充分發(fā)揮裝置的生產(chǎn)能力等都具有很重要的作用。如果使用滯后的化驗(yàn)值勢(shì)必?zé)o法正確反映實(shí)時(shí)的工況，同時(shí)操作工為了保險(xiǎn)起見(jiàn)通常都留有過(guò)大的余地也會(huì)降低生產(chǎn)裝置的經(jīng)濟(jì)效益。為了解決這一問(wèn)題，軟測(cè)量技術(shù)近年來(lái)取得了很大的進(jìn)展。軟測(cè)量技術(shù)就是使用易測(cè)的過(guò)程變量和對(duì)應(yīng)的產(chǎn)品質(zhì)量分析值，采用某種建模方法(機(jī)理建模，回歸建模等)來(lái)組建一個(gè)質(zhì)量估計(jì)模型，通過(guò)該模型在不增加硬件投資的前提下實(shí)時(shí)估計(jì)產(chǎn)品質(zhì)量。
4-CBA含量的動(dòng)態(tài)軟測(cè)量模型及其輸入變量由于干擾因素的存在，實(shí)際工業(yè)過(guò)程很難達(dá)到理想靜態(tài)。為了更為準(zhǔn)確地估計(jì)質(zhì)量變量，很有必要使用動(dòng)態(tài)的軟測(cè)量模型。動(dòng)態(tài)軟測(cè)量模型如公式(11)所示，y(k)=Σi=1mΣj=1niaijxi(k-τi-j+1)+b----(1)]]>其中yi為質(zhì)量變量；xi為輔助變量；τi為滯后時(shí)間；m為過(guò)程變量個(gè)數(shù)；ni指出不同輔助變量對(duì)質(zhì)量變量的動(dòng)態(tài)影響，即在純滯后時(shí)刻之前的若干個(gè)時(shí)刻仍對(duì)質(zhì)量變量產(chǎn)生影響。當(dāng)所有的ni＝0時(shí)，這時(shí)公式(1)就退化為靜態(tài)模型。表1顯示了4-CBA含量軟測(cè)量模型所對(duì)應(yīng)的輸入變量、滯后時(shí)間值以及動(dòng)態(tài)影響間隔。值得指出的是，間隔時(shí)間的選取是很重要的。如果間隔時(shí)間取得過(guò)長(zhǎng)，會(huì)導(dǎo)致精度降低；如果間隔時(shí)間選得過(guò)短會(huì)導(dǎo)致模型的復(fù)雜度提高。本例中的間隔時(shí)間取20分鐘。從表1可以得到模型的輸入變量為x(k)＝[x1(k-τ1)x1(k-τ1-1)x1(k-τ1-2)x2(k-τ2)x2(k-τ2-1)x3(k-τ3)x3(k-τ3-1)x4(k-τ4)x5(k-τ5)x6(k-τ6)x6(k-τ6-1)x6(k-τ6-2)x7(k-τ7)x7(k-τ7-1)x7(k-τ7-2)x8(k-τ8)x9(k-τ9)x9(k-τ9-1)x9(k-τ9-2)]表1輔助變量及其對(duì)應(yīng)的滯后時(shí)間和動(dòng)態(tài)影響間隔

均值，方差的計(jì)算已知訓(xùn)練樣本集為(X，Y)，輸入變量X的個(gè)數(shù)為M，則X＝[x1x2… xM]，Y的個(gè)數(shù)為1，樣本個(gè)數(shù)為N，則樣本的均值方差的計(jì)算公式如下均值計(jì)算公式
X‾=1NΣi=1NXi,]]>Y‾=1NΣi=1NYi---(2)]]>方差的計(jì)算公式σX2=1N-1Σi=1N(Xi-X‾)2]]>σY2=1N-1Σi=1N(Yi-Y‾)2---(3)]]>其中X，σX均為M維的同量，Y，σY為標(biāo)量。
數(shù)據(jù)標(biāo)準(zhǔn)化處理X1=X-X‾σX]]>Y1=Y-Y‾σY---(4)]]>公式(4)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其中X的標(biāo)準(zhǔn)化處理公式表示相同維數(shù)的向量除，原始數(shù)據(jù)經(jīng)過(guò)公式(4)處理后，新數(shù)據(jù)X1，Y1的均值為0，方差為1。在線滾動(dòng)建模軟測(cè)量模型不是一成不變的，而是在線滾動(dòng)地更新的，模型的有效期為質(zhì)量變量的分析周期。該部分能保證軟測(cè)量模型自動(dòng)適應(yīng)對(duì)象特性的緩慢變化。部分最小二乘算法實(shí)現(xiàn)[7][8]部分最小二乘算法可以用以下NIPALS遞推公式來(lái)實(shí)現(xiàn)0、E0＝X1，F(xiàn)0＝Y(jié)1，h＝01、h＝h+1，uh＝Fh-12、whT＝uhTEh-1/(uhTuh)3、對(duì)wh作歸一化處理wh＝wh/‖wh‖4、th＝Eh-1wh/(whTwh)5、qhT＝thTFh-1/(thTth)6、對(duì)qh作歸一化處理qh＝qh/‖qh‖7、uh＝Fh-1qh/(qhTqh)8、檢查uh的收斂性，若收斂，則轉(zhuǎn)9，否則轉(zhuǎn)29、phT＝thTEh-1/(thTth)10、bh＝thTuh/(thTth)11、Eh＝Eh-1-thphT，F(xiàn)h＝Fh-1-bh·th·qhT12、檢查h是否到達(dá)給定值a，若沒(méi)有轉(zhuǎn)第1步，否則轉(zhuǎn)1313、結(jié)束。
其中W為M×a維矩陣，W＝[w1w2… wa]；P為M×a維矩陣，P＝[p1p2… pa]；B為a×a維對(duì)角矩陣，B＝diag(b1b2… ba)；Q為1×a維矩陣；a為隱含變量的個(gè)數(shù)，可以根據(jù)經(jīng)驗(yàn)和試驗(yàn)確定。以上NIPALS算法可以計(jì)算出矩陣W，B，Q，P，根據(jù)這些矩陣可以計(jì)算出線性回歸模型如下Y^1=X1β,β=W‾BQT----(5)]]>其中 為標(biāo)準(zhǔn)化數(shù)據(jù)建立的軟測(cè)量模型的輸出值；其中W為M×a維矩陣，w1＝w1，w‾h=Πi=1h-1(1-w‾ipiT),h=2,···a;]]>反標(biāo)準(zhǔn)化處理公式(5)為標(biāo)準(zhǔn)化處理后所得到的軟測(cè)量模型，這個(gè)模型不能直接用來(lái)對(duì)原始過(guò)程變量進(jìn)行預(yù)測(cè)，因此需要反標(biāo)準(zhǔn)化處理。處理后公式為，Y^=XC+b----(6)]]>其中C＝αβ(7)b=Y‾-X‾C----(8)]]>α＝σY/diag(σX) (9)均值和方差的在線修正考慮到PLS算法可以用于小樣本高維數(shù)據(jù)的線性建模問(wèn)題，因此一般用來(lái)建模的數(shù)據(jù)長(zhǎng)度都不大。這時(shí)如果直接拋棄老樣本同樣可能會(huì)遺失部分信息。鑒于此，提出將老樣本的部分信息通過(guò)方差和均值帶到模型中來(lái)。具體的做法是在線修正樣本的均值和方差，以過(guò)程變量xi為例，修正公式如下x‾i,N+1=NN+1x‾i,N+1N+1xi,N+1----(10)]]>σi,N+12=N-1Nσi,N2+1N+1(xi,N+1-x‾i,N+1)2----(11)]]>公式(10)為均值的在線修正公式，公式(11)為方差的在線修正公式。其中xi，N和xi，N+1分別表示變量xi具有N個(gè)采樣值和N+1個(gè)采樣值時(shí)對(duì)應(yīng)的均值；σi，N2和σi，N+12分別表示變量xi具有N個(gè)采樣值和N+1個(gè)采樣值時(shí)對(duì)應(yīng)的方差；基于限定記憶部分最小二乘算法的4-CBA含量在線建模方法實(shí)施步驟圖2中的循環(huán)部分為4-CBA在線建模實(shí)施流程。具體步驟如下1)采集訓(xùn)練樣本(X，Y)，根據(jù)公式(4)將樣本進(jìn)行標(biāo)準(zhǔn)化處理，數(shù)據(jù)窗口長(zhǎng)度為6，即每次建模時(shí)的訓(xùn)練樣本個(gè)數(shù)為6。
2)調(diào)用部分最小二乘算法，得到軟測(cè)量模型Y^1=X1β.]]>3)將步驟2中的模型進(jìn)行反標(biāo)準(zhǔn)化處理，得到關(guān)于原始樣本變量的軟測(cè)量模型Y^=XC+b.]]>4)根據(jù)軟測(cè)量模型和新采集到的輔助變量(如表1所示)值估計(jì)4-CBA含量的值。
5)檢查是否有新的4-CBA含量的分析值，若有轉(zhuǎn)步驟6，否則轉(zhuǎn)步驟4。
6)根據(jù)表1中的滯后時(shí)間和動(dòng)態(tài)時(shí)間間隔從DCS過(guò)程數(shù)據(jù)庫(kù)采集到新的訓(xùn)練輸入樣本并與新的4-CBA分析值組成一對(duì)新的訓(xùn)練樣本。根據(jù)公式(10)(11)修正均值、方差。
7)將最老的一個(gè)樣本去掉，將新的樣本加入，保持新的樣本數(shù)據(jù)窗口長(zhǎng)度不變，用修正后的均值和方差對(duì)新窗口下的訓(xùn)練樣本進(jìn)行標(biāo)準(zhǔn)化處理。轉(zhuǎn)步驟2。
權(quán)利要求
1.一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法，其特征是選擇與4-CBA含量最重要的9個(gè)過(guò)程變量作為軟測(cè)量模型的輔助變量，使用限定記憶部分最小二乘算法在線滾動(dòng)建立動(dòng)態(tài)的軟測(cè)量模型，為了防止信息的丟失，采用滾動(dòng)校正樣本的均值和方差的方法將老樣本的信息帶到模型中來(lái)。
2.根據(jù)權(quán)利要求1所述的一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法，其特征在于所說(shuō)的9個(gè)過(guò)程變量為反應(yīng)器進(jìn)料流量，催化劑含量，反應(yīng)器液位，反應(yīng)器溫度，反應(yīng)器尾氧含量，第三冷凝器排水量，第四冷凝器排水量，第一結(jié)晶器尾氧含量和反應(yīng)器排出二氧化碳含量。
3.根據(jù)權(quán)利要求1所述的一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法，其特征在于所說(shuō)的動(dòng)態(tài)的軟測(cè)量模型它考慮了每個(gè)輔助變量的滯后時(shí)間和滯后時(shí)間之前若干時(shí)刻對(duì)模型的影響，選取反應(yīng)器進(jìn)料流量當(dāng)前時(shí)刻之前140分鐘、160分鐘、180分鐘的流量值；選取催化劑含量當(dāng)前時(shí)刻之前140分鐘、160分鐘的含量值；選取反應(yīng)器液位當(dāng)前時(shí)刻之前100分鐘、120分鐘的液位值；選取反應(yīng)器溫度當(dāng)前時(shí)刻之前100分鐘的溫度值；選取反應(yīng)器尾氧含量當(dāng)前時(shí)刻之前100分鐘的含量值；選取第三冷凝器排水量當(dāng)前時(shí)刻之前100分鐘、120分鐘、140分鐘的排水量值；選擇第四冷凝器排水量當(dāng)前時(shí)刻之前120分鐘、140分鐘、160分鐘之前的排水量值；選取第一結(jié)晶器尾氧含量當(dāng)前時(shí)刻之前80分鐘的含量值；選取反應(yīng)器排出二氧化碳含量當(dāng)前時(shí)刻160分鐘、180分鐘、200分鐘的含量值作為軟測(cè)量模型的輸入變量。
4.根據(jù)權(quán)利要求1所述的一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法，其特征在于所說(shuō)的限定記憶每次所用的訓(xùn)練樣本的窗口長(zhǎng)度固定，長(zhǎng)度范圍為6～60。
5.根據(jù)權(quán)利要求1所述的一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法，其特征在于所說(shuō)的滾動(dòng)校正樣本的均值和方差的方法是對(duì)訓(xùn)練樣本的均值和方差進(jìn)行滾動(dòng)校正，修正公式如下x‾i,N+1=NN+1x‾i,N+1N+1xi,N+1---(1)]]>σi,N+12=N-1Nσi,N2+1N+1(xi,N+1-x‾i,N+1)2---(2)]]>其中xi，N和xi，N+1分別表示變量xi具有N個(gè)采樣值和N+1個(gè)采樣值時(shí)對(duì)應(yīng)的均值；σi，N2和σi，N+12分別表示變量xi具有N個(gè)采樣值和N+1個(gè)采樣值時(shí)對(duì)應(yīng)的方差；
6.根據(jù)權(quán)利要求1所述的一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法，其特征在于所說(shuō)的采用滾動(dòng)校正樣本的均值和方差的方法將老樣本的信息帶到模型中來(lái)是利用公式(1)(2)校正后的均值和方差對(duì)訓(xùn)練樣本進(jìn)行標(biāo)準(zhǔn)化處理，數(shù)據(jù)標(biāo)準(zhǔn)化處理公式為X1=X-X‾σX]]>Y1=Y-Y‾σY---(3)]]>
7.根據(jù)權(quán)利要求1所述的一種基于限定記憶部分最小二乘算法的4-CBA含量在線軟測(cè)量建模方法，其特征在于所說(shuō)的在線滾動(dòng)是4-CBA含量的軟測(cè)量模型是在線建立的，每來(lái)一個(gè)新的樣本，就去掉一個(gè)最老的樣本，然后重新建立軟測(cè)量模型。
全文摘要
本發(fā)明公開(kāi)了一種基于限定記憶部分最小二乘算法的4－CBA含量在線軟測(cè)量建模方法。它選擇與4－CBA含量最重要的9個(gè)過(guò)程變量作為軟測(cè)量模型的輔助變量，使用限定記憶部分最小二乘算法在線滾動(dòng)建立動(dòng)態(tài)的軟測(cè)量模型，為了防止信息的丟失，采用滾動(dòng)校正樣本的均值和方差的方法將老樣本的信息帶到模型中來(lái)。本發(fā)明的優(yōu)點(diǎn)1)4－CBA軟測(cè)量模型為線性模型，結(jié)構(gòu)簡(jiǎn)單；2)4－CBA軟測(cè)量模型通過(guò)在線滾動(dòng)方式建立的，具有自適應(yīng)功能，即能適應(yīng)系統(tǒng)的慢時(shí)變特性；3)使用限定記憶部分最小二乘算法，能克服樣本的飽和性；4)4－CBA含量的軟測(cè)量模型為動(dòng)態(tài)模型，模型的估計(jì)精度較高。
文檔編號(hào)G06F19/00GK1570629SQ20041001839
公開(kāi)日2005年1月26日 申請(qǐng)日期2004年5月12日 優(yōu)先權(quán)日2004年5月12日
發(fā)明者蘇宏業(yè), 劉瑞蘭, 榮岡, 褚健 申請(qǐng)人:浙江大學(xué)