(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111156323.6 (22)申请日 2021.09.2 2 (71)申请人 宁波大学科学技术学院 地址 315302 浙江省宁波市慈溪市白沙路 街道文蔚路521号宁波大学科学技术 学院 (72)发明人 陈勇旗　陈杨　 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G01D 21/02(2006.01) G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于SFA-GRNN串联模型的脱丁烷塔丁 烷浓度软测量方法 (57)摘要 本发明公开一种基于SFA ‑GRNN串联模型的 脱丁烷塔丁烷浓度软测量方法， 本发 明方法建立 脱丁烷塔底部产品中丁烷浓度的软测量模型时， 首先使用SFA算法将原输入变量对应的数据转换 成具代表 性的输入特征， 在降维的同时也剔除了 诸多噪声信息的干扰影响； 其次， 本发明方法将 降维后的输入特征当成GRNN模型的输入， 使得 SFA与GRNN之间是串联连接关系， 并在此基础上 计算得到丁烷浓度的软测量值。 在具体的实施案 例中， 通过 实验结果的对比验证了本发明方法在 软测量脱丁烷塔底部产品丁烷浓度时的有效性 与准确性。 权利要求书3页 说明书5页 附图2页 CN 113919213 A 2022.01.11 CN 113919213 A 1.一种基于SFA ‑GRNN串联模型的脱丁烷塔丁烷浓度软测量方法， 其特征在于， 包括以 下步骤： 步骤(1)： 确定丁烷浓度软测量模型的输入变量， 具体包括： 塔顶部温度， 塔顶部压力， 回流流量， 底部产品出口流量， 第6层塔板温度， 塔釜温度， 和 塔底部温度； 并将塔底部产品 中的丁烷浓度确定为 丁烷浓度软测量模型的输出变量； 步骤(2)： 根据确定的输入变量与输出变量， 连续采集n个样本数据后， 将输入变量对应 的样本数据存储为一个n ×7维的数据矩阵X， 并将输出变量对应的数据存储为n ×1维的数 据向量y； 步骤(3)： 根据如下所示公式分别对X中的列向量z1， z2，…， z7分别实施标准化处理， 对 应得到7个列向量 并将列向量 组建成矩阵 其中， Rn×7表示n×7维的实数矩阵， R表示实数集， μi与δi分别表示列向量zi中所有元素 的均值与标准差， i∈{1， 2， …， 7}； 步骤(4)： 设置时序阶数为d后， 再根据如下 所示公式组建输入矩阵X0∈RN×m： 其中， RN×m表示N×m维的实数矩阵， N＝n ‑d+1， m＝7 ×d， xj∈R1×7表示矩阵 中第j行的 行向量， j∈{1， 2， …， n}， 时序阶数d为 正整数； 步骤(5)： 使用SFA算法求解变换矩阵P∈Rm×K后， 再将输入矩阵X0变换成输入特征矩阵S ＝X0P， 具体的实施过程如步骤(5.1)至步骤(5.4)所示； 步骤(5.1)： 对输入矩阵X0的协方差矩阵C＝X0TX0/(N‑1)实施奇异值分解， 即C＝UΛUT； 其中， U∈Rm×m表示奇异值分解的酉矩阵， 对角矩阵Λ∈Rm×m对角线上的元 素为奇异值； 步骤(5.2)： 根据公式Z ＝X0UΛ‑1/2计算白化矩阵Z后， 再根据公式 计算一阶差 分矩阵 其中， Z2表示白化矩阵Z中第2行至第N行的行向量组成的矩阵， Z1表示白 化矩阵Z中第1行至第N ‑1行的行向量组成的矩阵， R(N‑1）×m表示(N‑1)×m维的实数矩阵； 步骤(5.3)： 计算矩阵 后， 再求解特征值问题 中， 所有特征值λ1≤λ2 ≤…≤ λm对应的特 征向量v1， v2，…， vm； 其中， k∈{1， 2， …， m}； 步骤(5.4)： 将最小的K个特征值λ1， λ2，…， λK所对应的特征向量v1， v2，…， vK组建成矩阵 V＝[v1， v2，…， vK]， 再计算变换矩阵P＝UΛ‑1/2V； 步骤(6)： 根据如下所示公式对输入特征矩阵S中的K个列向量s1， s2，…， sK以及数据向 量y分别实施归一 化处理， 对应得到列向量 以及输出向量 其中， γ∈{1， 2， …， K}， sγ(min)和sγ(max)分别表示第γ个列向量sγ中的最小值和 最 大值， y(mi n)和y(max)分别表示数据向量y中的最小值和最大值；权　利　要　求　书 1/3 页 2 CN 113919213 A 2步骤(7)： 组建输入特征矩阵 并将输出向量 中的第d个至第n个元素 组成输出向量y0∈RN×1后， 再搭建一个由输入层， 模式层， 求和层， 和输出层组成的GRNN模 型； 其中， 输入层神经元的个数等于K， 模式层神经元的个数等于N， 求和层神经元的个数等 于2， 输出层神经元的个数等于2， 模式层神经 元的参考向量为 中的N个行向量， 求和层神经 元的权重向量等于输出向量y0； 步骤(8)： 在 最新采样时刻t， 分别采集7个输入变量对应的数据u1(t)， u2(t)，…， u7(t)， 并按照如下 所示公式对其进行 标准化处理， 得到标准 化后的数据 步骤(9)： 将 组成输入数据向量 再计算输入 特征向量st＝xtP； 步骤(10)： 按照 如下所示公式对st中的各个 元素进行归 一化处理， 得到归一化后的输入 特征向量 其中， st(i)与 分别表示st与 中的第i个元 素； 步骤(11)： 调用步骤(7)中搭建的GRNN模型， 计算脱丁烷塔底部产品中丁烷浓度的软测 量值y(t)， 具体的实施过程如步骤(1 1.1)至步骤(1 1.4)所示； 步骤(11.1)： 根据如下 所示公式计算GRN N模型的模式层输出向量z∈RN×1： 其中， exp(  )表示以自然数e为底的指数函数， z(a)表示z∈RN×1中第a个元素， 表示 中的第a行的行向量， 表示计算输入特征向量 与行向 量 之间的距离， a∈{1， 2， …， N}， RN×1表示N×1维的实数向量， β 表示 光滑因子； 步骤(11.2)： 根据如下 所示公式计算GRN N模型的求和层输出向量 w∈R2×1： 其中， 上标号T表示矩阵或向量的转置， y0(a)表示输出向量y0中的第a个元 素； 步骤(11.3)： 分别根据公式 计算输出层输出值 其中， w(1)和w(2)分 别表示求和层输出向量 w中的第1个元 素和第2个元 素； 步骤(11.4)： 根据公式 计算出脱丁烷塔底部产品 中丁烷浓度的软测量 值y(t)； 步骤(12)： 返回步骤(8)， 继续实施对最新采样时刻的脱丁烷塔底部产品中丁烷浓度的 软测量。 2.根据权利要求1所述的一种基于SFA ‑GRNN串联模型的脱丁烷塔丁烷浓度软测量方 法， 其特征在于， 所述 步骤(11.1)中光滑因子β 的确定方法如下 所示：权　利　要　求　书 2/3 页 3 CN 113919213 A 3