【技术实现步骤摘要】
本专利技术涉及一种工业过程中难测参数软测量方法，特别是涉及基于isomap-grnn的工业过程难测参数的软测量方法。
技术介绍
1、甲基锡锡化反应控制是甲基锡生产的核心，由于锡化反应过程复杂且不同批次原料的动态特性差异较大，国内锡化工公司通常依赖操作人员进行在线观察关键工艺参数的变化，并根据经验判断进行操作，以实现对锡化反应温度的控制。反应釜温度是影响锡化反应最重要的参数之一。温度过低会导致反应速率下降甚至停止反应，温度过高则会使锡粉融化并引发固釜现象。此外，反应过程中的热吸收和放热现象也需要操作员根据实时釜温进行通热油、通冷油、启闭油加热等操作来控制釜温；然而，操作时机难以准确把握，控制精度低，而且操作步骤繁琐、耗时费力且容易出错，使得反应温度的控制难度极高。
2、手动控制方式使得产品质量依赖于个人经验，控制水平较低，与真正的自动控制或智能控制相差甚远；采用手动控制方式，每批产品的品质存在差异，生产装置无法实现稳产、高产和低消耗的目标，导致公司生产效率低下、产品质量不稳定，市场竞争力较差；因此，对锡化反应过程进行软测量，提取无法通过传统方法直接测量的关键参数，以精准调控锡化反应温度，从而提高化工生产的可靠性、效率和经济性。
3、在锡化反应过程中，存在一些难以直接测量或监测的关键参数，而这些参数对生产效率和产品质量有着重要影响；甲基锡锡化反应作为甲基锡生产的核心过程，其中反应釜温度是影响此过程的最重要参数；然而，传统的手动控制方式依赖于个人经验，控制精度较低，需要开发一种智能控制方法，利用软测量技术提取无
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术的目的在于提供一种基于isomap-grnn的工业过程难测参数的软测量方法，对工业过程进行精准调控，具体包括以下步骤：
2、(1)采集已知操作状态下的多维传感器数据，建立工业过程数据集。
3、(2)对步骤(1)中的数据集进行标准化预处理。
4、(3)使用isomap算法将步骤(2)中处理后的数据集中的异常值进行筛选，并将其映射到低维空间中，得到工业过程的潜在特征嵌入数据。
5、(4)使用grnn神经网络将步骤(3)中得到的潜在特征嵌入数据进行训练构建软测量模型。
6、(5)采用已知操作状态下的多维传感器数据，经过步骤(2)和步骤(3)映射到低维空间后得到潜在特征嵌入数据，代入步骤(4)中建立软测量模型，得到待测工业过程输出的预测值。
7、上述方案中，步骤3中isomap算法采用多重尺度邻近关系进行数据降维，通过构造领域图，并计算最短路径，同时去除异常值，得到潜在特征嵌入数据，具体包括：
8、步骤3.1：对步骤(2)中标准化处理后的数据集x＝[x1,x2,x3,···,xn]，使用k近邻法构造邻域图g；其中，x为标准化处理后的数据，n为采集到的样本个数。
9、步骤3.2：利用弗洛伊德算法计算最短路径lg(xi，xj)；测地距离矩阵lg为对称矩阵，因此，有lg(xi，xj)＝lg(xj，xi)，其中，xj、xi为领域图g中任意两点。
10、步骤3.3：由最短路径lg(xi，xj)得到测地距离矩阵
11、
12、步骤3.4：利用最近邻传递机制，从图中删除异常值，从而得到lg。
13、步骤3.5：利用特征分解计算降维后的特征值和特征向量。
14、步骤3.6：对特征值进行排序，并将特征向量按照相对应的顺序重新排序，得到所需维度的特征值和特征向量，即为工业过程所需维度的特征数据。
15、grnn神经网络的参数设置通过交叉验证的方式进行确定，将数据集按照5:1划分为训练集和测试集，通过不同的参数组合来构建和评估模型，spread设置区间为[0.1000,0.1500]，步长设置为0.0001，从而选择最佳参数配置用于grnn神经网络，以提高软测量模型的准确性和泛化能力。
16、上述方案中，采用最佳方法构建grnn网络，具体包括：
17、步骤4.1：对工业过程降维后得到的数据进行归一化处理：
18、
19、其中，zi为归一化处理后的数据，zi为特征提取后的原始数据，zmax为特征提取后的原始数据最大值，zmin为特征提取后的原始数据最小值。
20、步骤4.2：选取交叉验证中最佳光滑因子对grnn网络进行训练，将归一化后的数据输入grnn网络的输入层，grnn网络的输入层将输入数据传递给隐含层，计算输入数据与样本之间的关系：
21、
22、其中，p(i)为隐含层神经元i的输出，xi为第i个神经元对应的学习样本，x为输入变量，n为输入数据的样本数目。
23、步骤4.4：隐含层的输出作为求和层的输入进行算术求和和加权求和：
24、
25、其中，p(i)为隐含层的输出，sd为算术求和值，n为输入数据的样本数目。
26、
27、其中，p(i)为隐含层的输出，yij为隐含层第i个神经元与求和层第j个神经元之间的权值，snj为加权求和值，n为输入数据的样本数目，m为输入数据的样本维数。
28、步骤4.5：求和层的输出作为输出层的输入经过处理得到结果：
29、
30、其中，yi为输出结果的第i个元素。
31、步骤4.3：对grnn网络的训练结果进行反归一化处理：
32、yi＝yi·(zmax-zmin)+zmin
33、其中，yi为反归一化处理后的数据，yi为使用归一化数据输入grnn网络训练的结果；
34、步骤4.4：计算grnn网络的均方误差：
35、
36、其中，δi为均方误差，n为输入grnn网络训练的样本个数，yi^为实际值，yi为grnn网络训练的预测值；
37、所述步骤4中的最佳光滑因子为0.1024。
38、本专利技术的有益效果
39、(1)在锡化反应过程中，应用isomap算法将难以测量的参数数据映射到一个较低维度的特征空间，实现数据降维和结构学习，利用grnn模型对降维后的数据进行回归建模，学习难以测量参数与反应釜温度之间的非线性关系；综合应用isomap-grnn方法的软测量技术能够提供准确可靠的难以测量参数预测结果，有助于优化控制和改进锡化反应过程的质量。
40、(2)isomap算法能够将高维数据映射到低维空间中，保持数据的拓扑结构，能够帮助减少数据的维度，去除冗余信息，提取主要特征；grnn具有快速训练和高度并行化的优点，且对噪声和异常数据有较好的鲁棒性，因此，isomap-grnn模型对异常值相对较为鲁棒，不易受到异常值的干扰，能够更好地处理含有异常值的数据，有助于实现锡化反应的精确控制。...
【技术保护点】
1.一种工业过程中难测参数软测量方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述工业过程中难测参数软测量方法，其特征在于：步骤(3)中ISOMAP算法采用多重尺度邻近关系进行特征提取，通过构造领域图，并计算最短路径，同时去除异常值，得到潜在特征嵌入数据。
3.根据权利要求2所述工业过程中难测参数软测量方法，其特征在于：所述ISOMAP算法具体包括以下步骤：
4.根据权利要求1所述工业过程中难测参数软测量方法，其特征在于：GRNN神经网络的参数设置通过交叉验证的方式进行确定，将数据集按照5∶1划分为训练集和测试集，通过不同的参数组合来构建和评估模型，从而选择最佳参数配置用于GRNN神经网络。
5.根据权利要求4所述工业过程中难测参数软测量方法，其特征在于：步骤4采用最佳方法构建GRNN网络，具体包括：
6.根据权利要求1所述工业过程中难测参数软测量方法，其特征在于：所述步骤(4)中的最佳光滑因子为0.1024。
【技术特征摘要】
1.一种工业过程中难测参数软测量方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述工业过程中难测参数软测量方法，其特征在于：步骤(3)中isomap算法采用多重尺度邻近关系进行特征提取，通过构造领域图，并计算最短路径，同时去除异常值，得到潜在特征嵌入数据。
3.根据权利要求2所述工业过程中难测参数软测量方法，其特征在于：所述isomap算法具体包括以下步骤：
4.根据权利要求1所述工业过程中难测参...
【专利技术属性】
技术研发人员：谭建所，江佩瑶，王洪亮，徐文光，杨开明，幸响云，王艺霖，麦鴚，吴兴华，
申请(专利权)人：云南锡业锡化工材料有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。