[发明专利]一种多模型动态软测量建模方法

说明书

技术领域

本发明涉及聚酯工业生产过程中酯化率的软测量方法，具体涉及一种基于证据理论合成规则和自回归滑动平均模型的多模型动态软测量方法。

背景技术

图1所示的是酯化反应的基本过程，酯化反应作为整个聚酯生产工艺的关键环节，对稳定聚酯生产起决定性作用。而反应装置中第一酯化釜出口的关键质量指标——酯化率的高低直接影响后续反应的进行和聚酯产品的结晶性能，因此常常通过控制酯化率来控制整个生产过程。但是不同的缩聚工艺对酯化率有不同的要求，所以生产过程中必须通过调整反应压力和原料量比等操作条件来达到所需的酯化率。可是操作条件的突然改变会引起酯化率的质量波动，不利于整个生产过程的实时控制。另一方面，酯化过程大多采用两个酯化反应器来达到工艺要求的酯化率，而反应系统的高度非线性，时变性和不确定性加大了酯化率在线测量的难度。

现场分析仪表不仅价格昂贵、维护保养复杂，而且使用分析仪表对酯化率进行测量时，通常存在很长时间的滞后，这将导致控制质量的性能下降，难以满足生产要求。软测量的基本方法是把自动控制理论与生产过程知识有机结合起来，应用计算机技术，针对难以测量或暂时不能测量的主导变量，选择另外一些容易测量的辅助变量，通过构成某种数学关系来推断和估计，以软件来代替现场分析仪表的功能。软测量方法因响应迅速，能够连续给出主导变量信息，且投资低、维护保养简单等优点而在各领域得到广泛研究和应用。但是，在最近的几十年里，随着科学技术的进步，现代工业生产对于生产过程的要求越来越高，数据量急剧增大，数据类型越来越复杂，而且工况复杂多变，另一方面，工业过程一般都是动态的，静态软测量方法通常无法反映工业过程的动态信息和全局特性，造成模型的适应性差，无法长期使用。所以以往简单、常规的软测量方法已经不能满足现代生产工艺的需要，易出现过程特性匹配不佳、预测精度低和适应性差等问题。

为了得到更一般意义上适用于对酯化率数据进行预测并分析的软测量方法，许多改进方法被提出，并形成了丰硕的研究成果，主要有以下几个方面：利用各种建模方法，如机理分析、人工神经网络、最小二乘支持向量机和高斯过程对样本集建立模型来预测主导变量输出；利用各种智能优化方法，如：粒子群算法、遗传算法和进化算法等对模型的参数进行优选；利用各种聚类方法如：K-均值聚类，模糊C-均值聚类，流形聚类和仿射传播聚类方法将样本集聚成几个子类，构建几个子模型来提高模型预测性能等等。

发明内容

本发明针对现有技术存在的上述不足，提供了一种多模型动态软测量建模方法，基于证据理论合成规则（D-S rule）和自回归滑动平均模型（ARMA），较现有技术具有更好的适应性，在对酯化率的软测量中精度更高。

本发明通过以下技术方案实现：

一种多模型动态软测量建模方法，包括以下步骤：

S1、数据预处理：选择训练样本数据集X_m*n，m为样本维数，n为样本个数，剔除异常数据并对数据进行归一化处理；

S2、自适应模糊核聚类分析：采用自适应模糊核聚类方法对训练样本数据集X_m*n进行聚类，得到每个样本的模糊类隶属度和各聚类中心，并自动确定出最佳聚类数目c；

S3、建立子模型：采用最小二乘支持向量机对c个聚类的训练样本集进行训练学习，选择高斯核函数作为最小二乘支持向量机的核函数，通过交叉验证法建立并确定c个子模型的参数：惩罚因子C和核参数σ，并得到各个子模型的输出

S4、基于证据理论合成规则的子模型输出融合：计算各子模型的证据概率分配函数值，将其作为子模型的权值因子，然后对各子模型的输出进行证据融合，得到静态多模型输出

S5、模型输出的动态化：使用自回归滑动平均模型对当前时刻t的多模型输出，即对进行动态调整，首先判断是否是平稳序列，若不是，将转换为平稳序列；否则直接将和真实测量值y相减，得到一个关于输出值误差Δy的时间序列，然后利用自回归滑动平均模型(p,q)对该时间序列进行建模，得到关于预测误差的自回归滑动平均模型，最后，将以上两模型相结合进行模型预测，则最终的动态多模型输出为

较佳的，步骤S2中，自适应模糊核聚类方法的步骤包括：

S21：聚类目标函数：对训练样本集X={x_i|i=1,2...n}，自适应模糊核聚类方法的目标函数定义为