[发明专利]一种基于软测量技术的催化剂活性检测方法

权利要求书

1.一种基于软测量技术的催化剂活性检测方法，其特征在于：包括离线测试和在线测试两部分，具体包括以下步骤：

一、系统建模：建立催化剂活性与辅助变量之间的数学模型，该模型的基本结构采用单隐层的径向基神经网络，模型无限逼近任何非线性系统，并采用模型结构自适应的方式来确定合适的隐层中心数和中心位置，而宽度参数采用交叉验证法来确定，模型训练过程中模拟实时数据输入和相关异常扰动，使模型能跟踪复杂的时变系统；

二、辅助变量选取：基于工艺理解的方式定位与催化剂活性相关的过程变量，过程变量包括反应过程中的温度、压强、反应物和产物浓度，再采用基于核回归的非相关性分析法从过程变量中选出可以作为后续分析的辅助变量；

三、数据采集：利用传感器从实际生产过程中实时地采集步骤二所述辅助变量的数据；

四、数据预处理：针对步骤三采集到的数据进行预处理，预处理流程依次包括数据清理、数据融合、数据变换和数据归约；

五、离线测试：根据步骤四预处理之后的数据对模型进行训练，完成模型结构选择和参数确定，并初步验证催化剂活性估计是否有效；

六、在线检测：将实时采集的数据带入训练后的模型来分析催化剂活性，给出催化剂活性估计结果，此过程中采用误差反馈的方式来实时调整模型结构和参数。

2.如权利要求1所述的一种基于软测量技术的催化剂活性检测方法，其特征在于：模型采用单隐层的径向基神经网络模型RBF-NN，模型包括输入层、隐层和输出层，模型输入为选定的辅助变量，输出为生产过程的反应速率，t时刻模型的输出f(X_t)用函数方程可表示为：f(X_t)＝P^T(X_t)θ_t-1 (1)

其中，X_t＝[x_t(1),x_t(2),……,x_t(N_x)]^T，

θ_t-1＝[ω_t-1(1),ω_t-1(2),……,ω_t-1(M)]^T，

P(X_t)＝[g₁(X_t),g₂(X_t),……,g_M(X_t)]^T，

P^T(X_t)＝[g₁(X_t),g₂(X_t),…,g_M(X_t)]，

这里X_t是t时刻的输入样本，维度为N_x，ω_t-1是隐层到输出层的参数，g(X_t)是隐层径向基函数，选用高斯核函数：

其中C_p＝[c_p(1),c_p(2),……,c_p(N_x)]^T是第p个中心的位置，σ是宽度参数，决定高斯函数的形状是扁平或窄高，宽度取值与隐层中心之间的最大距离d_max和中心数M有关，由式(3)确定，c是可调节的正实数；

在离线测试中对模型进行训练，包括：通过大量历史样本来选择中心位置，用最小二乘法确定参数θ，完成RBF-NN模型的初始化；

在线测试时将实时采集的数据带入训练后的模型来分析催化剂活性，包括：根据t-1之前的时刻的模型结构和参数，选择t时刻的模型结构和参数，时刻间隔步长λ，实时模型预测效果由λ个输出值与真实值对比决定，并进而计算各个隐层中心的贡献度；

第p个中心C_p的贡献度由包含C_p的模型和不包含C_p的模型分别测试的预测误差变化大小来作为判断依据，如果不包含C_p时模型预测误差增大很多，则说明C_p的贡献度大，反之则贡献度小，每次选择一个中心作为t时刻的待弃中心；

而对于λ个相近时刻的样本，依次作为中心引入模型，采用与评判第p个中心的贡献度同样的方法，评判其贡献度，将贡献度最大的中心作为考察中心，如果考察中心的贡献度大于待弃中心，则剔除待弃中心，引入考察中心，此时模型的参数也随之调整。