專利名稱：一種氫氰酸生產(chǎn)過程的在線自適應(yīng)建模方法
技術(shù)領(lǐng)域：
本發(fā)明屬于氫氰酸生產(chǎn)工業(yè)過程中的智能信息處理技術(shù)，特別涉及一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)子空間逼近的氫氰酸生產(chǎn)過程的在線自適應(yīng)建模方法。
背景技術(shù)：
氫氰酸(HCN)生產(chǎn)的原料氣為氨氣、天然氣和空氣，三種原料氣經(jīng)凈化、混合、氧化和酸洗四個(gè)工段，才可得到純凈的HCN氣體。HCN工業(yè)流程復(fù)雜，過程工藝參數(shù)較多，HCN生產(chǎn)設(shè)備都和空氣接觸，受溫度、濕度、設(shè)備老化和原材料批次等不確定因素影響，是典型的復(fù)雜非線性動(dòng)態(tài)特性化工系統(tǒng)。如何建立精確可靠的HCN工業(yè)過程模型是提高氫氰酸轉(zhuǎn)化率的基礎(chǔ)和前提，對(duì)指導(dǎo)實(shí)際工業(yè)生產(chǎn)具有重要的現(xiàn)實(shí)意義。氫氰酸機(jī)理模型可描述生產(chǎn)中重要變量的變化趨勢(shì)，反映生產(chǎn)過程的機(jī)理知識(shí)。然而，氫氰酸生產(chǎn)過程是一個(gè)復(fù)雜的物理、化學(xué)過程，一般具有結(jié)構(gòu)復(fù)雜、多變量、非線性、時(shí)滯、不確定性等特點(diǎn)，傳統(tǒng)的機(jī)理建模方法很難滿足精確建模的要求。神經(jīng)網(wǎng)絡(luò)(ArtificialNeural Network, ANN)以其強(qiáng)大非線性逼近能力，與傳統(tǒng)機(jī)理建模方法相比，屬于統(tǒng)計(jì)建模方法，具有能建立不依賴于精確過程原理和能以任意精度逼近任何非線性映射的特點(diǎn)。ANN在處理復(fù)雜系統(tǒng)的建模問題上顯示出獨(dú)特的優(yōu)越性，被廣泛用于工業(yè)過程建模。然而目前，應(yīng)用神經(jīng)網(wǎng)絡(luò)建立氫氰酸生產(chǎn)過程模型時(shí)，忽略了環(huán)境變量和內(nèi)部狀態(tài)變量對(duì)模型的影響，假設(shè)其環(huán)境噪聲和內(nèi)部狀態(tài)變量是相對(duì)穩(wěn)定的。往往只是對(duì)輸入輸出變量進(jìn)行簡(jiǎn)單的靜態(tài)映射，是一種靜態(tài)建模方法，對(duì)氫氰酸生產(chǎn)過程建模效果有限。如何建立氫氰酸過程的高精度模型成為難點(diǎn)。

發(fā)明內(nèi)容
針對(duì)氫氰酸生產(chǎn)過程的動(dòng)態(tài)非線性復(fù)雜特性，傳統(tǒng)方法不能有效建立其高精度模型。為了解決以上問題，本發(fā)明提出一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)子空間逼近的氫氰酸生產(chǎn)過程的在線自適應(yīng)建模方法，通過在輸入變量子空間采用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)來精確逼近氫氰酸生產(chǎn)過程，有效解決氫氰酸復(fù)雜非線性動(dòng)態(tài)生產(chǎn)過程的建模難題。本發(fā)明表述一種氫氰酸生產(chǎn)過程的在線自適應(yīng)建模方法，其關(guān)鍵在于按如下步驟進(jìn)行:步驟1:確定氫氰酸生產(chǎn)過程的輸入變量子空間:通過對(duì)氫氰酸生產(chǎn)過程進(jìn)行分析，選擇氫氰酸生產(chǎn)過程中能夠被有效控制的M個(gè)控制變量作為模型輸入變量，以建立氫氰酸生產(chǎn)過程的轉(zhuǎn)化率模型，其中M = 9，輸入變量分別為:Xl表示氨的補(bǔ)償溫度，X2表示氨的流量，X3表示天然氣氨氣流量比，X4表示空氣氨氣流量比，X5表示氨的補(bǔ)償壓力，X6表示天然氣的補(bǔ)償壓力，X7表示空氣的補(bǔ)償壓力，X8表示氣泡壓力，X9表示大混合器出口溫度；步驟2:對(duì)氫氰酸生產(chǎn)過程進(jìn)行數(shù)據(jù)采集，所得數(shù)據(jù)為[Xm，Y]，其中:M為輸入變量數(shù)，N為采集數(shù)據(jù)樣本數(shù)，Y為氫氰酸轉(zhuǎn)化率，X為輸入變量子空間，X= {Xl, x2, X3, x4, x5, X6,X7，Xgj Xg}；步驟3:對(duì)氫氰酸生產(chǎn)過程數(shù)據(jù)進(jìn)行預(yù)處理，得到受噪聲影響最小，最能反映出生產(chǎn)過程實(shí)際特性的有效數(shù)據(jù):3.1:對(duì)輸入變量數(shù)據(jù)進(jìn)行粗大誤差數(shù)據(jù)剔除，粗大誤差數(shù)據(jù)剔除后，[Xw，Y]減少為[Xmh, Y] (H ≤N)；粗大誤差數(shù)據(jù)剔除的具體方法為:若X中某輸入變量的取值比其附近其他樣本點(diǎn)的值較大(小)，出現(xiàn)明顯的波動(dòng)，則剔除該數(shù)據(jù)樣本點(diǎn)，數(shù)據(jù)減少為[xm，Y] (H ^ N)；3.2:對(duì)輸入變量數(shù)據(jù)進(jìn)行3 O準(zhǔn)則處理，3 O準(zhǔn)則處理后，[Xmh, Y] (H ( N)減少為[XMT，Y] (T≤H)；30準(zhǔn)則處理的基本思想為:通常數(shù)據(jù)上控制限UCL和下控制限LCL與中心線的距離為30以內(nèi)的數(shù)據(jù)是較好的。因此，將在上、下控制線以外的數(shù)據(jù)刪除，保證數(shù)據(jù)為最優(yōu)數(shù)據(jù)。其中，中心線與上、下控制線的公式如下:UCL= U +3 O , CL= U , LCL= U -3 o其中:U:總體數(shù)據(jù)的平均值；O:總體數(shù)據(jù)的標(biāo)準(zhǔn)差。對(duì)數(shù)據(jù)[Xm，Y] (HSN)中的各輸入變量，采用上述公式進(jìn)行計(jì)算，確定UCL, CL, LCL0若某輸入變量的取值在該上、下控制線外，則剔除該數(shù)據(jù)樣本點(diǎn)，通過對(duì)系統(tǒng)分析。如果某變量的大量正常取值位于控制線外，則擴(kuò)大控制線范圍，以保留該正常取值的變量。得到新數(shù)據(jù)[XMT, Y] (T≤H)。3.3:對(duì)輸入變量數(shù)據(jù)進(jìn)行五點(diǎn)三次平滑處理，利用最小二乘法原理對(duì)數(shù)據(jù)[XMT，Y] (T ≤ H)進(jìn)行五點(diǎn)三次最小二乘多項(xiàng)式平滑，五點(diǎn)三次平滑處理后，得到[X' MT, Y](T ≤ H)；利用最小二乘法原理對(duì)數(shù)據(jù)[X' MT, Y] (T ( H)中的各輸入變量進(jìn)行五點(diǎn)三次最小二乘多項(xiàng)式平滑處理，該處理方法對(duì)于時(shí)域數(shù)據(jù)的作用主要是能減少混入振動(dòng)信號(hào)中的高頻隨機(jī)噪聲，對(duì)于頻域數(shù)據(jù)的作用則是能使譜曲線變得光滑，以便在模態(tài)參數(shù)識(shí)別中得到較好的擬合效果。得到新數(shù)據(jù)得到新數(shù)據(jù)[X' mt，Y](T<H)。計(jì)算公式為:
權(quán)利要求
1.一種氫氰酸生產(chǎn)過程的在線自適應(yīng)建模方法，其特征在于按如下步驟進(jìn)行:步驟1:確定氫氰酸生產(chǎn)過程的輸入變量子空間:選擇氫氰酸生產(chǎn)過程中能夠被有效控制的M個(gè)控制變量作為模型輸入變量，以建立氫氰酸生產(chǎn)過程的轉(zhuǎn)化率模型，其中M = 9，輸入變量分別為:Xl表示氨的補(bǔ)償溫度，X2表示氨的流量，X3表示天然氣氨氣流量比，X4表示空氣氨氣流量比，X5表示氨的補(bǔ)償壓力，X5表示天然氣的補(bǔ)償壓力，X7表示空氣的補(bǔ)償壓力，X8表示氣泡壓力，X9表不大混合器出口溫度； 步驟2:對(duì)氫氰酸生產(chǎn)過程進(jìn)行數(shù)據(jù)采集，所得數(shù)據(jù)為[XM，Y]，其中:M為輸入變量數(shù)，N為采集數(shù)據(jù)樣本數(shù)，X為輸入變量子空間，Y為氫氰酸轉(zhuǎn)化率； 步驟3:對(duì)氫氰酸生產(chǎn)過程數(shù)據(jù)進(jìn)行預(yù)處理，得到受噪聲影響最小，最能反映出生產(chǎn)過程實(shí)際特性的有效數(shù)據(jù): .3.1:對(duì)輸入變量數(shù)據(jù)進(jìn)行粗大誤差數(shù)據(jù)剔除，粗大誤差數(shù)據(jù)剔除后，[Xm，Y]減少為[Xmh, Y] (H^N)； .3.2:對(duì)輸入變量數(shù)據(jù)進(jìn)行3 O準(zhǔn)則處理，3 O準(zhǔn)則處理后，[X , Y] (H ( N)減少為[XMT，Y] (T ^ H)； .3.3:對(duì)輸入變量數(shù)據(jù)進(jìn)行五點(diǎn)三次平滑處理，利用最小二乘法原理對(duì)數(shù)據(jù)[XMT，Y](TSH)進(jìn)行五點(diǎn)三次最小二乘多項(xiàng)式平滑，五點(diǎn)三次平滑處理后，得到[X' MT, Y] (T^H)； .3.4:進(jìn)行數(shù)據(jù)歸一化處理，得到新數(shù)據(jù)為[X" mt，Y" ] (T ^ H)； 具體歸一化處理方法如下
全文摘要
本發(fā)明公開一種氫氰酸生產(chǎn)過程的在線自適應(yīng)建模方法，其特征在于按如下步驟進(jìn)行確定氫氰酸生產(chǎn)過程的輸入變量子空間；對(duì)氫氰酸生產(chǎn)過程進(jìn)行數(shù)據(jù)采集；對(duì)氫氰酸生產(chǎn)過程數(shù)據(jù)進(jìn)行預(yù)處理，得到受噪聲影響最小，最能反映出生產(chǎn)過程實(shí)際特性的有效數(shù)據(jù)；采用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后的數(shù)據(jù)[X″MT，Y″](T≤H)進(jìn)行建模，以得到氫氰酸轉(zhuǎn)化率的精確模型。本發(fā)明的有益效果是能夠有效獲得受噪聲影響最小，最能反映出生產(chǎn)過程實(shí)際特性的有效數(shù)據(jù)，再通過在輸入變量子空間采用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)來精確逼近氫氰酸生產(chǎn)過程，有效解決氫氰酸復(fù)雜非線性動(dòng)態(tài)生產(chǎn)過程的建模難題。
文檔編號(hào)G05B13/00GK103116272SQ20131003177
公開日2013年5月22日 申請(qǐng)日期2013年1月28日 優(yōu)先權(quán)日2013年1月28日
發(fā)明者李太福, 侯杰, 易軍, 辜小花, 姚立忠 申請(qǐng)人:重慶科技學(xué)院