[发明专利]基于GA-BP算法的分子蒸馏工艺参数优化方法

说明书

技术领域

本发明涉及分子蒸馏工艺条件优化领域，具体涉及一种基于GA(Genetic Algorithm，遗传算法)和BP(Back Propagation，误差反向传播)网络的分子蒸馏工艺参数优化方法。

背景技术

目前，药厂、保健品生产等厂家都非常关注精油的提取技术，以提取五味子精油为例，在药厂中主要采用浸泡法和水蒸气蒸馏法，这两种方法虽然成本较低，但成分为混合物，精油成分不高，纯度很低，且提取时间较长，浸泡的时间多达几小时到十几小时甚至更长；近些年发展了超临界萃取、分子蒸馏等适合于生产中应用的提取方法，来实现精油提取，其中超临界提取仍为粗提的方法，提取的精油中混有水份、溶剂、杂质等，产品的纯度和得率较低，企业生产效率和经济效益仍然得不到显著提高，所以分子蒸馏成为精制精油提取的最佳方法，分子蒸馏法相对其它提取方法虽然效率高，但是，该方法馏出物的纯度和得率受蒸发面温度、蒸发器内真空度、进料速率三个工艺参数的影响最大，能否准确确定这些工艺参数值，将直接影响产品的质量和生产效率。

分子蒸馏生产过程中工艺参数大多采用经验参数，缺少科学依据，且生产过程复杂，无法建立准确的数学模型，目前较多地用显式的统计分析方法来解决，但是统计分析模型缺乏自适应性，模型更新困难，参数确定不准确；也有采用正交试验进行工艺参数优化的方法，如当真空度不变，通过多次试验得到最佳温度，在此温度下再通过多次蒸馏试验摸索最佳真空度，而分子蒸馏蒸发器的温度与真空度具有耦合关系，当真空度改变，物质的沸点发生变化，即真空度变化，最佳蒸馏温度随之变化，所以需要应用更科学有效的实验参数优化方法来确定最佳工艺参数。本发明采用GA-BP算法实现分子蒸馏工艺参数优化，根据产品指标要求(得率、纯度)，运用该算法获得最佳工艺参数值。在实际蒸馏过程中，由于蒸发面温度、蒸发器内真空度、进料速度是影响蒸馏产品指标最重要的工艺参数，也是蒸馏过程需要精确控制的三个量，所以本发明以这三个量作为优化对象，设计了GA-BP蒸馏工艺参数优化方法，对于指导生产具有很好的实际意义。

发明内容

为了解决传统方法确定的分子蒸馏工艺参数不准确，馏出物的纯度和得率低的问题，本发明提供一种基于GA-BP算法的分子蒸馏工艺参数优化方法。

该方法首先建立以蒸发面温度、蒸发器内真空度、进料速度作为输入量的BP神经网络预测模型，通过遗传算法优化该预测模型的权值和阈值，然后对该预测模型进行训练，得到稳定的预测模型；对训练好的BP神经网络预测模型在一定范围内随机给定多组输入向量(蒸发面温度、蒸发器内真空度、进料速度)，利用BP神经网络预测模型预测出相应的输出量(纯度和得率)，通过个体适应度函数，计算个体适应度值，再利用遗传算子调整输入向量，产生具有更好适应性的新的种群(输入向量)，重复以上优化过程，直到适应度函数值收敛，与该值对应的输入向量即为一组最优工艺参数。

本发明基于GA-BP算法的分子蒸馏工艺参数优化方法包括以下步骤：

步骤一：将分子蒸馏系统在同一时刻下的一组蒸发面温度、蒸发器内真空度、进料速度三个对蒸馏过程影响最大的工艺控制参数的值作为输入量P_k＝(a₁，a₂，a₃)，其中，a₁、a₂、a₃分别是蒸发面温度、蒸发器内真空度、进料速度，k是n组实验样本中的任意一组，k＝1，2，...，n，将此时分子蒸馏系统的馏出物的纯度值和得率值作为输出量C_k＝(c₁，c₂)，其中，c₁、c₂分别是纯度值和得率值，确立一个在同一时刻下输入量P_k与输出量C_k具有映射对应关系的实验数据组；在分子蒸馏过程稳态进行的情况下，在不同时刻提取并记录n个具有上述映射关系的实验数据组，将这些实验数据组作为实验样本，存入实验样本数据库中；