[发明专利]BP粒子群优化的工业熔融指数软测量仪表和方法

权利要求书

1.一种BP粒子群优化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BP粒子群优化的工业熔融指数软测量模型，所述DCS数据库与所述BP粒子群优化的工业熔融指数软测量模型的输入端连接，所述BP粒子群优化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BP粒子群优化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，对训练样本中心化，即减去样本的平均值，然后对其进行标准化：

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，TX_i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。σ_x表示训练样本的标准差，σ²_x表示训练样本的方差。

模糊方程模块，对从数据预处理模块传过来的标准化后的训练样本X，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)]]>

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i，μ_ik)=[1func(μ_ik)X_i]   （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取exp(μ_ik)等，Φ_ik(X_i，μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

BP神经网络作为模糊方程系统的局部方程，设第k个BP神经网络模糊方程输出层的预测输出为输入为net，与此层相邻的隐含层中任一神经元l的输出为s_l，则有：

net=Σlwlk×sl---(6)]]>

y^ik=f(net)---(7)]]>

式中，w_lk是隐层神经元l与输出层神经元之间的连接权，f(·)为神经元的输出函数，通常取为Sigmoid函数，表示为：

f(net)=1/(1+e-(net+h)/θ0)---(8)]]>

式中，h为输出层神经元的阈值，θ₀为陡度参数，用以调节Sigmoid函数的陡度；最后，由反模糊方法中的重心法得到最后的模糊方程系统的输出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(9)]]>

其中，为第k个BP神经网络模糊方程输出层的预测输出。

粒子群算法优化模块，用于采用粒子群算法对模糊方程中BP神经网络局部方程的w_lk进行优化，具体实现步骤如下：

①确定粒子群的优化参数为BP神经网络局部方程的w_lk、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。

②设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：

f_p=1(E_p+1)   （10）

式中，E_p是模糊方程系统的误差函数，表示为：

Ep=1NΣi=1N(y^i-Oi)2---(11)]]>

式中，是模糊方程系统的预测输出，O_i为模糊方程系统的目标输出；

③按照如下公式，循环更新每个粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

                                                             （12）

r_p(iter+1)=r_p(iter)+v_p(iter+1)   （13）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为整个粒子群的全局最优值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0，1]之间的随机数；

④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：

Lbest_p=f_p   （14）

⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:

Gbest=Lbest_p   （15）

⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊方程的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

所述BP粒子群优化的工业熔融指数软测量模型还包括：模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新模糊方程模型。

2.一种用如权利要求1所述的BP粒子群优化的工业熔融指数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：

1）、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）、将从DCS数据库输入的模型训练样本进行预处理，对训练样本中心化，即减去样本的平均值，然后对其进行标准化，使得其均值为0，方差为1。该处理采用以下算式过程来完成：

2.1）计算均值：TX‾=1NΣi=1NTXi---(1)]]>

2.2）计算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>

2.3）标准化：X=TX-TX‾σx---(3)]]>

其中，TX_i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。σ_x表示训练样本的标准差，σ²_x表示训练样本的方差。

3）、对从数据预处理模块传过来的训练样本，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)]]>

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i，μ_ik)=[1func(μ_ik)X_i]   （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取exp(μ_ik)等，Φ_ik(X_i，μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

BP神经网络作为模糊方程系统的局部方程，设第k个BP神经网络模糊方程输出层的预测输出为y输入为net，与此层相邻的隐含层中任一神经元l的输出为s_l，则有：

net=Σlwlk×sl---(6)]]>

y^ik=f(net)---(7)]]>

式中，w_lk是隐层神经元l与输出层神经元之间的连接权，f(·)为神经元的输出函数，通常取为Sigmoid函数，表示为：

f(net)=1/(1+e-(net+h)/θ0)---(8)]]>

式中，h为输出层神经元的阈值，θ₀为陡度参数，用以调节Sigmoid函数的陡度；最后，由反模糊方法中的重心法得到最后的模糊方程系统的输出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(9)]]>

其中，为第k个BP神经网络模糊方程输出层的预测输出。

4）、采用粒子群算法对模糊方程中BP神经网络局部方程的w_lk进行优化，具体实现步骤如下：

①确定粒子群的优化参数为BP神经网络局部方程的w_lk、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。

②设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：

f_p=1(E_p+1)   （10）

式中，E_p是模糊方程系统的误差函数，表示为：

Ep=1NΣi=1N(y^i-Oi)2---(11)]]>

式中，是模糊方程系统的预测输出，O_i为模糊方程系统的目标输出；

③按照如下公式，循环更新每个粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

   （12）

r_p(iter+1)=r_p(iter)+v_p(iter+1)   （13）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为整个粒子群的全局最优值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0，1]之间的随机数；

④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：

Lbest_p=f_p   （14）

⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:

Gbest=Lbest_p   （15）

⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊方程的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

所述软测量方法还包括以下步骤：5）、定期将离线化验数据输入到训练集中，更新模糊方程模型。