[发明专利]基于循环神经网络的丙烯聚合生产过程最优在线预报系统

权利要求书

1.基于循环神经网络的丙烯聚合生产过程最优在线预报系统，其特征在于：包括数据预处理模块、PCA主成分分析模块、循环神经网络模型模块、差分粒子群模块、模型更新模块。

2.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统，其特征在于：所述数据预处理模块用于将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值；再进行归一化处理，即除以变量值的变化区间；

3.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统，其特征在于：所述PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C＝MU得到，其中M为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由M＝CU^T计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，M＝CU^T+E，其中E为残差矩阵；

4.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统，其特征在于：所述循环神经网络模型模块，用于采用循环神经网络、通过误差函数最小化来完成输入到输出的一种连续性高度非线性映射，映射中保持拓扑不变性；

对于时刻t，网络的输入为x_t，隐藏层神经元值为h_t，上一时刻隐藏层神经元值为h_t-1，设置h₀＝0，f(·)是非线性激活函数logistic函数，则当前时刻隐藏层神经元值h_t可根据下式确定

h_t＝f(h_t-1+x_t) (1)

5.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统，其特征在于：所述差分粒子群模块，结合差分进化算法和粒子群算法优化循环神经网络模型模块中的网络参数，实现具体步骤如下：

(1)随机初始化种群，设置种群数量N＝100；设置差分进化算法缩放因子F＝0.7，交叉概率CR＝0.5，差分进化算法最大迭代次数50；设置粒子群学习速度c₁＝c₂＝2，惯性权重ω＝0.67，粒子群算法最大迭代次数100；设置k＝0,i＝0；

(2)根据适应度函数来计算候选粒子种群的适应度值，适应度f(x)函数如下所示；

其中，表示输出变量的真实值，表示输出变量的预测值，n表示样本个数。

(3)根据以下步骤进行差分进化算法变异、交叉、选择操作；

(3.1)变异操作：差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差，将差向量进行缩放，缩放后的向量与第三个随机选取的种群个体进行求和，生成新个体，更新公式如下所示：

N_i(k)＝L_m3(k)+F×(L_m1(k)-L_m2(k)),1≤m₁≠m₂≠m₃≠i≤N (3)

其中，F是缩放因子，m₁，m₂，m₃均为1到N之间的整数，k表示迭代次数，L_m1(k)表示第m1个粒子的位置，L_m2(k)表示第m2个粒子的位置，L_m3(k)表示第m3个粒子的位置。通过变异之后，得到第i个变异中间种群N_i(k)。

(3.2)交叉操作：根据原始种群和变异得到中间种群，进行个体间的交叉操作，得到交叉中间种群U，更新公式如下所示：

其中，CR为交叉概率，处于0到1之间，n_i,j(k)表示第i个中间种群第j维变量，l_i,j(k)表示第i个原始种群第j维变量，u_i,j(k)表示交叉中间种群的第i个新种群第j维变量，n_i,j(k)表示变异中间种群N_i(k)的第i个新种群第j维变量。

(3.3)选择操作：差分进化算法采用了贪心算法，根据适应度值来决定进入下次迭代种群的个体：

其中，U_i(k)表示第i个交叉中间种群，L_i(k)表示第i个原始种群。

(4)如果交叉中间种群的适应度值小于原始种群适应度值，则返回步骤(3.3)，否则,执行步骤(5)，激活粒子群算法；

(5)根据如下公式执行粒子群算法，更新粒子群速度、位置矢量和惯性权重；

其中，V_i(k)是粒子i在第k次迭代时的速度，L_i(k)是粒子i在第k次迭代时的位置，P_best是粒子自身经验的局部最优解；g_best是所有粒子经验的全局最优解，w是惯性权重，c₁和c₂是学习速率，r₁和r₂是在0到1之间的随机数，w_max和w_min是惯性权重的最大值和最小值，iter_max是最大迭代次数。

(6)如果粒子群算法迭代次数小于终止迭代次数，则返回步骤(5)，否则，转到步骤(7)；

(7)更新P_best和g_best作为循环神经网络参数的候选解，判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数，若是，则返回步骤(2)，否则，输出种群历史最优g_best，算法终止；g_best即为循环神经网络的待优化参数。

6.根据权利要求1所述基于循环神经网络的丙烯聚合生产过程最优在线预报系统，其特征在于：所述模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。