基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表及方法

摘要

一种基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表，包括丙烯聚合生产过程、现场智能仪表、控制站、存放数据的DCS数据库、基于Chaos混沌寻优的最优软测量模型以及熔融指数软测量值显示仪，现场智能仪表及控制站与丙烯聚合生产过程相连，与DCS数据库相连；最优软测量模型与DCS数据库及软测量值显示仪相连。所述的基于Chaos混沌寻优的最优软测量模型包括数据预处理模块、ICA独立成分分析模块、神经网络建模模块以及Chaos混沌寻优模块。以及提供了一种用软测量仪表实现的软测量方法。本发明实现在线测量、在线参数自动优化、计算速度快、模型自动更新、抗干扰能力强、精度高。

说明书

技术领域

本发明涉及最优软测量仪表及方法，具体是一种基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表及方法。

背景技术

聚丙烯是由丙烯聚合而制得的一种热塑性树脂，丙烯最重要的下游产品，世界丙烯的50％，我国丙烯的65％都是用来制聚丙烯，是五大通用塑料之一，与我们日常生活密切相关。聚丙烯是世界上增长最快的通用热塑性树脂，总量仅仅次于聚乙烯和聚氯乙烯。为使我国聚丙烯产品具有市场竞争力，开发刚性、韧性、流动性平衡好的抗冲共聚产品、无规共聚产品、BOPP和CPP薄膜料、纤维、无纺布料，及开发聚丙烯在汽车和家电领域的应用，都是今后重要的研究课题。

熔融指数是聚丙烯产品确定产品牌号的重要质量指标之一，它决定了产品的不同用途，对熔融指数的测量是聚丙烯生产中产品质量控制的一个重要环节，对生产和科研，都有非常重要的作用和指导意义。

然而，熔融指数的在线分析测量目前很难做到，一方面是在线熔融指数分析仪的缺乏，另一方面是现有的在线分析仪由于经常会堵塞而测量不准甚至无法正常使用所导致的使用上的困难。因此，目前工业生产中MI的测量，主要通过人工取样、离线化验分析获得，而且一般每2-4小时只能分析一次，时间滞后大，给丙烯聚合生产的质量控制带来了困难，成为生产中急需解决的一个瓶颈问题。聚丙烯熔融指数的在线软测量仪表及方法研究，从而成为学术界和工业界的一个前沿和热点。

发明内容

为了克服已有的丙烯聚合生产过程的测量精度不高、易受人为因素的影响的不足，本发明提供一种在线测量、在线参数自动优化、计算速度快、模型自动更新、抗干扰能力强、精度高的基于Chaos混沌寻优的丙烯聚合生产过程熔融指数最优软测量仪表及方法。

本发明解决其技术问题所采用的技术方案是：

一种基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表，包括丙烯聚合生产过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库以及熔融指数软测量值显示仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、控制站与DCS数据库连接，所述软测量仪表还包括基于Chaos混沌寻优的最优软测量模型，所述DCS数据库与所述基于Chaos混沌寻优的最优软测量模型的输入端连接，所述基于Chaos混沌寻优的最优软测量模型的输出端与熔融指数软测量值显示仪连接，所述基于Chaos混沌寻优的最优软测量模型包括：

数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换；

ICA独立成分分析模块，用于从经过数据预处理的线性混合数据中恢复出基本源信号，包括：

(3.1)选择随机初始权值B；

(3.2)对B进行迭代更新，B⁺＝E{xg(B^Tx)}-E{g′(B^Tx)}B；

式中，B⁺表示更新后的权值，B^T是B的转置，g′是g的倒数，E是数学期望，x是矩阵X的矢量；

(3.3)让B＝B⁺/‖B⁺‖；

式中，‖.‖表示泛数；

(3.4)判断是否收敛，‖B⁺-B‖＜epsilon(6)

式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；

(3.5)存储B；

然后，由式(2)计算各分离分量：

Y＝BX    (2)

式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；

分离结果独立性的测度，采用基于负熵的独立性判别准则

J(y)∞[E{G(y)}-E{G(y)}²]    (3)

式中G(·)为非二次函数，y是矩阵Y的矢量；选择：

G(y)＝-exp(-y²/2)      (4)

式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；

估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准则的非高斯性最大化，取：

g(x)＝xexp(-x²/2)      (5)；

式中函数g(·)为函数G(·)的倒数；

神经网络建模模块，用于采用BP神经网络，通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；

Chaos混沌寻优模块，用于采用基于Logistic映射的Chaos混沌寻优模块对神经网络进行优化，包括

(5.1)算法初始化：置混沌变量迭代步数k＝0，为细搜索混沌迭代步数，对x_i分别赋予i个具有微小差异的初值，为[0，1]区间n个相异的随机值，则得到i个轨迹不同的混沌变量x_i，n+1，初始化最优变量及最优目标值，令

$x_i^n=x_i\left(0\right),f^n=f\left(0\right)---\left(9\right)$

(5.2)将混沌变量映射到参变量上，通过下式：

x′_i，n+1＝c_i+d_ix_i，n+1     (10)

式中c_i，d_i为常数，用载波的方法将选定的i个混沌变量x_i，n+1分别引入到i个优化变量中使其变成混沌优化变量x′_i，n+1，并将混沌变量的变化范围分别“放大”到相应的优化变量的取值范围；

(5.3)用混沌变量进行迭代搜索，令

x_i(k)＝x′_i，n+1      (11)

计算产生的新的混沌变量相应的目标值f_i(k)，如果f_i(k)≤fⁿ，则更新当前最优变量及最优目标值为$x_i^n=x_i\left(k\right),f^n=f\left(k\right),$否则放弃变量x_i(k)；

(5.4)在i个轨迹上通过Logistic映射产生新的混沌变量，迭代步数计数k加1；

(5.5)判断是否满足中止迭代条件，以最大迭代步数K为判定条件；或以在设定迭代步数m内目标值是否变化为标准，若经过m步迭代，目标值没有更新，则判定为迭代结束；若满足中止条件，迭代中止，输出最优变量x′ⁿ_i及最优目标值fⁿ；否则，返回步骤(5.3)，继续迭代过程。

作为优选的一种方案，所述基于Chaos混沌寻优的最优软测量模型还包括：模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。

作为优选的另一种方案：在所述Chaos混沌寻优模块，步骤(5.4)中的Logistic映射，其关系式为：

x_n+1＝ux_n(1-x_n)      (7)

式中u为控制参量且u∈[0，4]，初始条件X₀∈[0，1]，当0＜u≤3时，迭代后的值为稳定不动点；当u逐渐增大时，出现倍周期分岔现象，当3.569945673＜u≤4时，该映射处于混沌状态，所以选择u在这个范围内的一个值产生混沌序列X_n。

作为优选的再一种方案：在所述的数据预处理模块中，采用主成分分析方法实现预白化处理。

一种基于Chaos混沌寻优的丙烯聚合生产过程最优软测量方法，所述软测量方法主要包括以下步骤：

1)、对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入，操作变量和易测变量由DCS数据库获得；

2)、对样本数据进行预处理，对输入变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换；

3)、对经过预处理的数据进行独立成分分析，包括：

(3.1)选择随机初始权值B；

(3.2)对B进行迭代更新，B⁺＝E{xg(B^Tx)}-E{g′(B^Tx)}B；

式中，B⁺表示更新后的权值，B^T是B的转置，g′是g的倒数，E是数学期望，x是矩阵X的矢量；

(3.3)让B＝B⁺/‖B⁺‖；

式中，‖.‖表示泛数；

(3.4)判断是否收敛，‖B⁺-B‖＜epsilon  (6)

式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；

(3.5)存储B；

然后，由式(2)计算各分离分量：

Y＝BX    (2)

式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；

分离结果独立性的测度，采用基于负熵的独立性判别准则

J(y)∞[E{G(y)}-E{G(y)}²]      (3)

式中G(·)为非二次函数，y是矩阵Y的矢量；选择：

G(y)＝-exp(-y²/2)       (4)

式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；

估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准则的非高斯性最大化，取：

g(x)＝xexp(-x²/2)       (5)；

式中函数g(·)为函数G(·)的倒数；

神经网络建模模块，用于采用BP神经网络，通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；

4)、基于模型输入、输出数据建立初始神经网络模型，采用BP神经网络，通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；

5)、采用基于Logistic映射的Chaos混沌寻优模块对神经网络进行优化，包括(5.1)算法初始化：置混沌变量迭代步数k＝0，为细搜索混沌迭代步数，对x_i分别赋予i个具有微小差异的初值，为[0，1]区间n个相异的随机值，则得到i个轨迹不同的混沌变量x_i，n+1，初始化最优变量及最优目标值，令

$x_i^n=x_i\left(0\right),f^n=f\left(0\right)---\left(9\right)$

(5.2)将混沌变量映射到参变量上，通过下式：

x′_i，n+1＝c_i+d_ix_i，n+1       (10)

式中c_i，d_i为常数，用载波的方法将选定的i个混沌变量x_i，n+1分别引入到i个优化变量中使其变成混沌优化变量x′_i，n+1，并将混沌变量的变化范围分别“放大”到相应的优化变量的取值范围；

(5.3)用混沌变量进行迭代搜索，令

x_i(k)＝x′_i，n+1         (11)

计算产生的新的混沌变量相应的目标值f_i(k)，如果f_i(k)≤fⁿ，则更新当前最优变量及最优目标值为$x_i^n=x_i\left(k\right),f^n=f\left(k\right),$否则放弃变量x_i(k)；

(5.4)在i个轨迹上通过Logistic映射产生新的混沌变量，迭代步数计数k加1；

(5.5)判断是否满足中止迭代条件，以最大迭代步数K为判定条件；或以在设定迭代步数m内目标值是否变化为标准，若经过m步迭代，目标值没有更新，则判定为迭代结束；若满足中止条件，迭代中止，输出最优变量x′ⁿ_i及最优目标值fⁿ；否则，返回步骤(5.3)，继续迭代过程。

作为优选的一种方案：所述软测量方法还包括以下步骤：6)、定期将离线化验数据输入到训练集中，更新神经网络模型。

作为优选的另一种方案：在所述步骤(5.4)中的Logistic映射，其关系式为：

x_n+1＝ux_n(1-x_n)    (7)

式中u为控制参量且u∈[0，4]，初始条件X₀∈[0，1]，当0＜u≤3时，迭代后的值为稳定不动点；当u逐渐增大时，出现倍周期分岔现象，当3.569945673＜u≤4时，该映射处于混沌状态，所以选择u在这个范围内的一个值产生混沌序列X_n。

进一步，在所述的步骤2)中，采用主成分分析方法实现预白化处理。

本发明的技术构思为：对丙烯聚合生产过程的重要质量指标熔融指数进行在线最优软测量，克服已有的聚丙稀熔融指数测量仪表测量精度不高、易受人为因素的影响的不足，引入Chaos混沌寻优模块对神经网络参数和结构进行自动优化，不需要人为经验或多次测试来调整神经网络，便可以得到最优的软测量结果。

本发明的有益效果主要表现在：1、在线测量；2、在线参数自动优化；3、计算速度快；4、模型自动更新；5、抗干扰能力强；6、精度高。

附图说明

图1是基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表及方法的基本结构示意图；

图2是基于Chaos混沌寻优的最优软测量模型结构示意图；

图3是丙烯聚合生产过程Hypol工艺生产流程图。

具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1、图2和图3，一种基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表，包括丙烯聚合生产过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的DCS数据库4以及熔融指数软测量值显示仪6，所述现场智能仪表2、控制站3与丙烯聚合生产过程1连接，所述现场智能仪表2、控制站3与DCS数据库4连接，所述软测量仪表还包括基于Chaos混沌寻优的最优软测量模型5，所述DCS数据库4与所述基于Chaos混沌寻优的最优软测量模型5的输入端连接，所述基于Chaos混沌寻优的最优软测量模型5的输出端与熔融指数软测量值显示仪6连接，所述基于Chaos混沌寻优的最优软测量模型包括：

数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换；

ICA独立成分分析模块，用于从经过数据预处理的线性混合数据中恢复出基本源信号，包括：

(3.1)选择随机初始权值B；

(3.2)对B进行迭代更新，B⁺＝E{xg(B^Tx)}-E{g′(B^Tx)}B；

式中，B⁺表示更新后的权值，B^T是B的转置，g′是g的倒数，E是数学期望，x是矩阵X的矢量；

(3.3)让B＝B⁺/‖B⁺‖；

式中，‖.‖表示泛数；

(3.4)判断是否收敛，‖B⁺-B‖＜epsilon(6)

式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；

(3.5)存储B；

然后，由式(2)计算各分离分量：

Y＝BX    (2)

式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；

分离结果独立性的测度，采用基于负熵的独立性判别准则

J(y)∞[E{G(y)}-E{G(y)}²]      (3)

式中G(·)为非二次函数，y是矩阵Y的矢量；选择：

G(y)＝-exp(-y²/2)       (4)

式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；

估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准则的非高斯性最大化，取：

g(x)＝xexp(-x²/2)       (5)；

式中函数g(·)为函数G(·)的倒数；

神经网络建模模块，用于采用BP神经网络，通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；

Chaos混沌寻优模块，用于采用基于Logistic映射的Chaos混沌寻优模块对神经网络进行优化，包括

(5.1)算法初始化：置混沌变量迭代步数k＝0，为细搜索混沌迭代步数，对x_i分别赋予i个具有微小差异的初值，为[0，1]区间n个相异的随机值，则得到i个轨迹不同的混沌变量x_i，n+1，初始化最优变量及最优目标值，令

$x_i^n=x_i\left(0\right),f^n=f\left(0\right)---\left(9\right)$

(5.2)将混沌变量映射到参变量上，通过下式：

x′_i，n+1＝c_i+d_ix_i，n+1     (10)

式中c_i，d_i为常数，用载波的方法将选定的i个混沌变量x_i，n+1分别引入到i个优化变量中使其变成混沌优化变量x′_i，n+1，并将混沌变量的变化范围分别“放大”到相应的优化变量的取值范围；

(5.3)用混沌变量进行迭代搜索，令

x_i(k)＝x′_i，n+1    (11)

计算产生的新的混沌变量相应的目标值f_i(k)，如果f_i(k)≤fⁿ，则更新当前最优变量及最优目标值为$x_i^n=x_i\left(k\right),f^n=f\left(k\right),$否则放弃变量x_i(k)；

(5.4)在i个轨迹上通过Logistic映射产生新的混沌变量，迭代步数计数k加1；

(5.5)判断是否满足中止迭代条件，以最大迭代步数K为判定条件；或以在设定迭代步数m内目标值是否变化为标准，若经过m步迭代，目标值没有更新，则判定为迭代结束；若满足中止条件，迭代中止，输出最优变量x′ⁿ_i及最优目标值fⁿ；否则，返回步骤(5.3)，继续迭代过程。

所述基于Chaos混沌寻优的最优软测量模型还包括：模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。

在所述Chaos混沌寻优模块，步骤(5.4)中的Logistic映射，其关系式为：

x_n+1＝ux_n(1-x_n)        (7)

式中u为控制参量且u∈[0，4]，初始条件X₀∈[0，1]，当0＜u≤3时，迭代后的值为稳定不动点；当u逐渐增大时，出现倍周期分岔现象，当3.569945673＜u≤4时，该映射处于混沌状态，所以选择u在这个范围内的一个值产生混沌序列X_n。

在所述的数据预处理模块中，采用主成分分析方法实现预白化处理。

丙烯聚合生产过程流程图如图3所示，根据反应机理以及流程工艺分析，考虑到聚丙烯生产过程中对熔融指数产生影响的各种因素，取实际生产过程中常用的九个操作变量和易测变量作为建模变量，有：三股丙稀进料流率，主催化剂流率，辅催化剂流率，釜内温度、压强、液位，釜内氢气体积浓度。

表1基于Chaos混沌寻优的最优软测量模型所需建模变量

表1列出了作为基于EGA优化的最优软测量模型5输入的9个建模变量，分别为釜内温度(T)、釜内压力(p)、釜内液位(L)、釜内氢气体积浓度(X_v)、3股丙烯进料流率(第一股丙稀进料流率f1，第二股丙稀进料流率f2，第三股丙稀进料流率f3)、2股催化剂进料流率(主催化剂流率f4，辅催化剂流率f5)。反应釜中的聚合反应是反应物料反复混合后参与反应的，因此模型输入变量涉及物料的过程变量采用前若干时刻的平均值。此例中数据采用前一小时的平均值。熔融指数离线化验值作为基于Chaos混沌寻优的最优软测量模型5的输出变量。通过人工取样、离线化验分析获得，每4小时分析采集一次。

现场智能仪表2及控制站3与丙烯聚合生产过程1相连，与DCS数据库4相连；最优软测量模型5与DCS数据库及软测量值显示仪6相连。现场智能仪表2测量丙烯聚合生产对象的易测变量，将易测变量传输到DCS数据库4；控制站3控制丙烯聚合生产对象的操作变量，将操作变量传输到DCS数据库4。DCS数据库4中记录的变量数据作为基于Chaos混沌寻优的最优软测量模型5的输入，软测量值显示仪6用于显示基于Chaos混沌寻优的最优软测量模型5的输出，即软测量值。

基于Chaos混沌寻优的最优软测量模型5，包括：

数据预处理模块7，用于对模型输入进行预处理，即中心化和预白化。对输入变量中心化，就是减去变量的平均值，使变量为零均值的变量，从而简化算法。对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换，使得变换后的变量各个分量间互不相关，同时其协方差矩阵为单位阵。一般通过主成分分析方法实现。

ICA独立成分分析模块8，从经过数据预处理的线性混合数据中恢复出基本源信号的方法。ICA问题的描述如下：

假设有n个观测变量x1，x2，...，xn，它们是m个非高斯分布的独立成分变量s1，s2，...，sm的线性组合。两者之间的关系定义为：

X＝AS+N    (1)

式中，A为未知的混合矩阵，N为观测噪声矢量。X＝[x1，x2，...，xn]，S＝[s1，s2，...，sm]。

上式为ICA基本模型，表示观测数据是如何由独立成分分量混合产生。独立成分是隐含变量，意味着不能直接观测到，而且混合系数矩阵A也是未知的，已知的仅仅是观测变量X，如何利用观测变量X估计出A和S，正是ICA要解决的问题。ICA的目的就是要寻找解混矩阵B，通过它能由观测变量X得到相互独立的源变量：

Y＝BX    (2)

式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；

分离结果独立性的测度，采用基于负熵的独立性判别准则

J(y)∞[E{G(y)}-E{G(y)}²]      (3)

式中G(·)为非二次函数，y是矩阵Y的矢量；选择：

G(y)＝-exp(-y²/2)       (4)

式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；

估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准则的非高斯性最大化，取：

g(x)＝xexp(-x²/2)      (5)；

式中函数g(·)为函数G(·)的倒数；

具体步骤如下：

(3.1)选择随机初始权值B；

(3.2)对B进行迭代更新，B⁺＝E{xg(B^Tx)}-E{g′(B^Tx)}B；

式中，B⁺表示更新后的权值，B^T是B的转置，g′是g的倒数，E是数学期望，x是矩阵X的矢量；

(3.3)让B＝B⁺/‖B⁺‖；

式中，‖.‖表示泛数；

(3.4)判断是否收敛，‖B⁺-B‖＜epsilon  (6)

式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；

(3.5)存储B；

然后，由式(2)计算各分离分量。

神经网络建模模块9，采用BP神经网络，多层前馈神经网络在网络结构上通常由输入层、隐含层和输出层组成。在网络特征上主要表现为既无层内神经元的互联，也无层间的反联络。这种网络实质上是一种静态网络，其输出只是现行输入的函数，而与过去和将来的输入或输出无关。典型的BP神经网络模型有一个输入层、一个输出层和一个隐藏层。理论上，对于隐藏层的层数没有限制，但常用的是一层或两层。理论上可以证明，一个三层的BP网络可以任意逼近非线性系统。BP算法通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性。

Chaos混沌寻优模块10：采用基于Logistic映射的Chaos混沌寻优模块对神经网络进行优化，在基本BP神经网络算法的基础上，通过Chaos混沌寻优的混沌寻优能力优化神经网络的输入和隐层结构，并以此进行神经网络的学习，从而建立丙烯聚合熔融指数的Chaos混沌寻优优化的BP神经网络最优软测量模型。

Logistic映射函数是一个离散混沌系统，它的映射关系为：

x_n+1＝ux_n(1-x_n)       (7)

式中u为控制参量且u∈[0，4]，初始条件X₀∈[0，1]。当0＜u≤3时，迭代后的值为稳定不动点；当u逐渐增大时，出现倍周期分岔现象，当3.569945673＜u≤4时，该映射处于混沌状态，所以选择u在这个范围内的一个值产生混沌序列X_n。

首先，选择用于载波的混沌变量，此处选用如(1)式所述的Logistic映射。

其中，μ是控制参量，取μ＝4。设0≤x₀≤1。μ＝4时上述系统完全处于混沌状态。利用混沌对初值敏感的特点，赋给上式i个微小差异的初值即可得到i个混沌变量。

设一类对象的优化问题为

minf(x_i)，s.t.a_i≤x_i≤b_i     (8)

基本的混沌寻优模块实施的具体步骤为：

(5.1)算法初始化。置混沌变量迭代步数k＝0，为细搜索混沌迭代步数。对x_i分别赋予i个具有微小差异的初值，一般为[0，1]区间n个相异的随机值，则可得到i个轨迹不同的混沌变量x_i，n+1。初始化最优变量及最优目标值，令

$x_i^n=x_i\left(0\right),f^n=f\left(0\right)---\left(9\right)$

(5.2)将混沌变量映射到参变量上。可以通过下式：

x′_i，n+1＝c_i+d_ix_i，n+1     (10)

式中c_i，d_i为常数。用载波的方法将选定的i个混沌变量x_i，n+1分别引入到i个优化变量中使其变成混沌优化变量x′_i，n+1，并将混沌变量的变化范围分别“放大”到相应的优化变量的取值范围。

(5.3)用混沌变量进行迭代搜索。令

x_i(k)＝x′_i，n+1         (11)

计算产生的新的混沌变量相应的目标值f_i(k)。如果f_i(k)≤fⁿ，则更新当前最优变量及最优目标值为$x_i^n=x_i\left(k\right),f^n=f\left(k\right),$否则放弃放弃变量x_i(k)。

(5.4)在i个轨迹上通过Logistic映射产生新的混沌变量。迭代步数计数k加1。95.5)判断是否满足中止迭代条件。这里可以以最大迭代步数K为判定条件；或以在设定迭代步数m内目标值是否变化为标准，若经过m步迭代，目标值没有更新，则判定为迭代结束。若满足中止条件，迭代中止，输出最优变量x_i′ⁿ及最优目标值fⁿ。否则，返回步骤(5.3)，继续迭代过程。

模型更新模块11，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。

实施例2

参照图1、图2和图3，一种基于Chaos混沌寻优的丙烯聚合生产过程最优软测量方法，所述软测量方法主要包括以下步骤：

1)、对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入，操作变量和易测变量由DCS数据库获得；

2)、对样本数据进行预处理，对输入变量中心化，即减去变量的平均值；再对输入变量预白化处理即变量去相关，对输入变量施加一个线性变换；

3)、对经过预处理的数据进行独立成分分析，包括：

(3.1)选择随机初始权值B；

(3.2)对B进行迭代更新，B⁺＝E{xg(B^Tx)}-E{g′(B^Tx)}B；

式中，B⁺表示更新后的权值，B^T是B的转置，g′是g的倒数，E是数学期望，x是矩阵X的矢量；

(3.3)让B＝B⁺/‖B⁺‖；

式中，‖.‖表示泛数；

(3.4)判断是否收敛，‖B⁺-B‖＜epsilon  (6)

式中epsilon表示收敛指标，不收敛返回(3.2)，否则继续；

(3.5)存储B；

然后，由式(2)计算各分离分量：

Y＝BX    (2)

式中Y即为S的估计矢量，S为独立成分变量矩阵，X为观测变量矩阵；

分离结果独立性的测度，采用基于负熵的独立性判别准则

J(y)∞[E{G(y)}-E{G(y)}²](3)

式中G(·)为非二次函数，y是矩阵Y的矢量；选择：

G(y)＝-exp(-y²/2)(4)

式(3)即基于熵原理的负熵估计，当负熵J(y)最大时，变量独立；

估计分离矩阵B，基于固定点反复迭代寻找BX，以基于负熵式(3)为判别准则的非高斯性最大化，取：

g(x)＝xexp(-x²/2)(5)；

式中函数g(·)为函数G(·)的倒数；

神经网络建模模块，用于采用BP神经网络，通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；

4)、基于模型输入、输出数据建立初始神经网络模型，采用BP神经网络，通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；

5)、采用基于Logistic映射的Chaos混沌寻优模块对神经网络进行优化，包括

(5.1)算法初始化：置混沌变量迭代步数k＝0，为细搜索混沌迭代步数，对x_i分别赋予i个具有微小差异的初值，为[0，1]区间n个相异的随机值，则得到i个轨迹不同的混沌变量x_i，n+1，初始化最优变量及最优目标值，令

$x_i^n=x_i\left(0\right),f^n=f\left(0\right)---\left(9\right)$

(5.2)将混沌变量映射到参变量上，通过下式：

x′_i，n+1＝c_i+d_ix_i，n+1        (10)

式中c_i，d_i为常数，用载波的方法将选定的i个混沌变量x_i，n+1分别引入到i个优化变量中使其变成混沌优化变量x′_i，n+1，并将混沌变量的变化范围分别“放大”到相应的优化变量的取值范围；

(5.3)用混沌变量进行迭代搜索，令

x_i(k)＝x′_i，n+1    (11)

计算产生的新的混沌变量相应的目标值f_i(k)，如果f_i(k)≤fⁿ，则更新当前最优变量及最优目标值为$x_i^n=x_i\left(k\right),f^n=f\left(k\right),$否则放弃变量x_i(k)；

(5.4)在i个轨迹上通过Logistic映射产生新的混沌变量，迭代步数计数k加1；

(5.5)判断是否满足中止迭代条件，以最大迭代步数K为判定条件；或以在设定迭代步数m内目标值是否变化为标准，若经过m步迭代，目标值没有更新，则判定为迭代结束；若满足中止条件，迭代中止，输出最优变量x′ⁿ_i及最优目标值fⁿ；

否则，返回步骤(5.3)，继续迭代过程。

所述软测量方法还包括以下步骤：6)、定期将离线化验数据输入到训练集中，更新神经网络模型。

在所述步骤(5.4)中的Logistic映射，其关系式为：

x_n+1＝ux_n(1-x_n)        (7)

式中u为控制参量且u∈[0，4]，初始条件X₀∈[0，1]，当0＜u≤3时，迭代后的值为稳定不动点；当u逐渐增大时，出现倍周期分岔现象，当3.569945673＜u≤4时，该映射处于混沌状态，所以选择u在这个范围内的一个值产生混沌序列X_n。

进一步，在所述的步骤2)中，采用主成分分析方法实现预白化处理。

本实施例的方法具体实施步骤如下：

步骤1：对丙烯聚合生产过程对象1，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入。操作变量和易测变量由DCS数据库4获得。

步骤2：对样本数据进行预处理，由数据预处理模块7完成。

步骤3：对经过预处理的数据进行独立成分分析，由ICA独立成分分析模块8完成。

步骤4：基于模型输入、输出数据建立初始神经网络模型9。输入数据如步骤1所述获得，输出数据由离线化验获得。

步骤5：由Chaos混沌寻优模块10优化初始神经网络8的输入和隐层结构。

步骤6：模型更新模块11定期将离线化验数据输入到训练集中，更新神经网络模型，基于chaos混沌寻优的最优软测量模型5建立完成。

步骤7：熔融指数软测量值显示仪6显示基于chaos混沌寻优的最优软测量模型5的输出，完成对丙烯聚合生产过程熔融指数的最优软测量的显示。