连续反应釜中化学成分的软测量方法设计与实现

页共27页1引言1.1课题背景过程系统的控制，性能优越的模型往往直接影响其仿真质量。近些年随着市场竞争趋于白热化，中央与地方政府不断提高环保的要求，倒逼企业通过现有资源的优化配置全面提升经济效益，此举无疑对控制过程提出更高的要求，无形中也让建模的难度不断上升，特别是变化频率较大、强非线性的元素，如针对连续釜下化工中含有大量化学参数，以此建立的模型难度居高不下。过程控制在工业发展中占据不可忽视的作用，现代工业对于过程控制的重视程度不言而喻，在实际生产中，更重视控制指标的快速跟踪和平稳控制，并实现控制过程可视化。但需要注意的是，部分与化工产品质量存在紧密关联性的关键参数，出于现有化工技术或多种客观因素的影响，导致无法利用传感器轻松获取，出现了软测量技术。软测量不但能够有效解决工程上部分参数无法保证精确度现象，也能够针对硬件方法检测所得参数进行调整和校正。高性能的测量软件能够有效降低整体设备的使用成本，对于推动我国工业控制系统起到至关重要的意义。1.2国内外研究现状软测量作为过程系数工程中重要的分支领域。其融合了化学工程、信息技术、系统工程等多门学科的技术。过程系统旨在将被处理从物理检测、能量传输展开全面研究的学科，过程系统工程的基础核心功能是通过对过程系统进行合理组织、制订计划、全程控制，其主旨在于从全局角度保证技术性能和成本支出达到最优解。软测量可以理解为对单元设备和多流程组成的数据进行全面分析和测量，结合各程序的运行特点确定参数，是过程控制不可或缺的关键流程。从上世纪70年代起，Brosillow等学者在研究中首次提出软测量的概念；基于对结构简单的变量进行测量，从而推导出结构复杂的变量关系，主要包括产品质量、主导变量等，并在此基础上有效规避各项因素的干扰。软测量不仅可以对主导变量进行分析和估算，也能够对过程特征的参数进行系统化分析和测量。时至今日，软测量技术在多个领域得到广泛应用，其中包括工程过程的控制、监测、诊断等环节，都能看到软测量技术的身影。学者McAvoy在研究认为软测量将在未来的控制领域发挥重要作用，并预测了未来的研究方向，由此可见软测量技术具备广阔的发展空间。关于构建软测量模型的方法呈现多元化发展，上述方法基本都可以归类为两种。一种是依据模型搭建模型，此类方法在业界也被称为机理模型建模。该建模方法的底层逻辑是围绕生产过程的内部运作结构展开展开的，针对生产采用的物理规律或化学元素作为构建模型的基础，所以此类建模方法通常在生产流程简单的化工企业出现。2004年，吕文祥等人在研究中旨在彻底解决石油化工生产阶段采用的研究模型软测量范围不大、无法反映各类物料性质的问题，将统计建模与机理分析两种方法有机结合。2006年，AijäläG等人的研究是基于为过程控制提供有效理论基础，针对大型自动化污水处理厂展开流量控制实验，该研究采用软测量和仪表等设备和方法，并以此构建针对化工企业生产流程的模块化流量控制系统，在此基础上针对水处理中各个流程构建模块。2010年，徐文艳等人在研究中围绕化工生产阶段产品质量无法准确把控的问题，通过软测量方法和机理建模相结合，通过日常的测量仪表反映出某工厂的聚醋酸乙烯浓度[3]。2017年，俞灵杰等人的研究目标聚焦某甲醇合成塔的狼群算法改良过程，该研究对甲醇合成过程的反应机理展开多维度、深层次分析和研究，并在此基础上构建软测量机理模型。不过在研究中受到生产过程发展过快的因素影响，建立在机理模型建模基础上的研究难度较大，此外，运用机理模型对某生产过程中的参数进行测量同样成效同样不显著。另一种方法主要通过数据驱动模型的方式建模，此类算法多种多样，其中广泛应用的方法是深度学习算法、人工神经网络、回归分析法等。2016年SaeidS等人在研究中研制出旨在有效优化和校正数据的方法，该方法能够与向量回归技术兼容，利用该方法对油气加氢脱硫处理产品硫含量。[5]。2016年，袁小锋等人在研究中加入时间差分模型算法，并通过局部加权自适应软测量的方法对生产过程中软测量模型受到变量影响而造成性能下降的问题，通过研究论证该算法的可行性。[6]。2019年，赵超旨在解决催化重整生产过程中芳烃产量软测量建模中存在的误差构建模型，提出的可行性较强的自适应加权最小二乘法向量机的回归模型方法，从实验结果验证其研究模型的精准度符合预期要求。2020年，GeertH等人在研究中通过PLS路径建模的方法对过程控制系统展开深入研究和分析，针对相同阶段的多批次数据模型参数展开横向和纵向对比，并引入软测量传感器。[8]。2020年，DianeO等人在研究中利用外源非线性回归模型和FCM相结合的方式开发新型算法，该算法适用于对硅元素和铁水温度的软测量模型传感器。从研究结果反映该算法对于构建软测量模型起到较为理想的作用[9]。1.3本论文的研究内容与方法本文以连续反应釜（CSTR）为基础，来进行软测量建模，以软测量技术的视角出发，针对其反映阶段涉及的各类参数进行多维度、深层次的研究和探索，目前关于软测量技术逐步发展壮大，衍生出多种研究方法，这些方法各有优缺点，考虑到以连续反应釜的反应过程为实验系统背景，要求对学学习方法小样，过学习，局部最优，泛化能力等实际问题的解决，采用了人工神经网络中的RBF神经网络来进行软测量建模。通过训练不同参数下的网络模型用判定系数和均方误差作为判断标准来实现最优模型的设计，并能通过训练出来的最优模型进行产品输出流物料浓度Ca2连续反应釜软测量建模的理论基础2.1软测量技术的基本理论2.1.1软测量技术基本概述工业生产最终目的是得到符合市场需求的合格产品，为了在生产中把控质量，必须针对产品质量相关的各个环节变量展开严格把控。不过在当前的企业生产阶段，不少变量往往存在难以测量的现象，即便能够测量，但由于测量成本过高，导致在生产阶段的质量变量把控不严。不少变量是产品生产阶段受到管理层高度重视的参数。基于此，催生了软测量技术。软测量技术可以理解为将利用软件的方式取代仪表的作用，针对便于测试的变量进行测试，这部分数据可作为辅助变量，根据既定规律和准则构建模型展开运算，进而对部分测量难度较大的变量进行计算和预测。一般情况下，软测量需要建立在硬件传感系统较为成熟的基础上，其与计算机计算相辅相成，利用构建模型的方式对相关变量进行处理和计算，从而估算出关键变量参数。该技术在多个领域得到广泛应用，其能对测量难度较大的参数进行推算和预测；可将多个难以测量的参数信息进行融合与对比，进而对其展开多维度分析和研究，符合现代化工业发展对测量参数要求不断提高的要求；可针对测量软件系统采取故障诊断和误差补偿，以此有效提升测量的精准度和可用性；可对测量系统动态性能进行修正和完善；可针对目前难以测量的故障信息进行推算和预测，便于工业生产中制定质量控制策略。软测量模型的主要结构图如2.1所示，下图x表示被估算变量集合，v1代表难以测量的变量，v2代表能够测量变量，u代表输入控制目标，y代表可测目标的变量。图2.1连续反应釜的结构由以上结构可得软测量数学动态表述为： x=f(v2，u，y，在此过程中，用函数f代表动态软测量模型，其不但准确反映被测量目标x和输入u以及能够被测量变量v2之间的关系，同时还能反映被测量x和可测输出y间的关系，并用x*表示软测量模型的优化和校正。通常情况下，该模型具有显著的非线性特征，但在实际运用中，工作点附近f(v2，u，y，x*，t)往往呈现线性特征，在研究中可将其视为稳定线性软测量模型，此举能够有效提升参数估算的时效性和便捷性.在过程控制和优化中软测量应用范围较为比较广泛，推断控制受到的关注最多，软测量是控制系统中用于估算和反馈的方法，其需要和各种控制方法、控制设备共同使用，为它们提供高效准确的数据反馈，这就是推断控制的原理。此外，软测量同样可应用在对传感器故障诊断方面。如果构建软测量模型的数据准确无误，当软测量估计值和传感器测量值误差大于一定限度时，通常认为传感器出现不同程度的故障，并将估计值作为主要的重构基础数值。利用该技术估算的数值能够准确反映系统运行状态，通过微机能够实现线上调整和优化的操作，如生产过程涉及的工艺流程图、故障警报图等，促进工业生产过程中的可视化技术。软测量技术能够有效解决复杂程度较高的参数和变量关系问题，同时具备高精准度的特点，是如今生产过程中有效把控质量和成本投入的重要方法。软测量技术如今在冶金、化工、食品等领域广泛应用，特别在化工生产过程中，对生产过程中的质量把控起到重要的作用，针对软测量展开研究的深度和广度也在不断深化，研究成果显著，其对工业过程控制和分析发挥关键的积极作用。2.1.2软测量模型的性能因素软测量模型性能优劣往往受到多项影响的综合影响，其中涵盖主导变量和辅助变量的选取，甚至建模方法的不同对其也会造成不同程度的影响。（1）选择辅助变量的科学合理性对于构建软测量模型起到至关重要的作用，通常辅助变量涵盖数量、监测点、变量种类等。必须保证辅助变量在测量阶段的易得性，通常情况下，选择辅助变量需要从工艺机理的角度出发，在便于测量的变量关系中筛选出和主导变量存在紧密联系的变量，在此基础上针对这部分变量的特性、兼容性、灵敏程度、精确度等选择最终的辅助变量。值得注意的是，辅助变量的选择并非越多越好，一旦辅助变量过多，极易造成后期计算难度的增加。辅助变量的数量必须大于主导变量，才能在后续构建模型中有充足的数据参数提供支持。在此过程中，自由度测量噪声和未知性等因素对其最佳数目产生一定程度的影响。测量点位置的选择需要考虑测量目标、工艺机理、测量目标特征等因素的影响。通常辅助变量的位置和数量的确定往往同时进行，此外辅助变量的选择数目是基于监测点位置而定的。辅助变量的选择过程中，上述三方面对其产生影响。在实际应用过程中，还会受到维护难度、经济成本等因素的影响。选择辅助变量通常需要和统计分析进行有机融合，通常在软测量模型性能和复杂模型之间寻求平衡点，比较常规的方法是函数主元分析法、主成分分析法等。（2）数据预处理对于软测量的实施起到至关重要的作用，其往往受到仪表精确度、测量环境优劣等方面的影响，甚至直接影响软测量的最终结果，软测量模型通常需要对数据的处理获得结果，因此对数据的有效性和精确性要求较高，这也是软测量模型构建的先决条件。通常软测量计算方法可分为数据测量和测量误差处理两大部分。（3）主导变量和辅助变量的匹配程度指的是必须明确知晓主导变量对辅助变量产生的滞后关系。由于在实际测量中，存在诸多因素的影响，导致在工业生产中的测量精确度无法把控。基于此，为了最大限度规避各类因素的影响，提升变量估算的精确度，在构建模型过程中应当对不同变量关系的滞后情况纳入考量范围，通常主导变量对辅助变量产生的滞后影响可细分为容量滞后和传输滞后两种类型。在具体建模阶段，必须对两者的时序进行匹配，从而明确梳理两者的对应关系。在实际使用阶段，主导变量的数值需要工作人员分析，数据采用同样存在一定程度的延迟，因此将这部分延迟现象统称为分析滞后。针对主导变量数值校正过程中，需要将分析滞后的因素考虑在内，通常这部分滞后因素处于固定状态，理想人工分析一般以定时采样为主，所以能够快速确定分析滞后。（4）在选择辅助变量和数据采集等流程结束后，需要选择相应的建模方法，不同方法的适用范围存在差异，所以在选择的建模方法时需要依据选择目标来确定。较为科学合理的方法是建模过程中选择若干种方式构建数据模型，在此基础上从建模耗时、复杂度、模型数据精确度等方面综合考虑，选择科学合理的模型。通常情况下，求值系统建模方法大致分为两种，分别为理论分析建模和数据输入建模。软测量的建模方法多种多样，且不同方法存在相互交叉的现象，甚至存在一定程度的融合。主要方法除了有机理建模、基于模糊数学的软测量和基于回归模型的建模之外，还囊括了混合建模、基于人工神经网络的软测量和基于支持向量机的软测量等。其中，人工神经网络方法是目前备受关注的建模方法，其具备较高的性能，如果在建模过程中，无须加入机理模型，其能够有效解决实际生产过程中的建模数据和数据校正等难题。针对部分建模机理无法明确且非线性的系统，一般通过人工神经网络的方式构建研究模型；在此过程中需要将便于测量的辅助变量作为数据输入，并将主导变量作为神经网络输出，在此基础上结合历史数据展开练习，以此作为有效解决主导变量软测量的有效方法，在此基础上，得到软测量的估算模型。神经网络建模方法可以理解为通过非线性函数逼近展开数据建模的方法，目前应用较为广泛的方法有BP结构网络以及RBF神经网络。本文选择的软测量建模方法就是基于人工神经网络进行软测量。2.2连续反应釜的原理2.2.1连续反应釜基本概述生物制药化学、石油等领域中，时常通过化学反应作为主要设备，此举对生产质量把控和生产效率造成不同程度的影响。化学反应的种类多种多样，反应类型存在差异性，参与反应的物料形态各不相同，最终得出的反应存存在较大差别，具体操作方式差异性较大。基于此，对化工生产反应器的形态产生的影响多种多样。根据反应物料的聚集情况可大致划分为非均相、均相反应两种出料情况，同时也可划分为连续式、间歇式、半间歇式几种方式。连续式反应器是目前应有范围最广的方式。为了确保反映的正常运行，需要对连续反应器的稳定性、温度、相关参数、压力等情况进行明确，基于此，一般使用定值的方法进行控制。此外，可基于反应器传热方式划分为非绝热和绝热两种反应结构。结构上的釜式反应器在现代工业生产中发挥极为关键的作用。其能够和各类元素产生反应，如液体与固体、气体与液体等方面的反应。主要的操作方式可划分为间歇式和连续式两种类型。反应釜内部通常设置自动搅拌装置，能够对其中的物料进行充分搅拌，确保其正常运行。在不少工业生产过程中，连续搅拌反应釜在多个领域广泛应用。比如在采用青霉素的合成过程中，菌体的反应速度较快，在生成阶段往往需要消耗大量溶解氧确保足够的浓度，为后续的菌体生产奠定基础，因此控制浓度在控制过程系统中起到至关重要的作用。不仅如此，不少工厂生产过程中，还会受到浓度、温度、压力等方面的影响。基于此，针对上述各变量的测量和控制，在学术领域和工业生产中占据重要地位。连续搅拌反应釜的主体是反应釜体，它是反应釜质量保证的基础，不同反应对于反应釜体材质要求不同，因此在实际生产中要选择合适材质组成的反应釜。为了让反应更加充分还要在反应釜上加搅拌器，搅拌器也是反应釜必不可缺少的组成部分。反应釜体有两个物料进出口，釜体上方的是物料进口，下方的是物料出口。在两个进物料口都安装有调节阀用来控制物料的流速。在釜体外围安装一层冷却水夹套，左右两侧分别为冷却水进出口，在冷却水进出口也安装有调节阀控制冷却水流速。整个反应过程可以看成是放热反应，进行A→B的不可逆变化。因为大多数化学反应都为放热过程，随着反应的剧烈程度变化容器内的温度也会有所变化，这对反应过程是不利的，将影响产品的质量，所以要在反应过程中控制釜体内的温度，使反应温度满足产品质量的要求。冷却水夹套的作用就是控制反应过程中的温度，用以达到降温的目的，在实际操作中一般调节夹套层的冷却水流速来实现控制温度的功能。物料通过釜体上方的进物料口连续不断地输入反应容器内，当反应完成后通过釜体下方的出物料口得到产品。通过搅拌器的搅拌使反应更加迅速、充分，确保温度控制比较均匀，使整个反应容器内的温度大体一致，让反应顺利的进行。其结构图如图2.2所示。在连续反应釜长内所进行的反应过程可归属到非线性类型，虽然在学术领域上关于控制理论的研究成效较为理想，但与本次研究的系统并不兼容，基于此，学者对非线性控制展开多维度、深层次的分析和研究，并以此为基础提出多种类型的控制器设计，在此基础上的建模研究同样基于控制研究的基础上展开，研究人员基于各类非线性系统模型研究的前提下，伴随着建模技术的全面发展，开发出大量创新的建模方式，如小波神经网络、模糊神经网络等建模方式。图2.2连续反应釜的结构2.2.2连续反应釜生产过程描述以非恒温连续反应釜系统为仿真对象，在反应釜体内的反应是放热反应，实现A→B的不可逆变化。非恒温连续反应釜系统要求物料流入的速率是可控且稳定，在反应完成后物料流出的速率也要可控且稳定。物料的流速决定了反应的速率和反应容器内的温度，这对产品的质量有至关重要的影响。我们可以把这个系统看成三个部分：物料通道组成的供给部分、反应生成物通道组成的产品部分和冷却水通道组成的冷却部分。其反应过程可以看成是一阶系统，可以由如下微分方程构成： d​Cadt=FV ρCPVdT连续反应釜仿真系统结构如图2.3所示。该仿真系统的输入变量主要有6个，分别为冷却水输入温度(TC)和流速(FC)，输入流物料浓度(Ca0)、输入流流速(F0)和输入流温度(T0)，产品输入流产品流速(F)；输出变量主要有4个，分别为冷却水输出温度(TCl图2.3连续反应釜仿真系统结构图

3RBF神经网络介绍连续搅拌反应釜作为一种具有典型代表性的非线性系统，基于多元化非线性系统模型的基础上展开。人工神经网络的发展为该方面的研究奠定良好的基础，本章节围绕非线性预备神经网络知识展开深入分析和研究，在对连续反应釜浓参数进行研究和分析的基础上，提出切实可行的改善措施和方法。本次研究是建立在RBF神经网络的基础上展开的。在软测量中引入神经网络的优势在于无须对机理知识进行深入研究和了解，只需依据过程中所需的数据参数输入即可。其次，基于神经网络中采用分布的方法，能够有效提升运行速度，且具备较强的容错率。BP神经网络作为目前应用范围较广的算法，在实际训练过程中的耗时较长，且存在诸多缺陷，学习RBF神经网络的成本较低，且具备较高的学习效率，所以具备良好的应用。3.1人工神经网络简介在上世纪40年代初，心理学家McCulloch和Pitts在研究中提出关于人工神经网络的研究模型，也由此开启了神经科学研究的新篇章。上世纪40年年代初期，由心理学家Hebb在研究中首次提出关于神经元突触强度的优化和调整。上世纪50年代末，Rosenblatt在研究中首次提出感知机模型，并以此为基础将自主学习的概念引入其中，智能系统和自主学习概念的结合成为首个人工神经网络模型通常由阀值决定，并以此为基础提出并行处理分布的相关特征。上世纪60年代末，Minsky和Papert创立了人工智能的著作，该书提出了神经网络的理论为当时的学术领域提出了新思维和概念。上世纪80年代初，Hopfield在研究首次提出以其命名的研究模型，并将能量函数的概念引入其中，在此基础上对网络的稳定性进行判定，也开启了神经网络研究的新篇章。上世纪80年代中期，Rumelhart和McClelland在研究中发表相关著作，在研究中首次提出多层前向网络反向传播算法，对于误差反传算法的发展起到至关重要的作用。在对神经元的深入研究和了解过程中，多种学习规则和算法陆续出现，双向异联记忆网络、BPNN、CMAC等方法不断涌现。ANN作为一种难度较低的非线性处理单元，利用多维度的连接分布方式对非线性动力系统进行处理，并通过具有独特性质的非传统方式呈现出来，其本身独特的性能和推理能力受到使用者的认可与青睐，其和传统控制方法进行有机融合。神经网络的结构种类多种多样，主要类型以反馈网络和前向网络为主。通常情况下，软测量大多应用于层前向网络，其中RBF神经网络和BP神经网络的应用范围最广，此外，还有多种改进模式，此类模式主要基于上述集中网络展开的。BP网络算法主要根据梯度算法，合理利用多层前向网络结构的特点，确保各层算法保持并行状态，其算法相对更为成熟和完善，目前已有多种商用软件投入市场；RBF网络主要以差值法的方式展开研究，其特点在于充分利用前馈结构，两种网络都存在不同程度的相似性，且呈现明显的优点和缺点。从理论层面分析，两种网络同样可以采用具备一定精度的非线性函数运行。不过受到不同激励函数的影响，两者的逼近性能存在一定差异。Poggio和Girosi在研究中已经验证了RBF网络是连续函数的最佳逼近，但BP网络不是。BP网络运用的Sigmoid函数具备全局特点，其输入的数值的各个节点对输出值造成不同程度的影响。在此基础上，激励函数在输入过程中往往存在一定重叠现象，因此产生相互影响。基于此，BP网络训练时间相对较长。不仅如此，受到BP网络算法特征的影响，该网络极易存在局部过小的问题，该缺陷是客观存在，此外，BP网络隐性节点数目的确定很多时候受到不同经验和做法相关，无法获得最优网络。RBF网络主要采用局部激励函数，其能够有效剔除以上缺陷，该网络不但具备理想的泛化能力，同时只有少数几个节点具有非零激励值，所以只需要改变少量的节点和权值即可。相较于BP算法，RBF算法的学习速度和效率更高，能够与新数据兼容，同时能够在训练过程中明确隐性节点数目，此外该网络的收敛速度稳定性更强，能够从中得到最优解。因此本次研究选择RBF网络作为基础展开连续反应釜中物质浓度的建模。3.2RBF神经网络结构上世纪90年代，由Moody和Darken在研究中开发径向基函数网络，该网络主要建立在函数逼近理论的基础上展开，如同在不同维度空间探究符合训练的数据参数。从近些年的研究结果来看，该网络从分类能力、逼近能力、学习速度等维度更为理想。RBF网络通常以三层结构存在，分别为输入层、输出层以及隐含层，可分别用n、k、m代表不同层级的节点。在实际应用过程中，大部分应用目标属于多输入单输出的过程，本次研究在建模过程中同样采取以上输入和输出模式，基于此，以下对MISO结构的RBF网络展开研究和谈论。图3.1中Wij（i=1，2，…n;j=1，2，…，k）代表从输入层到隐含层的权值，业界称之为中心向量，通常可采用Wj y=f(j=1kωjG 图3.1MISO结构的RBF网络示意图其中： Gj=exp⁡(−Ij Ij=x−Wj从以上公式不难发现，σ属于输出层的阀值，Gj代表径向基函数网络的输出值，并利用径向基函数作为隐含层中的函数传递，本次研究涉及的径向基函数普遍以高斯基函数为主可通过两个维度对网络的作用展开研究和分析：（1）将网络视为对未知函数的逼近设备；通常情况下，每一种函数都能够给表示特定函数加权总和，也可以理解为隐层单元的输出函数组成的特定函数进行逼近f(x)（2）在RBF神经网络中以输入层到隐层的基函数输出是一种非线性映射，而输出则是线性的。如此一来，RBF神经网络可视为将非线性函数进行划分之后的不同空间维度，并以此为基础选择空间变换的特定空间，并选择线性单元解决问题。这是具有典型代表性的神经网络中的各项单元权值，其中包含方差、函数中心、输出单元等。例如，可通过训练样本分布的方式就能以此作为复杂问题的代表，依据实现选定的函数分布情况划定M个中心，并确保其间距为d，根据实际情况可选择高斯核函数的方差作为σ=d/sqrt(2∗M)⁡。（2）通过聚类的模式选择基函数，在一定条件下，可通过多种聚类模式作为函数的中心，不同样本的方差函数作为每个基函数的宽度参考单位。选择3.3RBF神经网络训练方法RBF学习算法主要有以下几种:（1）DPoggio方法;（2）Moddy-Darken方法.（3）局部学习法，此类算法无须确定函数中心，也不需要实现确定网络中的隐含单元数量，计算难度相对较小。其不足之处在于计算过程中往往存在诸多优化问题，对求解难度造成一定影响。（4）交最小二乘法（OLS）。(5)聚类与Givens最小二乘联合迭代法，此种方法效果比较理想，不过运算内容较多，运算耗时长，并不适合在实际研究和生产中应用；6)部分最小二乘法(PLS)，该算法收敛速度较快，但面对线性问题时处理效果并不理想。Moddy-Darken算法：这种算法隐含层单元少于训练样本。通常可将训练划分为监督和非监督学习两种时期，非监督学习阶段通常以K-mean聚类方法针对相关的样本数据展开聚类操作，从中得出聚类中心Wj及参数σj，在此基础上开展监督学习阶段。在明确聚类中心Wj及参数σ在开展正交最小二乘法过程中，可根据实际情况选择正交优选法，完成优选流程后，得到最佳网络输出权值和隐含层数量。采用OLS算法训练法发现，RBF神经网络目前三层。OLS算法不需要在事先选择节点的数量，其可在学习权值过程中持续选择隐含层神经元。这也是该网络的优势所在，不过该算法依然存在缺陷，主要反映在三个方面。一，正交优选前期的径向基函数数量过多，导致其在计算过程中的数量会快速增加；二，径向基函数中心值无法全面直观反应系统内部的输出与输入的关联性，也会造成输入数据缺乏可靠性，甚至对网络的推广性能造成不同程度的影响。三，正交优选阶段无法对网络权值产生有效的约束作用，一旦权值过大，极易造成网络性能下降。即便如此，OLS算法目前依然是RBF神经网络训练阶段效果最好且训练时长最短的一种，基于此，本次研究选择该算法展开连续反应釜软测量的建模。总体而言，RBF神经网络的性能较为理想，其不但能够实现整体逼近性质，同时能够实现理想的逼近性能。该神经网络结构能够呈现不同权值之间的线性关系，此外该训练方法速度较快，难度较低，上述优势为该网络的广泛应用奠定良好基础。3.4RBF神经网络建模步骤基于特定目标选择RBF神经网络展开建模过程中，通常根据以下步骤实施：(1)采集目标数据。在建模前期，通常需要针对已知目标的输入数据和输出数据进行优化，并以此为基础对该目标的特定进行深入研究和了解，才能为构建模型奠定基础。(2)数据预处理。根据研究目标，明确建模所需的输入节点和输出节点数量，同时对不同变量关系展开对比和分析，将上述数据对应的神经网络形成最终的样本。(3)在样本集合的训练过程中，通过选择学习算法对RBF神经网络进行训练，确保其能够准确获取其特性。(4)通过检验样本得到的网络，应当对其泛化能力展开研究和评价。4连续反应釜软测量建模的相关准备4.1模型主导变量和辅助变量的选取选择辅助变量过程中已经选择了软测量的输入结构，其能够对模型的整体性能造成影响。选择模型输入变量往往受到对过程机理了解程度的影响，在选择初期应当重视“质量”，并以此为基础读辅助变量和主导变量之间的关系展开研究并逐步剔除。通常辅助变量大致分为两类，一类是针对的已知的机理模型数据进行分析和研究，此类辅助变量通常从生产过程中获取，还有一种是根据生产阶段的实际情况选取，主要指的是生产阶段控制系统和工艺机理上产生的测量点选择。前者能够在系统设计过程中选择，其对生产阶段的机理模型依赖性较强，能够对系统最合理的测量点提出指导意见。不过在后期进行软测量模型设计时的作用有限；后者主要根据系统正常运行且性能理想的状态下选择测量点，这种类型与大部分软测量技术兼容。本次研究选择的辅助变量主要通过连续反应釜中的聚合反应机理中筛选，第二节介绍过连续反应釜的基本原理。根据模型选择以下输入变量。进料口流速F0：依据反应模式不同，可采用补料进行二次反应，以及与相关产物合成，因此进料口的流动速度是其中关键的变量；输入流物料浓度Ca0反应体积(V)：其直接体现反应物进料的效率。在此过程中，反应釜中必须时刻保证常压状态，因此不应选择压力作为变量。在反映阶段，搅拌效率对物体产生重要影响，气体、液体、固体三种质量的传递对其中的热量传导产生较大影响，不过在本次实验中需要保证搅拌速度均衡且稳定，所以此处无须考虑。所以确定F0、Ca0、T4.2软测量模型的两个指标为了对仿真模型的精确度和可靠性进行衡量，评估不同算法的性能，以下公式反映了n作为测试数据的样本数量和判定系数R2等评价指标对最终仿真模型的准确度进行评判，对各算法的性能进行评估。以下式中n为测试数据集的样本个数，yi为模型的输出值，yi4.2.1均方误差MSE均方误差作为模型数据中和样本数据之间的差值，其表达式为4.1。 MSE=1n⁡i=1n均方误差能够有效反映平均误差，其中MSE的数值能够反映函数的具体变化情况，其能反映随机变量和估值间的差值。4.2.2判定系数R2判定系数也称为拟合优度，是指最终回归直线对真实值的拟合程度，表达式见式4，2 R2=1−i=1n(判定系数R2主要对最终回归法在实际数据拟合作用进行衡量，由此反映输出变量和输入变量间的关联性。R2

5软测量模型的训练与结果分析5.1RBF神经网络建模的实现过程以F、Cai、Ti、Tc这四个变量作为输入层的四个节点。产品输出流物料浓度Ca为输出层节点，创建RBF神经网络进行训练，如图5.1图5.1RBF神经网络建模过程5.2模型的训练与仿真结果RBF神经网络选用的是matlab中的newrb函数来构建的，newrb函数比newrbe函数训练效果要好，newrbe函数创建神经网络的神经元和样本数量相同，一次性处理数据较大。Newrb函数通过持续扩大隐藏神经元个数以至于符合最终的目标误差，能够有效解决隐含层存在未知性的难题。用matlab中通过simulink建立的连续反应釜的模型的仿真数据中的1000组的数据，用该数据的700组数据作为训练集样本，选用数据的300组数据作为测试集样本。因为数据的精度为0.0001，所以选择误差为0，0001，改变扩展速度和最大神经元个数进行训练。1.改变最大神经元个数训练结果如图5.2所示。图5.2不同最大神经元个数下的预测结果对比图从图5.2中可以得到如表5.1所示结果。表4.1不同最大神经元个数下训练结果的判定系数最大神经元个数判定系数500.262341000.594611500.89332000.92318由图4.2和表4.1训练结果对比可知，当选最大神经元个数为200时，判定系数为0.92318，满足模型的可靠性。2.选用最大神经元个数为200，改变扩展速度分别为0.01、0.1、0.5、1，进行训练，结果如图4.3所示。图5.3不同扩展速度下的预测结果对比图从图5.3中可以看出，扩展速度为0.01时，预测值与真实相比会高于0.17，扩展速度为0.1时，预测值与真实相比会高于0.18，这两种扩展速度太小会使预测值始终高于一个固定数值，导致偏差较大。当扩展速度为0.5时，判定系数为0.84929，偏差较大，也不符合。综合对比，选取预测模型最大神经元个数为200，扩展速度为1进行RBF神经网络的预测建模，最后输入一组10个样本的新数据用该模型进行预测验证，得到如图5.4和图5.5所示结果。 图5.4CA值预测结果对比图图5.5RBF神经网络的误差变化曲线与均方误差图 由图5，4可以看出，RBF神经网络的训练效果较好，判定系数接近于1，产品输出流物料浓度的值基本拟合。由图5.5可以看出，此时的均方误差为0.0000984759，满足建模的精度要求，且从误差变化曲线可以看出，RBF神经网络对于软测量的建模有很好的表现，在精度上的