第６３卷第７期 化工 学报 Ｖｏ１．６３ ＮＯ．７ ２０１２年７月 ＣＩＥＳＣ Ｊｏｕｒｎａｌ Ｊｕｌｙ ２Ｏ１２ 基于Ｄ—ＦＮＮ的聚合过程转化速率软测量 建模及重构 王介生，郭秋平 （辽宁科技大学电子与信息工程学院，辽宁鞍山１１４０４４） 关键词：聚合过程；动态模糊神经网络；核主元分析；软测量；模型迁移 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０４３８—１１５７．２０１２．０７．０２４ 中图分类号：ＴＰ ２７３ 文献标志码：Ａ 文章编号：Ｏ４３８—１１５７（２０１２）０７—２１６３～Ｏ７ Ｓｏｆｔ－ｓｅｎｓｏｒ ｍｏｄｅｌｉｎｇ ａｎｄ ｒｅｃＯｎｆｉｇｕｒａｔｉ０ｎ ｏｆ ｃｏｎｖｅｒｓｉｏｎ ｖｅｌｏｃｉｔｙ ｉｎ ＰＶＣ ｐｏｌｙｍｅｒｉｚａｔｉｏｎ ｐｒｏｃｅｓｓ ｂａｓｅｄ ｏｎ Ｄ—ＦＮＮ ＷＡＮＧ Ｊｉｅｓｈｅｎｇ。ＧＵＯ Ｑｉｕｐｉｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｌｉａｏｎｉｎｇ， Ａｎｓｈａｎ １１４０４４，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｔｈｅ ｋｅｙ ｔｅｃｈｎｏｌｏｇｙ ｉｎｄｉｃａｔｏｒ ｃｏｎｖｅｒｓｉｏｎ ｖｅｌｏｃｉｔｙ ｏｆ ｖｉｎｙｌ ｃｈｌｏｒｉｄｅ ｍｏｎｏｍｅｒ （ＶＣＭ） ｉｎ ｔｈｅ ｐｏｌｙｖｉｎｙｌｃｈｌｏｒｉｄｅ（ＰＶＣ）ｐｏｌｙｍｅｒｉｚａｔｉｏｎ ｐｒｏｃｅｓｓ，ａ ｓｏｆｔ—ｓｅｎｓｏｒ ｍｏｄｅｌｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｄｙｎａｍｉｃ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（Ｄ—ＦＮＮ）ｗａｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｋｅｒｎｅｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ （ＫＰＣＡ）ｍｅｔｈｏｄ ｗａｓ ａｄｏｐｔｅｄ ｔｏ ｓｅｌｅｃｔ ｔｈｅ ａｕｘｉｌｉａｒｙ ｖａｒｉａｂｌｅｓ ｏｆ ｓｏｆｔ—ｓｅｎｓｉｎｇ ｍｏｄｅｌ ｉｎ ｏｒｄｅｒ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｍｏｄｅｌ ｄｉｍｅｎｓｉｏｎａｌｉｔｙ．Ｔｈｅｎ ｔｈｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｏｆ Ｄ－ＦＮＮ ｉｎｃｌｕｄｅｄ ｔｈｅ ｒｕｌｅ ｅｘｔｒａｃｔｉｏｎ ｐｒｉｎｃｉｐｌｅｓ，ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｌｅａｒｎｉｎｇ ｓｔｒａｔｅｇｙ，ｔｈｅ ｐｒｅｃｅｄｅｎｔ ｐａｒａｍｅｔｅｒｓ ａｒｒａｎｇｅｍｅｎｔｓ，ｔｈｅ ｒｕｌｅ ｔｒｉｍｍｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ ｏｎ ｅｒｒｏｒ ｄｅｓｃｅｎｄｅｎｔ ｒａｔｉｏ ａｎｄ ｔｈｅ ｃｏｎｓｅｑｕｅｎｔ ｐａｒａｍｅｔｅｒｓ ｄｅｃｉｓｉｏｎ ｂａｓｅｄ ｏｎ ｅｘｔｅｎｄｅｄ Ｋａｌｍａｎ ｆｉｌｔｅｒ （ＥＫＦ）．Ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ—ｓｅｎｓｏｒ ｍｏｄｅｌ ｃｏｕｌｄ ａｕｔｏｍａｔｉｃａｌｌｙ ｄｅｃｉｄｅ ｔｈｅ ｆｕｚｚｙ ｒｕｌｅｓ ＳＯ ａｓ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｎｏｎｌｉｎｅａｒ ｍａｐｐｉｎｇ ｂｅｔｗｅｅｎ ｉｎｐｕｔ ａｎｄ ｏｕｔｐｕｔ ｖａｒｉａｂｌｅｓ ｏｆ ｔｈｅ ｄｉｓｃｕｓｓｅｄ ｓｏｆｔ—ｓｅｎｓｏｒ ｍｏｄｅ１．Ｍｏｄｅｌ ｍｉｇｒａｔｉｏｎ ｍｅｔｈｏｄ ｗａｓ ａｄｏｐｔｅｄ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｏｎ—ｌｉｎｅ ａｄａｐｔｉｖｅ ｒｅｖｉｓｉｏｎ ａｎｄ ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｏｆ ｓｏｆｔ—ｓｅｎｓｏｒ ｍｏｄｅ１．Ｉｎ ｔｈｅ ｅｎｄ，ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｏｄｅｌ ｃｏｕｌｄ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｅｎｈａｎｃｅ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｒｏｂｕｓｔｎｅｓｓ ｏｆ ｔｈｅ ｔｅｃｈｎｉｃｏ。。ｅｃｏｎｏｍｉｃ ｉｎｄｉｃｅｓ ａｎｄ ｓａｔｉｓｆｙ ｔｈｅ ｒｅａｌ・－ｔｉｍｅ ｃｏｎｔｒｏｌ ｒｅｑｕｉｒｅｍｅｎｔｓ ｏｆ ＰＶＣ ｐｏｌｙｍｅｒｉｚａｔｉｏｎ ｐｒｏｃｅｓｓ． Ｋｅｙ ｗｏｒｄｓ：ｐｏｌｙｍｅｒｉｚｅ ｐｒｏｃｅｓｓ；ｄｙｎａｍｉｃ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｋｅｒｎｅｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ； ｓｏｆｔ—ｓｅｎｓｏｒ；ｍｏｄｅｌ ｍｉｇｒａｔｉｏｎ 士 丘 聚合工艺生产聚氯乙烯（ＰＶＣ）树脂是一种典型 的间歇式化工生产过程。ＶＣＭ的转化率对ＰＶＣ 树脂产品质量有很大影响，不同转化率时对ＰＶＣ 以氯乙烯单体（ＶＣＭ）为原料，采用悬浮法 ２０１１—１２一Ｏ５收到初稿，２０１１—０４—０５收到修改稿。 联系人及第一作者：王介生（１９７７一），男，博士，副教授。 基金项目：中国博士后科学基金面上项目（２０１１０４９１５１０）； 辽宁省优秀人才计划项目（ＬＪＱ２０１１０２７）。 Ｒｅｃｅｉｖｅｄ ｄａｔｅ：２０１１—１２—０５． Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ：ＷＡＮＧ Ｊｉｅｓｈｅｎｇ，ｗａｎｇｊｉｅｓｈｅｎｇ＠１２６． ｃｏｍ Ｆｏｕｎｄａｔｉｏｎ ｉｔｅｍ：ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｃｈｉｎａ Ｐｏｓｔｄｏｃｔｏｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ（２０１１０４９１５１０）ａｎｄ ｔｈｅ Ｐｒｏｇｒａｍ ｆｏｒ Ｌｉａｏｎｉｎｇ Ｅｘｃｅｌｌｅｎｔ Ｔａｌｅｎｔｓ ｉｎ Ｕｎｉｖｅｒｓｉｔｙ（ＬＪＱ２０１１０２７）． 化工学报 第６３卷 树脂的分子量、热稳定性、孔隙率、ＶＣＭ的残留 软测量模型的动态调整难题。本文则提出一种数据 驱动的模型迁移方法，对所建立的聚氯乙烯生产过 程ＶＣＭ转化速率ＤＦＮＮ软测量模型进行动态重 构，仿真结果验证了所提方法的有效性。 量、增塑剂的吸收率、加工流动性等都有一定的影 响。由于现场条件限制和缺乏成熟的检测装置，在 实际生产过程中氯乙烯的转化速率很难实时获取， 难以实现直接质量闭环控制＿１］。 动态模糊神经网络（ｄｙｎａｍｉｃ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔ— ｗｏｒｋ，Ｄ—ＦＮＮ）是模糊理论和神经网络相互混合 １ 聚氯乙烯（ＰＶＣ）聚合过程 在聚氯乙烯（ＰＶＣ）聚合过程，将各种原料 与助剂加入到反应釜内，在搅拌的作用下，充分均 匀分散，然后加入适量的引发剂开始反应，并不断 的一种神经网络模型ｌ＿２ ］。文献Ｅｓ］提出了一种改 进的模糊神经网络软测量建模方法，采用ＬＭ算 法和一阶梯度下降法相结合来训练网络参数，最后 用该建模方法建立了聚合反应中熔融指数的软测量 模型，结果表明该模型具有对初始值的选择不敏 感、收敛性快、预测精度高等优点，很适合工程应 用。文献［６］采用粒子群算法优化模糊神经网络 的参数，建立丙烯腈收率软测量模型。针对软测量 模型的动态校正问题，文献Ｉ－７］利用冲激响应模 型给出了一个基于最小二乘方法的动态软测量建模 方法；文献［８］则提出一种基于在线聚类和Ｖ一支 地向反应釜的夹套和挡板通入冷却水，达到移出反 应热的目的。当氯乙烯（ＶＣＭ）的转化率达到一 定值时，出现一个适当的压降，即终止反应出料。 反应完成后的浆料经汽提脱析出内含ＶＣＭ后送到 干燥工序脱水干燥。典型ＰＶＣ聚合釜工艺流程如 图１所示＿】］。 根据聚合反应工艺特点，确定了与ＶＣＭ转化 率和转化速率相关的ｌ０个过程变量作为软测量建 模的辅助变量，分别是釜内温度（ＴＩＣ—ＰＩＯ１）、釜 内压力（ＰＩＣ—Ｐ１０２）、挡板水流量（ＦＩＣ—ＰＩＯＩ）、夹 持向量回归机的多模型软测量建模方法，试图解决 ＦＶ－ＰＸ０５ ＶＳ ＿ＰＸ１９ 图１聚合釜工艺流程 Ｆｉｇ．１ Ｔｅｃｈｎｉｑｕｅ ｆｌｏｗｃｈａｒｔ ｏｆ ｐｏｌｙｍｅｒｉｚａｔｉｏｎ ａｐｐａｒａｔｕｓ 第７期 王介生等：基于Ｄ－ＦＮＮ的聚合过程转化速率软测量建模及重构 ‘２１６５。 套水流量（ＦＩＣ—Ｐ１０２）、注入水流量（ＦＩＣ－Ｐ１０４）、 密封水流量（ＦＩ＆Ｐ１０５）、冷却水进Ｅｌ温度（为夹套 水和挡板水共用，ＴＩ－ＰｌＯ７）、夹套水出口温度（ＴＩ－ Ｐ１０９）、挡板水出口温度（ＴＩ－ＰｌｌＯ）、注入水和密封 水进口温度（即冷水槽出口温度，ＴＩＣ－ＷＡ０１）。 ２ 动态模糊神经网络 ２．１ 网络结构 动态模糊神经网络的结构基于扩展径向基神经 网络，不考虑反馈网络，Ｄ－ＦＮＮ的结构 如图２ 所示。 Ｍ｝ Ｒｗ Ｎ 图２动态模糊神经网络结构 Ｆｉｇ．２ Ｓｔｒｕｃｔｕｒｅ ｏｆ ｄｙｎａｍｉｃａｌ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ Ｄ－ＦＮＮ本质是一个基于ＴＳＫ模型的模糊系 统＿９ 。动态模糊神经网络共５层，具体描述 如下。 （１）输人层 ， ，…，ｚ 代表输入变量， ｒ是输入变量个数。 （２）隶属函数层ＭＦ 代表第ｉ个输入变量的 第Ｊ个隶属函数，本文采用高斯函数作为动态模糊 神经网络的隶属函数 （ｘｉ）一 ｐ『Ｌ 一 ０』 ］．Ｊ （１） 式中 是 的第Ｊ个隶属函数，Ｕ是系统总的规 则数，ｃ 是ｚ 的第Ｊ个隶属函数的中心， 是 的 第Ｊ个隶属函数的宽度。 ｛ （３）Ｔ范数层ＲＪ代表第Ｊ条模糊规则，该层 节点代表模糊规则中的ＩＦ部分，第Ｊ个规则Ｒ 的 输出为 ， 唧［一 ］＝ｅ）【ｐ［一 ］（２） 式中 一（Ｘｌ， ２，…，ｚ ）∈Ｒ ，ｃＪ一 一 Ｌ （ 一１，２，…，“） （３） … 一—ｃ — ＋．． （一 一）］ ∑ｅ （一 ） ・２ ６６・ 化工学报 第６３卷 式中 …是预先设定的最大误差，ｅ ｉ 是最小误 差，也是期望的Ｄ—ＦＮＮ精度， （０＜ｆｌ＜１）是收敛 常数，ｄ…是输入空间的最大长度，ｄ 是最小长 度，），（０＜ｙ＜１）是衰减常数。 ２．２．３ 前提参数分配新模糊规则产生后，初始 参数分配方式为 式中ｋ（是＞１）是重叠因子。 需要注意的是：当第一个观测数据 （Ｘ ，ｔ ）得到后，此时Ｄ—ＦＮＮ还没有建立起来， 因此这个数据被选为第一条模糊规则：Ｃ１一ｘ ， 一－Ｏ＂。，其中 。是预先设定的常数。还需要指出的 是只有当ＩＩｅ ＩＩ＞忌 ，ｄ…＞忌 时，才需增加一条模 糊规则。 ２．２．４ 结果参数确定 假设观测数据为 个，产 生的模糊规则数为 ，根据规则的产生准则和式 （６）可以得到Ｎ节点的输出为 一 ：］ ， 于是，对于任意的输人ｘ，（ｚ ｚ。 ，…， ｚ，，），由式（４）计算系统的输出ｙ 。 模型为ＴＳＫ模型时，ｗ和Ｉｆ，的计算公式为 １１ … １ｎ ； 丸１ … ‰ ｌ１‘ １１ … ≠ｌ ・－ｚ１ ； ， 。、 丸１・ｚｌ１ … 丸 ・ｚ１ ； １１・ ，１ … ｐｌ ‘ｚｍ ｊ ｌ・上 ｌ … ・ｚｍ 线性最小二乘法（１ｉｎｅａｒ ｌｅａｓｔ ｓｑｕａｒｅ，ＬＬＳ） 和卡尔曼滤波（Ｋａｌｍａｎ ｆｉｌｔｅｒ，ＫＦ）方法可以用 于结果参数调整。本文采用扩展卡尔曼滤波（ｅｘ— ｔｅｎｄｅｄ Ｋａｌｍａｎ ｆｉｌｔｅｒ，ＥＫＦ）方法来调整网络参 数。扩展的卡尔曼滤波是基于梯度的在线学习算 法口 ，它的基本思想是可以把全局算法划分为线 性和非线性部分，图３为ＥＫＦ用于Ｄ－ＦＮＮ参数 调整的学习流程，ＫＦ算法调整结果参数，ＥＫＦ调 图３ ＥＫＦ学习流程图 Ｆｉｇ．３ Ｌｅａｒｎｉｎｇ ｆｌｏｗ ｃｈａｔ ｏｆ ＥＫＦ 整前提参数。 用ＥＫＦ算法对于高斯宽度优化 一 （１９） Ｓ 一 Ｈ一 Ｆ ｓＨ（ 一１，２，…， ） （２ｏ） 五一 ＋ （ｒ７一 Ｗ ）（２１） 初始条件为 ＞Ｏ、Ｓ。一 ，其中，ｐ）０并且 数值不大， 是第ｉ次观测的增益矩阵，Ｊｓ 是第ｉ 次观测误差协方差矩阵， 一（ ， 。，…， ）为 经过ｉ次迭代后的高斯宽度向量，Ｆ 一（ ，…， ３ｚｉ，…， ）是第ｉ次观测宽度梯度向量。 ２．２．５修剪技术对于一个动态时变非线性系统 来说，本文采用误差下降率（ＥＲＲ）方法作为模 糊规则的剔除策略以使Ｄ—ＦＮＮ结构更为紧凑。如 果 反映第ｉ个规则的重要性， 值越大说明第ｉ 个规则越重要。若式（２２）成立，则第ｉ个规则就 可以剔除。 协＜ｋ （２２） 式中ｋ 是预先设定的阈值。 ３ Ｄ—ＦＮＮ软测量建模及重构 ３．１ 基于核主元分析法的数据降维 对于神经网络软测量模型来说，输入向量维数 过大，会使得网络拓扑结构很大和训练变得很复 杂，所以本文采用核主元分析方法（ＫＰＣＡ）对高 维输入向量进行降维。ＫＰＣＡ是将核函数的概念 引入ＰＣＡ（主元分析）的一种非线性推广，它比 ＰＣＡ具有更好的处理非线性问题的能力 。对 由软测量模型的输入组成的历史数据进行核主元分 析，分析结果如表１所示，前５个主元的方差贡献 率就已经达到９５ 以上，因此原始数据经ＫＰＣＡ 处理后的５个主元作为神经网络模型的输入，既 保留了原始变量的特征信息，又简化了神经网络 结构。 第７期 王介生等：基于Ｄ－ＦＮＮ的聚合过程转化速率软测量建模及重构 表１不同主元个数的累计贡献率 Ｔａｂｌｅ １ Ｃｕｍｕｌａｔｉｖｅ ｃｏｎｔｒｉｂｕｔｉｏｎ ｒａｔｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｐｒｉｎｃｉｐｌｅ ｎｕｍｂｅｒ Ｐｅｒｃｅｎｔ Ｃｕｍｕｌａｔｉｖｅ ｃｏｎｔｒｉｂｕｔｉｏｎ Ｐｒｉｎｃｉｐｌ “ ｍｂ Ｖａｒ．１ａｎｃｅ／， ０ ｒａ１；ｅ／…Ｚ０ ３．２ Ｄ—ＦＮＮ软测量建模 本文采用图２的动态模糊神经网络结构，建立 聚氯乙烯过程ＶＣＭ转化速率的软测量模型。由前 述可知，Ｄ－ＦＮＮ的５层结构分别为输入层、隶属 函数层、Ｔ范数层、归一化层和输出层。 输入层节点个数由系统的输入数决定，有几个 输入数据就产生几个节点。本文是以ＫＰＣＡ处理 后的５个主元变量作为输入，故输入层有５个节 点。Ｔ范数层的每一个节点与一条模糊规则的ＩＦ 部分相对应，因此节点数多少由模糊规则自动生成 策略在Ｄ－ＦＮＮ训练过程中动态调整。归一化层节 点个数与Ｔ范数层节点个数相同，归一化层负责 将第二层模糊化后的数据进行去模糊化处理。输出 层显示网络输出，由具体问题决定，本文以ＶＣＭ 转化速率作为输出，故输出层节点个数为１。确定 了【）＿ＦＮＮ软测量模型的输入和输出之后，采用基 于ＥＫＦ参数调整方法建立Ｄ—ＦＮＮ软测量模型。 ３．３基于模型迁移的软测量模型重构 ＰＶＣ聚合过程是典型的间歇式生产过程，每 釜之间反应过程本质是一致的，但由于工况不同而 有所区别。因此，本文采用Ｌｕ等口 提出的基于过 程相似性的模型迁移建模方法对软测量模型进行校 正，即在已经建立好的基模型上利用较少的新数据 开发与其相似过程的新模型，其基本原理如图４ 所示。 本文利用输入输出偏差修正（ＩＯＳＢＣ）方法进 行迁移建模 ，其基本原理如图５所示。 假设原始的软测量模型为 Ｙｂ 。 一，（ｘｈ 。 ） （２３） 式中ｘ 和ｙ 是原模型的输入和输出。 单独经过输出空问迁移和规划获得新模型 Ｙ…一ＳｏＹｂ ＋Ｂｏ—Ｓｏｆ（Ｘｂ一）＋Ｂｏ （２４） 式中 ｓ。和Ｂ。代表原模型输出空间上的尺度因子 图４基于过程相似性的模型迁移建模方法 Ｆｉｇ．４ Ｍｏｄｅｌ ｍｉｇｒａｔｉｏｎ ｍｏｄｅｌｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｐｒｏｃｅｓｓ ｓｉｍｉｌａｒｉｔｙ 图５ ＩＯＳＢＣ迁移建模原理 Ｆｉｇ．５ ＩＯＳＢＣ ｍｉｇｒａｔｉｏｎ ｍｏｄｅｌｉｎｇ ｐｒｉｎｃｉｐｌｅ 与偏移参数。然后，对输入空间进行偏移与修正， 新模型的输入ｘ…可以由原模型输入ｘ 通过输入 偏移修正（ＩＳＢＣ）获得。 Ｘ ＝ＳＩ Ｘ ＋ＢＩ （２５） 式中ｓ 和ＢＩ表示输入空间的尺度因子与偏移参 数。所以，新模型由输入输出偏移修正（ＩＯＳＢＣ） 原模型获得。 Ｙ…一Ｓｏｆ（ＳＩＸｎ ＋ＢＩ）＋Ｂ０ （２６） 新模型的数据可以用来训练修正参数 ＭｉｎＪ（Ｓ０，Ｂ０，ＳＩ，ＢＩ）一ｅｅ ｓ．ｔ． ｅ 一Ｙ 一Ｅｓ０ｆ（ｓＩ Ｘｎ… ＋ＢＩ）＋Ｂｏ］ （２７） 式中Ｙ 是新过程的第ｉ个观察数据，ｅ代表新过 程的测量值与新模型之间的预测误差。应该表明的 是，所有识别的修正和规划参数的维数大小是由输 入输出空间维数确定的。 ４ 实验结果及分析 本文以某化工厂４万吨／年ＰＶＣ生产装置的聚 合工序为背景，它是由美国古德里奇（ＢＦＧ）公司 引进的技术，以ＶＣＭ为原料，采用悬浮法聚合工 艺生产ＰＶＣ树脂。基于Ｄ－ＦＮＮ算法建立了ＰＶＣ 生产过程中ＶＣＭ转化速率的软测量模型。收集 ＰＶＣ聚合过程部分生产历史数据，选出具有均匀 性和代表性的２釜共６４０组历史数据。然后把数据 预处理后的数据分为两部分，前５００组数据作为训 练数据，后１４０组数据作为本实验的测试数据。 ・２ｊ６８・ 化工学报 第６３卷 ｉｎｐｕｔ ｓａｍｐｌｅｓ 图６模糊规则 Ｆｉｇ．６ Ｆｕｚｚｙ ｒｕｌｅｓ ８ 旦 舌 舀 占 ８ ｏ ｏ ｏ ｏ ｉｎｐｕｔ ｓａｍｐｌｅｓ ４ ３ ２ １ Ｏ加 ●２ ３ ４ ５ ｆａ１ Ｄ’ＦＮＮ ｐｒｅｄｉｃｔｉｖｅ ｏｕｔｐｕｔ ｂａｓｅｄ ｏｎ ＥＫＦ 南 ｇ 旦 善 琶 暑 ｉｎｐｕｔ ｓａｍｐｌｅｓ （ｂ）Ｄ—ＦＮＮ ｐｒｅｄｉｃｔｉｖｅ ｏｕｔｐｕｔ ｂａｓｅｄ ｏｎ ＬＬＳ ｍｐｕｔ ｓａｍｐｌｅｓ （ｃ）Ｄ—ＦＮＮ ｐｒｅｄｉｃｔｉｖｅ ｏｕｔｐｕｔ ｂａｓｅｄ ｏｎ ＫＦ 图７ ＶＣＭ转化速率的预测输出 Ｆｉｇ．７ Ｐｒｅｄｉｃｔｉｖｅ ｏｕｔｐｕｔｓ ｏｆ ＶＣＭ ｃｏｎｖｅｒｓｉｏｎ ｖｅｌｏｃｉｔｙ １４０组测试数据中前１００组来自同一个聚合釜聚合 过程，后４０组来自新的聚合过程，用来对模型迁 ６ 号 善 暑 旨 ｉｎｐｕｔ ｓａｍｐｌｅｓ 图８ ＶＣＭ转化速率的预测误差 Ｆｉｇ．８ Ｐｒｅｄｉｃｔｉｖｅ ｅｒｒｏｒ ｏｆ ＶＣＭ ｃｏｎｖｅｎｔｉｏｎ ｖｅｌｏｃｉｔｙ 移方法进行验证。 图６是３种方法产生的模糊规则数， 图７（ａ）～（ｃ）分别是基于ＬＬＳ、ＫＦ和ＥＫＦ参数 调节方法的Ｄ－ＦＮＮ软测量模型的预测输出与实际 输出的比较，图８是３种模型的预测输出误差。 从以上仿真结果可以看出，３种参数调节方法 下的Ｄ－ＦＮＮ软测量模型的预测精度都非常高，其 中基于ＥＫＦ的Ｄ－ＦＮＮ软测量模型预测误差最小， 最适合用于聚合过程ＶＣＭ转化速率的预测。从图 ８可以明显看出聚合过程发生变化时，即在新的一 釜聚合数据预测时，预测误差比之前的要大一些， 但是在基于模型迁移思想实现软测量模型的在线自 适应校正的情况下，也得到更为准确的预测结果。 总体来说，动态模糊神经网络的学习速度较快，泛 化能力和鲁棒性都较好，具有广泛的应用价值。 ５ 结 论 采用Ｄ—ＦＮＮ建立了ＰＶＣ聚合生产过程中的 氯乙烯转化速率的软测量模型，并基于模型迁移思 想实现了ＰＶＣ聚合生产过程这种典型间歇式复杂 工业过程关键技术指标软测量模型的在线自适应校 正及软测量模型的重构。仿真结果表明该模型能够 显著提高ＰＶＣ聚合过程中经济技术指标的预测精 度，可以满足聚合釜生产过程的实时控制要求。 ＲｅｆｅＦｅｎｃｅｓ ［１］ Ｇａｏ Ｓｈｕｚｈｉ（高淑芝），Ｇａｏ Ｘｉａｎｗｅｎ（高宪文），Ｗａｎｇ Ｊｉｅｓｈｅｎｇ（王介生）．Ｓｏｆｔ—ｓｅｎｓｏｒ ｍｏｄｅｌｉｎｇ ｏｆ ｐｏｌｙｍｅｒｉｚｉｎｇ ｐｒｏｃｅｓｓ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ Ｔ—Ｓ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚｅｄ ｗｉｔｈ ｈａｒｍｏｎｙ ｓｅａｒｃｈ ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｉｎｓｔｒｕｍｅｎｔ（仪器仪表学报），２０１１，３２（３）：４９５— ５００ ［２］ Ｗｕ Ｓｈｉｑｉａｎ（伍世虔），Ｘｕ Ｊｕｎ（徐军）．Ｄｙｎａｍｉｃ Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ－－Ｄｅｓｉｇｎ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ（动态模糊神经网 络——设计与应用）［Ｍ］．ＢｅＯｉｎｇ：Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ 第７期 王介生等：基于Ｄ－ＦＮＮ的聚合过程转化速率软测量建模及重构 ・２ｊ６９・ Ｐｒｅｓｓ，２００８：２７—３５ －Ｉ３］ Ｗｕ Ｓ Ｑ，Ｍｅｎｇ Ｊｏｏ Ｅｒ．Ｄｙｎａｍｉｃ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ－－ａ ｎｏｖｅｌ ａｐｐｒｏａｃｈ ｔｏ ｆｕｎｃｔｉｏｎ ａｐｐｒｏｘｉｍａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，Ｐａｒｔ Ｂ： Ｃｙｂｅｒｎｅｔｉｃｓ，２０００，３０（２）：３５８ ３６４ Ｅ４］ Ｆａａ—Ｊｅｎｇ Ｌｉｎ，Ｃｈｉｈ—Ｈｏｎｇ Ｌｉｎ，Ｐｏ—Ｈｕｎｇ Ｓｈｅｎ．Ｓｅｌｆ－ ｃｏｎｓｔｒｕｃｔｉｎｇ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｓｐｅｅｄ ｃｏｎｔｒｏｌｌｅｒ ｆｏｒ ｐｅｒｍａｎｅｎｔ—ｍａｇｎｅｔ ｓｙｎｃｈｒｏｎｏｕｓ ｍｏｔｏｒ ｄｒｉｖｅ［Ｊ］．Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，２００１，９ （５）：７５１－７５９ Ｅｓ］ Ｌｉｕ Ｒｕｉｌａｎ（刘瑞兰），Ｓｕ Ｈｏｎｇｙｅ（苏宏业），Ｃｈｕ Ｊｉａｎ （褚健）．Ａ ｓｏｆｔ ｓｅｎｓｏｒ ｍｏｄｅｌｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｍｏｄｉｆｉｅｄ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］．ｈｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ（信息与控制），２００３，３２（４）：３６７—３７０ ［６］ Ｃｈｅｎ Ｇｕｏｃｈｕ（陈国初），Ｘｕ Ｙｕｆａ（徐余法），Ｙｕ Ｊｉｎｓｈｏｕ （俞金寿）．Ｓｏｆｔ ｓｅｎｓｏｒ ｍｏｄｅｌｌｉｎｇ ｏｆ ａｃｒｙｌｏｎｉｔｒｉｌｅ ｙｉｅｌｄ ｂａｓｅｄ ｏｎ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍ Ｓｉｍｕｌａｔｉｏｎ（系统仿真学报），２００７，１９ （２３）：５３７０—５３７２ ［７］ Ｍａ Ｙｏｎｇ（马勇），Ｈｕａｎｇ Ｄｅｘｉａｎ（黄德先），Ｊｉｎ Ｙｉｈｕｉ（金 以慧）．Ｄｉｓｃｕｓｓｉｏｎ ａｂｏｕｔ ｄｙｎａｍｉｃ ｓｏｆｔ—ｓｅｎｓｉｎｇ ｍｏｄｅｌｉｎｇ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ （Ｃｈｉｎａ）（化工学报），２００５，５６（８）：１５１６ １５１９Ｏ Ｅ８３ ＩＡ Ｘｉｕｌｉａｎｇ（李修亮），Ｓｕ Ｈｏｎｇｙｅ（苏宏业），Ｃｈｕ Ｊｉａｎ（褚 健）．Ｍｕｌｔｉｐｌｅ ｍｏｄｅｌｓ ｓｏｆｔ—ｓｅｎｓｉｎｇ ｔｅｃｈｎｉｑｕｅ ｂａｓｅｄ ｏｎ ｏｎｌｉｎｅ ｃｌｕｓｔｅｒｉｎｇ ａｒｉｔｈｍｅｔｉｃ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ（Ｃｈｉｎａ）（化工学报），２００７，ｓ８（ｕ）： Ｚ８３４一Ｚ８３９ Ｅｇ］ Ｋａｓａｂｏｖ Ｎ Ｋ， Ｑｕｎ Ｓｏｎｇ．ＤＥＮＦＩＳ：ｄｙｎａｍｉｃ ｅｖｏｌｖｉｎｇ ｎｅｕｒａｌ—ｆｕｚｚｙ ｉｎｆｅｒｅｎｃｅ ｓｙｓｔｅｍ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｆｏｒ ｔｉｍｅ ｓｅｒｉｅｓ ｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，２００２，１０（２）：１４４—１５４ ［１０］ Ｃｈｉａ—Ｆｅｎｇ Ｊｕａｎｇ．Ａ ＴＳＫ—ｔｙｐｅ ｒｅｃｕｒｒｅｎｔ ｆｕｚｚｙ ｎｅｔｗｏｒｋ ｆｏｒ ｄｙｎａｍｉｃ ｓｙｓｔｅｍｓ ｐｒｏｃｅｓｓｉｎｇ ｂｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ， ２００２，１０（２）：１５５ １７Ｏ ［１１］ Ｗｕ Ｓ Ｑ，Ｍｅｎｇ Ｊｏｏ Ｅｒ．Ｇａｏ Ｙ．Ａ ｆａｓｔ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｉｃ ｇｅｎｅｒａｔｉｏｎ ｏｆ ｆｕｚｚｙ ｒｕｌｅｓ ｂｙ ｇｅｎｅｒａｌｉｚｅｄ ｄｙｎａｍｉｃ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，２００１，９（４）：５７８—５９４ ［１２］ Ｇａｏ Ｌ Ｊ，Ｃｈｕａ Ｋ Ｓ，Ｃｈｏｎｇ Ｗ Ｋ，ｅｔ ａ１．Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ＰＣＡ，ＫＰＣＡ ａｎｄ ＩＣＡ ｆｏｒ ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｒｅｄｕｃｔｉｏｎ ｉｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００３，５５ （１／２）：３２ｌ一３３６ ［１３］ Ｊｏｎｇ—Ｍｉｎ Ｌｅｅ，ＣｈａｎｇＫｙｏｏ Ｙｏｏ，Ｓａｎｇ Ｗｏｏｋ Ｃｈｏｉ，ｅｔ ａ１． Ｎｏｎｌｉｎｅａｒ ｐｒｏｃｅｓｓ ｍｏｎｉｔｏｒｉｎｇ ｕｓｉｎｇ ｋｅｒｎｅｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ［Ｊ］．Ｃｈｅｍｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅ， ２００４，５９（１）：２２３－２３４ ［１４］ Ｌｕ Ｊ Ｄ，Ｇａｏ Ｆ Ｒ．Ｐｒｏｃｅｓｓ ｍｏｄｅｌｉｎｇ ｂａｓｅｄ ｏｎ ｐｒｏｃｅｓｓ ｓｉｍｉｌａｒｉｔｙ［Ｊ］．Ｉｎｄｕｓｔｒｉａｌ＆Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｈｅｍｉｓｔｒｙ Ｒｅｓｅａｒｃｈ，２００８，４７（６３）：１９６７—１９７４ ［１５］ Ｌｕ Ｊ Ｄ，Ｙａｏ Ｋ，Ｇａｏ Ｆ Ｒ．Ｐｒｏｃｅｓｓ ｓｉｍｉｌａｒｉｔｙ ａｎｄ ｄｅｖｅｌｏｐｉｎｇ ｎｅｗ ｐｒｏｃｅｓｓ ｍｏｄｅｌｓ ｔｈｒｏｕｇｈ ｍｉｇｒａｔｉｏｎ［Ｊ］．ＡＩＣｈＥ Ｊｏｕｒｎａｌ，２００９，Ｓ５（９）：２３１８－２３２８