一种基于CAOA-LSTM模拟移动床物料分离过程预测方法

一种基于caoa-lstm模拟移动床物料分离过程预测方法
技术领域
1.本发明涉及一种模拟移动床物料分离方法，特别是涉及一种基于caoa-lstm模拟移动床物料分离过程预测方法。


背景技术：

2.模拟移动床技术广泛应用于食品、化工、药物等相关领域。在手性药物分离方面极其重要，在前段时间一药难求的布洛芬，就是手性药物，其不良异构体消炎效果差，但这副作用并不明显。而上世纪60年代发生的“反应停”事件，就是由于不良异构体导致了许多的新生胎儿畸形。正因为该原因，模拟移动床分离过程的研究备受重视。
3.模拟移动床分离过程是一个周期性的混杂系统，分段仿射系统辨识、深度强化学习、机器学习、narx，以及和noe相结合等多种建模方法不能有效解决周期性和复杂性的问题。深度学习内部结构的复杂，可有效类比模拟移动床分离过程，并且循环递归神经网络也可有效解决由于周期性导致的长期依赖问题。
4.针对于lstm网络而言，其存在一个超参数数量过多的问题。针对这个问题，一方面是根据经验法，但这个方法的不确定性高，另一方面，大多数采用了启发式算法优化参数。目前，主要的优化方法有粒子群优化lstm，改进粒子群优化lstm，遗传算法优化lstm，鲸鱼算法优化lstm等等。上述的相关方法均只考虑准确性，忽略其耗时。
5.阿基米德优化算法也是基于群体的智能算法，将全部落入水中的物体作为群体，通过密度、体积和加速度达到平衡状态(最优解)。并且由于该算法将寻优阶段直接区分，先进行全局寻优，后进行局部寻优，使其过程简单而有效，能够使寻优时间有效减少，因此易陷于局部最优的情况，为改善情况，采用局部混沌搜索策略，在局部开发的过程中，使用该方法，可有效增大区域搜索面积，利于跳出局部最优情况，提高算法的优化精度。
6.目前模拟移动床分离过程的常规纯度检测时间太长，且软测量模型难以建立。


技术实现要素：

7.本发明的目的在于提供一种基于caoa-lstm模拟移动床物料分离过程预测方法，本发明采用改进阿基米德优化算法优化多个超参数，根据超参数利用lstm网络建立模拟移动床分离预测模型，利用模拟移动床中较易测量的参数值洗脱液流量和进料液流量，来得到难以直接测量的提取物纯度和提余物纯度，这样可以使得整个模拟移动床的分离过程更加直观且可以保证提取物的纯度达标。
8.本发明的目的是通过以下技术方案实现的：
9.一种基于caoa-lstm模拟移动床物料分离过程预测方法，所述方法构建模拟移动床分离过程预测模型，采用基于混沌策略改进阿基米德算法优化模型内部结构的超参数，具体包括以下步骤。
10.1)对构建模型的数据进行预处理；
11.2)基础网络模型采用lstm，利用基于混沌策略改进阿基米德算法优化第一层和第
二层隐含层节点个数，以及遍历样本最大循环数和初始学习率四个超参数，评价指标采用均方根误差；
12.3)根据优化好的超参数，利用训练集训练lstm网络模型；
13.4)采用验证集验证lstm网络模型的效果；
14.5)采用其它模拟移动床分离过程的实验数据对网络模型进行检验。
15.所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，所述数据预处理部分，对输入输出数据进行预处理操作；
16.模型数据的输入数据维度为3，分别为阀门切换时间、洗脱液流量和进料液流量；输出维度为2，分别是提取物(a组分)纯度和提余物(b组分)纯度；对于任何提取物纯度只要低于20％(严重失真数据)，对相关数据直接进行删除处理，并且针对数据当中离群值过大的相关数据，进行随机删除80％操作，采用最大最小归一化方法使其处于同一数量级；
[0017][0018]
其中x_i、x_imin、x_imax和x_inorm分别是指标i中的当前值、最小值、最大值和归一化后的实际值，将所有数据中每一个原始值，变化为0到1之间的值；将预处理完成后的数据集进行划分，划分为训练集和验证集，97％作为训练数据，其余的3％作为验证数据。
[0019]
所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，所述对模型输入输出做预处理，利用基于混沌策略改进阿基米德算法优化第一层和第二层隐含层节点个数，以及遍历样本最大循环数和初始学习率四个超参数；aoa算法将寻优阶段直接区分，先进行全局寻优，后进行局部寻优，使其过程简单而有效，能够使寻优时间有效减少，但却容易陷入局部最优；局部混沌搜索策略是对混沌映射的有效使用，混沌映射产生的混沌序列具有遍历性、不重复性、不可预测性等特性，针对aoa算法，在局部开发的过程中，使用该方法，可有效增大区域搜索面积，利于跳出局部最优情况，提高算法的优化精度，评价指标采用均方根误差；
[0020][0021]
其中，xi和表示为训练样本的真实值和预测值；n表示训练样本的数量。
[0022]
所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，所述lstm网络模型的四个超参数；利用验证集分别对使用优化超参数的lstm和未使用优化超参数的lstm进行效果对比，提取物纯度和提余物纯度的rmse值减少了5％和3％。
[0023]
所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，所述优化超参数后的lstm网络模型，利用模拟移动床分离过程的仿真模型重新得到实验数据，通过网络模型得到的预测值同真实值的rmse为0.026。
[0024]
本发明的优点与效果是：
[0025]
1.本发明提出基于caoa-lstm的模拟移动床色谱分离过程预测的应用。使得利用模拟移动床中较易测量的参数值洗脱液流量和进料液流量，来得到难以直接测量的提取物纯度和提余物纯度。模拟移动床分离过程的纯度检测通常是通过浓度分析仪来完成的，浓度分析仪的效果可靠，但却检测时间太长，不利于模拟移动床分离过程的使用，而软测量模
型的响应速度快，且准确性和鲁棒性均较好，能够很好的利用与模拟移动床的分离过程中。
[0026]
2.本发明采用基于软测量的方法，将较易测量的参数值洗脱液流量和进料液流量，来得到难以直接测量的提取物纯度和提余物纯度。模拟移动床分离过程的纯度检测通常是通过浓度分析仪来完成的，浓度分析仪的效果可靠，但却检测时间太长，不利于模拟移动床分离过程的使用，而软测量模型的响应速度快，且准确性和鲁棒性均较好，能够很好的利用与模拟移动床的分离过程中，帮助工程师对模拟移动床的控制和优化起到良好的辅助作用，也可以有效减少物料消耗，保证提取物纯度达到标定值。
附图说明
[0027]
图1为本发明构成示意图；
[0028]
图2为本发明aoa与caoa的适应度对比图；
[0029]
图3为本发明损失函数图；
[0030]
图4为本发明验证集a组分纯度误差图；
[0031]
图5为本发明验证集b组分纯度误差图。
具体实施方式
[0032]
下面结合附图所示实施例对本发明进行详细说明。
[0033]
本发明是以软测量的方法来应用于模拟移动床分离过程的纯度检测，采用基于混沌策略改进阿基米德算法优化模型内部结构的超参数，然后利用该参数对模型进行训练。
[0034]
首先对数据预处理部分，对输入输出数据进行预处理操作；
[0035]
模型数据的输入数据维度为3，分别为阀门切换时间、洗脱液流量和进料液流量；输出维度为2，分别是提取物(a组分)纯度和提余物(b组分)纯度；针对smb的输出数据而言，任何提取物纯度只要低于20％，这部分数据相当于严重失真，对相关数据直接进行删除处理；对数据当中离群值过大的相关数据，进行随机删除80％操作，由于实际过程也可能会出现此类情况，全部删除不符合实际过程；由于模型的多个输入并不是一个数量级，为有效避免因数据级而导致的效果不佳，需要采用最大最小归一化方法使其处于同一数量级；将预处理完成后的数据集进行划分，划分为训练集和验证集，97％作为训练数据，其余的3％作为验证数据。
[0036]
利用基于混沌策略改进阿基米德算法优化第一层和第二层隐含层节点个数，以及遍历样本最大循环数和初始学习率四个超参数；aoa算法将寻优阶段直接区分，先进行全局寻优，后进行局部寻优，使其过程简单而有效，能够使寻优时间有效减少，但却容易陷入局部最优；局部混沌搜索策略是对混沌映射的有效使用，混沌映射产生的混沌序列具有遍历性、不重复性、不可预测性等特性，针对aoa算法，在局部开发的过程中，使用该方法，可有效增大区域搜索面积，利于跳出局部最优情况，提高算法的优化精度，评价指标采用均方根误差，最后得到了aoa的适应度迭代曲线和caoa的适应度迭代曲线，如图2所示。
[0037]
利用优化得到的lstm网络模型的四个超参数；使用训练集对lstm网络模型进行训练，其损失图像如图3所示。
[0038]
利用验证集分别对使用优化超参数的lstm和未使用优化超参数的lstm进行效果对比，即可得到如图4和图5所示的a组分纯度误差图和b组分纯度误差图。
[0039]
利用模拟移动床分离过程的仿真模型重新得到实验数据，通过网络模型得到的预测值同真实值的rmse为0.026，且响应速度尽快，表明了caoa-lstm建立的模拟移动床分离过程的预测模型效果好，能够快速且精准的输出提取物纯度和提余物纯度。
[0040]
本发明的技术过程如下：
[0041]
1、对构建模型的数据进行预处理；
[0042]
2、基础网络模型采用lstm，利用基于混沌策略改进阿基米德算法优化第一层和第二层隐含层节点个数，以及遍历样本最大循环数和初始学习率四个超参数，评价指标采用均方根误差；
[0043]
3、根据优化好的超参数，利用训练集训练lstm网络模型；
[0044]
4、采用验证集验证lstm网络模型的效果；
[0045]
5、采用其它模拟移动床分离过程的实验数据对网络模型进行检验。
[0046]
步骤1的具体实现步骤为：
[0047]
利用可靠的模拟移动床分离过程的仿真模型得到实验数据；
[0048]
对于任何提取物纯度只要低于20％(严重失真数据)，对相关数据直接进行删除处理，并且针对数据当中离群值过大的相关数据，进行随机删除80％操作；
[0049]
采用最大最小归一化方法使其处于同一数量级；
[0050]
将数据集划分为训练集和验证集。
[0051]
步骤2的具体实现步骤为：
[0052]
利用基于混沌策略改进阿基米德算法优化第一层和第二层隐含层节点个数，以及遍历样本最大循环数和初始学习率四个超参数；
[0053]
阿基米德优化算法的过程为：
[0054]
(1)初始阶段：
[0055]
初始化所有的对象位置(oi)。
[0056]
oi＝lbi+rand(ub
i-lbi)(1)
[0057]
初始化每个第i个对象的体积(voli)和密度(deni)。
[0058][0059]
初始化第i个对象的加速度(acci)。
[0060]
acci＝lbi+rand*(ub
i-lbi)(3)
[0061]
其中，rand为0到1之间的随机数；lbi、ubi分别为第i个对象的变量的上下边界。
[0062]
(2)更新密度和体积阶段：
[0063][0064]
其中，和分别为第t代中第i个和第i+1个个体的密度和体积；den
best
为最优个体的密度；vol
best
为最优个体的体积。
[0065]
(3)计算转移因子与密度因子阶段：
[0066][0067][0068]
其中，tf为转移因子，是连接阶段4)和5)的重要内容，t、tmax表示当前迭代次数和最大迭代次数，d t+1为更新后的密度因子。
[0069]
(4)全局搜索阶段：在tf≤0.5时，对象之间发生碰撞，需要进行全局搜索。
[0070][0071]
其中，den
mr
、vol
mr
和acc
mr
为当前迭代中随机挑选个体的密度、体积和加速度；为t+1代中第i个个体的加速度。
[0072]
(5)局部搜索阶段：在tf》0.5时，对象之间无碰撞，需要进行局部搜索。
[0073][0074]
其中，acc
best
为最优加速度。
[0075]
(6)归一化加速度阶段：对加速度采取归一化操作，方便用于阶段(7)。
[0076][0077]
其中，为在为t+1代中第i个个体归一化后的加速度；u和l均是用于调整归一化范围的相关参数。
[0078]
(7)对象位置更新阶段：
[0079]
在全局搜索阶段，t+1代中第i个对象位置更新使用式(16)：
[0080][0081]
在局部搜索阶段，t+1代中第i个对象位置更新使用式(17)：
[0082][0083]
其中，t＝c3*tf，p＝2rand-c4，c1、c2、c3和c4均为固定常数；f为方向因子。
[0084]
由于aoa算法内部结构的特殊性，其易陷于局部最优的情况，为改善情况，采用局部混沌搜索策略，将八种策略混合起来，在局部开发的过程中，使用该方法，可有效增大区域搜索面积，利于跳出局部最优情况，提高算法的优化精度。
[0085]
优化部分是将密度转移因子公式更改为：
[0086][0087]
具体流程为：对算法中的最大迭代数、种群数和相关固定参数进行赋值；更新对应个体的密度、体积和加速度；计算当前的转移因子和密度因子，若tf≤0.5，全局搜索，否则进行局部搜索；最后，根据是否满足停止条件：满足则输出最优结果，否则，重复上述流程。评价指标采用均方根误差。
[0088]
步骤3的具体实现步骤为：
[0089]
利用验证集分别对使用优化超参数的lstm和未使用优化超参数的lstm进行效果对比，提取物纯度和提余物纯度的rmse值减少了5％和3％。
[0090]
步骤4的具体实现步骤为：
[0091]
利用模拟移动床分离过程的仿真模型重新得到实验数据；
[0092]
使用网络模型得到的预测值同真实值的rmse值，以表达当前输入状态下的提余物纯度和提取物纯度。

技术特征：
1.一种基于caoa-lstm模拟移动床物料分离过程预测方法，其特征在于，所述方法构建模拟移动床分离过程预测模型，采用基于混沌策略改进阿基米德算法优化模型内部结构的超参数，具体包括以下步骤。1)对构建模型的数据进行预处理；2)基础网络模型采用lstm，利用基于混沌策略改进阿基米德算法优化第一层和第二层隐含层节点个数，以及遍历样本最大循环数和初始学习率四个超参数，评价指标采用均方根误差；3)根据优化好的超参数，利用训练集训练lstm网络模型；4)采用验证集验证lstm网络模型的效果；5)采用其它模拟移动床分离过程的实验数据对网络模型进行检验。2.根据权利要求1所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，其特征在于，所述数据预处理部分，对输入输出数据进行预处理操作；模型数据的输入数据维度为3，分别为阀门切换时间、洗脱液流量和进料液流量；输出维度为2，分别是提取物(a组分)纯度和提余物(b组分)纯度；对于任何提取物纯度只要低于20％(严重失真数据)，对相关数据直接进行删除处理，并且针对数据当中离群值过大的相关数据，进行随机删除80％操作，采用最大最小归一化方法使其处于同一数量级；其中x_i、x_imin、x_imax和x_inorm分别是指标i中的当前值、最小值、最大值和归一化后的实际值，将所有数据中每一个原始值，变化为0到1之间的值；将预处理完成后的数据集进行划分，划分为训练集和验证集，97％作为训练数据，其余的3％作为验证数据。3.根据权利要求1所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，其特征在于，所述对模型输入输出做预处理，利用基于混沌策略改进阿基米德算法优化第一层和第二层隐含层节点个数，以及遍历样本最大循环数和初始学习率四个超参数；aoa算法将寻优阶段直接区分，先进行全局寻优，后进行局部寻优，使其过程简单而有效，能够使寻优时间有效减少，但却容易陷入局部最优；局部混沌搜索策略是对混沌映射的有效使用，混沌映射产生的混沌序列具有遍历性、不重复性、不可预测性等特性，针对aoa算法，在局部开发的过程中，使用该方法，可有效增大区域搜索面积，利于跳出局部最优情况，提高算法的优化精度，评价指标采用均方根误差；其中，x
i
和表示为训练样本的真实值和预测值；n表示训练样本的数量。4.根据权利要求1所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，其特征在于，所述lstm网络模型的四个超参数；利用验证集分别对使用优化超参数的lstm和未使用优化超参数的lstm进行效果对比，提取物纯度和提余物纯度的rmse值减少了5％和3％。5.根据权利要求1所述的一种基于caoa-lstm模拟移动床物料分离过程预测方法，其特征在于，所述优化超参数后的lstm网络模型，利用模拟移动床分离过程的仿真模型重新得
到实验数据，通过网络模型得到的预测值同真实值的rmse为0.026。

技术总结
一种基于CAOA-LSTM模拟移动床物料分离过程预测方法，涉及一种移动床物料分离过程预测方法，本发明利用LSTM对模拟移动床分离过程进行建模；使用基于混沌策略改进的阿基米德优化算法的优化LSTM内部的多个超参数，正常的阿基米德优化算法将整个优化过程进行直接区分，先进行全局搜索，后进行局部搜索，这样使其优化速度加快但却易陷入局部最优，使用基于多种混沌策略融合的改进密度因子的方法，使得整体较AOA情况类似，但却大大增加了搜索范围，效果明显，且耗时同常规阿基米德优化算法相近。超参数的有效优化，使得LSTM网络模型的训练效果有明显提升，其建立的预测模型效果较好，有效的解决了软测量模型难以建立的问题。解决了软测量模型难以建立的问题。解决了软测量模型难以建立的问题。


技术研发人员：李凌 鲁洁
受保护的技术使用者：沈阳化工大学
技术研发日：2023.04.12
技术公布日：2023/8/14