專利名稱：一種催化裂化粗汽油干點軟測量儀表的制作方法
技術領域：
本發(fā)明屬于軟測量技術領域,是一種用于石油化工催化裂化分餾塔中的粗汽油干點的在 線軟測量儀表。
背景技術：
催化裂化裝置(FCCU)是石化企業(yè)非常重要的裝置之一，也是決定企業(yè)經濟效益的關鍵 設備之一，因此，對催化裂化裝置進行合理的控制，能在生產出更多合格成品油的同時降 低能耗，取得經濟效應的最大化。催化裂化中的粗汽油干點是控制催化裂化裝置的一個重 要的質量指標，而對其進行準確的測量一直是石化行業(yè)的一個難點。這已經成為制約企業(yè) 生產能力、產品質量、產量以及生產效益進一步提高的瓶頸。而軟測量正是解決此類不能 直接測量或直接測量成本高的過程參數(shù)問題的理想方法。
附圖2為某石化公司煉油廠的催化裂化裝置分餾塔的工藝流程圖，由反應再生器來的 反應油氣進入分餾塔底部，通過人字型擋板與循環(huán)油漿逆流接觸，洗滌反應油氣中催化劑 并脫除過剩熱量，使油氣呈"飽和狀態(tài)"進入分餾塔進行分鎦。分餾塔頂油氣經換熱冷卻 后，進入分餾塔頂油氣分離器進行氣、液相分離。分離出的粗汽油分成兩路， 一路作為吸 收劑進入吸收塔，另一路作為反應終止劑打入提升管反應器終止段入口。富氣進入氣壓機。 輕柴油自分餾塔抽出自流至輕柴油汽提塔，汽提后的輕柴油經換熱后，再分成兩路； 一路 經冷卻后，使輕柴油溫度降至5(TC，作為產品出裝置。另一路經冷卻后使其溫度降至4(TC 送至再吸收塔作再吸收劑。回煉油經升壓后一路與原料油混合后進入提升管反應器，另一 路返回分餾塔。分餾塔的主要產品為粗汽油和輕柴油，產品的質量與來自反應再生系統(tǒng)的 反應后的油氣有關，同時也與分餾塔的操作條件有關。粗汽油干點的質量控制是采用調整 主分餾塔頂?shù)臏囟群蛪毫Φ姆桨?，利用塔頂?shù)年P鍵組分濃度及塔頂溫度和壓力的變化關系， 參考化驗室的分析值對塔頂溫度控制器、塔頂循環(huán)流量和塔頂冷回流流量進行調節(jié)。因此， 粗汽油的干點測量在催化裂化產品控制中具有指導性作用。
傳統(tǒng)的粗汽油干點測量方法就是人工采集樣本，送化驗室分析化驗，數(shù)小時后再把結果 反饋給生產裝置，用來指導工藝人員操作。此方法由于時間上的滯后，所得到的粗汽油干 點并不能很好地反映出當時的工況。因此，設計一種能在線測量粗汽油干點的儀表具有非 常重要的價值，而軟測量技術就能滿足這個要求。軟測量就是利用已有的其他變量的測量數(shù)據(jù)，根據(jù)建立的測量模型，推算出待求參數(shù)或變量的過程。目前已有的軟測量模型主要 分機理模型和數(shù)據(jù)驅動模型，由于大多數(shù)流程工業(yè)機理結構復雜，所以機理模型的使用受 到很大的限制。

發(fā)明內容
為了克服已有的工業(yè)軟測量儀表或方法模型復雜，參數(shù)難以確定，測量誤差較大，測 量模型通用性差等缺點，本發(fā)明提出一種基于(莖環(huán)操作的DNA遺傳算法)SRNA-GA的模型 軟測量方法。
本發(fā)明提供的催化裂化粗汽油干點軟測量儀表，包括與現(xiàn)場工業(yè)對象連接的現(xiàn)場智能儀 表、現(xiàn)場數(shù)據(jù)采集和預處理模塊、SRNA-GA算法優(yōu)化模塊、數(shù)據(jù)存儲和更新模塊、RBF神經 網絡軟測量模塊、高速工業(yè)處理器等，高速工業(yè)處理器主要功能有
1) 接收來自現(xiàn)場智能儀表和數(shù)據(jù)庫的數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的存儲和轉發(fā)功能；
2) 接收來自RBF神經網絡的請求信號，并對信號進行處理，對數(shù)據(jù)庫發(fā)出相應的指令；
3) 運行SRNA-GA優(yōu)化算法，實現(xiàn)RBF神經網絡的參數(shù)訓練和校正；
現(xiàn)場數(shù)據(jù)采集和預處理模塊采集催化裂化粗汽油干點軟測量中相應的輔助變量，這 些變量主要包括分餾塔塔頂溫度、分餾塔塔頂粗汽油分壓、內回流比、油氣分離器液位。 隨后對數(shù)據(jù)進行歸一化，標準化處理，使得處理后各變量的均值為0，方差為l，得到輸入 矩陣X，其計算公式如下(1) 一 (3)所示。
計算均值玩=丄^ 7X, (1) 計算方差 2=丄￡(漢,-^)2 (2)
歸一化z二77-" (3)
其中7T為采集的輔助變量樣本，W為采集輔助變量樣本數(shù)，7X為采集的輔助變量樣本均值。
經過歸一化處理后的數(shù)據(jù)能消除各變量由于量綱的不同而帶來的誤差，以體現(xiàn)出各個 變量在軟測量模型中的統(tǒng)一權重。
決定粗汽油干點的因素很多，在這里，通過簡單的機理分析，去除次要因素，得到粗
汽油干點與輔助變量的關系為
消= ,，，x3(^4 W] (4)<formula>formula see original document page 8</formula> 式中各變量代表的含義為
_y(yt)——粗汽油干點，°C;
;c""——分餾塔塔頂溫度，°C;
x2("——分餾塔塔頂粗汽油分壓，kPa;
尸-
凡
7
—4
士餾塔塔頂壓力，kPa;
i餾塔塔頂粗汽油的摩爾分量；
-粗汽油流量，
i 3——富氣流量，
i w——酸性水流量，
Mg——粗汽油平均分子量；
JC3(A:)——內回流比；
《——內回流量，
i 4——粗汽油冷回流流量，
/ 5——塔頂回流流量，
cp——粗汽油液相比熱容，kcal/(kg °C)
r2——頂回流返塔溫度；
A——粗汽油潛熱，fcfl〃紐；x4&)——油氣分離器液位，m; ——待估函數(shù)。
RBF神經網絡軟測量模塊建立RBF神經網絡軟測量模型，用歸一化后的數(shù)據(jù)對神經網 絡進行訓練，確定相關的神經網絡參數(shù)。其中神經網絡的非線性映射為-
其中，x是輸入矢量，-(，)為iT —/ 的非線性函數(shù)，w,為權值，W = [Wl,w2n ]。 c,.為基 函數(shù)中心點， 為隱層節(jié)點數(shù)。隱層單元將輸入樣本空間映射到高維的徑向基函數(shù)空間內。
常用的徑向基函數(shù)有薄板樣條函數(shù)000 = v2 ln(v)和高斯函數(shù)-(v) = exp(-— / cr2),其中cr為
高斯基函數(shù)寬度。采用這兩種基函數(shù)都可使RBF神經網絡具有很好的逼近能力。在本發(fā)明 中，RBF神經網絡的基函數(shù)采用薄板樣條函數(shù)。當網絡輸入層節(jié)點數(shù)、隱層節(jié)點數(shù)和基函數(shù) 中心確定后，由于神經網絡輸出對隱層權重是線性的，可采用最小二乘算法進行求解，避 免了類似于BP神經網絡那樣繁瑣的計算。
對于單輸入單輸出(SISO)系統(tǒng)，RBF神經網絡實際上實現(xiàn)了一種非線性自回歸模型，如 下式所示。
其中，；c = -1),…_附)，"(A -1)，…-")]確定了 RBF神經網絡的輸入層單元。參數(shù)m
和n表示過去時刻的m個輸入和n個輸出通過網絡實現(xiàn)的對系統(tǒng)將來輸出的映射，該映射一 般根據(jù)先驗知識事先確定。RBF網絡的隱層節(jié)點數(shù)和基函數(shù)中心點由SRNA-GA算法優(yōu)化模塊 求解。由于誤差的存在，當RBF網絡的輸出誤差達到一定上限值的時候，需要重新對隱層 節(jié)點數(shù)和基函數(shù)中心點進行優(yōu)化，以滿足軟測量精度的需要，從而實現(xiàn)RBF神經網絡軟測 量模塊的校正。
SRNA-GA算法優(yōu)化模塊神經網絡的優(yōu)化設計包括參數(shù)學習和結構設計，并且結構設計 遠比參數(shù)學習困難的多，至今沒有確定的方法可循。在本發(fā)明中，根據(jù)輸入變量的數(shù)量固 定RBF神經網絡的輸入層接點數(shù)",，然后利用SRNA-GA算法優(yōu)化模塊，確定網絡隱層節(jié)點
數(shù)和基函數(shù)的中心點c。由于網絡輸出對隱層權重是線性的，為了避免繁瑣的計算，本發(fā)明 采用遞推最小二乘算法進行求解。
由于工業(yè)現(xiàn)場對數(shù)據(jù)的實時性和測量精度要求較高，所以建立的軟測量模型也一定要滿
病,)足精確性和實時性的要求，這就要求能有一種好的優(yōu)化算法來對RBF神經網絡的參數(shù)進行 訓練優(yōu)化。
本發(fā)明采用一種全新的SRNA-GA優(yōu)化算法，其具體實現(xiàn)方式如下-
RNA序列的解空間為E={A， U ，G ，C}L ， g卩，RNA序列采用A、 U、 G、 C四個字母來對
長度為L，并由尿嘧啶、胞嘧啶、腺嘌呤和鳥嘌呤四種堿基組成的RNA序列進行編碼。為便
于數(shù)學和邏輯操作，首位被定義為結構編碼位。當首位為1時編碼嘌呤堿基，如io為腺嘌
呤A， ll為鳥嘌呤G;當首位為0時，則編碼嘧啶堿基。而末位數(shù)字被定義為功能編碼位，
如00為胞嘧啶C， 01為尿嘧啶U。互補堿基對的數(shù)字編碼亦呈互補關系，如C和G堿基對
是0(00)與3(11)的互補結合，共有3條氫鍵屬于強氫鍵結合。而U與A堿基對是l(Ol)
與2(10)的互補結合，共有2條氫鍵屬于弱氫鍵結合。 SRNA-GA交叉算子
RNA序列交叉操作操作有置換操作、莖環(huán)操作，分別表示如下。
1) 置換算子RNA序列中的一個子序列被另一個子序列所替換。設RNA序列為
及=i 5i 4i 3i 2《，i 2被《替換后，形成新的序列為及=i 5i 4i 3《《。若i 2和《選為兩條 RNA序列的某一部分，則置換運算轉變?yōu)閭鹘y(tǒng)遺傳算法的單點交叉運算。若置換的子序 列為某一段病毒或酶，該操作相當于引入DNA計算的插入操作。
2) 莖環(huán)算子某個RNA序列首尾相連形成一個RNA莖環(huán)，隨后，該莖環(huán)又在一個隨機的位
置斷裂，形成一個新的RNA序列。如i -AA^&《，形成莖環(huán)后在^與《之間斷裂，
則新的鏈為i = AAAAA 。具體的莖環(huán)操作的過程如圖3所示。
根據(jù)目標函數(shù)值/，定義最好的A72個體為中性個體，剩下的為有害個體。交叉算子包 括的置換和莖環(huán)操作均在中性個體中執(zhí)行。其中，置換操作和莖環(huán)操作的概率都為1。通過 交叉操作，iV/2個中性父輩將產生7V個子代。
SRNA-GA變異算子
由于SRNA-GA存在4種基本元素，相對二進制GA而言，其變異過程相對復雜，主要包 括以下3種變異算子
(1)顛換算子指RNA序列中的結構編碼位都發(fā)生變換而功能編碼位均未發(fā)生變化， 這相當于數(shù)字編碼中的首位數(shù)字均出現(xiàn)變化，而末位數(shù)字均保持不變，共有CgA， UgG， 即，0e2， 1<^3四種情況。(2) 轉換算子RNA序列中只有功能編碼位發(fā)生變換，而結構編碼位均未變化，這相當 于數(shù)字編碼中的末位均出現(xiàn)變化而首位數(shù)字均保持不變，共存在CeU， AoG,即，0^1， 2o3四種情況。
(3) 對換算子RNA序列中的結構編碼位和功能編碼位都同時變化，這相當于數(shù)字編碼 的首位和末位都出現(xiàn)了變化，對換成互補的堿基，共有AeU， CeG， S卩，2el， 0e3 四種情形。
為保持種群的多樣性并產生新的基因信息，變異操作在父輩的有害個體和交叉操作產 生的子代中執(zhí)行。變異算子的父輩共有3iV/2個。對SRNA-GA而言，在進化的不同階段、不
同位置的碼位對問題答案的影響是不一樣的。因而在進化的不同階段，希望RNA序列擁有 不同的hot spot (熱點)和cold spot (冷點)。例如在進化的初始階段，希望在高位的 碼位具有較高的變異概率，以獲得更大的搜索空間。而在進化的結束階段，如找到了最優(yōu) 解的大致范圍，期望低位的碼位具有較高的變異概率，以搜索到更精確的最優(yōu)解，并使高 位的碼位保持低變異概率，以避免好的RNA序列因變異而被破壞?；谏鲜鏊枷?，變異概 率應是一個動態(tài)變化的過程，設定RNA序列的[l,丄/2]為低位，[丄/2,丄]為高位，相應地，可 定義兩種變異概率，高位變異概率pmA以及低位變異概率/7m,，如下所示
/ m, — - q +-1-
l + exp[,(g-g0)] (12)
式中，a,為;^的最終變異概率及;^的初始變異概率，為變異概率的變化范圍，g為當
前進化代數(shù)，g。為hot spot和cold spot的轉折點，^為變化速率。/^和i^隨進化代
數(shù)的變化曲線如圖4所示。(11)、 (12)式的系數(shù)選擇如下"1=0.02， 、=0.2， g。=G/2，
aa = 20/G， G為最大進化代數(shù)。
SRNA-GA選擇算子
執(zhí)行完交叉和變異操作后，將產生3iV/2個新的RNA序列。為保護優(yōu)良個體并保持種群 多樣性，在比例選擇操作執(zhí)行前，選擇最好的AV2個序列和最差的W/2個序列作為選擇操 作的父輩。其中最好個體的判斷依據(jù)為傳統(tǒng)的目標函數(shù)值，而最差個體的判斷依據(jù)，則是 釆用個體的目標函數(shù)與其歐氏空間距離相結合的綜合適應度函數(shù)，即在最差(有害)個體 中，如果某些個體，他們的目標函數(shù)相近，并且他們的歐氏距離也很小，則把它們當成一
11個最差個體來加以保留。該判別方法的引入，有效地增加了種群的多樣性，從而有效地避 免算法的早熟收斂。綜合適應度函數(shù)計算公式如(13)式。
在選擇操作中，由于最差的AV2個體直接加以保留，而最好的子代個體則要在父帶個 體中選擇復制得到，當前序列被復制的數(shù)目根據(jù)下式計算
iV。 =<JV
> (14)
式中，A -/ ， 為保證J, >0的常數(shù)。由于取整運算會有截斷誤差，即使A^ =0 ，
RNA序列仍將被復制一次。由此，通過選擇操作將產生N個序列作為交叉和變異操作的父輩。 SRNA-GA的優(yōu)化算法的實現(xiàn)步驟 根據(jù)上述編碼和操作算子，將SRNA-GA算法歸納如下
步驟l:設置最大進化代數(shù)G、染色體編碼長度丄及種群大小iV。隨機生成N個由RNA 編碼組成的初始種群，計算RNA序列的適應度函數(shù)值。
步驟2:根據(jù)不同目標函數(shù)值和綜合適應度判別函數(shù)，把個體分成最好和最差的兩類， 最差的iV/2個體用直接保留，然后根據(jù)(14)式進行比例選擇，選取好的AV2個個體作為
交叉操作的父本。
步驟3:在前W/2個較優(yōu)個體中，執(zhí)行交叉操作以概率l執(zhí)行置換算子，后以l執(zhí) 行莖環(huán)算子。經交叉操作后，生成N個個體。
步驟4:將步驟3產生的N個個體和剩余的iV/2個個體作為變異操作的父本，根據(jù)(ll) 式和(12)式執(zhí)行自適應動態(tài)變異操作。
步驟5:對上面步驟4產生的最優(yōu)個體，運用直接搜索技術，在編碼的局部小范圍內進 行局部搜索，以確定能得到更好的最優(yōu)解，提高算法的搜索精度。
步驟6:重復各步驟直至滿足終止條件。終止條件為達到最大進化代數(shù)或滿足不等式
1《-F'H:A，其中，《表示當前的最好值，i^為全局最優(yōu)解，A為對所求解的精度要求。 數(shù)據(jù)存儲和更新模塊在本發(fā)明的軟測量儀表中，為了滿足工業(yè)現(xiàn)場的海量數(shù)據(jù)存儲
需要，采用高速工業(yè)存儲器，通過智能儀表采集的數(shù)據(jù)，被直接存儲在數(shù)據(jù)庫中，再通過
現(xiàn)場總線，提供給RBF神經網絡進行粗汽油干點的軟測量。當誤差達到一定限度時，RBF 網絡通過處理器向數(shù)據(jù)庫發(fā)出更新數(shù)據(jù)請求信息，數(shù)據(jù)庫接收到該信號，則把最近某一段 時間內接收到的數(shù)據(jù)重新發(fā)送給RBF網絡，用于網絡的參數(shù)校正。軟測量的輸出數(shù)據(jù)，即粗汽油干點的測量值除被送顯示器顯示外，也被存儲在該數(shù)據(jù)中，以供日后査詢及出錯報塾。
高速工業(yè)處理器模塊由于工業(yè)現(xiàn)場對本軟測量儀表的速度要求較高，當接受到--組訓
練數(shù)據(jù)，RBF神經網絡要在極短的時間內完成學習和校正任務，因此，在要求SRNA-GA優(yōu)化 算法要較快速度的同時，更要有高速的工業(yè)處理器模塊加以配合。
本發(fā)明的軟測量儀表采用基于數(shù)據(jù)驅動的RBF神經網絡軟測量模型。該模型避免了對 催化裂化過程復雜的機理分析過程，對觀測數(shù)據(jù)的擬和精度高，泛化能力好，求解方便， 響應速度快，是一種比較理想的軟測量模型。通過應用SRNA-GA算法求解RBF神經網絡的
隱層節(jié)點數(shù)和隱層中心點實現(xiàn)了軟測量儀表的參數(shù)調節(jié)和校正功能。
本發(fā)明儀表在催化裂化粗汽油干點的軟測量中有很好的測量精度，而且，在把本方法
移植到別的工業(yè)過程軟測量中，只需要根據(jù)具體工業(yè)過程的輸入輸出改變RBF網絡的輸入
層節(jié)點數(shù)，而不需要改變別的參數(shù)，也不需要了解具體的對象機理，因此本發(fā)明的軟測量
儀表具有很強的通用性和推廣能力。


圖1為本發(fā)明軟測量儀表的結構框圖
圖2為催化裂化主分餾塔工藝流程圖3為莖環(huán)操作實現(xiàn)過程
圖4為(高位)和& (低位)的變化曲線
圖5為RBF網絡訓練誤差曲線
圖6為軟測量模型對待測量值的擬合曲線
具體實施例方式
催化裂化分餾塔的粗汽油干點是一個重要的產品性能指標，基于現(xiàn)場采集數(shù)據(jù)的分析并 結合工藝機理分析，表明粗汽油干點y的最主要決定因素為分餾塔塔頂溫度^(/t)、分餾塔
塔頂粗汽油分壓&("、內回流比x"A:)、油氣分離器液位^(A:)。因此，其關系可以表示為
順=/IX W, A A W, A W] (4 )
12《 (5) i ，
13(7)
及2
W4 + i 5)[i + Wr2)"] (8)
式中各變量代表的含義為——粗汽油干點，'C:^(i)——分餾塔塔頂溫度，°C; x2(A)——分餾塔塔頂粗汽油分壓，kPa;P——分餾塔塔頂壓力，kPa;
xf;——分餾塔塔頂粗汽油的摩爾分量；i 2——粗汽油流量，〃A;及3——富氣流量，〃A;
——酸性水流量，〃M Mg——粗汽油平均分子量；X3("——內回流比； J ,——內回流量，及4——粗汽油冷回流流量，&——塔頂回流流量， S——粗汽油液相比熱容，kcal/(kg 。C) ; r2——頂回流返塔溫度；義——粗汽油潛熱，
^a〃紐；x4(A)——油氣分離器液位，m;/( )——待估函數(shù)。
采集催化裂化粗汽油干點軟測量中相應的輔助變量，對數(shù)據(jù)進行歸一化，標準化處理， 使得處理后各變量的均值為0，方差為l，得到輸入矩陣X，其計算公式如下(1) — (3)所示。
計算均值^-丄l]2X, (1)
計算方差 2=4￡(漢'-反)2 (2)
歸一化@ =漢—漢 (3)
O"一
其中，7X為采集的輔助變量樣本，W為采集輔助變量樣本數(shù)，^為采集的輔助變量樣本 均值。
經過歸一化后的數(shù)據(jù)送入經過訓練的RBF祌經網絡進行粗汽油干點的軟測量。RBF網絡 是具有一個隱層的前向神經網絡，可完成如下非線性映射
/ !>,《||;c-C,||) (9)
其中，X是輸入矢量，0C)為及"4^的非線性函數(shù)，^為權值，W = [Wl,w2,..,W ,]。 C,為基
函數(shù)中心點， 為隱層節(jié)點數(shù)。隱層單元將輸入樣本空間映射到高維的徑向基函數(shù)空間內。采用的徑向基函數(shù)為薄板樣條函數(shù)^(v)^v21！1(10，當網絡輸入層節(jié)點數(shù)、隱層節(jié)點數(shù)和基
函數(shù)中心確定后，由于網絡輸出對隱層權重是線性的，可采用最小二乘算法進行求解，避 免了類似BP神經網絡那樣繁瑣的計算。
對于單輸入單輸出(SISO)系統(tǒng)，RBF神經網絡實際上實現(xiàn)了一種非線性自回歸模型，如
下式所示。
y(W = (10) 其中，x = [>#-1),…y(/t-w),"(/t-l),…"(/t-")]確定了 RBF網絡的輸入層單元。參數(shù)w和"表
示過去時刻w個輸入和w個輸出通過網絡實現(xiàn)的對系統(tǒng)將來輸出的映射，在本發(fā)明中，輸 入變量為4，輸入變量為l，為了避免網絡過于復雜，附,"取值都為2，則輸入節(jié)點數(shù)為IO。
確定網絡的輸入節(jié)點，再通過現(xiàn)在采集并經過歸一化處理的數(shù)據(jù)，通過運用SRNA-GA 算法優(yōu)化隱節(jié)點數(shù)和中心點，求得使目標函數(shù),最小的網絡為理想的軟測量網絡。即
min^=|;|e(OI (15)
在求解過程中，隱層到輸出層的網絡權值通過遞推最小二乘法求得，這樣簡化了求解過程， 減小了計算量。
由于工業(yè)現(xiàn)場對數(shù)據(jù)的實時性和測量精度要求較高，所以建立的軟測量模型也一定要 滿足精確性和實時性的要求，這就要求能有一種好的優(yōu)化算法來對RBF網絡進行優(yōu)化，并 且在誤差比較大或工況發(fā)生較大改變時，能用新的數(shù)據(jù)代替舊的數(shù)據(jù)對網絡進行重新學習， 實現(xiàn)校正的目的。本發(fā)明采用一種全新的SRNA-GA優(yōu)化算法，其具體實現(xiàn)方式如下
RNA序列的解空間為E=^， U ，G ，C}L ，即，RNA序列采用A、 U、 G、 C四個字母來對
長度為L，并由尿嘧啶、胞嘧啶、腺嘌呤和鳥嘌呤四種堿基組成的RNA序列進行編碼。為便
于數(shù)學和邏輯操作，首位被定義為結構編碼位。當首位為1時編碼嘌呤堿基，如10為腺嘌
呤A, ll為鳥嘌呤G;當首位為O時，則編碼嘧啶堿基。而末位數(shù)字被定義為功能編碼位，
如00為胞嘧啶C， 01為尿嘧啶U。互補堿基對的數(shù)字編碼亦呈互補關系，如C和G堿基對
是0(00)與3(11)的互補結合，共有3條氫鍵屬于強氫鍵結合。而U與A堿基對是l(Ol)
與2(10)的互補結合，共有2條氫鍵屬于弱氫鍵結合。 SRNA-GA交叉算子
RNA序列交叉操作有置換算子和莖環(huán)操作，分別表示如下。 l)置換算子RNA序列中的一個子序列被另一個子序列所替換。設RNA序列為 i = iW 3^《，A被《替換后，形成新的序列為及=7 5及4及3《《。若A和《選為兩條
15RNA序列的某一部分，則置換運算轉變?yōu)閭鹘y(tǒng)遺傳算法的單點交叉運算。若置換的子序 列為某一段病毒或酶，該操作相當于引入DNA計算的插入操作。 2)莖環(huán)算了某個RNA序列首尾相連形成一個RNA莖環(huán)，隨后，該莖環(huán)又在一個隨機的位 置斷裂，形成一個新的RNA序列。如i :及5J 4Aiy^，形成莖環(huán)后在A與A之間斷裂，
則新的鏈為及=及^5/ 4及^2。
以上兩種算子，都可以對單個RNA序列進行操作，且各有特點。
根據(jù)目標函數(shù)值/，定義最好的AY2個個體為中性個體，最差的7V/2為有害個體。交
叉算子包括的置換和莖環(huán)操作均在中性個體中執(zhí)行。其中，置換操作和莖環(huán)操作的概率都 為l。通過交叉操作，iV/2個中性父輩將產生7V個子代。 SRNA-GA變異算子
由于SRNA-GA存在4種基本元素，相對二進制GA而言，其變異過程相對復雜，主要包 括以下三種變異算子
(1) 顛換算子指RNA序列中的結構編碼位都發(fā)生變換而功能編碼位均未發(fā)生變化， 這相當于數(shù)字編碼中的首位數(shù)字均出現(xiàn)變化，而末位數(shù)字均保持不變，共有CeA， UeG， 即，0e2， le3四種情況。
(2) 轉換算子RNA序列中只有功能編碼位發(fā)生變換，而結構編碼位均未變化，這相當 于數(shù)字編碼中的末位均出現(xiàn)變化而首位數(shù)字均保持不變，共存在CeU， AgG， g卩，Ool， 2e3四種情況。
(3) 對換算子RNA序列中的結構編碼位和功能編碼位都同時變化，這相當于數(shù)字編碼 的首位和末位都出現(xiàn)了變化，對換成互補的堿基，共有AgII， CeG，即，2el， 0e3
四種情形。
為保持種群的多樣性并產生新的基因信息，變異操作在父輩的有害個體和交叉操作產 生的子代中執(zhí)行。變異算子的父輩共有3A72個。對SRNA-GA而言，在進化的不同階段、不 同位置的碼位對問題答案的影響是不一樣的。因而在進化的不同階段，希望RNA序列擁有 不同的hot spot (熱點)和cold spot (冷點)。例如在進化的初始階段，希望在高位的 碼位具有較高的變異概率，以獲得更大的搜索空間。而在進化的結束階段，如找到了最優(yōu) 解的大致范圍，期望低位的碼位具有較高的變異概率，以搜索到更精確的最優(yōu)解，并使高 位的碼位保持低變異概率，以避免好的RNA序列因變異而被破壞?；谏鲜鏊枷?，變異概 率應是一個動態(tài)變化的過程，設定RNA序列的[l,Z/2]為低位，[丄/2，丄]為高位，相應地，可 定義兩種變異概率，高位變異概率;^以及低位變異概率/^，如下所示<formula>formula see original document page 17</formula>
l + exp[-"a(g-g0)] (12) 式中，^為/^的最終變異概率及;^的初始變異概率，6,為變異概率的變化范圍，g為當 前進化代數(shù)，g。為hot spot和cold spot的轉折點，a"為變化速率。/^和凡,隨進化代 數(shù)的變化曲線如圖4所示。圖中，(11)式和(12)式的系數(shù)選擇如下a =0.02， & =0.2， g。=G/2, "a = 20/G， G為最大進化代數(shù)。 SRNA-GA選擇算子
執(zhí)行完交叉和變異操作后，將產生3W/2個新的RNA序列。為保護優(yōu)良個體并保持種群 多樣性，在比例選擇操作執(zhí)行前，選擇最好的AV2個序列和最差的AV2個序列作為選擇操 作的父輩。其中最好個體的判斷依據(jù)為傳統(tǒng)的目標函數(shù)值，而最差個體的判斷依據(jù)，則是 采用個體的目標函數(shù)與其歐氏空間距離相結合的綜合適應度函數(shù)，即在最差(有害)個體 中，如果某些個體，他們的目標函數(shù)相近，并且他們的歐氏距離也很小，則把它們當成一 個最差個體來加以保留。該判別方法的引入，有效地增加了種群的多樣性，從而有效地避 免算法的早熟收斂。綜合適應度函數(shù)計算公式如(13)式。
g,4廠&卜2k廠/",(丄",2,…緒) (13) 在選擇操作中，由于最差的AV2個體直接加以保留，而最好的子代個體則要在父帶個 體中選擇復制得到，當前序列被復制的數(shù)目根據(jù)下式計算
<formula>formula see original document page 17</formula>
式中，A = K鵬為保證A > 0的常數(shù)。由于取整運算會有截斷誤差，即使乂 = 0 , RNA序列仍將被復制一次。由此，通過選擇操作將產生N個序列作為交叉和變異操作的父輩。 SRNA-GA優(yōu)化算法的實現(xiàn)步驟
步驟l:設置最大進化代數(shù)G、染色體編碼長度丄及種群大小W。隨機生成N個由RNA 編碼組成的初始種群，計算RNA序列的適應度函數(shù)值。
步驟2:根據(jù)不同目標函數(shù)值和綜合適應度判別函數(shù)，把個體分成最好和最差的兩類， 最差的AV2個個體直接保留，然后根據(jù)(14)式進行比例選擇，選取好的7V/2個個體作為
交叉操作的父本。步驟3:在前iV/2個較優(yōu)個體中，執(zhí)行交叉操作以概率l執(zhí)行置換算子，后以l執(zhí) 行莖環(huán)算子。經交叉操作后，生成N個個體。
步驟4:將步驟3產生的N個個體和剩余的W/2個個體作為變異操作的父本，根據(jù)(ll) 式和(12)式執(zhí)行自適應動態(tài)變異操作。
步驟5:對上面步驟4產生的最優(yōu)個體，運用直接搜索技術，在編碼的局部小范圍內進
行局部搜索，以確定能得到更好的最優(yōu)解，提高算法的搜索精度。
步驟6:重復各步驟直至滿足終止條件。終止條件為達到最大進化代數(shù)或滿足不等式 |《-F'|<A，其中，《表示當前的最好值，F(xiàn)'為全局最優(yōu)解，A為對所求解的精度要求。
為了驗證本發(fā)明方法的有效性，對提出的軟測量儀表進行系列實驗。設置SRNA-GA算 法最大進化代數(shù)為2000，初始RNA序列個數(shù)^=60。根據(jù)得到的450個數(shù)據(jù)，前250個用于 訓練網絡，后200個用于測試網絡的性能。結果顯示，本發(fā)明在催化裂化粗汽油干點的軟 測量中有很好的測量精度，而且，在把本發(fā)明移植到別的工業(yè)過程軟測量中，只需要根據(jù) 具體工業(yè)過程的輸入輸出改變RBF網絡的輸入層節(jié)點數(shù)，而不需要改變別的參數(shù)，也不需 要了解具體的對象機理，因此本發(fā)明的軟測量儀表具有很強的通用性和推廣能力。
18
權利要求
1、一種催化裂化粗汽油干點的軟測量儀表，包括與現(xiàn)場工業(yè)對象連接的現(xiàn)場智能儀表、數(shù)據(jù)采集和預處理模塊、SRNA-GA算法優(yōu)化模塊、數(shù)據(jù)存儲和更新模塊、RBF神經網絡軟測量模塊，高速工業(yè)處理器，所述的高速工業(yè)處理器主要功能有1)接收來自現(xiàn)場智能儀表和數(shù)據(jù)庫的數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的存儲和轉發(fā)功能；2)接收來自RBF神經網絡的請求信號，并對信號進行處理，對數(shù)據(jù)庫發(fā)出相應的指令；3)運行SRNA-GA優(yōu)化算法，并把結果發(fā)送給神經網絡模塊，實現(xiàn)RBF神經網絡的參數(shù)訓練；i. 現(xiàn)場數(shù)據(jù)采集和預處理模塊采集催化裂化粗汽油干點軟測量中相應的輔助變量，隨后對數(shù)據(jù)進行歸一化，標準化處理，使得處理后各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其計算公式如下(1)—(3)計算均值計算方差歸一化其中，TX為采集的輔助變量樣本，N為采集輔助變量樣本數(shù)，TX為采集的輔助變量樣本均值。決定粗汽油干點的因素很多，通過簡單的機理分析，去除次要因素，得到粗汽油干點與輔助變量的關系為y(k)＝f[x1(k)，x2(k)，x3(k)，x4(k)] (4)R1＝(R4+R5)[1+cp(T1-T2)/λ] (8)式中各變量代表的含義為y(k)——粗汽油干點，℃；x1(k)——分餾塔塔頂溫度，℃；x2(k)——分餾塔塔頂粗汽油分壓，kPa；P——分餾塔塔頂壓力，kPa；xG——分餾塔塔頂粗汽油的摩爾分量；R2——粗汽油流量，t/h；R3——富氣流量，t/h；Rw——酸性水流量，t/h；Mg——粗汽油平均分子量；x3(k)——內回流比；R1——內回流量，t/h；R4——粗汽油冷回流流量，t/h；R5——塔頂回流流量，t/h；cp——粗汽油液相比熱容，kcal/(kg·℃)；T2——頂回流返塔溫度；λ——粗汽油潛熱，kcal/kg；x4(k)——油氣分離器液位，m；f(·)——待估函數(shù)；ii. RBF神經網絡軟測量模塊建立RBF神經網絡軟測量模型，用歸一化后的數(shù)據(jù)對神經網絡進行訓練，確定相關的神經網絡參數(shù)，神經網絡的非線性映射為其中，x是輸入矢量，φ(·)為Rn→R的非線性函數(shù)，wi為權值，w＝[w1，w2，…wn]，ci為基函數(shù)中心點，nr為隱層節(jié)點數(shù)，對于單輸入單輸出(SISO)系統(tǒng)，RBF神經網絡實際上實現(xiàn)了一種非線性自回歸模型，如下式所示y(k)＝f(k) (10)采用RBF網絡軟測量模型的相關參數(shù)及求解方法如下(1)x＝[y(k-1)，…y(k-m)，u(k-1)，…u(k-n)]確定了RBF網絡的輸入層單元，參數(shù)m和n表示過去m個輸入和n個輸出通過網絡實現(xiàn)對系統(tǒng)將來輸出的映射，根據(jù)先驗知識確定；(2)RBF網絡的激活函數(shù)選用樣條函數(shù)φ(v)＝v2ln(v)，由于該函數(shù)形式簡單，減少了神經網絡的參數(shù)數(shù)量和計算量；(3)RBF網絡的隱層節(jié)點數(shù)和網絡的中心點c通過SRNA-GA優(yōu)化算法求解；(4)線性輸出層權值w通過遞推最小二乘法求解；iii. SRNA-GA算法優(yōu)化模塊神經網絡的優(yōu)化設計包括參數(shù)學習和結構設計，根據(jù)輸入變量的數(shù)量固定RBF神經網絡的輸入層接點數(shù)nr，然后利用SRNA-GA算法，確定網絡隱層節(jié)點數(shù)和基函數(shù)的中心點c；iv. 數(shù)據(jù)存儲和更新模塊，通過智能儀表采集的數(shù)據(jù)，被直接存儲在數(shù)據(jù)庫中，再通過現(xiàn)場總線，提供給RBF神經網絡進行粗汽油干點的軟測量，當誤差達到一定限度時，RBF網絡通過處理器向數(shù)據(jù)庫發(fā)出更新數(shù)據(jù)請求信息，數(shù)據(jù)庫接收到該信號，把最近某一段時間內接收到的數(shù)據(jù)重新發(fā)送給RBF網絡，用于網絡的參數(shù)校正。
2、根據(jù)權利要求1所述的催化裂化粗汽油干點軟測量儀表，其特征在于所述的SRNA-GA 算法，RNA序列的解空間為E—A, U,G，C}L， RNA序列采用A、 U、 G、 C四個字母來對 長度為L，并由尿嘧啶、胞嘧啶、腺嘌呤和鳥嘌呤四種堿基組成的RNA序列進行編碼， 首位被定義為結構編碼位，末位數(shù)字被定義為功能編碼位；算法的交叉操作包括置換操作和莖環(huán)操作。其中，置換算子為RNA序列中的一個 子序列被另一個子序列所替換，莖環(huán)算子為某個RNA序列首尾相連形成一個RNA莖環(huán)， 隨后，該莖環(huán)又在一個隨機的位置斷裂，形成一個新的RNA序列，根據(jù)目標函數(shù)值/，定義最好的iV/2個體為中性個體，剩下的為有害個體，交叉算子包括置換和莖環(huán)操作均在中性個體中執(zhí)行，其中，置換操作和莖環(huán)操作的概率都為1， 通過交叉操作，iV/2個中性父輩將產生W個子代；算法的變異操作包括顛換算子、轉換算子、對換算子，(1) 顛換算子指RNA序列中的結構編碼位都發(fā)生變換而功能編碼位均未發(fā)生變化，共 有CeA, UoG， g卩，0<->2， le3四種情況；(2) 轉換算子RNA序列中只有功能編碼位發(fā)生變換，而結構編碼位均未變化，有CeU， AeG，即，0el， 2e3四種情況；(3) 對換算子RNA序列中的結構編碼位和功能編碼位都同時變化，有AoU， CgG， 艮卩，2el， 0e3四種情形；變異操作在父輩的有害個體和交叉操作產生的子代中執(zhí)行，變異算子的父輩共有 個，設定RNA序列的[l,丄/2]為低位，[L/2，丄]為高位，相應地，可定義兩種變異概率，高位變異概率;^以及低位變異概率;^，如下所示式中，^為/^的最終變異概率及A，,的初始變異概率，^為變異概率的變化范圍，g為 當前進化代數(shù)，g。為熱點和冷點的轉折點，做為變化速率，(11)、 (12)式的系數(shù)選擇 如下a, =0.02， 4=0.2， g。=G/2，執(zhí)行完交叉和變異操作后，將產生3W/2個新的RNA序列，為保護優(yōu)良個體并保持 種群多樣性，選擇最好的AV2個序列和最差的AV2個序列作為選擇操作的父輩，其中最 好個體的判斷依據(jù)為傳統(tǒng)的目標函數(shù)值，最差個體的判斷依據(jù)綜合適應度函數(shù)計算公式 gwH卜廣^hl/廣力l,""l,2,…緒) (13) 在選擇操作中，由于最差的W/2個體直接加以保留，而最好的子代個體在父帶個體中 選擇復制得到，當前序列被復制的數(shù)目根據(jù)下式計算式中，J,=Fmax-_/;， i^為保證/,0的常數(shù)，通過選擇操作將產生N個序列作為交叉 和變異操作的父輩。
3、根據(jù)權利要求2所述的催化裂化粗汽油干點的軟測量儀表，其特征在于SKNA-GA算法 優(yōu)化模塊所述的SRNA-GA算法的實現(xiàn)步驟為 1:設置最大進化代數(shù)G、染色體編碼長度丄及種群大小iV，隨機生成N個由RNA編 碼組成的初始種群，計算RNA序列的適應度函數(shù)值；2:根據(jù)不同目標函數(shù)值和綜合適應度判別函數(shù)，把個體分成最好和最差的兩類，最差 的iV/2個個體用直接保留，然后根據(jù)(14)式進行比例選擇，選取好的W/2個個體作 為交叉操作的父本；3:在前W/2個較優(yōu)個體中，執(zhí)行交叉操作以概率l執(zhí)行置換算子，后以l執(zhí)行莖 環(huán)算子，經交叉操作后，生成N個個體；4:將步驟3產生的N個個體和剩余的W/2個個體作為變異操作的父本，根據(jù)(11) 式和(12)式執(zhí)行自適應動態(tài)變異操作；5:對上面步驟4產生的最優(yōu)個體，運用直接搜索技術，在編碼的局部小范圍內進行局 部搜索，以確定能得到更好的最優(yōu)解，提高算法的搜索精度；6:重復各步驟直至滿足終止條件，終止條件為達到最大進化代數(shù)或滿足不等式l巧-i^h;A，其中，巧表示當前的最好值，尸'為全局最優(yōu)解，A為對所求解的精度要求。
全文摘要
一種催化裂化粗汽油干點軟測量儀表及方法，包括高速工業(yè)處理器、現(xiàn)場數(shù)據(jù)采集和預處理模塊、基于莖環(huán)操作RNA遺傳算法(SRNA-GA)優(yōu)化模塊、數(shù)據(jù)存儲和更新模塊、RBF神經網絡軟測量模塊，上述各個模塊通過工業(yè)總線相連，本發(fā)明軟測量儀表，采用基于數(shù)據(jù)驅動的RBF神經網絡軟測量模型，避免了對催化裂化過程復雜的機理分析過程，對觀測數(shù)據(jù)的擬和精度高，泛化能力好，求解方便，響應速度快。在測量過程中，通過運用SRNA-GA算法對RBF網絡的相關參數(shù)進行優(yōu)化，實現(xiàn)儀表的校正功能。該儀表在催化裂化粗汽油干點的軟測量中取得了良好的效果，具有較強的通用性。
文檔編號G01N33/26GK101520453SQ200910095830
公開日2009年9月2日 申請日期2009年2月10日 優(yōu)先權日2009年2月10日
發(fā)明者寧 王, 王康泰 申請人:浙江大學