本發(fā)明專利技術(shù)公開(kāi)了一種RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量?jī)x表及方法。本軟側(cè)量方法采用經(jīng)過(guò)預(yù)處理的訓(xùn)練樣本作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，隨后對(duì)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行模糊化處理并使用粒子群算法進(jìn)行優(yōu)化。在本發(fā)明專利技術(shù)中，用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫(kù)連接，軟測(cè)量值顯示儀包括RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型，DCS數(shù)據(jù)庫(kù)與軟測(cè)量模型的輸入端連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸出端與熔融指數(shù)軟測(cè)量值顯示儀連接；本發(fā)明專利技術(shù)具有在線優(yōu)化、輸入數(shù)據(jù)自動(dòng)更新、抗噪聲能力強(qiáng)的特點(diǎn)。
【技術(shù)實(shí)現(xiàn)步驟摘要】
【專利摘要】本專利技術(shù)公開(kāi)了一種RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量?jī)x表及方法。本軟側(cè)量方法采用經(jīng)過(guò)預(yù)處理的訓(xùn)練樣本作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，隨后對(duì)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行模糊化處理并使用粒子群算法進(jìn)行優(yōu)化。在本專利技術(shù)中，用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫(kù)連接，軟測(cè)量值顯示儀包括RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型，DCS數(shù)據(jù)庫(kù)與軟測(cè)量模型的輸入端連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸出端與熔融指數(shù)軟測(cè)量值顯示儀連接；本專利技術(shù)具有在線優(yōu)化、輸入數(shù)據(jù)自動(dòng)更新、抗噪聲能力強(qiáng)的特點(diǎn)。【專利說(shuō)明】RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量?jī)x表和方法
本專利技術(shù)設(shè)計(jì)軟測(cè)量?jī)x表及方法，尤其涉及一種RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量軟測(cè)量?jī)x表及方法。
技術(shù)介紹
聚丙烯是一種由丙烯聚合而成的半結(jié)晶的熱塑性塑料，具有較高的耐沖擊性，機(jī)械性質(zhì)強(qiáng)韌，抗多種有機(jī)溶劑和酸堿腐蝕，在工業(yè)界有廣泛的應(yīng)用，是平常最常見(jiàn)的高分子材料之一。熔融指數(shù)(MI)是聚丙烯生產(chǎn)中確定最終產(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。熔融指數(shù)的精確、及時(shí)的測(cè)量，對(duì)生產(chǎn)和科研，都有非常重要的作用和指導(dǎo)意義。然而，熔融指數(shù)的在線分析測(cè)量目前仍然很難做到，缺乏熔融指數(shù)的在線分析儀是制約聚丙烯產(chǎn)品質(zhì)量的一個(gè)主要問(wèn)題。MI只能通過(guò)人工取樣、離線化驗(yàn)分析獲得，而且一般每2-4小時(shí)分析一次，時(shí)間滯后大，難以滿足生產(chǎn)實(shí)時(shí)控制的要求。近年來(lái)人工神經(jīng)網(wǎng)絡(luò)，尤其是RBF神經(jīng)網(wǎng)絡(luò)，在系統(tǒng)優(yōu)化方面取得了不錯(cuò)的效果。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)、自組織、自學(xué)習(xí)的能力以及大規(guī)模并行運(yùn)算的能力。但在實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)也暴露了一些自身固有的缺陷:權(quán)值的初始化是隨機(jī)的，易陷入局部極小；學(xué)習(xí)過(guò)程中隱含層的節(jié)點(diǎn)數(shù)目和其他參數(shù)的選擇只能根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)來(lái)選擇；收斂時(shí)間過(guò)長(zhǎng)、魯棒性差等。其次，工業(yè)現(xiàn)場(chǎng)采集到的DCS數(shù)據(jù)也因?yàn)樵胍簟⑷斯げ僮髡`差等帶有一定的不確定誤差，所以使用確定性強(qiáng)的人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)模型一般推廣能力不強(qiáng)。1965年美國(guó)數(shù)學(xué)家L.Zadeh首先提出了模糊集合的概念。隨后模糊邏輯以其更接近于日常人們的問(wèn)題和語(yǔ)意陳述的方式，開(kāi)始代替堅(jiān)持所有事物都可以用二元項(xiàng)表示的經(jīng)典邏輯。模糊邏輯迄今已經(jīng)成功應(yīng)用在了工業(yè)的多個(gè)領(lǐng)域之中，例如家電、工業(yè)控制等領(lǐng)域。2003年，Demirci提出了模糊方程的概念，通過(guò)使用模糊隸屬度矩陣和和其變形構(gòu)建一個(gè)新的輸入矩陣，接著在局部方程中以反模糊方法中的重心法得出解析值作為最后的輸出。對(duì)于丙烯聚合生產(chǎn)過(guò)程中熔融指數(shù)的軟測(cè)量，考慮到工業(yè)生產(chǎn)過(guò)程中的噪音影響以及操作誤差，可以使用模糊邏輯的模糊性能降低誤差對(duì)整個(gè)預(yù)報(bào)精度的影響。粒子群算法，即Particle Swarm Optimization,是由 Kennedy 和 Eberhart 教授提出來(lái)的一種通過(guò)模仿鳥(niǎo)類飛行行為來(lái)尋求全局最優(yōu)的一種生物智能尋優(yōu)算法，簡(jiǎn)稱PS0。該算法通過(guò)群體中粒子間的相互影響，減少了搜索算法陷入局部最優(yōu)解的風(fēng)險(xiǎn)，具有很好的全局搜索性能。粒子群算法被用來(lái)搜索RBF神經(jīng)網(wǎng)絡(luò)模糊方程的最優(yōu)參數(shù)組合，以達(dá)到優(yōu)化模型的目的。
技術(shù)實(shí)現(xiàn)思路
為了克服已有的丙烯聚合生產(chǎn)過(guò)程的測(cè)量精度不高、對(duì)噪聲敏感度低、參數(shù)選取難度大的不足，本專利技術(shù)提供一種在線測(cè)量、計(jì)算速度快、模型自動(dòng)更新、抗噪聲能力強(qiáng)的RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)丙烯聚合生產(chǎn)過(guò)程熔融指數(shù)軟測(cè)量?jī)x表及方法。—種RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量軟測(cè)量?jī)x表，包括丙烯聚合生產(chǎn)過(guò)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(kù)以及熔融指數(shù)軟測(cè)量值顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與丙烯聚合生產(chǎn)過(guò)程連接，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫(kù)連接，所述軟測(cè)量?jī)x表還包括RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型，所述DCS數(shù)據(jù)庫(kù)與所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸入端連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸出端與熔融指數(shù)軟測(cè)量值顯示儀連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型包括:數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫(kù)輸入的模型訓(xùn)練樣本進(jìn)行預(yù)處理，對(duì)訓(xùn)練樣本中心化，即減去樣本的平均值，然后對(duì)其進(jìn)行標(biāo)準(zhǔn)化:計(jì)算均值【權(quán)利要求】1.一種RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量軟測(cè)量?jī)x表，包括用于測(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(kù)以及熔融指數(shù)軟測(cè)量值顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫(kù)連接，其特征在于:所述軟測(cè)量?jī)x表還包括RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型，所述DCS數(shù)據(jù)庫(kù)與所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸入端連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸出端與熔融指數(shù)軟測(cè)量值顯示儀連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型包括:數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫(kù)輸入的模型訓(xùn)練樣本進(jìn)行預(yù)處理，對(duì)訓(xùn)練樣本中心化，即減去樣本的平均值，然后對(duì)其進(jìn)行標(biāo)準(zhǔn)化: 2.一種用如權(quán)利要求1所述的RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量?jī)x表實(shí)現(xiàn)的軟測(cè)量方法，其特征在于:所述軟測(cè)量方法具體實(shí)現(xiàn)步驟如下: I)、對(duì)丙烯聚合生產(chǎn)過(guò)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，操作變量和易測(cè)變量由DCS數(shù)據(jù)庫(kù)獲得； .2)JfWDCS數(shù)據(jù)庫(kù)輸入的模型訓(xùn)練樣本進(jìn)行預(yù)處理，對(duì)訓(xùn)練樣本中心化，即減去樣本的平均值，然后對(duì)其進(jìn)行標(biāo)準(zhǔn)化，使得其均值為O，方差為I。該處理采用以下算式過(guò)程來(lái)完成:.2.1)計(jì)算均值方去(1) 【文檔編號(hào)】G01N11/00GK103674778SQ201310433059【公開(kāi)日】2014年3月26日 申請(qǐng)日期:2013年9月22日 優(yōu)先權(quán)日:2013年9月22日 【專利技術(shù)者】劉興高, 張明明, 李見(jiàn)會(huì) 申請(qǐng)人:浙江大學(xué)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量軟測(cè)量?jī)x表，包括用于測(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(kù)以及熔融指數(shù)軟測(cè)量值顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫(kù)連接，其特征在于：所述軟測(cè)量?jī)x表還包括RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型，所述DCS數(shù)據(jù)庫(kù)與所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸入端連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型的輸出端與熔融指數(shù)軟測(cè)量值顯示儀連接，所述RBF粒子群優(yōu)化的工業(yè)熔融指數(shù)軟測(cè)量模型包括：數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫(kù)輸入的模型訓(xùn)練樣本進(jìn)行預(yù)處理，對(duì)訓(xùn)練樣本中心化，即減去樣本的平均值，然后對(duì)其進(jìn)行標(biāo)準(zhǔn)化：計(jì)算均值：TX‾=1NΣi=1NTXi---(1)計(jì)算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)標(biāo)準(zhǔn)化：X=TX-TX‾σx---(3)其中，TXi為第i個(gè)訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)，為訓(xùn)練樣本的均值，X為標(biāo)準(zhǔn)化后的訓(xùn)練樣本。σx表示訓(xùn)練樣本的標(biāo)準(zhǔn)差，σ2x表示訓(xùn)練樣本的方差。模糊方程模塊，對(duì)從數(shù)據(jù)預(yù)處理模塊傳過(guò)來(lái)的標(biāo)準(zhǔn)化后的訓(xùn)練樣本X，進(jìn)行模糊化。設(shè)模糊方程系統(tǒng)中有c*個(gè)模糊群，模糊群k、j的中心分別為vk、vj，則標(biāo)準(zhǔn)化后的第i個(gè)訓(xùn)練樣本Xi對(duì)于模糊群k的隸屬度μik為：μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)式中，n為模糊分類過(guò)程中需要的分塊矩陣指數(shù)，通常取作2，||·||為范數(shù)表達(dá)式。使用以上隸屬度值或者它的變形以獲得新的輸入矩陣，對(duì)于模糊群k，其輸入矩陣變形為：Φik(Xi,μik)=[1?func(μik)?Xi]????（5）其中func(μik)為隸屬度值μik的變形函數(shù)，一般取exp(μik)等，Φik(Xi,μik)表示第i個(gè)輸入變量Xi及其模糊群k的隸屬度μik所對(duì)應(yīng)的新的輸入矩陣。RBF神經(jīng)網(wǎng)絡(luò)作為模糊方程系統(tǒng)的局部方程，對(duì)每個(gè)模糊群進(jìn)行優(yōu)化擬合。設(shè)第k個(gè)RBF神經(jīng)網(wǎng)絡(luò)模糊方程的的輸出是：y^ik=ΣlwlkΦlk(||Xi-Clk||)---(6)其中Clk和wlk是第k個(gè)RBF神經(jīng)網(wǎng)絡(luò)模糊方程第l個(gè)結(jié)點(diǎn)的中心和輸出權(quán)值，Φlk(||Xi?Clk||)是第k個(gè)RBF神經(jīng)網(wǎng)絡(luò)模糊方程第l個(gè)結(jié)點(diǎn)的徑向基函數(shù)，由下式確定：Φlk(||Xi-Clk||)=exp(-(||Xi-Clk||)22×σlk)---(7)其中σlk是對(duì)應(yīng)的徑向基函數(shù)的高斯寬度，||·||為范數(shù)表達(dá)式。最后，由反模糊方法中的重心法得到最后的模糊方程系統(tǒng)的輸出：y^i=Σk=1c*μiky^ikΣk=1c*μik---(8)式中，為第k個(gè)RBF神經(jīng)網(wǎng)絡(luò)模糊方程的的輸出。粒子群算法優(yōu)化模塊，用于采用粒子群算法對(duì)模糊方程中RBF神經(jīng)網(wǎng)絡(luò)局部方程的Cpk、σpk、wpk進(jìn)行優(yōu)化，具體實(shí)現(xiàn)步驟如下：①確定粒子群的優(yōu)化參數(shù)為RBF神經(jīng)網(wǎng)絡(luò)局部方程的Clk、σlk、wlk、粒子群個(gè)體數(shù)目popsize、最大循環(huán)尋優(yōu)次數(shù)itermax、第p個(gè)粒子的初始位置rp、初始速度vp、局部最優(yōu)值Lbestp以及整個(gè)粒子群的全局最優(yōu)值Gbest。②設(shè)定優(yōu)化目標(biāo)函數(shù)，將其轉(zhuǎn)換為適應(yīng)度，對(duì)每個(gè)局部模糊方程進(jìn)行評(píng)價(jià)；通過(guò)相應(yīng)的誤差函數(shù)計(jì)算適應(yīng)度函數(shù)，并認(rèn)為誤差大的粒子適應(yīng)度小，粒子p的適應(yīng)度函數(shù)表示為：fp=1/(Ep+1)????（9）式中，Ep是模糊方程系統(tǒng)的誤差函數(shù)，表示為：Ep=1NΣi=1N(y^i-Oi)2---(10)式中，是模糊方程系統(tǒng)的預(yù)測(cè)輸出，Oi為模糊方程系統(tǒng)的目標(biāo)輸出；③按照如下公式，循環(huán)更新每個(gè)粒子的速度和位置，vp(iter+1)=ω×vp(iter)+m1a1(Lbestp?rp(iter))+m2a2(Gbest?rp(iter))??????????????????????????????????（11）rp(iter+1)=rp(iter)+vp(iter+1)????（12）式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbestp表示更新粒子p的個(gè)體最優(yōu)值，Gbest即為整個(gè)粒子群的全局最優(yōu)值，iter表示循環(huán)次數(shù)，ω是粒子群算法中的慣性權(quán)重，m1、m2是對(duì)應(yīng)的加速系數(shù)，a1、a2是[0,1]之間的隨機(jī)數(shù)；④對(duì)于粒子p，如果新的適應(yīng)度大于原來(lái)的...
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉興高，張明明，李見(jiàn)會(huì)，
申請(qǐng)(專利權(quán))人：浙江大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。