一種基于改進AdaBoost算法的4-CBA含量的軟測量方法技術

本發明專利技術公開了一種基于改進AdaBoost算法的4?CBA含量的軟測量方法，采用雙閾值的樣本權值更新方法，選用BP神經網絡訓練作為弱學習器，將得到的一組弱學習器采用AdaBoost算法進行組合得到強學習器。該方法選擇PTA氧化過程有關可測變量作為模型的輸入,4?CBA含量作為模型的輸出，選取歷史采集數據作為訓練樣本。本發明專利技術提出的改進的AdaBoost算法能夠減小誤差較大樣本對弱學習器的影響，提高了對4?CBA含量的預測精度。

【技術實現步驟摘要】

本專利技術涉及一種4-CBA含量的軟測量方法，特別涉及一種基于改進AdaBoost算法的4-CBA含量的軟測量方法，屬于化學工程領域。
技術介紹
AdaBoost(AdaptiveBoosting)算法是Freund和Schapire提出的將弱學習器提升為強學習器的算法，該算法不僅可以將任意弱學習器組合提升，還可以提高強學習器的預測精度，目前已廣泛應用于兩類問題，多分類問題和回歸問題等方面。AdaBoost算法的主要思想是給每個訓練樣本賦予樣本權值，在訓練弱學習器的過程中更新樣本權值，其中樣本權值變化是由當前訓練的弱學習器的訓練結果決定，訓練誤差大的樣本權值會加大，訓練誤差小的樣本權值會減小，訓練結束后樣本權值大的樣本會作為下一輪訓練樣本繼續訓練，這樣反復迭代，最后得到一組弱學習器，將它們組合得到強學習器。AdaBoost算法已在分類問題中取得了非常好的預測效果，但是由于回歸問題不同于分類問題的誤差函數，所以針對分類問題提出的AdaBoost算法不能直接應用于回歸問題。因此，1997年Freund和Schapire又提出了AdaBoost.R算法，該算法通過是回歸問題轉化為二分類分類問題，依據分類AdaBoost算法解決后再轉化為回歸問題。Drucker將AdaBoost.R算法進行改進提出AdaBoost.R2，在每一輪循環中使用依據弱學習器預測來更新樣本權值，并依據調整后的樣本權值重新選擇訓練樣本，繼而進行下一輪訓練，該方法首次應用到實際回歸問題中并取得了較好的效果。Solomatine和Shrestha等人提出具有代表性的AdaBoost.RT算法，算法是直接應用于回歸問題中，通過計算訓練樣本的相對預測誤差來更新樣本權值，并且引入相對誤差閾值φ，算法每一輪依據閾值來更新樣本權值，將相對預測誤差大于閾值的樣本權值相對增加，小于閾值的樣本權值相對減小，每次將樣本權值大的樣本作為下一次迭代中訓練樣本，該方法取得良好的預測效果。AdaBoost算法的預測精度與閾值φ和訓練樣本的選取有一定的關系，在AdaBoost算法的應用中，閾值φ初始值的選擇需要經過反復試錯法得到，增加算法時間復雜度，閾值φ的選取也影響著訓練樣本的抽取和訓練的弱學習器權重。PX氧化是在反應溫度為190攝氏度左右，壓力為1.258MPa，在鈷、錳、溴三元催化劑作用下以醋酸為溶劑，用空氣中的氧氣為氧化劑將PX氧化為TA(對苯二甲酸)，TA進一步純化后得到PTA(精對苯二甲酸)的過程。該氧化反應反應機理非常復雜，是高溫高壓下氣液固三相反應，中間產物和副產物較多。PX氧化反應主要由四個反應組成，除原料PX和最終產品AT外，還有其它中間產物:AT(對甲基苯甲醛)、PT(對甲基苯甲酸)和4-CBA(對羥基苯甲醛)。其中4-CBA含量是PTA產品中的主要的副產物，也是PTA成品分析的重要質量指標，4-CBA含量過高，則PTA產品的著色，質量達不到要求，4-CBA含量過低，則氧化反應程度加深，副反應加劇，能耗及醋酸、PX單耗增加。為了減小原料降耗，并且保證PTA的產品質量，采用對4-CBA含量進行實時監控。4-CBA含量無法用常規的方法在線測量，而是通過實驗室分析化驗出來，而離線分析時間比較長，往往滯后數小時；同時實驗分析化驗成本較高，其采樣間隔較長，采樣次數少，無法滿足對4-CBA含量進行實時監控的要求，比如某工廠對4-CBA含量的采樣周期為8小時，每天固定在0點，8點和16點采樣，因此一天最多只有三個滯后數小時的4-CBA含量的分析值。需要采用軟測量技術在線估計4-CBA含量。
技術實現思路
本專利技術所要解決的技術問題是提供一種基于改進AdaBoost算法的4-CBA含量的軟測量方法，提出雙閾值對樣本權值更新，獲得高效的4-CBA含量軟測量模型。本專利技術為解決上述技術問題采用以下技術方案：本專利技術提供一種基于改進AdaBoost算法的4-CBA含量的軟測量方法，包括以下具體步驟：步驟1，選擇若干個過程變量作為軟測量模型的輸入變量，軟測量模型的輸出量為4-CBA的含量；步驟2，采集m組輸入變量所對應的歷史運行數據和相應的4-CBA含量的分析數據作為初始訓練樣本；并對初始訓練樣本中的每組樣本數據定義一個樣本權值，且設置樣本權值的初值均為1/m；步驟3，基于AdaBoost算法采用初始訓練樣本訓練k個BP神經網絡，將該k個BP神經網絡組合后得到軟測量模型，具體為：3.1，令迭代次數t＝1；3.2，采用初始訓練樣本對一個BP神經網絡進行訓練，并根據公式1-3分別計算本次迭代訓練完成的BP神經網絡的相對預測誤差、平均相對誤差和最大閾值：其中，et(i)為第t次迭代訓練完成的BP神經網絡的相對預測誤差，ft(xi)為第t次迭代訓練完成的BP神經網絡對應第i組樣本數據的預測輸出，yi為第i組樣本數據中的4-CBA含量的分析數據；為第t次迭代訓練完成的BP神經網絡的平均相對誤差；Φt為第t次迭代訓練完成的BP神經網絡的最大閾值，n為系數；3.3，根據公式4更新初始訓練樣本中的每組樣本數據的樣本權值，具體為：其中，Dt+1(i)為第t+1次迭代時初始訓練樣本中的第i組樣本數據的樣本權值，Dt(i)為第t次迭代時初始訓練樣本中的第i組樣本數據的樣本權值，且D1(i)＝1/m；Bt是歸一化因子；n'為系數，3.4，若t＜k，則采用輪盤賭算法從更新樣本權值后的初始訓練樣本中抽取m'組數據作為下一次迭代的訓練樣本，且令t＝t+1返回步驟4；否則執行步驟3.5；3.5，根據公式5將訓練完成的k個BP神經網絡進行組合，得到軟測量模型為：其中，ft(x)表示第t次迭代訓練完成的BP神經網絡；步驟4，根據步驟3得到的軟測量模型，即可實現對4-CBA含量的軟測量。作為本專利技術的進一步優化方案，步驟3.4中m'＜m。作為本專利技術的進一步優化方案，步驟3.4中m'的取值范圍為(80,m)。作為本專利技術的進一步優化方案，步驟3.2中系數n的取值為2或3。作為本專利技術的進一步優化方案，步驟1中選擇氧化反應器物料進料流量、催化劑濃度、氧化反應器液位、氧化反應器溫度、氧化反應器尾氧含量、第三冷凝器排出水量、第四冷凝器排出水量、催化劑濃度、第一結晶器溫度、第一結晶器尾氧含量、反應生成的CO2含量、反應生成的CO含量共12個過程變量作為軟測量模型的輸入變量。作為本專利技術的進一步優化方案，步驟3.3中系數n'的取值為1，2或3。本專利技術采用以上技術方案與現有技術相比，具有以下技術效果：本專利技術設置最大閾值和輪盤賭算法對訓練樣本概率抽樣改進AdaBoost算法，實質是減弱預測誤差較大樣本權值對弱學習器的權重的影響，將預測誤差比較大的樣本以概率抽樣作為下一次迭代的訓練樣本。通過設置最大閾值將預測誤差較大樣本權值減小，弱學習器的權重主要有預測誤差比較大的樣本影響，輪盤賭算法抽取樣本是樣本權值越大，被抽到的概率越大，預測誤差比較大的樣本作為下一輪訓練樣本的概率越大。這樣改進的AdaBoost算法減小預測誤差較大樣本對訓練的影響，增強模型的預測精度，因為AdaBoost算法閾值初始值是由反復試錯法的得到的，改進的AdaBoost算法還減少算法時間復雜度。具體實施方式下面對本專利技術的技術方案做進一步的詳細說明：本專利技術提供本文檔來自技高網...

【技術保護點】
一種基于改進AdaBoost算法的4?CBA含量的軟測量方法，其特征在于，包括以下具體步驟：步驟1，選擇若干個過程變量作為軟測量模型的輸入變量，軟測量模型的輸出量為4?CBA的含量；步驟2，采集m組輸入變量所對應的歷史運行數據和相應的4?CBA含量的分析數據作為初始訓練樣本；并對初始訓練樣本中的每組樣本數據定義一個樣本權值，且設置樣本權值的初值均為1/m；步驟3，基于AdaBoost算法采用初始訓練樣本訓練k個BP神經網絡，將該k個BP神經網絡組合后得到軟測量模型，具體為：3.1，令迭代次數t＝1；3.2，采用初始訓練樣本對一個BP神經網絡進行訓練，并根據公式1?3分別計算本次迭代訓練完成的BP神經網絡的相對預測誤差、平均相對誤差和最大閾值：et(i)=|ft(xi)-yiyi|---(1)]]>其中，et(i)為第t次迭代訓練完成的BP神經網絡的相對預測誤差，ft(xi)為第t次迭代訓練完成的BP神經網絡對應第i組樣本數據的預測輸出，yi為第i組樣本數據中的4?CBA含量的分析數據；為第t次迭代訓練完成的BP神經網絡的平均相對誤差；Φt為第t次迭代訓練完成的BP神經網絡的最大閾值，n為系數；?3.3，根據公式4更新初始訓練樣本中的每組樣本數據的樣本權值，具體為：其中，Dt+1(i)為第t+1次迭代時初始訓練樣本中的第i組樣本數據的樣本權值，Dt(i)為第t次迭代時初始訓練樣本中的第i組樣本數據的樣本權值，且D1(i)＝1/m；Bt是歸一化因子；n'為系數，?3.4，若t＜k，則采用輪盤賭算法從更新樣本權值后的初始訓練樣本中抽取m'組數據作為下一次迭代的訓練樣本，且令t＝t+1返回步驟4；否則執行步驟3.5；?3.5，根據公式5將訓練完成的k個BP神經網絡進行組合，得到軟測量模型為：h(x)=Σtβt*ft(x)/Σtβt;---(5)]]>?其中，ft(x)表示第t次迭代訓練完成的BP神經網絡；?步驟4，根據步驟3得到的軟測量模型，即可實現對4?CBA含量的軟測量。...

【技術特征摘要】
1.一種基于改進AdaBoost算法的4-CBA含量的軟測量方法，其特征在于，包括以下具體步驟：步驟1，選擇若干個過程變量作為軟測量模型的輸入變量，軟測量模型的輸出量為4-CBA的含量；步驟2，采集m組輸入變量所對應的歷史運行數據和相應的4-CBA含量的分析數據作為初始訓練樣本；并對初始訓練樣本中的每組樣本數據定義一個樣本權值，且設置樣本權值的初值均為1/m；步驟3，基于AdaBoost算法采用初始訓練樣本訓練k個BP神經網絡，將該k個BP神經網絡組合后得到軟測量模型，具體為：3.1，令迭代次數t＝1；3.2，采用初始訓練樣本對一個BP神經網絡進行訓練，并根據公式1-3分別計算本次迭代訓練完成的BP神經網絡的相對預測誤差、平均相對誤差和最大閾值：et(i)=|ft(xi)-yiyi|---(1)]]>其中，et(i)為第t次迭代訓練完成的BP神經網絡的相對預測誤差，ft(xi)為第t次迭代訓練完成的BP神經網絡對應第i組樣本數據的預測輸出，yi為第i組樣本數據中的4-CBA含量的分析數據；為第t次迭代訓練完成的BP神經網絡的平均相對誤差；Φt為第t次迭代訓練完成的BP神經網絡的最大閾值，n為系數；3.3，根據公式4更新初始訓練樣本中的每組樣本數據的樣本權值，具體為：其中，Dt+1(i)為第t+1次迭代時初始訓練樣本中的第i組樣本數據的樣本權值，Dt(i)為第t次迭代時初始訓練樣本中的第i組樣本數據的樣本權值，且D1(i)＝1/m；Bt是歸一化因子；n'為系數，3.4，若t＜k，則采用輪盤賭算法...

【專利技術屬性】
技術研發人員：劉瑞蘭，劉樹云，
申請(專利權)人：南京郵電大學，
類型：發明
國別省市：江蘇;32