專利名稱：基于仿生智能的工業(yè)軟測量儀表及軟測量方法
技術領域：
本發(fā)明涉及工業(yè)過程軟測量領域，特別地，涉及一種基于仿生智能的工業(yè)軟測量儀表及軟測量方法。
背景技術：
在現代流程工業(yè)中，大量關鍵性過程狀態(tài)、產品質量等參數缺乏在線直接測量手段。這已成為制約生產安全、產品質量、產量及生產效益進一步提高的瓶頸。軟測量技術正式解決此類問題的有效途徑。
利用工業(yè)實測數據，采用統計的方法建立工業(yè)過程的軟測量模型，避開了復雜的機理分析，模型對觀測數據的擬和程度高，求解相對方便，是進行軟測量的一種有效手段和工具。
但是常見的大多數軟測量儀表及方法，往往存在儀表參數確定難、適用性差和軟儀表精度不高等問題，在高精度軟測量工業(yè)過程難以適用。

發(fā)明內容為了克服已有的工業(yè)軟測量儀表的參數確定困難、適用性差、精度不高的不足，本發(fā)明提供一種參數確定方便、適用范圍廣、軟測量效果好、精度高的基于仿生智能的工業(yè)軟測量系統及軟測量方法。
本發(fā)明解決其技術問題所采用的技術方案是一種基于仿生智能的工業(yè)軟測量儀表，包括與工業(yè)過程對象連接的現場智能儀表、用于存放歷史數據的數據存儲裝置及上位機，智能儀表、數據存儲裝置及上位機依次相連，所述的上位機為軟測量智能處理器，所述的軟測量智能處理器包括標準化處理模塊，用于對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)
1)計算均值TX‾=1NΣi=1NTXi---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>3)標準化X=TX-TX‾σx---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；徑向基函數神經網絡建模模塊，用于建立軟測量模型RBF，采用如下過程1)選用高斯函數Φ(v)＝exp(-v2/α2)作為網絡的激活函數，給定形狀參數α；2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數目、網絡輸出權值得到軟測量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權值，ω0為偏置量；N為隱含層的神經元數；‖·‖是歐氏范數；基于混沌遺傳算法的模型參數優(yōu)選模塊，用于優(yōu)化RBF模型參數，采用如下過程1)對待優(yōu)化參數，記為x，進行二進制編碼，生成初始群體，計算每個個體的適應度值；2)根據選擇概率pi＝fi/∑ifi(fi(fi為個體適應值)按規(guī)定的種群規(guī)模選擇個體進入下一代；
3)以交叉概率按適當的交叉方式對選中的多對個體交叉；4)以變異概率pm按適當的變異方式對選中的個體變異；5)解碼，計算各個體適應度值；6)確定適應度中間值，對適應值比中間值大的個體不做混沌擾動，對其余的適應值比中間值小的個體做混沌擾動，混沌擾動的幅度控制參數隨著迭代次數增加而變??；計算新個體的適應度值；混沌擾動按如下方法進行選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn) (5)按照上式(5)得到的混沌變量通過變換映射到要優(yōu)化的變量，變換公式如下(6)xi＝ci+dixi(6)7)重復步驟2至步驟6，直到終止條件得以滿足，即計算得到的新個體的適應度值在5代之內保持不變；信號采集模塊，用于依照設定的每次采樣的時間間隔，從數據庫中采集數據；軟測量模塊，用于對待檢測數據VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數據作為徑向基函數神經網絡建模模塊的輸入，將輸入代入訓練得到的RBF模型，得到軟測量函數值。
作為優(yōu)選的一種方案所述的軟測量智能處理器還包括模型更新模塊，用于定期將離線檢測的實際數據加到訓練集中，以更新RBF模型。
作為優(yōu)選的另一種方案所述的軟測量儀表還包括DCS系統，所述的DCS系統由數據接口、控制站和歷史數據庫構成，所述的數據存儲裝置為DCS系統的歷史數據庫，所述的軟測量智能處理器還包括結果顯示模塊，用于將軟測量結果傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示。
作為優(yōu)選的再一種方案所述的現場智能儀表、DCS系統、軟測量智能處理器通過現場總線依次連接。
一種用所述的基于仿生智能的工業(yè)軟測量儀表實現的軟測量方法，所述的軟測量方法包括以下步驟(1)、確定軟測量所用的關鍵變量，從歷史數據庫中采集系統正常時所述變量的數據作為訓練樣本TX；(2)、在基于混沌遺傳算法的模型參數優(yōu)選模塊，設置混沌遺傳算法的種群大小、最大代數、選擇概率、交叉概率、變異概率參數，并設定DCS中的采樣周期；(3)、訓練樣本TX在軟測量智能處理器中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；(4)、建立徑向基函數網絡，具體步驟為4.1)選用高斯函數Φ(v)＝exp(-v2/α2)作為網絡的激活函數，給定形狀參數α；
4.2)用最小二乘學習算法確定RBF中心矢量Ci；4.3)正交優(yōu)選確定最佳隱含層數目、網絡輸出權值得到軟測量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權值，ω0為偏置量；N為隱含層的神經元數；‖·‖是歐氏范數；(5)、用混沌遺傳算法優(yōu)化上述參數α，具體步驟為5.1)對待優(yōu)化參數進行二進制編碼，生成初始群體，計算每個個體的適應度值；5.2)根據選擇概率pi＝fi/∑ifi(fi(fi為個體適應值)按規(guī)定的種群規(guī)模選擇個體進入下一代；5.3)以交叉概率按適當的交叉方式對選中的多對個體交叉；5.4)以變異概率pm按適當的變異方式對選中的個體變異；5.5)解碼，計算各個體適應度值；5.6)確定適應度中間值，對適應值比中間值大的個體不做混沌擾動，對其余的適應值比中間值小的個體做混沌擾動，混沌擾動的幅度控制參數隨著迭代次數增加而變?。挥嬎阈聜€體的適應度值；混沌擾動按如下方法進行選用Logistic映射，其算式為(5)αn+1＝4·αn(1-αn) (5)按照上式得到的混沌變量通過變換映射到要優(yōu)化的變量，變換公式如下(6)αi＝ci+diαi(6)5.7)重復5.2至5.6，直到終止條件得以滿足，即計算得到的新個體的適應度值在5代之內保持不變；
(6)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待測量數據VX；對VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數據作為徑向基函數神經網絡建模模塊的輸入，將輸入代入訓練得到的RBF模型，得到軟測量函數值。
作為優(yōu)選的一種方案所述的軟測量方法還包括(7)、定期將離線檢測的實際數據加到訓練集中，以更新徑向基函數神經網絡模型。
作為優(yōu)選的另一種方案所述的數據存儲裝置為DCS系統的歷史數據庫，所述的DCS系統由數據接口、控制站和歷史數據庫構成，在所述的(6)中計算得到軟測量值，將結果傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示。
本發(fā)明的技術構思為仿生智能如遺傳算法等，能夠模擬生物進化和生物群體的智能進化過程來根據檢測過程的特點最優(yōu)化軟測量儀表的參數，從而有效解決常規(guī)軟儀表參數確定難、適用性差和軟儀表精度不高等問題，在高精度軟測量工業(yè)過程難以適用等難關。
工業(yè)過程數據本身具有非常嚴重的非線性，RBF可以很好的逼近這種非線性關系；混沌遺傳算法既保留了遺傳算法的全局搜索能力，又能明顯提高遺傳算法的收斂速度，可以在較短時間內優(yōu)化模型參數。
本發(fā)明的有益效果主要表現在1、適用范圍廣，能廣泛運用于各種工業(yè)過程；2、軟測量效果好；3、運算效率高，模型可以在線更新；4、使用簡單，容易在現有DCS系統上實現，也可構成一個獨立的系統。


圖1是本發(fā)明所提出的軟測量系統的硬件結構圖；圖2是本發(fā)明所提出的軟測量智能處理器的功能模塊圖；(五)
具體實施例方式
下面結合附圖對本發(fā)明作進一步描述。本發(fā)明實施例用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的精神和權利要求的保護范圍內，對本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護范圍。
實施例1參照圖1、圖2，一種基于仿生智能的工業(yè)軟測量儀表，包括與工業(yè)過程對象1連接的現場智能儀表2、用于存放歷史數據的數據存儲裝置5及上位機5，智能儀表2、數據存儲裝置5及上位機6依次相連，所述的上位機6為軟測量智能處理器，所述的軟測量智能處理器包括包括標準化處理模塊7，用于對數據庫中采集系統正常時的數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；徑向基函數神經網絡建模模塊(RBF模塊)8，用于建立軟測量模型RBF，采用如下過程1)選用高斯函數Φ(v)＝exp(-v2/α2)作為網絡的激活函數，給定形狀參數α；2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數目、網絡輸出權值得到軟測量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數；Ci∈ Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權值，ω0為偏置量；N為隱含層的神經元數；‖·‖是歐氏范數；基于混沌遺傳算法的模型參數優(yōu)選模塊(CGA)9，用于優(yōu)化RBF模型參數，采用如下過程1)對待優(yōu)化參數，記為x，進行二進制編碼，生成初始群體，計算每個個體的適應度值；2)根據選擇概率pi＝fi/∑ifi(fi(fi為個體適應值)按規(guī)定的種群規(guī)模選擇個體進入下一代；3)以交叉概率按適當的交叉方式對選中的多對個體交叉；4)以變異概率pm按適當的變異方式對選中的個體變異；5)解碼，計算各個體適應度值；6)確定適應度中間值，對適應值比中間值大的個體不做混沌擾動，對其余的適應值比中間值小的個體做混沌擾動，混沌擾動的幅度控制參數隨著迭代次數增加而變小；計算新個體的適應度值；混沌擾動按如下方法進行選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn) (5)按照上式(5)得到的混沌變量通過變換映射到要優(yōu)化的變量，變換公式如下(6)xi＝ci+dixi(6)7)重復步驟2至步驟6，直到終止條件得以滿足，即計算得到的新個體的適應度值在5代之內保持不變；信號采集模塊10，用于依照設定的每次采樣的時間間隔，從數據庫中采集數據；軟測量模塊11，用于對待檢測數據VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數據依次進過訓練得到的偏最小二乘模塊和多分辨率分解模塊處理后作為徑向基函數神經網絡建模模塊的輸入，將輸入代入訓練得到的徑向基函數神經網絡模型，再經過多分辨率重構模塊得到軟測量函數值。
所述的軟測量智能處理器6還包括模型更新模塊12，用于定期將離線檢測的實際數據加到訓練集中，以更新徑向基函數神經網絡模型。
軟測量儀表還包括與DCS系統，所述的DCS系統由數據接口3、控制站4、數據庫5構成；智能儀表2、DCS系統、上位機6通過現場總線依次相連，所述的上位機還包括結果顯示模塊13，用于將軟測量結果傳給DCS系統，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統和現場總線將過程狀態(tài)信息傳遞到現場操作站進行顯示。
所述智能處理器6的硬件部分包括I/O元件，用于數據的采集和信息的傳遞；數據存儲器，存儲運行所需的數據樣本和運行參數等；程序存儲器，存儲實現功能模塊的軟件程序；運算器，執(zhí)行程序，實現指定的功能；顯示模塊，顯示設置的參數和運行結果。
當軟測量儀表待檢測過程已配有DCS系統時，樣本實時動態(tài)數據的檢測、存儲利用DCS系統的實時和歷史數據庫，軟測量功能主要在上位機上完成。
當軟測量儀表待檢測過程沒有配備DCS系統時，采用數據存儲器來替代DCS系統的實時和歷史數據庫的數據存儲功能，并將軟測量儀表制造成包括I/O元件、數據存儲器、程序存儲器、運算器、顯示模塊幾大構件的不依賴于DCS系統的一個獨立的完整的片上系統，在不管檢測過程是否配備DCS的情況下，都能夠獨立使用，更有益于推廣使用。
本實施例的基于仿生智能的工業(yè)軟測量儀表，包括與工業(yè)過程對象1連接的現場智能儀表2、DCS系統以及智能元件6，所述的DCS系統由數據接口3、控制站4、數據庫5構成；智能儀表2、DCS系統、軟測量智能處理器6通過現場總線依次相連，所述的軟測量智能處理器6包括標準化處理模塊7，用于對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>
2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為輸入樣本，N為訓練樣本數， 為訓練樣本的均值；徑向基函數神經網絡建模模塊8，用于建立軟測量模型，采用如下過程1)選用高斯函數Φ(v)＝exp(-v2/α2)作為網絡的激活函數，給定形狀參數α；2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數目、網絡輸出權值得到軟測量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權值，ω0為偏置量；N為隱含層的神經元數；‖·‖是歐氏范數；基于混沌遺傳算法的模型參數優(yōu)選模塊9，用來優(yōu)化RBF模型參數，提升建模效果，采用如下過程1)對待優(yōu)化參數(記為x)進行二進制編碼，生成初始群體，計算每個個體的適應度值；2)根據選擇概率pi＝fi/∑ifi(fi(fi為個體適應值)按規(guī)定的種群規(guī)模選擇個體進入下一代；3)以交叉概率按適當的交叉方式對選中的多對個體交叉；4)以變異概率pm按適當的變異方式對選中的個體變異，經過計算機仿真表明若算法迭代次數不多(50次以內)，有了混沌擾動，此步驟可以省略，從而可節(jié)約大量的時間；5)解碼，計算各個體適應度值；6)對適應值較大的個體不做混沌擾動，只對其余的適應值較小的個體做混沌擾動，混沌擾動的幅度控制參數隨著迭代次數增加而變小。計算新個體的適應度值?；煦鐢_動按如下方法進行
選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn)(5)按照上式得到的混沌變量通過變換映射到要優(yōu)化的變量，以免在不必要的空間搜索，變換公式如下(6)xi＝ci+dixi(6)7)重復步驟2至步驟6，直到終止條件得以滿足，即計算得到的新個體的適應度值在5代之內保持不變；信號采集模塊10，用于設定每次采樣的時間間隔，從數據庫中采集數據；軟測量模塊11，用于對待檢測數據VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數據作為RBF建模模塊的輸入，將輸入代入訓練得到的RBF模型，得到軟測量函數值。
所述的軟測量智能處理器6還包括模型更新模塊12，用于定期將離線檢測的實際數據加到訓練集中，以更新RBF模型。結果顯示模塊13，用于將軟測量結果傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示。
實施例2參照圖1、圖2，一種基于仿生智能的工業(yè)軟測量方法，所述的軟測量方法包括以下步驟(1)、確定軟測量所用的關鍵變量，從歷史數據庫中采集系統正常時所述變量的數據作為訓練樣本TX；(2)、在基于混沌遺傳算法的模型參數優(yōu)選模塊，設置混沌遺傳算法的種群大小、最大代數、選擇概率、交叉概率、變異概率參數，并設定采樣周期；(3)、訓練樣本TX在軟測量智能處理器中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>
3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；(4)、建立徑向基函數網絡，具體步驟為4.1)選用高斯函數Φ(v)＝exp(-v2/α2)作為網絡的激活函數，給定形狀參數α；4.2)用最小二乘學習算法確定RBF中心矢量Ci；4.3)正交優(yōu)選確定最佳隱含層數目、網絡輸出權值得到軟測量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權值，ω0為偏置量；N為隱含層的神經元數；‖·‖是歐氏范數；(5)、用混沌遺傳算法優(yōu)化上述參數α，具體步驟為5.1)對待優(yōu)化參數進行二進制編碼，生成初始群體，計算每個個體的適應度值；5.2)根據選擇概率pi＝fi/∑ifi(fi(fi為個體適應值)按規(guī)定的種群規(guī)模選擇個體進入下一代；5.3)以交叉概率按適當的交叉方式對選中的多對個體交叉；5.4)以變異概率pm按適當的變異方式對選中的個體變異；5.5)解碼，計算各個體適應度值；5.6)確定適應度中間值，對適應值比中間值大的個體不做混沌擾動，對其余的適應值比中間值小的個體做混沌擾動，混沌擾動的幅度控制參數隨著迭代次數增加而變??；計算新個體的適應度值；混沌擾動按如下方法進行選用Logistic映射，其算式為(5)αn+1＝4·αn(1-αn) (5)按照上式得到的混沌變量通過變換映射到要優(yōu)化的變量，變換公式如下(6)αi＝ci+diαi(6)5.7)重復5.2至5.6，直到終止條件得以滿足，即計算得到的新個體的適應度值在5代之內保持不變；(6)、將采集的數據傳送到數據存儲裝置的實時數據庫中，在每個定時周期從數據庫的實時數據庫中，得到最新的變量數據作為待測量數據VX；對VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數據作為徑向基函數神經網絡建模模塊的輸入，將輸入代入訓練得到的RBF模型，得到軟測量函數值。
所述的軟測量方法還包括(7)、定期將離線檢測的實際數據加到訓練集中，以更新徑向基函數神經網絡模型。
所述的數據存儲裝置5為DCS系統的歷史數據庫，所述的DCS系統由數據接口3、控制站4和歷史數據庫5構成，智能儀表2、DCS系統、軟測量智能處理器6通過現場總線依次相連；在所述的(8)中計算得到軟測量值，將結果傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示。
權利要求
1.一種基于仿生智能的工業(yè)軟測量儀表，包括與工業(yè)過程對象連接的現場智能儀表、用于存放歷史數據的數據存儲裝置及上位機，智能儀表、數據存儲裝置及上位機依次相連，其特征在于所述的上位機為軟測量智能處理器，所述的軟測量智能處理器包括標準化處理模塊，用于對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)1)計算均值TX‾=1NΣi=1NTXi---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>3)標準化X=TX-TX‾σx---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；徑向基函數神經網絡建模模塊，用于建立軟測量模型RBF，采用如下過程1)選用高斯函數Φ(v)＝exp(-v2/α2)作為網絡的激活函數，給定形狀參數α；2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數目、網絡輸出權值得到軟測量模型，其算式為(4)(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數；Ci∈Rn(1≤i≤N)為RBF中心；(ωi(1≤i≤N)為連接權值，(ω0為偏置量；N為隱含層的神經元數；‖·‖是歐氏范數；基于混沌遺傳算法的模型參數優(yōu)選模塊，用于優(yōu)化RBF模型參數，采用如下過程1)對待優(yōu)化參數，記為x，進行二進制編碼，生成初始群體，計算每個個體的適應度值；2)根據選擇概率pi＝fi/∑ifi(fi(fi為個體適應值)按規(guī)定的種群規(guī)模選擇個體進入下一代；3)以交叉概率按適當的交叉方式對選中的多對個體交叉；4)以變異概率pm按適當的變異方式對選中的個體變異；5)解碼，計算各個體適應度值；6)確定適應度中間值，對適應值比中間值大的個體不做混沌擾動，對其余的適應值比中間值小的個體做混沌擾動，混沌擾動的幅度控制參數隨著迭代次數增加而變??；計算新個體的適應度值；混沌擾動按如下方法進行選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn) (5)按照上式(5)得到的混沌變量通過變換映射到要優(yōu)化的變量，變換公式如下(6)xi＝ci+dixi(6)7)重復步驟2至步驟6，直到終止條件得以滿足，即計算得到的新個體的適應度值在5代之內保持不變；信號采集模塊，用于依照設定的每次采樣的時間間隔，從數據庫中采集數據；軟測量模塊，用于對待檢測數據VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數據作為徑向基函數神經網絡建模模塊的輸入，將輸入代入訓練得到的RBF模型，得到軟測量函數值。
2.如權利要求1所述的基于仿生智能的工業(yè)軟測量儀表，其特征在于所述的軟測量智能處理器還包括模型更新模塊，用于定期將離線檢測的實際數據加到訓練集中，以更新RBF模型。
3.如權利要求1或2所述的基于仿生智能的工業(yè)軟測量儀表，其特征在于所述的軟測量儀表還包括DCS系統，所述的DCS系統由數據接口、控制站和歷史數據庫構成，所述的數據存儲裝置為DCS系統的歷史數據庫；所述的軟測量智能處理器還包括結果顯示模塊，用于將軟測量結果傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示。
4.如權利要求3所述的基于仿生智能的工業(yè)軟測量儀表，其特征在于所述的現場智能儀表、DCS系統、軟測量智能處理器通過現場總線依次連接。
5.一種用如權利要求1所述的基于仿生智能的工業(yè)軟測量儀表實現的軟測量方法，其特征在于，所述的軟測量方法包括以下步驟(1)、確定軟測量所用的關鍵變量，從歷史數據庫中采集系統正常時所述變量的數據作為訓練樣本TX；(2)、在基于混沌遺傳算法的模型參數優(yōu)選模塊，設置混沌遺傳算法的種群大小、最大代數、選擇概率、交叉概率、變異概率參數，并設定采樣周期；(3)、訓練樣本TX在軟測量智能處理器中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；(4)、建立徑向基函數網絡，具體步驟為4.1)選用高斯函數Φ(v)＝exp(-v2/α2)作為網絡的激活函數，給定形狀參數α；4.2)用最小二乘學習算法確定RBF中心矢量Ci；4.3)正交優(yōu)選確定最佳隱含層數目、網絡輸出權值得到軟測量模型，其算式為(4)f(x)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數；Ci∈Rn(1≤i≤N)為RBF中心；(ωi(1≤i≤N)為連接權值，(ω0為偏置量；N為隱含層的神經元數；‖·‖是歐氏范數；(5)、用混沌遺傳算法優(yōu)化上述參數α，具體步驟為5.1)對待優(yōu)化參數進行二進制編碼，生成初始群體，計算每個個體的適應度值；5.2)根據選擇概率pi＝fi/∑ifi(fi(fi為個體適應值)按規(guī)定的種群規(guī)模選擇個體進入下一代；5.3)以交叉概率按適當的交叉方式對選中的多對個體交叉；5.4)以變異概率pm按適當的變異方式對選中的個體變異；5.5)解碼，計算各個體適應度值；5.6)確定適應度中間值，對適應值比中間值大的個體不做混沌擾動，對其余的適應值比中間值小的個體做混沌擾動，混沌擾動的幅度控制參數隨著迭代次數增加而變??；計算新個體的適應度值；混沌擾動按如下方法進行選用Logistic映射，其算式為(5)αn+1＝4·αn(1-αn)(5)按照上式得到的混沌變量通過變換映射到要優(yōu)化的變量，變換公式如下(6)αi＝ci+diαi(6)5.7)重復5.2至5.6，直到終止條件得以滿足，即計算得到的新個體的適應度值在5代之內保持不變；(6)、將采集的數據傳送到數據存儲裝置的實時數據庫中，在每個定時周期從數據庫的實時數據庫中，得到最新的變量數據作為待測量數據VX；對VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數據作為徑向基函數神經網絡建模模塊的輸入，將輸入代入訓練得到的RBF模型，得到軟測量函數值。
6.如權利要求5所述的基于仿生智能的工業(yè)軟測量方法，其特征在于所述的軟測量方法還包括(7)、定期將離線檢測的實際數據加到訓練集中，以更新徑向基函數神經網絡模型。
7.如權利要求5或6所述的基于仿生智能的工業(yè)軟測量方法，其特征在于所述的數據存儲裝置為DCS系統的歷史數據庫，所述的DCS系統由數據接口、控制站和歷史數據庫構成；在所述的(6)中計算得到軟測量值，將結果傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示。
全文摘要
一種基于仿生智能的工業(yè)軟測量儀表，包括與工業(yè)過程對象連接的現場智能儀表、用于存放歷史數據的數據存儲裝置及上位機，智能儀表、數據存儲裝置及上位機依次相連，所述的上位機為軟測量智能處理器，所述的軟測量智能處理器包括標準化處理模塊、徑向基函數神經網絡建模模塊、基于混沌遺傳算法的模型參數優(yōu)選模塊、信號采集模塊以及軟測量模塊。以及提出了一種軟測量方法。本發(fā)明提供一種參數確定方便、適用范圍廣、軟測量效果好、精度高的基于仿生智能的工業(yè)軟測量系統及軟測量方法。
文檔編號G05B13/02GK1996192SQ20061015555
公開日2007年7月11日 申請日期2006年12月28日 優(yōu)先權日2006年12月28日
發(fā)明者劉興高, 閆正兵 申請人:浙江大學