【摘要】 本发明公开了一种分馏系统过程数据的智能校正方法，具体包括以下处理步骤：(1)采集分馏系统的实时和历史数据，确定已测变量和未测变量；(2)根据采集数据，获得各个已测变量的方差、过失误差在误差中出现的比例和过失误差的标准差与随机误差的标准差的比率；(3)将过程数据协调转化为优化问题；(4)通过多Agent邻域竞争-协作学习算法求解优化问题，获得协调数据；(5)再接着，对协调数据进行显著误差检测，如果存在显著误差，则调整已测变量和未测变量，转入步骤(3)，否则步骤(4)获得的协调数据即为全局最优协调数据；本发明有效的提高了数据的一致性，为过程设计、模拟、优化、控制及生产管理决策分析提供依据。 【专利类型】发明授权 【申请人】宁波大学 【申请人类型】学校 【申请人地址】315211 浙江省宁波市江北区风华路818号 【申请人地区】中国 【申请人城市】宁波市 【申请人区县】江北区 【申请号】CN201210017437.7 【申请日】2012-01-19 【申请年份】2012 【公开公告号】CN102542173B 【公开公告日】2014-12-17 【公开公告年份】2014 【授权公告号】CN102542173B 【授权公告日】2014-12-17 【授权公告年份】2014.0 【IPC分类号】G06F19/00 【发明人】史旭华; 蓝艇; 刘楠楠; 项龙; 朱金仁 【主权项内容】1.一种分馏系统过程数据的智能校正方法，具体包括以下步骤： 1)采集分馏系统的实时和历史的过程数据，将已测流量数据记为X，X＝{x1, x2, ..., xm}，将未测流量数据记为U，其中，m为设置在分馏系统中的测量仪表的个数，xi, i＝1, 2, ..., m为第i个测量仪表上的测量值； 2)根据采集到的实时和历史的过程数据，计算获得该分馏系统中的过失误差在误差中出现的比例η，η<0.5，以及过失误差的标准差与随机误差的标准差的比率γ，γ>5； 3)将过程数据协调转化为优化问题，其表达式为： 其中，min为最小值，ln为取对数函数，exp为指数函数， 为xi的估计值， i＝1, 2, ..., m为xi服从仪表测量误差的正态分布方差，s.t.为约束条件， 为过程数据的物料和组分平衡方程， 为X的估计数据， 为U的估计数据，XL为 的下限，XU为 的上限，UL为 的下限，UU为 的上限； 4)采用多Agent邻域竞争-协作学习算法求解步骤3)所述的优化问题，得到协调数据(X', U')，其中，X'＝{x1', x2', ..., xm'}，xi'为xi的协调值； 所述的多Agent邻域竞争-协作学习算法具体包括下列步骤： (1)根据约束条件 和 与已测流量数据X，计算得到N组估计数据 将 随机的装入多Agent群体A， (i＝1, 2, ..., Ls1；j＝1, 2, ..., Ls1)，生成Agent网格L(T)，其中，N＝Ls1×Ls1， 为网格L(T)上的第i行第j列上的第T代个体，Ls1为网格L(T)的总行数或总列数，网格L(T)的大小为Ls1×Ls1，T为迭代次数，T＝1； (2)计算网格L(T)中每个个体 的竞争力 获得sBestT， 其中，C为竞争力函数， 的竞争力为 sBestT为Agent网格第T代为止竞争力最大的个体； (3)在网格L(T)中随机抽取一个个体 i'∈[1, Ls1], j'∈[1, Ls1]生成一个大小为sLs1×sLs1的网格sL(T)；其中， 为取上整，sR为半径，sR∈[0, 1]， 为网格sL(T)上的第m'行第n'列上的第T代个体， m'＝1, 2, ..., sLs1，n'＝1, 2, ..., sLs1， k＝1, 2, ..., m，αk为个体 中的第k个数据值， 为XL中的第k个数据值， 为XU中的第k个数据值，u(1-sR, 1+sR)为(1-sR, 1+sR)内均匀分布的随机数； (4)将网格sL(T)以个体 为起点覆盖到网格L(T)上生成网格L1(T)；具体为： 其中， 为网格L1(T)上的第i行第j列上的第T代个体，mod为余数函数； (5)将网格L1(T)中的每个个体 执行邻域竞争操作，获得网格L2(T)；其中，邻域竞争操作具体为： 邻域为个体在其所在的Agent网格中上下左右相邻的四个个体的集合，且Agent网格中的行或列的首尾两个个体相邻， 为网格L2(T)上的第i行第j列上的第T代个体， 为 中竞争力最大的个体的竞争力， 为个体 的邻域， β＝(β1, β2, ..., βm)， k＝1, 2, ..., m，bk为个体 中的第k个数据值，r(-1, 1)为(-1, 1)内均匀分布的随机数； (6)将网格L2(T)进行Q-变异操作转换为网格L3(T)；其中，Q-变异操作具体为： 为网格L3(T)上的第i行第j列上的第T代个体，c1和c2为学习率，c1∈[0, 1]，c2∈[0, 1]，且满足约束条件c1+c2＝1， 为变异因子， norm为归一化操作函数，δ是控制因子，δ∈(0, 2]，r(0, 1)为(0, 1)内均匀分布的随机数， 为精英学习因子， U(0, 1)为(0, 1)内均匀分布的随机数，sPm为预先设置的参数，sPm∈[0.1, 0.5]； (7)对网格L3(T)执行邻域协作操作获得网格L(T+1)；邻域协作操作的具体步骤为： ①根据每个个体 的邻域中的竞争力最大的个体 和竞争力最小的个体 获得新个体 ②根据个体 和个体 按式 k＝1, 2, ..., m，生成新个体 其中，γk为个体 中的第k个数据值，γk'为个体 中的第k个数据值， 为个体 中的第k个数据值，cr∈[0, 1]为预先设定的参数； ③将个体 与个体 进行竞争选择获得 具体为： 其中， 为网格L(T+1)第i行第j列上的第T+1代个体； (8)从网格L(T+1)中找出竞争力最大个体sCBestT， 如果C(sCBestT)>C(sBestT)，则令sBestT+1＝sCBestT，XT＝sCBestT；否则令sBestT+1＝sBestT，XT＝sBestT，并令sCBestT＝sBestT；其中，XT为第T代竞争力最大个体； (9)将XT放入记忆库，判断是否满足T＝sT或记忆库中连续10次竞争力最大个体的方差都小于方差值 如满足，则转(10)；否则T＝T+1，转入步骤(3)；其中，sT为最大叠代次数； (10)记忆库中竞争力最大个体即为所得解；根据所得解和约束条件 获得协调数据(X', U')； 5)计算各个测量值xi与其协调值xi'之间的误差ei, i＝1, 2, ..., m，ei＝xi-xi'，判断ei是否满足 如果是，则已测流量数据X中含有过失误差，将 作为未测流量数据，调整X＝X-{xi*}和U＝U+{xi*}，然后返回步骤3)，其中，σi为测量值xi的标准差，max为取最大值函数，arg为取参数函数；否则(X', U')为全局最优协调数据。 【当前权利人】宁波大学 【当前专利权人地址】浙江省宁波市江北区风华路818号宁波大学 【统一社会信用代码】123300004195291066 【引证次数】1.0 【他引次数】1.0 【家族引证次数】1.0 【家族被引证次数】5

未经允许不得转载：http://www.zhongzhencnc.com/1791351415.html