[发明专利]基于后效性函数与杜鹃搜索的工业熔融指数软测量方法

权利要求书

1.一种基于后效性函数与杜鹃搜索的工业熔融指数软测量方法，用于对丙烯聚合生产过程的工业熔融指数进行在线预测，包括数据预处理模块、后效性函数模块、杜鹃搜索算法模块；

所述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，减小从DCS数据库输入的模型训练样本间的数值差，提高系统的预测精度；

该处理采用以下算式过程来完成：

X_p＝log(X+1) (1)

Y_p＝Y (2)

其中，X_p为处理后的一组训练样本数据，即一组历史易测数据；X＝[x₁,x₂...,x_n]为从DCS数据库输入一组的原始样本数据，n为一组训练样本中变量的数量；Y_p与Y分别表示X_p、X对应的工业熔融指数化验值，对其不做变化；

所述后效性函数模块对从数据预处理模块传过来的输入变量，分组带入后效性函数网络进行计算；

后效性函数f(t)表示如下

其中，a₁、a₂、a₃为后效性函数参数，表示函数形状，ε(t)为单位阶跃函数、t表示时间；该函数体现了工业生产过程中某一物理量对最终产品影响的后效性与滞后性；该函数在t₀处(t₀＞0)处取得最大值，表示该物理量对产品的影响在t₀时刻达到最大值，0至t₀时刻函数值逐渐增大，t₀后函数值逐渐减小并趋于0；

后效性函数网络

其中，Y^k为后效性函数网络第k个输出向量，与训练样本中第k个工业熔融指数化验值对应；N为训练样本组数，M为每组训练样本易测变量的组数，表示在训练样本中第k个工业熔融指数化验值前iΔt时刻的一组易测变量，Δt代表现场智能仪表的采样时间，f_i代表每组训练样本中第i个易测变量对应的后效性函数(i＝1,2,...,M)；

则在此后效性函数网络中，采用滑窗形式输入数据，即输入M组历史易测数据，得到一个预报向量Y；最终该网络输出如下

α(M)＝[1,1,...,1]_1×M (9)

其中，表示由第k组训练样本得到的网络预报值、α(M)表示长度为M的全1向量；完成基于历史数据的工业熔融指数实时预报；

所述杜鹃搜索算法模块利用杜鹃搜索算法对后效性函数网络中对应于每个输入量的后效性函数进行参数寻优，利用DCS数据库收集的多组历史易测变量和熔融指数离散化验值求得搜索过程中每个解的适应值，确定全局误差值最小时的后效性函数网络参数；

实现步骤如下：杜鹃在w个鸟巢中做选择，选出最好的鸟巢，把自己的蛋放在里面；宿主(被寄生的鸟)以一定概率p_a发现有自己的鸟巢中有杜鹃鸟的蛋，同时把布谷鸟的鸟蛋扔出去或建造新的鸟巢；

步骤1

初始化；设置鸟巢的个数w，搜索空间维数d，初始化鸟巢的位置为找出最优鸟巢即误差值最低的位置和此时的误差值d_min；

步骤2

进入循环；保留上代最优鸟巢的位置并利用下式更新其他鸟巢的位置

其中分别表示第t代与第t+1代第i个鸟巢的位置，L(s,λ)表示莱维函数，s为步长，U、V分别表示步长计算中间参数，α为步长缩放因子，根据研究问题搜索域的范围选择；v表示随机生成的方向向量，其模为1；λ为莱维指数，Γ(x)为标准Gamma函数，s₀为最小步长U和V服从正态分布，即

U～N(0,σ²),V～N(0,1)

其中N(0,σ²)表示均值为0、方差为σ²的正态分布，N(0,1)表示均值为0、方差为1的正态分布；得到一组新的鸟巢位置，对这组鸟巢求误差，与上一代鸟巢位置进行比较，保留w个误差较小的鸟巢位置，得到一组较优的鸟巢位置

步骤3

用服从均匀分布的随机数r∈[0,1]作为鸟巢主人发现杜鹃鸟蛋的可能性并与p_a比较，其值小于p_a便对鸟巢做随机位置调整，得到新鸟巢的位置

其中与是随机选择的g_t中不同于的解，ε(x)为单位阶跃函数；对这组新鸟巢的位置进行测试，与g_t中每个鸟巢进行比较，保留w个误差较小的鸟巢位置，得到一组新的较优的鸟巢位置

步骤4

找出p_t中最优的一个鸟巢位置和误差值d_min；若达到停止条件则退出循环，否则回到步骤2；

上述算法中的鸟巢位置x即为后效性函数网络中的参数；

定义第k组训练数据误差d^k

其中，表示训练样本中第k个工业熔融指数化验值；最终后效性函数网络中的参数为对N组训练样本寻优获得的N个最优参数的聚类中心。