[发明专利]基于PCA-GA-RBF的换热器污垢生长预测方法

权利要求书

1.一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述方法包括以下步骤：

步骤1.利用石化生产中采集到的流量、温度、压力、污垢热阻和物性参数的历史数据，通过主成分分析方法PCA，对采集到的数据进行降维处理，通过少数几个主因素来反应影响污垢生成的复杂内部规律，重新组合一组新的互相无关的数据组，然后构建最佳的换热器污垢训练样本；

1.1)假设原始数据集W有n×m维数据；

1.2)原始数据标准化，为了消除量纲的干扰，在主成分分析中采用下式进行处理：

1.3)求相关系数矩阵R

R＝(r_jk)_m×m

1.4)求相关系数矩阵R的特征值、特征向量和贡献率；

R·x＝λ·x

1.5)每一个新因子对应方差所占的百分比表示该变量在所有变量中的相对地位，对该系统综合的贡献，故称为贡献率，由贡献率求得累积贡献率用来表示信息的含量；

1.6)确定主成分的个数K，根据“累积贡献率大于85％”原则和准则，选取最佳的主因素，组成最好的数据组；

步骤2.构建基于GA-RBF的人工神经网络预测模型，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数；

步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化，获得RBF人工神经网络预测模型的初始参数值，其中，RBF人工神经网络参数包括连接权值W、高斯函数中心向量C和基宽向量B；用遗传算法来优化RBF网络的隐节点中心和宽度参数，其连接权值采用正则最小二乘法确定；

步骤4.利用优化好的RBF人工神经预测模型的初始参数值，带入RBF人工神经网络预测模型，采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。

2.如权利要求1所述的一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述步骤2中，对于三层神经网络的训练，隐含层神经元的个数选取是a为1-10之间的常数，p和q分别是输入、输出的神经元个数，由PCA构建的最好的数据组可见，输入神经元的个数是K，输出神经元的个数是1，隐含层的神经元个数定为

3.如权利要求1或2所述的一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述步骤3的过程如下：

3.1)采用实数编码，中心向量C和宽度б分别用一个染色体表示，设输入向量的个数为N，隐含层节点为M，种群大小为P，则一个中心向量染色体长度就是M×N，中心向量就是一个P×(M×N)矩阵；一个宽度染色体的长度是M，宽度染色体就是一个P×M矩阵；

3.2)适应度函数的选择，对RBF网络的训练就是使其逼近精度，逼近误差精度目标函数由误差平方和来表示，因此要建立反应性能指标的适应度函数，采用以下的适应度函数：

其中N为样本数，d_i为期望输出，y_i为实际输出；

3.3)初始化总群，遗传算法的随机寻优搜索过程范围基本上就在初始化的种群范围中，只有变异操作使其跳出初始的搜索空间，所以种群的初始化很重要，由于采用了径向基函数中心C和宽度б分别编码，中心参数初始为输入样本数据范围内的实数，中心宽度初始化为[1,4]区间上的实数；

3.4)选择，采用轮盘赌法，把种群中所有染色体的适应度总和看作一个轮盘的周围，而每个染色体按其适应度在总和中所占的比例占据轮盘的一个扇区，轮盘赌法选择采用下式计算种群中个体i的选择概率：

3.5)交叉，模拟二进制交叉从父代群体中随机选取两个个体x1和x2，按下式定义的线性组合交叉方式产生后代：

3.6)变异，实数编码中，采用均匀性变异，在父代群体中随机地选择一个个体x＝[x₁,x₂,···x_m]，随机选择一个分量，假设是第k个分量，在其定义区间[a_k,b_k]中均匀随机地选取一个个体x'_k＝a_k+r(b_k-a_k)，r是一个均匀分布的随机数。

4.如权利要求1或2所述的一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述步骤4中，正交最小二乘法基于格拉姆-斯密特正交化算法，过程是：

4.1)设置第一个基向量等于矩阵M的第一列：

w₁＝m₁

4.2)抽取第k个基向量，以便它与前面k-1个向量正交：

重复步骤4.2)，直到k＝m。