最优模糊网络的工业熔融指数软测量仪表及方法技术

本发明专利技术公开了一种最优模糊网络的工业熔融指数软测量仪表及方法。该方法通过引入支持向量机对原有的模糊神经网络进行优化，解决了模糊神经网络构建过程中参数难设定的问题。在本发明专利技术中，现场智能仪表、控制站与DCS数据库连接，软测量值显示仪包括最优模糊网络的工业熔融指数软测量模型，DCS数据库与软测量模型的输入端连接，所述最优模糊网络的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接。最后，本发明专利技术具有在线测量、计算速度快、抗噪声能力强、推广性能好的特点。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种。该方法通过引入支持向量机对原有的模糊神经网络进行优化，解决了模糊神经网络构建过程中参数难设定的问题。在本专利技术中，现场智能仪表、控制站与DCS数据库连接，软测量值显示仪包括最优模糊网络的工业熔融指数软测量模型，DCS数据库与软测量模型的输入端连接，所述最优模糊网络的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接。最后，本专利技术具有在线测量、计算速度快、抗噪声能力强、推广性能好的特点。【专利说明】
本专利技术涉及软测量仪表及方法，尤其涉及一种。
技术介绍
聚丙烯是一种由丙烯聚合而成的半结晶的热塑性塑料，具有较高的耐冲击性，机械性质强韧，抗多种有机溶剂和酸碱腐蚀，在工业界有广泛的应用，是平常最常见的高分子材料之一。熔融指数(MI)是聚丙烯生产中确定最终产品牌号的重要质量指标之一，它决定了产品的不同用途。熔融指数的精确、及时的测量，对生产和科研，都有非常重要的作用和指导意义。然而，熔融指数的在线分析测量目前仍然很难做到，缺乏熔融指数的在线分析仪是制约聚丙烯产品质量的一个主要问题。MI只能通过人工取样、离线化验分析获得，而且一般每2-4小时分析一次，时间滞后大，难以满足生产实时控制的要求。近年来关于MI的在线预报的研究工作大部分都集中在人工神经网络上面，取得了不错的效果。但是人工神经网络也有其自身的缺点，例如过拟合、隐含层的节点数目和参数不好确定。其次，工业现场采集到的DCS数据也因为噪音、人工操作误差等带有一定的不确定误差，所以使用确定性强的人工神经网络的预报模型一般推广能力不强。1965年美国数学家L.Zadeh首先提出了 Fuzzy集合的概念。随后模糊逻辑以其更接近于日常人们的问题和语意陈述的方式，开始代替坚持所有事物都可以用二元项表示的经典逻辑。1987年，Bart Kosko率先将模糊理论与神经网络有机结合进行了较为系统的研究。在这之后的时间里，模糊神经网络的理论及其应用获得了飞速的发展，各种新的模糊神经网络模型的提出及其相适应的学习算法的研究不仅加速了模糊神经理论的完善，而且在实践中也得到了非常广泛的应用。支持向量机，由Vapnik在1998年引入,通过使用统计理论学习中结构风险最小化而非一般的经验结构最小化方法，把原有的最优分类面问题转化为其对偶的优化问题，因而具有良好的推广能力，被广泛应用在模式识别、拟合和分类问题中。在本方案中，支持向量机被用来优化模糊神经网络模型中的线性参数。
技术实现思路
为了克服已有的丙烯聚合生产过程的测量精度不高、对噪声敏感度低、推广性能差的不足，本专利技术提供一种在线测量、计算速度快、模型自动更新、抗噪声能力强、推广性能好的。—种最优模糊网络的工业熔融指数软测量仪表，包括丙烯聚合生产过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库以及熔融指数软测量值显示仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、控制站与DCS数据库连接，所述软测量仪表还包括最优模糊网络的工业熔融指数软测量模型，所述DCS数据库与所述最优模糊网络的工业熔融指数软测量模型的输入端连接，所述最优模糊网络的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接，所述最优模糊网络的工业熔融指数软测量模型包括:数据预处理模块，用于将从DCS数据库输入的模型训练样本进行预处理，使得训练样本的均值为0，方差为I，该处理采用以下算式过程来完成:计算均值:【权利要求】1.一种最优模糊网络的工业熔融指数软测量仪表，包括用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库以及熔融指数软测量值显示仪，所述现场智能仪表、控制站与DCS数据库连接，其特征在于:所述软测量仪表还包括最优模糊网络的工业熔融指数软测量模型，所述DCS数据库与所述最优模糊网络的工业熔融指数软测量模型的输入端连接，所述最优模糊网络的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接，所述最优模糊网络的工业熔融指数软测量模型包括: 数据预处理模块，用于将从DCS数据库输入的模型训练样本进行预处理，使得训练样本的均值为O，方差为I，该处理采用以下算式过程来完成:计算均值 2.一种用如权利要求1所述的基于支持向量机优化模糊神经网络的丙烯聚合生产过程软测量仪表实现的软测量方法，其特征在于:所述软测量方法具体实现步骤如下: I )、对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入，操作变量和易测变量由DCS数据库获得； 2)、用于将从DCS数据库输入的模型训练样本进行预处理，使得训练样本的均值为O，方差为I，该处理采用以下算式过程来完成:计算均值: 【文档编号】G05B13/04GK103675005SQ201310432289【公开日】2014年3月26日 申请日期:2013年9月22日 优先权日:2013年9月22日 【专利技术者】刘兴高, 张明明, 李见会 申请人:浙江大学本文档来自技高网...

【技术保护点】
一种最优模糊网络的工业熔融指数软测量仪表，包括用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库以及熔融指数软测量值显示仪，所述现场智能仪表、控制站与DCS数据库连接，其特征在于：所述软测量仪表还包括最优模糊网络的工业熔融指数软测量模型，所述DCS数据库与所述最优模糊网络的工业熔融指数软测量模型的输入端连接，所述最优模糊网络的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接，所述最优模糊网络的工业熔融指数软测量模型包括：数据预处理模块，用于将从DCS数据库输入的模型训练样本进行预处理，使得训练样本的均值为0，方差为1，该处理采用以下算式过程来完成：计算均值：TX‾=1NΣi=1NTXi---(1)计算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)标准化：X=TX-TX‾σx---(3)其中，TXi为第i个训练样本，N为训练样本数，为训练样本的均值，X为标准化后的训练样本。σx表示训练样本的标准差，σ2x表示训练样本的方差。模糊神经网络模块，对从数据预处理模块传过来的输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本Xp=[Xp1,…,Xpn]，其中n是输入变量的个数。设模糊神经网络有R个模糊规则，为了求得每个模糊规则对于训练样本Xp的每个输入变量Xpj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：Mij=exp{-(Xpj-mij)2σij2}---(4)其中mij和σij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。设标准化后的训练样本Xp对模糊规则i的适应度为μ(i)(Xp)，则μ(i)(Xp)的大小可由下式决定：μ(i)(Xp)=Πj=1nMij(Xp)=exp{-Σj=1n(Xpj-mij)2σij2}---(5)求得输入训练样本对于每个规则的适应度之后，模糊神经网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊神经网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μi(Xp)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：f(i)=μ(i)(Xp)×(Σj=1naij×Xpj+ai0)---(6)y^p=Σi=1Rf(i)+b=Σi=1R[μi(Xp)×(Σj=1naij×Xpj+ai0)]+b---(7)式中，f(i)为第i条模糊规则的输出，是模糊神经网络模型对第p个训练样本的预测输出，aij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，ai0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。支持向量机优化模块，在式（7）中，输入变量线性乘积和中的参数的确定是模糊神经网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，转换过程如下：y^p=Σi=1Rf(i)+b=Σi=1R[μ(i)(Xp)×(Σj=1naij×Xpj+ai0)]+b---(8)=Σi=1RΣj=0naij×μ(i)(Xp)×Xpj+b其中Xp0为常数项且恒等于1。令φ→(Xp)=[μ(1)×Xp0,...,μ(1)×Xpn,......,μ(R)×Xp0,...,μ(R)×Xpn]---(9)其中，表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：S={(φ→(X1),y1),(φ→(X2),y2),...,(φ→(XN),yN),}---(10)其中y1,…,yN是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘兴高，张明明，李见会，
申请(专利权)人：浙江大学，
类型：发明
国别省市：