本發(fā)明涉及軟測量
技術領域：
，具體而言，涉及一種精對苯二甲酸(PTA)裝置醋酸消耗的軟測量方法。
背景技術：
：PTA作為聚酯化工生產中的重要原材料之一，涉及國民經濟的各個方面，有著非常廣泛的應用，有效地控制PTA生產裝置能耗將會極大地提高國民經濟，因此對PTA的研究有著重大的現(xiàn)實意義。PTA溶劑系統(tǒng)作為PTA生產的重要系統(tǒng)，其分為PTA溶劑脫水塔、再蒸餾器及回流槽三個部分。因為醋酸的消耗是顯示一個PTA生產技術是否有效的重要指標，因此為了能夠減少醋酸的消耗，需要優(yōu)化PTA溶劑系統(tǒng)。對工業(yè)生產中的醋酸消耗很難直接通過儀器進行測量，需要通過軟測量方法間接的獲得醋酸消耗的估計值，因此，進行軟測量的模型的泛化性能及穩(wěn)定性對PTA生產技術的發(fā)展就顯得尤為重要。通過可靠地對醋酸消耗進行軟測量，就可以改進PTA生產裝置，通過較少的醋酸消耗獲得更多的產出，從而能夠提高PTA生產技術，降低生產成本，提高經濟效益。對工業(yè)生產中關鍵過程變量的軟測量常使用神經網絡進行建模，其中比較常用的有的基于誤差反傳(BP)算法的單層神經網絡、徑向基對稱網絡(RBF)及最近的基于極限學習機(ELM)算法的單層神經網絡?；贐P算法的單層網絡由于BP算法容易陷于局部最優(yōu)解，雖然通過對BP算法進行改進，比如加入動量因子可以緩解BP算法局部最優(yōu)的問題，但是也無法保證不會陷入局部最優(yōu)，因此存在著很大的穩(wěn)定性問題。對于RBF網絡，通過對數(shù)據(jù)進行高維映射，從而較基于BP算法的傳統(tǒng)網絡在泛化性能上有著很大的提升，但是在迭代求解隱層與輸出層之間的權重時需要消耗大量的訓練時間，同時由于RBF網絡的預測結果對初始聚類中心的選取比較敏感，所以也導致因初始聚類選取不佳而引起的泛化性能下降的問題。最近基于ELM算法的單層網絡由于其結構的簡單性及較快的訓練速度引起了人們的注意，但是，傳統(tǒng)的ELM算法仍存在一些不足，比如隱藏層節(jié)點需要人為設定，這使得傳統(tǒng)ELM算法很難應用在復雜的實時工業(yè)生產中。ELM算法是黃廣斌在2004年提出來的一種針對單隱層網絡結構的快速訓練算法。ELM算法不需要對網絡參數(shù)進行迭代的學習，而是通過摩爾-彭若斯廣義逆直接獲得，其廣泛應用于數(shù)據(jù)挖掘、機器學習、圖像識別及模式識別等領域。雖然ELM算法有著很好的泛化性能及快速的訓練速度等優(yōu)點，但是它仍存在一些不足，例如：隱藏層中的節(jié)點數(shù)需要人為根據(jù)經驗確定，而不是根據(jù)樣本信息自動確定，因此就會因隱藏層節(jié)點數(shù)的錯誤設定而導致性能下降等問題。技術實現(xiàn)要素：為了能夠解決現(xiàn)有方法在PTA工業(yè)過程對醋酸消耗軟測量中存在的問題，本發(fā)明提出了一種用于PTA裝置醋酸消耗的自組織ELM網絡預測模型軟測量方法。一種PTA裝置醋酸消耗的軟測量方法，其特征在于，包括：數(shù)據(jù)選??；數(shù)據(jù)歸一化；根據(jù)神經元-膠質細胞鏈接原則從訓練樣本信息中得到隱藏層節(jié)點數(shù)；根據(jù)Hebb規(guī)則得到輸入層與隱藏層之間的鏈接權重；根據(jù)ELM算法得到隱藏層與輸出層之間的權重；對PTA關鍵過程變量醋酸消耗進行軟測量。優(yōu)選的，上述PTA裝置醋酸消耗的軟測量方法，其特征在于，PTA生產中進料醋酸含量、進料流量、水回流量、NBA主回流量、NBA側線回流量、蒸汽流量、塔頂采出量、進料溫度、回流溫度、塔頂溫度、塔板溫度、塔板溫度、塔板溫度、塔內壓力、塔板之間可控溫度點、回流罐液位、溶劑脫水塔的操作壓力作為輸入；溶劑脫水塔塔頂電導率作為輸出。優(yōu)選的，上述PTA裝置醋酸消耗的軟測量方法，其特征在于，給定n個樣本以及對應輸出p是每個樣本的輸入屬性數(shù)，m是每個樣本的輸出屬性數(shù)。優(yōu)選的，上述PTA裝置醋酸消耗的軟測量方法，其特征在于，對原始數(shù)據(jù)進行歸一化，其處理過程如式(1)所示：x‾j(t)=xj(t)-XjminXjmax-Xjmin,ifxjmax≠xjmin-1,other---(1)]]>其中對網絡預測結果的反歸一化過程如式(2)所得，xj(t)=x‾j(t)*(Xjmax-Xjmin)+Xjmin---(2).]]>優(yōu)選的，上述PTA裝置醋酸消耗的軟測量方法，其特征在于，通過神經元-膠質細胞鏈接原則及信息熵理論自適應得到網絡隱藏層的節(jié)點數(shù)；根據(jù)式(3)-(4)由Hebb規(guī)則獲取網絡輸入層與隱藏層之間的權重，ρi(t)=ρi(t-1)+(Δρi)T---(4)]]>其中β是Hebb學習因子；是第i個神經元中所有膠質細胞所含的能量值。由式(5)得到兩次迭代過程中網絡熵值的變化，其中進行下一次迭代時，Ψ(t)變成Ψ(t-1)；MI(t)＝Ψ(t-1)-Ψ(t)，(Ψ(0)＝0)(5)當MI(t)＜0時，網絡隱藏層中將增加一個節(jié)點。當網絡結構及輸入層與隱藏層之間的權重確定后，接著便可通過式(6)獲得隱藏層與輸出層之間權重，H=φ(X*ρ+B)ζ=H+*Y^---(6)]]>其中B是隱藏層各個節(jié)點的閾值，ρ是輸入層各個節(jié)點與隱藏層各個節(jié)點之間的權重，φ(x)是隱藏層各個節(jié)點的激勵函數(shù)。優(yōu)選的，上述PTA裝置醋酸消耗的軟測量方法，其特征在于，由式(7)得到測試樣本輸出層各個節(jié)點的輸出值，H=φ(X*ρ+B)Y=H*ζ---(7)]]>通過式(7)計算出的網絡預測值，表示PTA工業(yè)過程中醋酸消耗的測量值。本發(fā)明提出一種新型的自組織極限學習機(ELM)網絡預測模型(SOELM)實現(xiàn)復雜精對苯二甲酸(PTA)工業(yè)過程關鍵變量的軟測量。通過神經元-膠質細胞鏈接原則及信息熵理論獲得穩(wěn)定的網絡結構，克服了傳統(tǒng)ELM算法中人為確定隱藏層節(jié)點數(shù)而導致泛化性能下降的問題；然后通過Hebb規(guī)則學習網絡輸入層與隱藏層之間的權重；最后通過ELM算法獲得隱藏層與輸出層之間的權重。然后通過UCI數(shù)據(jù)及PTA工業(yè)數(shù)據(jù)驗證SOELM網絡的預測性能，從而實現(xiàn)對PTA工業(yè)過程中的關鍵變量進行測量，解決了復雜PTA工業(yè)過程中直接測量關鍵變量的難點。SOELM網絡預測模型軟測量方法通過對過程關鍵變量的測量客觀展現(xiàn)了PTA生產中生產活動與生產強度之間的關系，指明了節(jié)能方向，有助于PTA生產企業(yè)進一步提高改進措施，同時說明了該提出方法的有效性和適用性。附圖說明圖1是PTA溶劑脫水塔工藝流程圖。圖2是本發(fā)明實施例中的PTA裝置醋酸消耗的軟測量方法模型的結構圖。圖3是中央神經元系統(tǒng)中神經細胞及膠質細胞結構圖。圖4是本發(fā)明實施例中基于Airfoil數(shù)據(jù)集SOELM與ELM的性能比較。圖5是本發(fā)明實施例中基于Housing數(shù)據(jù)集SOELM與ELM的性能比較。圖6是本發(fā)明實施例中基于Wine數(shù)據(jù)集SOELM與ELM的性能比較。圖7是本發(fā)明實施例中基于Abalone數(shù)據(jù)集SOELM與ELM的性能比較。圖8是本發(fā)明實施例中基于Servo數(shù)據(jù)集SOELM與ELM的性能比較。圖9是本發(fā)明實施例中基于PTA工業(yè)生產數(shù)據(jù)集SOELM與ELM的性能比較。具體實施方式本發(fā)明涉及一種基于神經元-膠質細胞鏈接原則及ELM算法的新型自組織ELM網絡預測模型對PTA工業(yè)生產中的醋酸消耗進行軟測量的方法，針對PTA工業(yè)生產數(shù)據(jù)測量的難度，運用新型的自組織ELM網絡預測模型的優(yōu)越的泛化性能對PTA生產裝置中的醋酸消耗的軟測量，可獲得非有效PTA裝置的改進方向，通過神經元-膠質細胞鏈接原則及ELM算法可以對實現(xiàn)網絡結構的自組織及快速的訓練速度，同時提高網絡的泛化性能，從而更加精確地對PTA裝置生產中的醋酸消耗進行軟測量，獲得PTA生產裝置節(jié)能降耗的方向與量化目標。神經元及膠質細胞是中央神經系統(tǒng)中最重要的兩類神經細胞。神經元在復雜的神經系統(tǒng)中經常扮演著重要的角色，而在過去幾十年里，膠質細胞往往作為支撐神經元、為神經元提供營養(yǎng)的角色出現(xiàn)。最近研究表明，在電信號從一個神經元通過突觸傳輸?shù)搅硪粋€神經元時，膠質細胞在形成有效突觸方面起著重要的作用。同時神經元的遷移，突觸的生長等都依賴于神經元與膠質細胞的鏈接。因此對于一個完整的神經網絡結構，膠質細胞起著不可替代的作用。之后研究人員將膠質細胞加入到多層感知器(MLP)中，并解決了雙螺旋問題(TSP)。本發(fā)明根據(jù)神經元-膠質細胞鏈接原則，通過神經元-膠質細胞構建的能量模型，根據(jù)信息熵利用樣本信息自動確定隱藏層節(jié)點數(shù)，提升單隱層網絡結構的泛化性能。本發(fā)明首先通過UCI標準數(shù)據(jù)驗證本模型的有效性，然后將本模型應用于復雜的PTA工業(yè)過程中，對關鍵過程變量醋酸消耗的軟測量，進而獲得PTA裝置的改進方向、節(jié)能降耗的方向與量化目標。本發(fā)明所披露的ELM網絡預測模型在PTA生產過程中的軟測量過程分為六部分：(1)數(shù)據(jù)選??；(2)數(shù)據(jù)歸一化；(3)根據(jù)神經元-膠質細胞鏈接原則從訓練樣本信息中得到隱藏層節(jié)點數(shù)；(4)根據(jù)Hebb規(guī)則得到輸入層與隱藏層之間的鏈接權重；(5)根據(jù)ELM算法得到隱藏層與輸出層之間的權重；(6)對PTA關鍵過程變量醋酸消耗進行軟測量。首先對生物系統(tǒng)中的神經元及膠質細胞進行抽象化，其定義如下。定義1：膠質細胞結構定義為Glia＝{Posg，Eg}，其中Posg＝{(x，y)，x，y∈(0，1)}，是膠質細胞在邊長為1的正方形中的二維坐標位置；設定每個膠質細胞的能量值Eg＝1，其能量極限值定義2：神經元細胞結構定義為Neuron＝{Posn，En，R，θ，S，O，P}，其中Posn＝{(x，y)，x，y∈(0，1)}，是神經元細胞在邊長為1的正方形的二維坐標位置，En是神經元細胞的能量值，R是神經元細胞的作用域半徑，θ是神經元細胞的閾值，S表征其是否已死亡，O是其輸出值，P表征了神經元細胞包含的信息量。定義3：神經元細胞的初始狀態(tài)為初始膠質細胞其中k由1遞增到初始膠質細胞數(shù)GtoN∈[10，20]；非初始膠質細胞，其中其中t表示第t個訓練樣本，Rel(t)表示第t個訓練與第t+1個樣本之間的相關系數(shù)LEN為訓練樣本數(shù)，MI(t)為第t個樣本與第t+1個樣本之間的互信息。新型的自組織ELM網絡預測模型軟測量方法是基于神經元-膠質細胞鏈接原則及ELM算法的一種新型網絡預測模型，用于對工業(yè)過程關鍵變量進行測量，以便有效地指導工業(yè)生產，提高企業(yè)生產效率。避免了傳統(tǒng)ELM網絡對隱藏層節(jié)點數(shù)選取的敏感性，可以有效地提高自組織ELM網絡預測模型的泛化性能及預測穩(wěn)定性。給定n個樣本以及對應輸出p是每個樣本的輸入屬性數(shù)，m是每個樣本的輸出屬性數(shù)。隱藏層與輸出層之間的鏈接權重矩陣ζ由式(6)所得H=φ(X*ρ+B)ζ=H+*Y^---(6)]]>其中B是隱藏層各個節(jié)點的閾值，ρ是輸入層各個節(jié)點與隱藏層各個節(jié)點之間的權重，φ(x)是隱藏層各個節(jié)點的激勵函數(shù)。在建模之前，需要對原始數(shù)據(jù)進行歸一化，其處理過程如式(1)所示。x‾j(t)=xj(t)-XjminXjmax-Xjmin,ifxjmax≠xjmin-1,other---(1)]]>其中對網絡預測結果的反歸一化過程如式(2)所得。xj(t)=x‾j(t)*(Xjmax-Xjmin)+Xjmin---(2)]]>接著通過神經元-膠質細胞鏈接原則及信息熵理論自適應得到網絡隱藏層的節(jié)點數(shù)。首先根據(jù)式(3)-(4)由Hebb規(guī)則獲取網絡輸入層與隱藏層之間的權重。ρi(t)=ρi(t-1)+(Δρi)T---(4)]]>其中β是Hebb學習因子；是第i個神經元中所有膠質細胞所含的能量值。然后由式(5)得到兩次迭代過程中網絡熵值的變化，其中進行下一次迭代時，Ψ(t)變成Ψ(t-1)。MI(t)＝Ψ(t-1)-Ψ(t)，(Ψ(0)＝0)(5)當MI(t)＜0時，網絡隱藏層中將增加一個節(jié)點。當網絡結構及輸入層與隱藏層之間的權重確定后，接著便可通過式(7)獲得隱藏層與輸出層之間權重。接著由式(7)得到測試樣本輸出層各個節(jié)點的輸出值。H=φ(X*ρ+B)Y=H*ζ---(7)]]>利用式(7)計算出的網絡預測值，同時也表示了PTA工業(yè)過程中醋酸消耗的測量值，能夠得到非有效PTA裝置的投入冗余量和產出不足量。由于預測模型的優(yōu)越的穩(wěn)定性及泛化性能，因此通過軟測量得到的醋酸消耗可以指導并改進非有效PTA生產裝置的投入產出量。為了驗證新型的自組織ELM網絡模型的有效性，首先有必要用標準數(shù)據(jù)集進行測試。我們選取了UCI中的五個經典的數(shù)據(jù)集，詳細介紹如表1所示。表1標準數(shù)據(jù)集接著將本算法SOELM與傳統(tǒng)的ELM算法進行對比，其對比指標平均相對泛化誤差及均方根誤差如式(8)-(10)所示。RGEi=Abs(NetOutiinver-ExpectOutiinverExpectOutiinver),ifExpectOutiinver≠0RGEi=Abs(NetOutiinver-ExpectOutiinver),elseARGE=Σi=1nREin*100---(8)]]>MSEi=(NetOutinorm-ExpectOutinorm)2RMSE=Σi=1nMSEin---(9)]]>RMSE‾=Σi=1nRMSEinDev.=Σi=1n(RMSEi-RMSE‾)2n---(10)]]>首先我們根據(jù)多次實驗選擇一個針對標準數(shù)據(jù)集的最適合的模糊指數(shù)，如圖3所示。最后我們得到不同網絡模型預測結果，如表2和圖4-8所示。表2不同網絡模型的性能比較說明：N表示“無”。從表2及圖4-8中，我們驗證了新型的自組織ELM網絡模型的有效性及穩(wěn)定性，接著將其應用于PTA工業(yè)數(shù)據(jù)分析中。為了考察PTA裝置生產效率，有必要找出主要的投入和產出。對于PTA裝置而言，降低醋酸消耗是衡量工藝技術是否最優(yōu)的一個重要指標，根據(jù)裝置的生產情況，醋酸損耗主要體現(xiàn)在四個方面：(1)氧化反應過程中醋酸的燃燒；(2)醋酸的回收；(3)廢水挾帶的醋酸；(4)洗滌水量。下面圍繞著影響醋酸消耗的四方面的因素構建新型的自組織ELM網絡預測模型，對關鍵過程變量醋酸消耗進行軟測量。PTA裝置生產投入產出指標分析：在SOELM網絡模型中，投入產出指標數(shù)量越多，分析結果的區(qū)分度越低。投入或產出指標之間的相關度越低，指標數(shù)量對區(qū)分度的影響越大。在效率區(qū)分度不高的情況下，對整體效率和效率前沿的判斷是不可靠的。投入產出指標的數(shù)量嚴重影響SOELM網絡模型的分析結果。在SOELM網絡模型中，選擇恰當?shù)耐度氘a出指標是得出正確結論的前提。為了能夠獲得一個更好的SOELM模型，需要得到足夠的訓練樣本。同時為了能夠防止訓練網絡模型出現(xiàn)過擬合或欠擬合現(xiàn)象，我們樣本數(shù)量與指標數(shù)量關系的規(guī)則，一般遵循的原則是樣本數(shù)量不應少于投入和產出指標數(shù)量的3倍。這一原則是根據(jù)數(shù)據(jù)模擬結果和效率區(qū)分度的最低要求確定的。PTA裝置軟測量過程實例分析：將在線采集的溶劑脫水塔數(shù)據(jù)和分析數(shù)據(jù)174組作為訓練樣本，86組數(shù)據(jù)作為測試樣本。由PTA生產裝置分析得PTA生產中進料組成(醋酸含量)、進料流量(FC1501)、水回流量(FC1502)、NBA主回流量(FC1503)、NBA側線回流量(FC1504)、蒸汽流量(FC1507)、塔頂采出量(FI1511)、進料溫度(TI1504)、回流溫度(TI1510)、塔頂溫度(TI1511)、塔板溫度(TI1515)、塔板溫度(TI1516)、塔板溫度(TI1517)、塔內壓力、塔板之間的可控溫度點(TC1501)(例如第53和第58塊塔板之間)、回流罐液位(LC1503a)及溶劑脫水塔的操作壓力17個因素為主要PTA投入，以此作為SOELM模型的輸入，而溶劑脫水塔塔頂電導率為PTA生產的主要產出，以此作為SOELM模型的輸出。首先根據(jù)訓練樣本建立SOELM模型，然后對測試樣本中的輸出進行預測。其結果如表3及圖9所示。表3基于PTA數(shù)據(jù)不同網絡模型的性能比較從表3及圖9中，我們可以看出SOELM的性能要優(yōu)于ELM的性能。SOELM模型的訓練及測試ARE相比ELM提高了0.057％、0.058％；其RMSE較ELM模型提高了0.024、0.014。同時由圖9我們可以看到SOELM模型要比ELM模型穩(wěn)定，因此，SOELM模型對PTA生產中的關鍵過程變量的測量值將更穩(wěn)定可靠。由圖9可以知道，在PTA生產的第11個樣本中，實際的醋酸電導率是47.55，ELM及SOELM分別為48.78、48.45，生產強度達到峰值，生產活動對生產強度有著較小的影響；在PTA生產的第85個樣本中，實際的醋酸電導率是49.99，ELM及SOELM分別為48.45、49.53，生產強度變弱，醋酸電導率達到最大值，生產活動對生產強度有著較大的影響。通過實驗可以看出，由于SOELM模型的優(yōu)越的、穩(wěn)定的泛化性能，使其可以用于PTA生產中的軟測量，對關鍵過程變量進行測量，獲得一個可信的測量值，從而可以更好地在復雜的工業(yè)過程指導PTA更高效地生產。本發(fā)明提出一種新型的自組織極限學習機(ELM)網絡預測模型(SOELM)實現(xiàn)復雜PTA工業(yè)過程關鍵變量的軟測量。通過神經元-膠質細胞鏈接原則及信息熵理論獲得穩(wěn)定的網絡結構，克服了傳統(tǒng)ELM算法中人為確定隱藏層節(jié)點數(shù)而導致泛化性能下降的問題；然后通過Hebb規(guī)則學習網絡輸入層與隱藏層之間的權重；最后通過ELM算法獲得隱藏層與輸出層之間的權重。然后通過UCI數(shù)據(jù)及PTA工業(yè)數(shù)據(jù)驗證SOELM網絡的預測性能，從而實現(xiàn)對PTA工業(yè)過程中的關鍵變量進行測量，解決了復雜PTA工業(yè)過程中直接測量關鍵變量的難點。SOELM網絡預測模型軟測量方法通過對過程關鍵變量的測量客觀展現(xiàn)了PTA生產中生產活動與生產強度之間的關系，指明了節(jié)能方向，有助于PTA生產企業(yè)進一步提高改進措施，同時說明了該提出方法的有效性和適用性?？梢岳斫獾氖牵陨蠈嵤┓绞絻H僅是為了說明本發(fā)明的原理而采用的示例性實施方式，然而本發(fā)明并不局限于此。對于本領域內的普通技術人員而言，在不脫離本發(fā)明的精神和實質的情況下，可以做出各種變型和改進，這些變型和改進也視為本發(fā)明的保護范圍。當前第1頁1 2 3