[发明专利]基于PCA-GA-RBF的换热器污垢生长预测方法

摘要

一种基于PCA‑GA‑RBF的换热器污垢生长预测方法，包括以下步骤：步骤1.构建最佳的换热器污垢训练样本；步骤2.构建基于GA‑RBF的人工神经网络预测模型，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数；步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化，获得RBF人工神经网络预测模型的初始参数值；用遗传算法来优化RBF网络的隐节点中心和宽度参数；步骤4.利用优化好的RBF人工神经预测模型的初始参数值，带入RBF人工神经网络预测模型，采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。本发明学习速度快、精度较高。

主权项

1.一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述方法包括以下步骤：/n步骤1.利用石化生产中采集到的流量、温度、压力、污垢热阻和物性参数的历史数据，通过主成分分析方法PCA，对采集到的数据进行降维处理，通过少数几个主因素来反应影响污垢生成的复杂内部规律，重新组合一组新的互相无关的数据组，然后构建最佳的换热器污垢训练样本；/n1.1)假设原始数据集W有n×m维数据；/n /n1.2)原始数据标准化，为了消除量纲的干扰，在主成分分析中采用下式进行处理：/n /n1.3)求相关系数矩阵R/nR＝(r_jk)_m×m/n /n1.4)求相关系数矩阵R的特征值、特征向量和贡献率；/nR·x＝λ·x/n1.5)每一个新因子对应方差所占的百分比表示该变量在所有变量中的相对地位，对该系统综合的贡献，故称为贡献率，由贡献率求得累积贡献率用来表示信息的含量；/n1.6)确定主成分的个数K，根据“累积贡献率大于85％”原则和准则，选取最佳的主因素，组成最好的数据组；/n步骤2.构建基于GA-RBF的人工神经网络预测模型，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数；/n步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化，获得RBF人工神经网络预测模型的初始参数值，其中，RBF人工神经网络参数包括连接权值W、高斯函数中心向量C和基宽向量B；用遗传算法来优化RBF网络的隐节点中心和宽度参数，其连接权值采用正则最小二乘法确定；/n步骤4.利用优化好的RBF人工神经预测模型的初始参数值，带入RBF人工神经网络预测模型，采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。/n