本发明属于人工智能和化工，具体涉及一种环己烷无催化氧化过程的尾氧浓度软测量方法。
背景技术：
1、环己烷无催化氧化过程是一个典型的高危化工过程，反应器结构采用5个串联气升式环流反应器。在铂催化剂的作用下，原料苯和氢气进行气相加氢反应生成高质量的液相环己烷并进入换热器换热，换热后的液相环己烷，由底部进入第一个反应器，然后依次进入后面4个反应器。空气、氧气和氮气同时送入空气分布器，三种气体混合产生一定量含氧的空气，经过空气分布器的调节进入各个反应器中，气体向上的同时带动反应器底部的液体向上流动，之后在反应器上部和液态环己烷相遇产生化学反应，最后在反应器顶部进行反应物的气液分离。环己烷氧化反应过程中未参与反应的环己烷蒸汽、氧气等混合气体会聚集在反应器顶部进入尾气管道，此时如果尾气中氧气的浓度过高就会容易出现爆炸事故。因此，在实际生产过程中对尾氧浓度的实时监测就显得尤为重要。尾氧浓度也被看作是环己烷无催化氧化过程中最重要的安全指标。
2、环己烷无催化氧化过程中尾氧浓度传统的预测方法是采用模糊神经网络、区间二型模糊神经网络，两者的相关研究都是基于前馈网络结构，并没有处理历史信息的记忆能力，导致模型的辨识和预测精度会受到影响，尾氧浓度预测精确度低。
技术实现思路
1、鉴于此，本发明提出了一种环己烷无催化氧化过程的尾氧浓度软测量方法，旨在解决现有技术中环己烷无催化氧化过程尾氧浓度难以预测、预测准确度低的问题。
2、本发明提出了一种环己烷无催化氧化过程的尾氧浓度软测量方法，包括：
3、步骤1、确定输入参数为环己烷无催化氧化装置的进气量、反应温度和进气氧含量，并对输入参数进行归一化处理；
4、步骤2、构建环己烷无催化氧化过程尾氧浓度的区间二型模糊神经网络软测量模型，该模型包括输入层、模糊化层、规则层、补偿激励层、区间降型层、循环层和输出层；所述的循环层以长短时记忆神经网络作为区间二型模糊神经网络的循环结构，由输入门ik(t)、遗忘门fk(t)、候选量ctk(t)、输出门ok(t)和细胞状态ck(t)构成一个内部反馈循环；
5、步骤3、采用具有在线学习能力的规则生成算法优化区间二型模糊神经网络软测量模型的结构；
6、步骤4、采用梯度下降算法优化区间二型模糊神经网络软测量模型的参数；
7、步骤5、利用优化后的区间二型模糊神经网络软测量模型对环己烷无催化氧化过程的尾氧浓度进行预测。
8、进一步地，所述的模糊化层中的每个节点均采用高斯型隶属函数模糊化处理输入，对于第i个输入节点和第k条模糊规则，区间二型模糊隶属度函数的不确定性轨迹是由上、下两个一型模糊集合包围组成，分别为上隶属度函数和下隶属度函数计算公式如下：
9、
10、
11、其中，主高斯隶属度函数如下所示：
12、
13、其中，为隶属度函数的左中心，为隶属度函数的右中心，σki为隶属度函数的宽度，ui表示输入层第i个输入节点的输出。
14、进一步地，所述的规则层由k个节点组成，每个节点代表一条模糊规则，获得每个节点的激励强度，上激励强度为fk(t)，下激励强度为为下隶属度函数值，为上隶属度函数值，如下所示：
15、
16、其中，
17、
18、其中，k表示规则数的最大数量。
19、进一步地，所述的补偿激励层对每个节点均进行补偿操作。
20、进一步地，所述的区间降型层用于自适应的选择经过补偿操作的上、下激励强度的权重，输出为：
21、
22、其中，αk∈[0,1]表示第k条模糊规则的不确定性的自适应权重系数，p(t)表示在t时刻下补偿操作的左悲观操作，o(t)表示在t时刻下补偿操作的左乐观操作，表示在t时刻上补偿操作的右悲观操作，表示在t时刻上补偿操作的右乐观操作。
23、进一步地，所述的循环层中，当时间步长为t时，循环规则的节点hk(t)由ok(t)和ck(t)共同决定，如下式所示：
24、
25、
26、
27、
28、
29、
30、激活函数为：
31、
32、其中，hk(t)表示在t时刻第k个规则下循环规则的节点，表示遗忘门的在t时刻第k个规则下内部网络公式，表示输入门在t时刻第k个规则下内部网络公式，表示候选量的在t时刻第k个规则下内部网络公式，表示输出门的在t时刻第k个规则下内部网络公式，z表示激活函数的自变量，e表示自然常数，表示第k条循环模糊规则下遗忘门的权重矩阵和偏置项、表示第k条循环模糊规则下输入门的权重矩阵和偏置项、表示第k条循环模糊规则下细胞状态的权重矩阵和偏置项、表示第k条循环模糊规则下输出门的权重矩阵和偏置项。
33、进一步地，所述的利用具有在线学习能力的规则生成算法训练已构建的软测量模型，包括：
34、当传入第一个样本数据ui(t)时，会立即生成新的模糊规则，与此规则相关的第一个不确定均值μ和固定宽度σ设置为：
35、
36、对于每个新传入样本数据ui(t)，在已有模糊规则里最大激励强度的中心值l为：
37、
38、设定阈值fth，如果则生成一个新的模糊规则并且m(t+1)＝m(t)+1，对应的二型模糊集的不确定均值定义为：
39、
40、新规则的宽度定义如下：
41、
42、进一步地，所述的采用梯度下降算法优化区间二型模糊神经网络软测量模型的参数，包括：
43、依次对输出层中权重参数wk、循环层的输入门ik(t)、遗忘门fk(t)、候选量ctk(t)、输出门ok(t)、细胞状态ck(t)、权重参数区间降型层中自适应权重参数αk(t)、补偿激励层中补偿参数θk(t)、规则层中隶属度函数的不确定中心和宽度进行更新，获得最小化误差函数e(t)，完成参数的优化。
44、进一步地，所述的对循环层的输入门ik(t)、遗忘门fk(t)、候选量ctk(t)、输出门ok(t)、细胞状态ck(t)、权重参数进行更新，包括：
45、定义t时刻的输入门ik(t)、遗忘门fk(t)、候选量ctk(t)、输出门ok(t)、细胞状态ck(t)的误差项，每个误差项在时间上反向传递以获得时间t-1处的误差项，最后更新循环结构的权重参数
46、进一步地，所述的对规则层中隶属度函数的不确定中心和宽度进行更新，误差函数e(t)相对于左中心的梯度计算公式为：
47、
48、误差函数相对于右中心的梯度计算公式为：
49、
50、误差函数相对于宽度的梯度计算公式为：
51、
52、本发明的优点：
53、本发明一种环己烷无催化氧化过程的尾氧浓度软测量方法，与现有技术相比，本发明的有益效果为：首先，模型的结构学习算法具有自进化特性，这意味着其可以根据训练数据样本自动进化所需的网络结构(规则数和初始模糊集形状)和参数。其次，将长短期记忆网络应用于区间二型模糊神经网络系统，使网络拥有了处理历史信息的能力，即可以有效地处理长期依赖问题，不再受到前馈网络结构的技术限制，同时避免了经典递归模糊神经系统的梯度消失问题，提高了对具有长时间依赖特征的序列数据的推理性能，实现了在时间维数上的完全递归结构，以此确保提高网络预测精度和建立记忆能力。再者，为了得到最优的二型模糊逻辑推理并选择最优的二型模糊运算，本文利用了一个补偿因子。使用补偿操作可以映射悲观输入和乐观输入，从而为优越和劣势情况给出相对的折中。因此，该模型可以自适应的调整激励强度。再次，该模型具有区间降型技术，可以分别自适应地选择经过补偿性操作后的上、下激励强度的权重，并有效地优化模糊操作，使模型的适应性不受限制，并且这有助于提高网络的精确性。最后，模型的参数学习方面，采用梯度下降法对网络参数进行优化。梯度计算中，除了误差项传递到网络的上一层，还有误差项在时间维度上反向传递，这是计算长短时记忆网络节点梯度时与其他区间二型模糊神经网络区别之处，该方法可以保证环己烷无催化氧化过程中尾氧浓度预测的准确性。
1.一种环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：包括：
2.根据权利要求1所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的模糊化层中的每个节点均采用高斯型隶属函数模糊化处理输入，对于第i个输入节点和第k条模糊规则，区间二型模糊隶属度函数的不确定性轨迹是由上、下两个一型模糊集合包围组成，分别为上隶属度函数和下隶属度函数计算公式如下：
3.根据权利要求1所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的规则层由k个节点组成，每个节点代表一条模糊规则，获得每个节点的激励强度，上激励强度为fk(t)，下激励强度为为下隶属度函数值，为上隶属度函数值，如下所示：
4.根据权利要求1所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的补偿激励层对每个节点均进行补偿操作。
5.根据权利要求1所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的区间降型层用于自适应的选择经过补偿操作的上、下激励强度的权重，输出为：
6.根据权利要求1所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的循环层中，当时间步长为t时，循环规则的节点hk(t)由ok(t)和ck(t)共同决定，如下式所示：
7.根据权利要求1所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的利用具有在线学习能力的规则生成算法训练已构建的软测量模型，包括：
8.根据权利要求1所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的采用梯度下降算法优化区间二型模糊神经网络软测量模型的参数，包括：
9.根据权利要求8所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的对循环层的输入门ik(t)、遗忘门fk(t)、候选量ctk(t)、输出门ok(t)、细胞状态ck(t)、权重参数进行更新，包括：
10.根据权利要求8所述的环己烷无催化氧化过程的尾氧浓度软测量方法，其特征在于：所述的对规则层中隶属度函数的不确定中心和宽度进行更新，误差函数e(t)相对于左中心的梯度计算公式为：
