申请/专利权人：宁波大学科学技术学院

申请日：2021-09-22

公开（公告）日：2022-01-14

公开（公告）号：CN113934977A

主分类号：G06F17/16(20060101)

分类号：G06F17/16(20060101);G06N3/00(20060101);G01D21/02(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.02.01#实质审查的生效;2022.01.14#公开

摘要：本发明公开一种基于SFA‑RBFNN模型的聚丙烯熔融指数软测量方法，结合使用SFA与RBFNN解决聚丙烯熔融指数软测量问题，并同时考虑RBFNN隐层神经元的中心点向量的优化问题，从而使基于SFA‑RBFNN模型的聚丙烯熔融指数软测量精度得到有效保障。具体来讲，本发明方法首先通过SFA提取聚丙烯过程输入变量中的缓慢变化的特征，然后利用提取的缓慢变化特征做为RBFNN模型的输入，从而使用能反应数据缓慢变化的本质特征来软测量聚丙烯熔融指数。与此同时，使用差分进化算法优化求解RBFNN隐层神经元的中心点向量，从最小化估计误差的角度实施对聚丙烯过程熔融指数的软测量。

主权项：1.一种基于SFA-RBFNN模型的聚丙烯熔融指数软测量方法，其特征在于，包括以下步骤：步骤1：先将聚丙烯过程四个反应釜的28个测量变量确定为软测量模型的输入变量，再将产品出料口的聚丙烯熔融指数确定为软测量模型的输出变量；其中，聚丙烯过程每个反应釜所属的7个测量变量依次是：反应釜温度，反应釜压力，反应釜液位，氢气进料流量，丙烯进料流量，催化剂进料流量和回流流量；步骤2：根据确定的输入变量与输出变量，连续采集n个采样时刻的样本数据后，将28个输入变量对应的样本数据存储为一个n×28维的数据矩阵X，并将输出变量对应的数据存储为n×1维的数据向量y；步骤3：根据如下所示公式分别对X中的列向量z1，z2，…，z28分别实施标准化处理，对应得到28个列向量并将列向量合并成输入矩阵 其中，μi与δi分别表示列向量zi中所有元素的均值与标准差，i∈{1，2，…，28}；步骤4：使用SFA算法求解变换矩阵P∈R28×K后，再将矩阵变换成输入特征矩阵具体的实施过程如步骤4.1至步骤4.4所示；其中，R28×K表示28×K维的实数矩阵，R表示实数集；步骤4.1：对的协方差矩阵实施奇异值分解，即C＝UΛUT；其中，U∈R28×28表示奇异值分解的酉矩阵，对角矩阵Λ∈R28×28对角线上的元素为奇异值；步骤4.2：根据公式计算白化矩阵Z后，再根据公式计算一阶差分矩阵其中，Z2表示白化矩阵Z中第2行至第n行的行向量组成的矩阵，Z1表示白化矩阵Z中第1行至第n-1行的行向量组成的矩阵，Rn-1×m表示n-1×m维的实数矩阵；步骤4.3：计算矩阵后，再求解特征值问题中28个特征值λ1≤λ2≤…≤λ28对应的特征向量v1，v2，…，v28；其中，i∈{1，2，…，28}；步骤4.4：将最小的K个特征值λ1，λ2，…，λK所对应的特征向量v1，v2，…，vK组建成矩阵V＝[v1，v2，…，vK]，再计算变换矩阵P＝UΛ-12V；步骤5：根据如下所示公式对输入特征矩阵S中的K个列向量s1，s2，…，sK以及数据向量y分别实施归一化处理，对应得到列向量以及输出向量 其中，γ∈{1，2，…，K}，sγmin和sγmax分别表示第γ个列向量sγ中的最小值和最大值，ymin和ymax分别表示数据向量y中的最小值和最大值；步骤6：组建输入特征矩阵后，再搭建一个由输入层，隐层，和输出层组成的RBFNN模型；其中，输入层神经元的个数等于K，隐层神经元的个数等于H，输出层神经元的个数等于1，确定隐层神经元的中心点向量c1，c2，…，cH，光滑因子βbest，和输出层权重向量θbest的具体的实施过程如步骤6.1至步骤6.5所示；步骤6.1：初始化迭代次数m＝1，并设置差分进化算法的种群个数N和最大迭代次数M；步骤6.2：随机产生N个H×K维的种群矩阵U1，U2，…，UN，每个种群矩阵中的元素都随机取值于区间[0，1]；步骤6.3：分别计算种群矩阵U1，U2，…，UN对应的适应度值L1，L2，…，LN；其中，计算第k个种群矩阵Uk对应的适应度值Lk的具体的实施过程如步骤6.3-1至步骤6.3-3所示；步骤6.3-1：分别将输入特征矩阵中的n个行向量s1，s2，…，sn当成输入向量，并根据如下所示公式计算隐层输出向量v1，v2，…，vn： 其中，exp表示以自然常数e为底数的指数函数，vjh表示vj∈RH×1中的第h个元素，Ukh表示Uk中第h行的行向量，||sj-Ukh||2＝[sj-Ukh][sj-Ukh]T，上标号T表示矩阵或向量的转置，h∈{1，2，…，H}，k∈{1，2，…，N}，j∈{1，2，…，n}，RH×1表示H×1的实数向量，βk是对应于第k个种群矩阵Uk的光滑因子，确定βk的具体过程如步骤A至步骤B所示；步骤A：根据公式Dh，d＝||Ukh-Ukd||2计算种群矩阵Uk中第h行与第d行的行向量之间的平方距离Dh，d，并将Dh，d设置为距离矩阵D∈RH×H中第h行第d列的元素；其中，d∈{1，2，…，H}；步骤B：将距离矩阵D∈RH×H中元素的最大的值记录为Dmax，则βk＝DmaxH；步骤6.3-2：将隐层输出向量v1，v2，…，vn合并成一个矩阵Vk＝[v1，v2，…，vn]T，再根据公式计算RBF神经网络的输出层权重向量θk∈RH×1后，再计算RBFNN的输出层估计向量步骤6.3-3：根据公式计算第k个种群矩阵对应的适应度值Lk；步骤6.4：将L1，L2，…，LN中最小值对应的种群矩阵，光滑因子，和输出层权重向量分别记录为Ubest，βbest，和θbest后，再执行差分进化算法的种群更新操作，得到更新后的N个种群向量U1，U2，…，UN；步骤6.5：判断是否满足条件m＞M；若否，则设置m＝m+1后返回步骤6.3；若是，则得到光滑因子βbest和输出层权重向量θbest，并将Ubest中的各个行向量依次记录为中心点向量c1，c2，…，cH；步骤7：在最新采样时刻t，采集步骤1中28个输入变量对应的数据u1t，u2t，…，u28t，并按照如下所示公式分别对其进行标准化处理，得到标准化后的数据 步骤8：将组成输入数据向量再计算输入特征向量st＝xtP；步骤9：按照如下所示公式对st中的各个元素进行归一化处理，得到归一化后的输入特征向量 其中，stγ与分别表示st与中的第γ个元素；步骤10：按照如下所示步骤10.1至步骤10.2计算得到聚丙烯熔融指数的软测量值yt；步骤10.1：根据如下所示公式计算RBFNN的隐层输出向量u∈RH×1： 上式中，uh表示u中的第h个元素，步骤10.2：根据公式计算得到输出估计值后，再计算聚丙烯熔融指数的软测量值步骤11：返回步骤7继续实施对最新采样时刻的聚丙烯熔融指数的软测量。

全文数据：

权利要求：

百度查询： 宁波大学科学技术学院 一种基于SFA-RBFNN模型的聚丙烯熔融指数软测量方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD