專利名稱：基于仿生智能的工業(yè)軟測(cè)量?jī)x表及軟測(cè)量方法
技術(shù)領(lǐng)域：
本發(fā)明涉及工業(yè)過(guò)程軟測(cè)量領(lǐng)域，特別地，涉及一種基于仿生智能的工業(yè)軟測(cè)量?jī)x表及軟測(cè)量方法。
背景技術(shù)：
在現(xiàn)代流程工業(yè)中，大量關(guān)鍵性過(guò)程狀態(tài)、產(chǎn)品質(zhì)量等參數(shù)缺乏在線直接測(cè)量手段。這已成為制約生產(chǎn)安全、產(chǎn)品質(zhì)量、產(chǎn)量及生產(chǎn)效益進(jìn)一步提高的瓶頸。軟測(cè)量技術(shù)正式解決此類問(wèn)題的有效途徑。
利用工業(yè)實(shí)測(cè)數(shù)據(jù)，采用統(tǒng)計(jì)的方法建立工業(yè)過(guò)程的軟測(cè)量模型，避開(kāi)了復(fù)雜的機(jī)理分析，模型對(duì)觀測(cè)數(shù)據(jù)的擬和程度高，求解相對(duì)方便，是進(jìn)行軟測(cè)量的一種有效手段和工具。
但是常見(jiàn)的大多數(shù)軟測(cè)量?jī)x表及方法，往往存在儀表參數(shù)確定難、適用性差和軟儀表精度不高等問(wèn)題，在高精度軟測(cè)量工業(yè)過(guò)程難以適用。
發(fā)明內(nèi)容為了克服已有的工業(yè)軟測(cè)量?jī)x表的參數(shù)確定困難、適用性差、精度不高的不足，本發(fā)明提供一種參數(shù)確定方便、適用范圍廣、軟測(cè)量效果好、精度高的基于仿生智能的工業(yè)軟測(cè)量系統(tǒng)及軟測(cè)量方法。
本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是一種基于仿生智能的工業(yè)軟測(cè)量?jī)x表，包括與工業(yè)過(guò)程對(duì)象連接的現(xiàn)場(chǎng)智能儀表、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲(chǔ)裝置及上位機(jī)，智能儀表、數(shù)據(jù)存儲(chǔ)裝置及上位機(jī)依次相連，所述的上位機(jī)為軟測(cè)量智能處理器，所述的軟測(cè)量智能處理器包括標(biāo)準(zhǔn)化處理模塊，用于對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過(guò)程來(lái)完成，其算式為(1)、(2)、(3)
1)計(jì)算均值TX‾=1NΣi=1NTXi---(1)]]>2)計(jì)算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>3)標(biāo)準(zhǔn)化X=TX-TX‾σx---(3)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)， 為訓(xùn)練樣本的均值；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊，用于建立軟測(cè)量模型RBF，采用如下過(guò)程1)選用高斯函數(shù)Φ(v)＝exp(-v2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；2)用最小二乘學(xué)習(xí)算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測(cè)量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個(gè)非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊，用于優(yōu)化RBF模型參數(shù)，采用如下過(guò)程1)對(duì)待優(yōu)化參數(shù)，記為x，進(jìn)行二進(jìn)制編碼，生成初始群體，計(jì)算每個(gè)個(gè)體的適應(yīng)度值；2)根據(jù)選擇概率pi＝fi/∑ifi(fi(fi為個(gè)體適應(yīng)值)按規(guī)定的種群規(guī)模選擇個(gè)體進(jìn)入下一代；
3)以交叉概率按適當(dāng)?shù)慕徊娣绞綄?duì)選中的多對(duì)個(gè)體交叉；4)以變異概率pm按適當(dāng)?shù)淖儺惙绞綄?duì)選中的個(gè)體變異；5)解碼，計(jì)算各個(gè)體適應(yīng)度值；6)確定適應(yīng)度中間值，對(duì)適應(yīng)值比中間值大的個(gè)體不做混沌擾動(dòng)，對(duì)其余的適應(yīng)值比中間值小的個(gè)體做混沌擾動(dòng)，混沌擾動(dòng)的幅度控制參數(shù)隨著迭代次數(shù)增加而變??；計(jì)算新個(gè)體的適應(yīng)度值；混沌擾動(dòng)按如下方法進(jìn)行選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn) (5)按照上式(5)得到的混沌變量通過(guò)變換映射到要優(yōu)化的變量，變換公式如下(6)xi＝ci+dixi(6)7)重復(fù)步驟2至步驟6，直到終止條件得以滿足，即計(jì)算得到的新個(gè)體的適應(yīng)度值在5代之內(nèi)保持不變；信號(hào)采集模塊，用于依照設(shè)定的每次采樣的時(shí)間間隔，從數(shù)據(jù)庫(kù)中采集數(shù)據(jù)；軟測(cè)量模塊，用于對(duì)待檢測(cè)數(shù)據(jù)VX用訓(xùn)練時(shí)得到的 和δx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓(xùn)練得到的RBF模型，得到軟測(cè)量函數(shù)值。
作為優(yōu)選的一種方案所述的軟測(cè)量智能處理器還包括模型更新模塊，用于定期將離線檢測(cè)的實(shí)際數(shù)據(jù)加到訓(xùn)練集中，以更新RBF模型。
作為優(yōu)選的另一種方案所述的軟測(cè)量?jī)x表還包括DCS系統(tǒng)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)據(jù)庫(kù)構(gòu)成，所述的數(shù)據(jù)存儲(chǔ)裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫(kù)，所述的軟測(cè)量智能處理器還包括結(jié)果顯示模塊，用于將軟測(cè)量結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過(guò)DCS系統(tǒng)和現(xiàn)場(chǎng)總線傳遞到現(xiàn)場(chǎng)操作站進(jìn)行顯示。
作為優(yōu)選的再一種方案所述的現(xiàn)場(chǎng)智能儀表、DCS系統(tǒng)、軟測(cè)量智能處理器通過(guò)現(xiàn)場(chǎng)總線依次連接。
一種用所述的基于仿生智能的工業(yè)軟測(cè)量?jī)x表實(shí)現(xiàn)的軟測(cè)量方法，所述的軟測(cè)量方法包括以下步驟(1)、確定軟測(cè)量所用的關(guān)鍵變量，從歷史數(shù)據(jù)庫(kù)中采集系統(tǒng)正常時(shí)所述變量的數(shù)據(jù)作為訓(xùn)練樣本TX；(2)、在基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊，設(shè)置混沌遺傳算法的種群大小、最大代數(shù)、選擇概率、交叉概率、變異概率參數(shù)，并設(shè)定DCS中的采樣周期；(3)、訓(xùn)練樣本TX在軟測(cè)量智能處理器中，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過(guò)程來(lái)完成，其算式為(1)、(2)、(3)3.1)計(jì)算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計(jì)算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標(biāo)準(zhǔn)化X=TX-TX‾σx,---(3)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)， 為訓(xùn)練樣本的均值；(4)、建立徑向基函數(shù)網(wǎng)絡(luò)，具體步驟為4.1)選用高斯函數(shù)Φ(v)＝exp(-v2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；
4.2)用最小二乘學(xué)習(xí)算法確定RBF中心矢量Ci；4.3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測(cè)量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個(gè)非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；(5)、用混沌遺傳算法優(yōu)化上述參數(shù)α，具體步驟為5.1)對(duì)待優(yōu)化參數(shù)進(jìn)行二進(jìn)制編碼，生成初始群體，計(jì)算每個(gè)個(gè)體的適應(yīng)度值；5.2)根據(jù)選擇概率pi＝fi/∑ifi(fi(fi為個(gè)體適應(yīng)值)按規(guī)定的種群規(guī)模選擇個(gè)體進(jìn)入下一代；5.3)以交叉概率按適當(dāng)?shù)慕徊娣绞綄?duì)選中的多對(duì)個(gè)體交叉；5.4)以變異概率pm按適當(dāng)?shù)淖儺惙绞綄?duì)選中的個(gè)體變異；5.5)解碼，計(jì)算各個(gè)體適應(yīng)度值；5.6)確定適應(yīng)度中間值，對(duì)適應(yīng)值比中間值大的個(gè)體不做混沌擾動(dòng)，對(duì)其余的適應(yīng)值比中間值小的個(gè)體做混沌擾動(dòng)，混沌擾動(dòng)的幅度控制參數(shù)隨著迭代次數(shù)增加而變?。挥?jì)算新個(gè)體的適應(yīng)度值；混沌擾動(dòng)按如下方法進(jìn)行選用Logistic映射，其算式為(5)αn+1＝4·αn(1-αn) (5)按照上式得到的混沌變量通過(guò)變換映射到要優(yōu)化的變量，變換公式如下(6)αi＝ci+diαi(6)5.7)重復(fù)5.2至5.6，直到終止條件得以滿足，即計(jì)算得到的新個(gè)體的適應(yīng)度值在5代之內(nèi)保持不變；
(6)、將采集的數(shù)據(jù)傳送到DCS實(shí)時(shí)數(shù)據(jù)庫(kù)中，在每個(gè)定時(shí)周期從DCS數(shù)據(jù)庫(kù)的實(shí)時(shí)數(shù)據(jù)庫(kù)中，得到最新的變量數(shù)據(jù)作為待測(cè)量數(shù)據(jù)VX；對(duì)VX用訓(xùn)練時(shí)得到的 和δx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓(xùn)練得到的RBF模型，得到軟測(cè)量函數(shù)值。
作為優(yōu)選的一種方案所述的軟測(cè)量方法還包括(7)、定期將離線檢測(cè)的實(shí)際數(shù)據(jù)加到訓(xùn)練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
作為優(yōu)選的另一種方案所述的數(shù)據(jù)存儲(chǔ)裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫(kù)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)據(jù)庫(kù)構(gòu)成，在所述的(6)中計(jì)算得到軟測(cè)量值，將結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過(guò)DCS系統(tǒng)和現(xiàn)場(chǎng)總線傳遞到現(xiàn)場(chǎng)操作站進(jìn)行顯示。
本發(fā)明的技術(shù)構(gòu)思為仿生智能如遺傳算法等，能夠模擬生物進(jìn)化和生物群體的智能進(jìn)化過(guò)程來(lái)根據(jù)檢測(cè)過(guò)程的特點(diǎn)最優(yōu)化軟測(cè)量?jī)x表的參數(shù)，從而有效解決常規(guī)軟儀表參數(shù)確定難、適用性差和軟儀表精度不高等問(wèn)題，在高精度軟測(cè)量工業(yè)過(guò)程難以適用等難關(guān)。
工業(yè)過(guò)程數(shù)據(jù)本身具有非常嚴(yán)重的非線性，RBF可以很好的逼近這種非線性關(guān)系；混沌遺傳算法既保留了遺傳算法的全局搜索能力，又能明顯提高遺傳算法的收斂速度，可以在較短時(shí)間內(nèi)優(yōu)化模型參數(shù)。
本發(fā)明的有益效果主要表現(xiàn)在1、適用范圍廣，能廣泛運(yùn)用于各種工業(yè)過(guò)程；2、軟測(cè)量效果好；3、運(yùn)算效率高，模型可以在線更新；4、使用簡(jiǎn)單，容易在現(xiàn)有DCS系統(tǒng)上實(shí)現(xiàn)，也可構(gòu)成一個(gè)獨(dú)立的系統(tǒng)。
圖1是本發(fā)明所提出的軟測(cè)量系統(tǒng)的硬件結(jié)構(gòu)圖；圖2是本發(fā)明所提出的軟測(cè)量智能處理器的功能模塊圖；(五)
具體實(shí)施例方式
下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。本發(fā)明實(shí)施例用來(lái)解釋說(shuō)明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍。
實(shí)施例1參照?qǐng)D1、圖2，一種基于仿生智能的工業(yè)軟測(cè)量?jī)x表，包括與工業(yè)過(guò)程對(duì)象1連接的現(xiàn)場(chǎng)智能儀表2、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲(chǔ)裝置5及上位機(jī)5，智能儀表2、數(shù)據(jù)存儲(chǔ)裝置5及上位機(jī)6依次相連，所述的上位機(jī)6為軟測(cè)量智能處理器，所述的軟測(cè)量智能處理器包括包括標(biāo)準(zhǔn)化處理模塊7，用于對(duì)數(shù)據(jù)庫(kù)中采集系統(tǒng)正常時(shí)的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過(guò)程來(lái)完成1)計(jì)算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計(jì)算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標(biāo)準(zhǔn)化X=TX-TX‾σx,---(3)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)， 為訓(xùn)練樣本的均值；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊(RBF模塊)8，用于建立軟測(cè)量模型RBF，采用如下過(guò)程1)選用高斯函數(shù)Φ(v)＝exp(-v2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；2)用最小二乘學(xué)習(xí)算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測(cè)量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個(gè)非線性函數(shù)；Ci∈ Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊(CGA)9，用于優(yōu)化RBF模型參數(shù)，采用如下過(guò)程1)對(duì)待優(yōu)化參數(shù)，記為x，進(jìn)行二進(jìn)制編碼，生成初始群體，計(jì)算每個(gè)個(gè)體的適應(yīng)度值；2)根據(jù)選擇概率pi＝fi/∑ifi(fi(fi為個(gè)體適應(yīng)值)按規(guī)定的種群規(guī)模選擇個(gè)體進(jìn)入下一代；3)以交叉概率按適當(dāng)?shù)慕徊娣绞綄?duì)選中的多對(duì)個(gè)體交叉；4)以變異概率pm按適當(dāng)?shù)淖儺惙绞綄?duì)選中的個(gè)體變異；5)解碼，計(jì)算各個(gè)體適應(yīng)度值；6)確定適應(yīng)度中間值，對(duì)適應(yīng)值比中間值大的個(gè)體不做混沌擾動(dòng)，對(duì)其余的適應(yīng)值比中間值小的個(gè)體做混沌擾動(dòng)，混沌擾動(dòng)的幅度控制參數(shù)隨著迭代次數(shù)增加而變??；計(jì)算新個(gè)體的適應(yīng)度值；混沌擾動(dòng)按如下方法進(jìn)行選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn) (5)按照上式(5)得到的混沌變量通過(guò)變換映射到要優(yōu)化的變量，變換公式如下(6)xi＝ci+dixi(6)7)重復(fù)步驟2至步驟6，直到終止條件得以滿足，即計(jì)算得到的新個(gè)體的適應(yīng)度值在5代之內(nèi)保持不變；信號(hào)采集模塊10，用于依照設(shè)定的每次采樣的時(shí)間間隔，從數(shù)據(jù)庫(kù)中采集數(shù)據(jù)；軟測(cè)量模塊11，用于對(duì)待檢測(cè)數(shù)據(jù)VX用訓(xùn)練時(shí)得到的 和δx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)依次進(jìn)過(guò)訓(xùn)練得到的偏最小二乘模塊和多分辨率分解模塊處理后作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓(xùn)練得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，再經(jīng)過(guò)多分辨率重構(gòu)模塊得到軟測(cè)量函數(shù)值。
所述的軟測(cè)量智能處理器6還包括模型更新模塊12，用于定期將離線檢測(cè)的實(shí)際數(shù)據(jù)加到訓(xùn)練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
軟測(cè)量?jī)x表還包括與DCS系統(tǒng)，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫(kù)5構(gòu)成；智能儀表2、DCS系統(tǒng)、上位機(jī)6通過(guò)現(xiàn)場(chǎng)總線依次相連，所述的上位機(jī)還包括結(jié)果顯示模塊13，用于將軟測(cè)量結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過(guò)程狀態(tài)，同時(shí)通過(guò)DCS系統(tǒng)和現(xiàn)場(chǎng)總線將過(guò)程狀態(tài)信息傳遞到現(xiàn)場(chǎng)操作站進(jìn)行顯示。
所述智能處理器6的硬件部分包括I/O元件，用于數(shù)據(jù)的采集和信息的傳遞；數(shù)據(jù)存儲(chǔ)器，存儲(chǔ)運(yùn)行所需的數(shù)據(jù)樣本和運(yùn)行參數(shù)等；程序存儲(chǔ)器，存儲(chǔ)實(shí)現(xiàn)功能模塊的軟件程序；運(yùn)算器，執(zhí)行程序，實(shí)現(xiàn)指定的功能；顯示模塊，顯示設(shè)置的參數(shù)和運(yùn)行結(jié)果。
當(dāng)軟測(cè)量?jī)x表待檢測(cè)過(guò)程已配有DCS系統(tǒng)時(shí)，樣本實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)的檢測(cè)、存儲(chǔ)利用DCS系統(tǒng)的實(shí)時(shí)和歷史數(shù)據(jù)庫(kù)，軟測(cè)量功能主要在上位機(jī)上完成。
當(dāng)軟測(cè)量?jī)x表待檢測(cè)過(guò)程沒(méi)有配備DCS系統(tǒng)時(shí)，采用數(shù)據(jù)存儲(chǔ)器來(lái)替代DCS系統(tǒng)的實(shí)時(shí)和歷史數(shù)據(jù)庫(kù)的數(shù)據(jù)存儲(chǔ)功能，并將軟測(cè)量?jī)x表制造成包括I/O元件、數(shù)據(jù)存儲(chǔ)器、程序存儲(chǔ)器、運(yùn)算器、顯示模塊幾大構(gòu)件的不依賴于DCS系統(tǒng)的一個(gè)獨(dú)立的完整的片上系統(tǒng)，在不管檢測(cè)過(guò)程是否配備DCS的情況下，都能夠獨(dú)立使用，更有益于推廣使用。
本實(shí)施例的基于仿生智能的工業(yè)軟測(cè)量?jī)x表，包括與工業(yè)過(guò)程對(duì)象1連接的現(xiàn)場(chǎng)智能儀表2、DCS系統(tǒng)以及智能元件6，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫(kù)5構(gòu)成；智能儀表2、DCS系統(tǒng)、軟測(cè)量智能處理器6通過(guò)現(xiàn)場(chǎng)總線依次相連，所述的軟測(cè)量智能處理器6包括標(biāo)準(zhǔn)化處理模塊7，用于對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過(guò)程來(lái)完成，其算式為(1)、(2)、(3)1)計(jì)算均值TX‾=1NΣi=1NTXi,---(1)]]>
2)計(jì)算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標(biāo)準(zhǔn)化X=TX-TX‾σx,---(3)]]>其中，TX為輸入樣本，N為訓(xùn)練樣本數(shù)， 為訓(xùn)練樣本的均值；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊8，用于建立軟測(cè)量模型，采用如下過(guò)程1)選用高斯函數(shù)Φ(v)＝exp(-v2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；2)用最小二乘學(xué)習(xí)算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測(cè)量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個(gè)非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊9，用來(lái)優(yōu)化RBF模型參數(shù)，提升建模效果，采用如下過(guò)程1)對(duì)待優(yōu)化參數(shù)(記為x)進(jìn)行二進(jìn)制編碼，生成初始群體，計(jì)算每個(gè)個(gè)體的適應(yīng)度值；2)根據(jù)選擇概率pi＝fi/∑ifi(fi(fi為個(gè)體適應(yīng)值)按規(guī)定的種群規(guī)模選擇個(gè)體進(jìn)入下一代；3)以交叉概率按適當(dāng)?shù)慕徊娣绞綄?duì)選中的多對(duì)個(gè)體交叉；4)以變異概率pm按適當(dāng)?shù)淖儺惙绞綄?duì)選中的個(gè)體變異，經(jīng)過(guò)計(jì)算機(jī)仿真表明若算法迭代次數(shù)不多(50次以內(nèi))，有了混沌擾動(dòng)，此步驟可以省略，從而可節(jié)約大量的時(shí)間；5)解碼，計(jì)算各個(gè)體適應(yīng)度值；6)對(duì)適應(yīng)值較大的個(gè)體不做混沌擾動(dòng)，只對(duì)其余的適應(yīng)值較小的個(gè)體做混沌擾動(dòng)，混沌擾動(dòng)的幅度控制參數(shù)隨著迭代次數(shù)增加而變小。計(jì)算新個(gè)體的適應(yīng)度值?；煦鐢_動(dòng)按如下方法進(jìn)行
選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn)(5)按照上式得到的混沌變量通過(guò)變換映射到要優(yōu)化的變量，以免在不必要的空間搜索，變換公式如下(6)xi＝ci+dixi(6)7)重復(fù)步驟2至步驟6，直到終止條件得以滿足，即計(jì)算得到的新個(gè)體的適應(yīng)度值在5代之內(nèi)保持不變；信號(hào)采集模塊10，用于設(shè)定每次采樣的時(shí)間間隔，從數(shù)據(jù)庫(kù)中采集數(shù)據(jù)；軟測(cè)量模塊11，用于對(duì)待檢測(cè)數(shù)據(jù)VX用訓(xùn)練時(shí)得到的 和δx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為RBF建模模塊的輸入，將輸入代入訓(xùn)練得到的RBF模型，得到軟測(cè)量函數(shù)值。
所述的軟測(cè)量智能處理器6還包括模型更新模塊12，用于定期將離線檢測(cè)的實(shí)際數(shù)據(jù)加到訓(xùn)練集中，以更新RBF模型。結(jié)果顯示模塊13，用于將軟測(cè)量結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過(guò)DCS系統(tǒng)和現(xiàn)場(chǎng)總線傳遞到現(xiàn)場(chǎng)操作站進(jìn)行顯示。
實(shí)施例2參照?qǐng)D1、圖2，一種基于仿生智能的工業(yè)軟測(cè)量方法，所述的軟測(cè)量方法包括以下步驟(1)、確定軟測(cè)量所用的關(guān)鍵變量，從歷史數(shù)據(jù)庫(kù)中采集系統(tǒng)正常時(shí)所述變量的數(shù)據(jù)作為訓(xùn)練樣本TX；(2)、在基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊，設(shè)置混沌遺傳算法的種群大小、最大代數(shù)、選擇概率、交叉概率、變異概率參數(shù)，并設(shè)定采樣周期；(3)、訓(xùn)練樣本TX在軟測(cè)量智能處理器中，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過(guò)程來(lái)完成，其算式為(1)、(2)、(3)3.1)計(jì)算均值TX‾=1NΣi=1NTXi,---(1)]]>
3.2)計(jì)算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標(biāo)準(zhǔn)化X=TX-TX‾σx,---(3)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)， 為訓(xùn)練樣本的均值；(4)、建立徑向基函數(shù)網(wǎng)絡(luò)，具體步驟為4.1)選用高斯函數(shù)Φ(v)＝exp(-v2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；4.2)用最小二乘學(xué)習(xí)算法確定RBF中心矢量Ci；4.3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測(cè)量模型，其算式為(4)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個(gè)非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；(5)、用混沌遺傳算法優(yōu)化上述參數(shù)α，具體步驟為5.1)對(duì)待優(yōu)化參數(shù)進(jìn)行二進(jìn)制編碼，生成初始群體，計(jì)算每個(gè)個(gè)體的適應(yīng)度值；5.2)根據(jù)選擇概率pi＝fi/∑ifi(fi(fi為個(gè)體適應(yīng)值)按規(guī)定的種群規(guī)模選擇個(gè)體進(jìn)入下一代；5.3)以交叉概率按適當(dāng)?shù)慕徊娣绞綄?duì)選中的多對(duì)個(gè)體交叉；5.4)以變異概率pm按適當(dāng)?shù)淖儺惙绞綄?duì)選中的個(gè)體變異；5.5)解碼，計(jì)算各個(gè)體適應(yīng)度值；5.6)確定適應(yīng)度中間值，對(duì)適應(yīng)值比中間值大的個(gè)體不做混沌擾動(dòng)，對(duì)其余的適應(yīng)值比中間值小的個(gè)體做混沌擾動(dòng)，混沌擾動(dòng)的幅度控制參數(shù)隨著迭代次數(shù)增加而變??；計(jì)算新個(gè)體的適應(yīng)度值；混沌擾動(dòng)按如下方法進(jìn)行選用Logistic映射，其算式為(5)αn+1＝4·αn(1-αn) (5)按照上式得到的混沌變量通過(guò)變換映射到要優(yōu)化的變量，變換公式如下(6)αi＝ci+diαi(6)5.7)重復(fù)5.2至5.6，直到終止條件得以滿足，即計(jì)算得到的新個(gè)體的適應(yīng)度值在5代之內(nèi)保持不變；(6)、將采集的數(shù)據(jù)傳送到數(shù)據(jù)存儲(chǔ)裝置的實(shí)時(shí)數(shù)據(jù)庫(kù)中，在每個(gè)定時(shí)周期從數(shù)據(jù)庫(kù)的實(shí)時(shí)數(shù)據(jù)庫(kù)中，得到最新的變量數(shù)據(jù)作為待測(cè)量數(shù)據(jù)VX；對(duì)VX用訓(xùn)練時(shí)得到的 和δx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓(xùn)練得到的RBF模型，得到軟測(cè)量函數(shù)值。
所述的軟測(cè)量方法還包括(7)、定期將離線檢測(cè)的實(shí)際數(shù)據(jù)加到訓(xùn)練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
所述的數(shù)據(jù)存儲(chǔ)裝置5為DCS系統(tǒng)的歷史數(shù)據(jù)庫(kù)，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4和歷史數(shù)據(jù)庫(kù)5構(gòu)成，智能儀表2、DCS系統(tǒng)、軟測(cè)量智能處理器6通過(guò)現(xiàn)場(chǎng)總線依次相連；在所述的(8)中計(jì)算得到軟測(cè)量值，將結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過(guò)DCS系統(tǒng)和現(xiàn)場(chǎng)總線傳遞到現(xiàn)場(chǎng)操作站進(jìn)行顯示。
權(quán)利要求
1.一種基于仿生智能的工業(yè)軟測(cè)量?jī)x表，包括與工業(yè)過(guò)程對(duì)象連接的現(xiàn)場(chǎng)智能儀表、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲(chǔ)裝置及上位機(jī)，智能儀表、數(shù)據(jù)存儲(chǔ)裝置及上位機(jī)依次相連，其特征在于所述的上位機(jī)為軟測(cè)量智能處理器，所述的軟測(cè)量智能處理器包括標(biāo)準(zhǔn)化處理模塊，用于對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過(guò)程來(lái)完成，其算式為(1)、(2)、(3)1)計(jì)算均值TX‾=1NΣi=1NTXi---(1)]]>2)計(jì)算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>3)標(biāo)準(zhǔn)化X=TX-TX‾σx---(3)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)， 為訓(xùn)練樣本的均值；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊，用于建立軟測(cè)量模型RBF，采用如下過(guò)程1)選用高斯函數(shù)Φ(v)＝exp(-v2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；2)用最小二乘學(xué)習(xí)算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測(cè)量模型，其算式為(4)(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個(gè)非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；(ωi(1≤i≤N)為連接權(quán)值，(ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊，用于優(yōu)化RBF模型參數(shù)，采用如下過(guò)程1)對(duì)待優(yōu)化參數(shù)，記為x，進(jìn)行二進(jìn)制編碼，生成初始群體，計(jì)算每個(gè)個(gè)體的適應(yīng)度值；2)根據(jù)選擇概率pi＝fi/∑ifi(fi(fi為個(gè)體適應(yīng)值)按規(guī)定的種群規(guī)模選擇個(gè)體進(jìn)入下一代；3)以交叉概率按適當(dāng)?shù)慕徊娣绞綄?duì)選中的多對(duì)個(gè)體交叉；4)以變異概率pm按適當(dāng)?shù)淖儺惙绞綄?duì)選中的個(gè)體變異；5)解碼，計(jì)算各個(gè)體適應(yīng)度值；6)確定適應(yīng)度中間值，對(duì)適應(yīng)值比中間值大的個(gè)體不做混沌擾動(dòng)，對(duì)其余的適應(yīng)值比中間值小的個(gè)體做混沌擾動(dòng)，混沌擾動(dòng)的幅度控制參數(shù)隨著迭代次數(shù)增加而變小；計(jì)算新個(gè)體的適應(yīng)度值；混沌擾動(dòng)按如下方法進(jìn)行選用Logistic映射，其算式為(5)xn+1＝4·xn(1-xn) (5)按照上式(5)得到的混沌變量通過(guò)變換映射到要優(yōu)化的變量，變換公式如下(6)xi＝ci+dixi(6)7)重復(fù)步驟2至步驟6，直到終止條件得以滿足，即計(jì)算得到的新個(gè)體的適應(yīng)度值在5代之內(nèi)保持不變；信號(hào)采集模塊，用于依照設(shè)定的每次采樣的時(shí)間間隔，從數(shù)據(jù)庫(kù)中采集數(shù)據(jù)；軟測(cè)量模塊，用于對(duì)待檢測(cè)數(shù)據(jù)VX用訓(xùn)練時(shí)得到的 和δx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓(xùn)練得到的RBF模型，得到軟測(cè)量函數(shù)值。
2.如權(quán)利要求1所述的基于仿生智能的工業(yè)軟測(cè)量?jī)x表，其特征在于所述的軟測(cè)量智能處理器還包括模型更新模塊，用于定期將離線檢測(cè)的實(shí)際數(shù)據(jù)加到訓(xùn)練集中，以更新RBF模型。
3.如權(quán)利要求1或2所述的基于仿生智能的工業(yè)軟測(cè)量?jī)x表，其特征在于所述的軟測(cè)量?jī)x表還包括DCS系統(tǒng)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)據(jù)庫(kù)構(gòu)成，所述的數(shù)據(jù)存儲(chǔ)裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫(kù)；所述的軟測(cè)量智能處理器還包括結(jié)果顯示模塊，用于將軟測(cè)量結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過(guò)DCS系統(tǒng)和現(xiàn)場(chǎng)總線傳遞到現(xiàn)場(chǎng)操作站進(jìn)行顯示。
4.如權(quán)利要求3所述的基于仿生智能的工業(yè)軟測(cè)量?jī)x表，其特征在于所述的現(xiàn)場(chǎng)智能儀表、DCS系統(tǒng)、軟測(cè)量智能處理器通過(guò)現(xiàn)場(chǎng)總線依次連接。
5.一種用如權(quán)利要求1所述的基于仿生智能的工業(yè)軟測(cè)量?jī)x表實(shí)現(xiàn)的軟測(cè)量方法，其特征在于，所述的軟測(cè)量方法包括以下步驟(1)、確定軟測(cè)量所用的關(guān)鍵變量，從歷史數(shù)據(jù)庫(kù)中采集系統(tǒng)正常時(shí)所述變量的數(shù)據(jù)作為訓(xùn)練樣本TX；(2)、在基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊，設(shè)置混沌遺傳算法的種群大小、最大代數(shù)、選擇概率、交叉概率、變異概率參數(shù)，并設(shè)定采樣周期；(3)、訓(xùn)練樣本TX在軟測(cè)量智能處理器中，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過(guò)程來(lái)完成，其算式為(1)、(2)、(3)3.1)計(jì)算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計(jì)算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標(biāo)準(zhǔn)化X=TX-TX‾σx,---(3)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)， 為訓(xùn)練樣本的均值；(4)、建立徑向基函數(shù)網(wǎng)絡(luò)，具體步驟為4.1)選用高斯函數(shù)Φ(v)＝exp(-v2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；4.2)用最小二乘學(xué)習(xí)算法確定RBF中心矢量Ci；4.3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測(cè)量模型，其算式為(4)f(x)=ω0+Σi=1NωiΦ(||X-Ci||)---(4)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個(gè)非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；(ωi(1≤i≤N)為連接權(quán)值，(ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；(5)、用混沌遺傳算法優(yōu)化上述參數(shù)α，具體步驟為5.1)對(duì)待優(yōu)化參數(shù)進(jìn)行二進(jìn)制編碼，生成初始群體，計(jì)算每個(gè)個(gè)體的適應(yīng)度值；5.2)根據(jù)選擇概率pi＝fi/∑ifi(fi(fi為個(gè)體適應(yīng)值)按規(guī)定的種群規(guī)模選擇個(gè)體進(jìn)入下一代；5.3)以交叉概率按適當(dāng)?shù)慕徊娣绞綄?duì)選中的多對(duì)個(gè)體交叉；5.4)以變異概率pm按適當(dāng)?shù)淖儺惙绞綄?duì)選中的個(gè)體變異；5.5)解碼，計(jì)算各個(gè)體適應(yīng)度值；5.6)確定適應(yīng)度中間值，對(duì)適應(yīng)值比中間值大的個(gè)體不做混沌擾動(dòng)，對(duì)其余的適應(yīng)值比中間值小的個(gè)體做混沌擾動(dòng)，混沌擾動(dòng)的幅度控制參數(shù)隨著迭代次數(shù)增加而變小；計(jì)算新個(gè)體的適應(yīng)度值；混沌擾動(dòng)按如下方法進(jìn)行選用Logistic映射，其算式為(5)αn+1＝4·αn(1-αn)(5)按照上式得到的混沌變量通過(guò)變換映射到要優(yōu)化的變量，變換公式如下(6)αi＝ci+diαi(6)5.7)重復(fù)5.2至5.6，直到終止條件得以滿足，即計(jì)算得到的新個(gè)體的適應(yīng)度值在5代之內(nèi)保持不變；(6)、將采集的數(shù)據(jù)傳送到數(shù)據(jù)存儲(chǔ)裝置的實(shí)時(shí)數(shù)據(jù)庫(kù)中，在每個(gè)定時(shí)周期從數(shù)據(jù)庫(kù)的實(shí)時(shí)數(shù)據(jù)庫(kù)中，得到最新的變量數(shù)據(jù)作為待測(cè)量數(shù)據(jù)VX；對(duì)VX用訓(xùn)練時(shí)得到的 和δx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓(xùn)練得到的RBF模型，得到軟測(cè)量函數(shù)值。
6.如權(quán)利要求5所述的基于仿生智能的工業(yè)軟測(cè)量方法，其特征在于所述的軟測(cè)量方法還包括(7)、定期將離線檢測(cè)的實(shí)際數(shù)據(jù)加到訓(xùn)練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
7.如權(quán)利要求5或6所述的基于仿生智能的工業(yè)軟測(cè)量方法，其特征在于所述的數(shù)據(jù)存儲(chǔ)裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫(kù)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)據(jù)庫(kù)構(gòu)成；在所述的(6)中計(jì)算得到軟測(cè)量值，將結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過(guò)DCS系統(tǒng)和現(xiàn)場(chǎng)總線傳遞到現(xiàn)場(chǎng)操作站進(jìn)行顯示。
全文摘要
一種基于仿生智能的工業(yè)軟測(cè)量?jī)x表，包括與工業(yè)過(guò)程對(duì)象連接的現(xiàn)場(chǎng)智能儀表、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲(chǔ)裝置及上位機(jī)，智能儀表、數(shù)據(jù)存儲(chǔ)裝置及上位機(jī)依次相連，所述的上位機(jī)為軟測(cè)量智能處理器，所述的軟測(cè)量智能處理器包括標(biāo)準(zhǔn)化處理模塊、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊、基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊、信號(hào)采集模塊以及軟測(cè)量模塊。以及提出了一種軟測(cè)量方法。本發(fā)明提供一種參數(shù)確定方便、適用范圍廣、軟測(cè)量效果好、精度高的基于仿生智能的工業(yè)軟測(cè)量系統(tǒng)及軟測(cè)量方法。
文檔編號(hào)G05B13/02GK1996192SQ20061015555
公開(kāi)日2007年7月11日 申請(qǐng)日期2006年12月28日 優(yōu)先權(quán)日2006年12月28日
發(fā)明者劉興高, 閆正兵 申請(qǐng)人:浙江大學(xué)