[发明专利]一种裂解反应炉温度的主成分分析建模方法

摘要

本发明公开了一种裂解反应炉温度的主成分分析建模方法。本发明通过采集过程对象的输入输出数据，结合神经网络模型，使用改进的主成分分析方法建模，结合改进的遗传算法算子优化神经网络模型的网络层和参数，而得到裂解反应炉温度预测方法。通过本发明建立的模型具有较高的精确性，能很好地描述过程对象的动态特性。

主权项

一种裂解反应炉温度的主成分分析建模方法，其特征在于该方法具体是：步骤1、采集过程的实时运行数据，建立过程对象神经网络模型，具体步骤如下：1‑1.根据建立模型，综合主成分分析方法，得到给定子集p的最优解如下形式：f1=tr((SP-1[S2]P)2)tr(S2)]]>其中，S为数据的协方差矩阵，S2协方差矩阵的平方，SP中选定S中p个变量组成的p×p子阵；为求矩阵的逆矩阵，tr()求括号中矩阵的迹；将其转换为最小化问题表示为J1，形式如下：J1＝1/f11‑2.将输入输出数据与预测输出之间的映射关系，即模型结构表示为如下形式：y^(k)=f(x(k))]]>其中，x(k)＝[y(k‑1),…,y(k‑n),u(k‑1),…,u(k‑m)]是被控对象观测输入，y(k‑1),…,y(k‑n)分别是k‑1，…,k‑n时刻被控对象输出；u(k‑1),…,u(k‑m)分别是k‑1，…,k‑m时刻选取的干扰；n和m分别是输出和输入的最大阶次，f表示模型的映射关系；1‑3.引入隐藏神经元，模型预测输出表示为如下形式：y^(k)=f(x(k))=Σi=1nhωiφi(||x(k)||)=ωΦ(k)]]>其中，是连接隐藏神经元到输出层的权值，nh是隐藏节点的个数；φi(||x(k)||)是隐层中第i个神经元输出，形式如下：φi(||x(k)||)=exp(-||||x(k)||-ci||σi2),i=1,2,...,nh]]>||x(k)‑ci||是x与ci之间的欧几里德距离，||x||为x的模，与σi∈R分别是高斯函数的中心向量和宽度，exp是指数函数；1‑4.给出N1个训练数据样本,Y1＝[y1(1),…,y1(N1)]，U＝[u(1),…,u(N1)]，通过递归方法计算权重系数：ω(k)=ω(k-1)+K(k)[fi(k)-ΦT(k)ωi(k-1)]K(k)=P(k-1)Φ(k)[ΦT(k)P(k-1)Φ(k)+μ]-1P(k)=1/μ[I-K(k)ΦT(k)]P(k-1)]]>其中，Y1是训练数据，U是主成分分析方法所选取的干扰，0＜μ＜1是遗忘因子,P(k)、P(k‑1)是k，k‑1时刻的正定的协方差矩阵,P(0)＝α2I,I是一个(n+m)×(n+m)单位矩阵,α是一个足够大的实数；设置为105，ω(0)＝ε,ε是一个充分小的n+m的实矩阵，设置为10‑3，K(k)是一个权重矩阵，fi(k)是第i个神经元k时刻训练输出，ωi(k‑1)是第i个神经元k‑1时刻训练权重，T是转置符号；1‑5.训练建立的模型，其建模精度通过使用训练和测试数据根据数学误差处理进行评估：J2=Σk=1N1|y1(k)-y^1(k)|2/N1+Σk=1N2|y2(k)-y^2(k)|2/N2]]>其中，J2是经数学处理误差目标，y1(k)是训练数据，k＝1,…,N1，是其预测输出；y2(k)是测试数据，k＝1,…,N2，是其预测输出；步骤2、基于改进的遗传算法的变量选择和神经网络建模，具体步骤如下：2‑1.初始化种群大小Np、最大世代G、算子概率Pc、Pm，首先对神经网络模型参数进行编码，将输入层中的n被设置为2，将一个输入变量的m设置为1；隐藏层中的神经元数nh及其高斯函数参数ci,σi,i＝1,…,nh被优化，1≤nh≤H,H是隐层的最大隐藏层数；设计不同变量选择的编码和改进的神经网络，并导出第i条染色体Ci，形式如下所示：Ci=c11c21c31...c81σ1..................c1nhc2nhc3nh...c8nhσnh000...00001...10]]>其中1≤i≤Np，Np是群体大小；2‑2.根据矩阵知识导出[1,nh]行中的元素，如下所示：cij=ymin+r(ymax-ymin)1≤i≤21≤j≤nhumin+r(umax-umin)3≤i≤81<j≤nh]]>σj＝rwmax 1≤j≤nh其中r在[0.01,1]中随机产生的系数，umax和umin是最大和最小输入，ymax和ymin是最大和最小输出，wmax是高斯基函数的最大宽度，设置为umax、ymax的较大值；最后一行Ci代表3‑8列被选择，其有效位为[3‑8]；一旦Ci获得，确定了改进的神经网络的结构和参数，然后通过步骤1‑4使用训练数据获得权值ω；2‑3.改进的遗传算法并选择算子在改进的遗传算法中使用排序算法，得到排序和拥挤距离；排第一的个体被视为精英，被选为父母；为了保持群体的多样性，具有相同值的J1和J2的个体被认为是一个个体；排第1的个体选择到父母群体中，直到超过群体规模；通过下降排序比较当前前面的拥挤距离，并且将具有较大拥挤距离的个体选择到父母群体中；如果大小仍然小于设定的群体规模，在改进算法的基础上，来选择J1和J2剩余群体数的一半；在选定的群体中通过优化的遗传方法，产生后代；2‑4类染色体联会过程，产生遗传算法的算子，在Ci行和Ci′行之间执行概率为pc的算子，其中，在Ci和Ci′之间在1,9之间随机生成交叉位置；基函数的参数发生变化，后代中所选择的变量也发生了变化；但是隐藏节点的数量不能改变；2‑5.步骤2‑1中的元素以概率Pm突变；当实现变异算子时，根据步骤2‑2生成元素，其中的元素执行逻辑非运算，即1到0和0到1得到新的结构，然后获得改进的神经网络模型和不同的变量；2‑6.延长剪切算子如果隐藏神经元的数目小于2，则随机添加神经元新元素[1，H‑2]之间的随机数，并根据步骤2‑2计算新神经元的元素；在Ci中只有一个不为零的神经元将被剪切，并且隐藏的神经元的数量减少；2‑7.循环重复优化搜素，依照步骤1‑1到2‑6，直到达到允许的最大进化代数结束优化搜索计算，得到优化后的遗传算法优化后的染色体，经解码后得到优化后的神经网络模型的参数。