本發明專利技術公開了基于PCA-LSSVM的氫回收膜分離兩段流程建模方法，包括（1）、通過對采集處理過的間接測量變量數據進行主元分析，首先采用Z-score法將原始數據標準化；其次建立標準化數據向量的協方差矩陣R;再次求出協方差矩陣R的n個特征根，并將它們從大到小降序排列：最后計算出第i個主元的貢獻率ρi和前k個主元的累積貢獻率?ρ?；（2）建立基于氣體回收膜分離的PCA-LSSVM兩段流程模型：?(3)?應用PCA-LSSVM兩段流程模型對氫回收過程優化控制和其重要性能參數的研究，驗證模型的正確性。實驗證明，該建模方法的模型理論正確，智能算法LSSVM的應用使得氫回收實際工程中能夠實現其過程重要性能參數的實時預測和估計，PCA和兩段流程的應用，實現了氫回收過程的控制優化。
【技術實現步驟摘要】
本專利技術涉及一種主元分析(PCA)、最小二乘支持向量機(LSSVM)和氫回收膜分離兩段流程的氣體膜分離技術，是一種氣體膜分離過程的建模方法，屬于氣體膜分離技術應用領域。
技術介紹
在資源短缺、能源緊張、生態環境日益惡化的今天，節能減排呼聲越來越高，氣體 膜分離技術，以其本身具有的優越性能，已經得到世界各國的普遍重視。最早成功開發應用的氫氣膜分離技術，產生的巨大經濟效益和社會效益，引起了研究學者們極大的研究熱情。目前，氣體膜分離技術以其本身所具有的能耗低、投資省、占地面積小和使用方便等特點，已在石油化工、能源、電子、醫藥、食品等領域中得到了廣泛應用，也正在成為解決能源、資源和環境污染問題的重要性和可持續發展的技術基礎。在氣體膜分離過程中，一些重要性能參數難以在線測量，直接影響膜分離過程的優化控制和實時控制，影響氣體膜分離過程的性能。而到目前為止，國內外在氣體膜分離方面的研究，主要偏重于膜材料和膜，而對組件、裝置及過程優化等方面的研究較少，由此引出的對膜分離過程工藝條件進行優化控制的研究成為膜分離研究的熱點之一。氣體膜分離
，對膜分離過程工藝條件進行優化控制的研究為尚待攻克難題之一。至于同時應用數學方法和智能算法對膜分離過程建立模型來對膜分離過程中的難以在線測量的重要性能參數進行實時測量/估計和指導膜分離過程的優化控制研究，目前尚未見報道，尚屬空白，更未見到建立氣體膜分離兩段流程模型來指導分析其過程性能參數和工藝條件優化控制的報道。
技術實現思路
本專利技術的目的是提供了一種基于PCA-LSSVM的氫回收膜分離兩段流程建模方法，該建模方法通過將PCA、LSSVM和兩段流程的概念結合起來，實現了氫回收膜分離過程重要性能參數的研究和其工藝條件的優化控制，在不顯著增加能耗和保證回收氫濃度的基礎上，減少了尾氣中的氫濃度，從而提高了氫回收率，對于其它氣體回收的膜分離有指導意義。為了實現上述目的，本專利技術的技術方案為提供一種基于PCA-LSSVM的氫回收膜分離兩段流程建模方法，包括以下步驟(I)通過對采集處理過的間接測量變量數據進行主元分析，計算出各間接測量變量對關鍵性能參數提供信息的多少(a).采用Z-score法將原始數據標準化，得到均值為0，方差為I的數據向量；(b).建立標準化數據向量的協方差矩陣R ；(c).求出協方差矩陣R的η個特征根，并將它們從大到小降序排列；(d).計算出第i個主元的貢獻率Pi和前k個主元的累積貢獻率P ；(2)建立基于PCA-LSSVM的氣體回收膜分離兩段流程模型(a).選出累計貢獻率超過85%的變量；(b).結合PCA、LSSVM理論、兩段流程概念和實驗數據建立基于PCA-LSSVM的氣體回收膜分離兩段流程模型；(c).用網格搜索確定LSSVM的2個最優參數值范圍，交叉驗證確定其最優參數值gam和sig2的值；(3)應用基于PCA-LSSVM的氣體回收膜分離兩段流程模型對氫回收過程優化控制和其重要性能參數研究，同時驗證模型的正確性(a).預測分析氫回收過程的重要性能參數。應用模型對氫回收過程優化控制和其重要性能參數進行研究，同時驗證模型的正確性，包括氫回收過程性能參數(產品氣氫濃 度、尾氣氫濃度、滲透氣流量、氫回收率)的研究以及氫回收膜分離過程優化控制的分析。本專利技術先用PCA對所選擇的多個間接測量變量進行分析，找出為目標變量提供關鍵信息的主要變量，指導膜分離過程的優化控制和簡化后續的建模過程，而后建立基于PCA-LSSVM的氣體膜分離過程兩段流程模型，對氫回收膜分離重要性能參數和過程優化控制進行研究，實現膜分離過程的優化控制和膜分離過程重要性能參數的預測和估計。現對本專利技術的模型進行詳細說明如下第一部分通過對采集處理過的間接測量變量數據進行主元分析，分析出各間接測量變量對關鍵性能參數提供信息的多少；首先采用Z-score法將原始數據標準化，得到一新數據向量(均值為0，方差為I);然后建立標準化數據向量的協方差矩陣R，求出其η個特征根，并將它們從大到小降序排列；最后計算出第i個主元的貢獻率P i和前k個主元的累積貢獻率P。第二部分選出累計貢獻率超過85%的變量，把提取出的主要變量作為建模輸入變量，主導變量(重要性能指標)作為模型的輸出，建立基于PCA-LSSVM的氣體膜分離軟測量模型，并對其進行訓練，用網格搜索確定LSSVM的2個最優參數值范圍，交叉驗證確定其最優參數值gam和sig2的值，最終得到基于PCA-LSSVM的氣體回收膜分離兩段流程模型結構，見圖I。第三部分將建立的模型利用在氫回收膜分離過程，分析氫回收過程重要性能參數(產品氣氫濃度、尾氣氫濃度、滲透氣流量)的預測和氫回收膜過程的優化控制。本專利技術與現有的技術方案相比有以下優點首先由于本專利技術基于PCA-LSSVM的氫回收膜分離兩段流程建模方法，是第一次將數學方法(主元分析)和智能算法(LSSVM)應用于氣體膜分離技術，能分析出膜分離過程中間接測量變量對性能參數變量提供信息的多少，不僅簡化過程模型的建立，而且可以指導其過程的優化控制；其次，兩段流程建模在氣體膜分離技術中也是首次出現，并且基于PCA-LSSVM的氣體膜分離兩段流程模型正確合理，能快速較準實現氣體膜分離過程重要性能參數的預測和指導其過程的優化控制。這一模型還可以應用于其它氣體的回收，甚至還可適用于其它用到膜分離技術的領域，迎合了當今節能減排的需求。以下我們從理論基礎和試驗數據說明I)主元分析(PCA)和最小二乘支持向量機(LSSVM)PCA(主元分析)可以簡化多變量高維復雜系統的求解，已被有效地應用到統計分析、模式識別、通信技術和圖像處理中。一般情況下，建模選擇的多個間接測量變量間會存在一些關聯，甚至攜帶噪聲，這些變量對研究目標的重要程度也不相同。在評估研究目標時，若選擇的變量個數較多，就會比較繁瑣，不僅使決策工作量增加，而且直接影響決策的有效性與可靠性。其原理步驟為(a).采用Z-score法將原始數據標準化，得到一新數據向量(均值為0，方差為I);(b).建立標準化數據向量的協方差矩陣R ; (c).求出協方差矩陣R的η個特征根，并將它們從大到小降序排列入 λ 2 ^ A ^ 入 η;(d).計算第i個主元的貢獻率P i和前k個主元的累積貢獻率PPiI M " ,+ Z-ι +A -I- Α.~.P = ρ'τ P'+ P1. = ——t--r‘.-* ,Σα通常情況下，選出累計貢獻率超過85%的變量即可。所以，建立氫回收膜分離兩段流程模型前，用PCA對所選擇的多個間接測量變量進行分析，找出為目標變量提供關鍵信息的主要變量，同時去除數據中攜帶的一些噪聲，對膜分離過程的優化控制和簡化后續研究重要性能參數和過程優化控制的建模有一定指導作用。最小二乘支持向量機(LSSVM)是1999年Suykens針對標準SVM在大訓練樣本容量建模時訓練時間過長，提出一種支持向量機的新改進。給定一訓練樣本集為S = 為M維輸入向量，yk e R是一維輸出向量，k=l,…，I。利用非線性映射羅把輸入樣本非線性地映射到高維特征空間，構造出高維空間線性回歸函數f(s) = wr^s)+b式中，wT為權值向量，b為閾值。根據結構風險最小化原則，LSSVM將上述回歸函數構造出具有等式本文檔來自技高網...
【技術保護點】
一種基于PCA？LSSVM的氫回收膜分離兩段流程建模方法，其特征在于包括以下步驟：（1）通過對采集處理過的間接測量變量數據進行主元分析，計算出各間接測量變量為關鍵性能參數提供信息的多少：(a).采用Z？score法將原始數據標準化，得到均值為0，方差為1的數據向量；(b).建立標準化數據向量的協方差矩陣R;(c).求出協方差矩陣R的n個特征根，并將它們從大到小降序排列；？？？(d).計算出第i個主元的貢獻率ρi和前k個主元的累積貢獻率？ρ；（2）建立基于PCA？LSSVM的氣體回收膜分離兩段流程模型：(a).選出累計貢獻率超過85%的變量；(b).結合PCA、LSSVM理論、兩段流程概念和實驗數據建立基于PCA？LSSVM的氣體膜分離兩段流程模型；(c).用網格搜索確定LSSVM的2個最優參數值范圍，交叉驗證確定其最優參數值gam和sig2的值；（3）應用基于PCA？LSSVM的氣體膜分離兩段流程模型對氫回收過程重要性能參數和優化控制進行研究，同時驗證模型的正確性：(a).預測分析氫回收過程重要性能參數和氫回收膜過程的優化控制。
【技術特征摘要】
【專利技術屬性】
技術研發人員：王磊，李桂香，王元麒，李繼定，夏重軍，
申請(專利權)人：海南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。