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，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，缺乏熔融指数的在线分析仪是聚丙烯生产 中产品质量控制的一个主要困难。MI只能通过人工取样、离线化验分析获得，而 且一般每2-4小时智能分析一次，时间滞后大，难以满足生产实时控制的要求。
近年来神经网络发展迅速，在经济、军事、工业生产和生物医学等领域得到 广泛应用，并产生了深远的影响。其中应用最为广泛的是前馈神经网络，尤其是 BP神经网络。神经网络具有很强的自适应、自组织、自学习的能力以及大规模并 行运算的能力。但在实际应用中，神经网络也暴露了一些自身固有的缺陷：权值 的初始化是随机的，易陷入局部极小；学习过程中隐含层的节点数目和其他参数 的选择只能根据经验和实验来选择；收敛时间过长、鲁棒性差等。
由美国密歇根大学Holland教授及其学生首次提出的遗传算法，即Genetic Algorithm，简称GA，是一种高效的并行全局搜索算法。该算法具有很好的鲁棒 性，适用于并行处理；具有良好的全局搜索性能，减少了陷入局部最优解的风险。 遗传算法的这些优点恰好弥补了传统神经网络的缺点，因此可以采用遗传算法来 优化神经网络。BP神经网络是最常用的神经网络算法，如何建立合理的神经网 络模型是提高预测精度的核心内容，因此出现了多种优化方法或改进方法。对于 丙烯聚合生产过程中熔融指数的软测量，由于生产过程具有多样性和相关性，建 立其基于遗传算法的BP神经网络最优软测量仪表及方法，能够得到最优的软测 量模型，提高软测量精度。因此，具有非常重要的意义。

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、精度高的基于遗传算法优化BP神经网络的丙烯聚合生产过 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：
一种基于遗传算法优化BP神经网络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遗传算法优化BP神经网络的最优软测量模 型，所述DCS数据库与所述基于遗传算法优化BP神经网络的最优软测量模型的 输入端连接，所述基于遗传算法优化BP神经网络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，所述基于遗传算法优化BP神经网络的最优软测 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；通过独立成分分析方法，从经过中心化和预白化处 理的线性混合数据中恢复出基本源信号；
BP神经网络模型模块，用于采用BP神经网络，设BP神经网络的输出层第k个 神经元的实际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输 出为yj，则有：
${\mathrm{net}}_k=\underset{i}{\Sigma }{w}_{\mathrm{kj}}·y_j---\left(1\right)$
yk＝f(netk)      (2)
式中，wkj是神经元k与神经元j之间的连接权，f(·)为神经元的输出函数，通常取 为Sigmoid函数，表示为：
$f\left({\mathrm{net}}_k\right)=1/(1+e^{-({\mathrm{net}}_k+h_k)/{\theta }_0})---\left(3\right)$
式中，hk为神经元k的阈值，θ0为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元 的期望输出Opk，则输出层的输出方差表示为：
$E_p=\frac{1}{2}\underset{p}{\Sigma }{(O_{\mathrm{pk}}-y_{\mathrm{pk}})}^2---\left(4\right)$
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连 接权w值，使E达到最小值；要求连接权wkj，wji应沿Ep的负梯度方向学习；所 以wkj的修正量为：
${\Delta }_p{w}_{\mathrm{kj}}=-\beta \frac{\partial E_p}{\partial w_{\mathrm{kj}}}---\left(5\right)$
式中，β为学习速率调整因子；
遗传算法优化BP神经网络模块，用于采用遗传算法优化方法对BP神经网络进行 优化，具体步骤如下：
①确定网络权值的编码方式，个体的位串长度，染色体采用二进制编码，网络每 个链接权值都用一定长度的0/1串表示，在编码时首先假定连接权在某一预定的 范围内变化，连接权的实际值和字符串表示值关系表示为：
$W_t(i,j)=W_{\min }(i,j)+\frac{\mathrm{binrep}\left(t\right)}{2^t-1}[W_{\max }(i,j)-W_{\min }(i,j)]---\left(6\right)$
式中，binrep(t)是二进制整数，[Wmax(i，j)，Wmin(i，j)]为各连接权的变化范围， 将所有权值对应的二进制字符串串联在一起，得到一条染色体，代表网络的一种 权值组合。
②设定的种群规模n，随机产生初始种群；
③设定网络的目标函数，将其转换为适应度，对个网络权值进行评价；通过网络 的误差函数计算适应度函数，并认为误差大的个体适应度小，个体i的适应度函 数fi表示为：
fi＝1/(Ei+1)    (7)
式中，Ei是网络的误差函数，表示为：
$E_i=\frac{1}{2}\underset{k=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n_3}{\Sigma }}{(c_j^k-c_j)}^2---\left(8\right)$
式中，m是训练集的样本个数，n3是神经元数，cj k是单元j的理想输出，cj是单元j 的实际输出；
④选定遗传操作，设置遗传参数及自适应调整算法，交叉概率设为Pc，变异概率 设为Pm，个体i被选择的概率P表示为：
$P=f_i/\underset{j=1}{\overset{n}{\Sigma }}{f}_j---\left(9\right)$
式中，n为群体大小，fi为个体i的适应度，fi为个体j的适应度；
⑤依据适应度在遗传空间进行选择操作；
⑥依据选定的交叉、变异及有关算法、参数，进行相应的操作，得到新一代种群；
⑦判断是否满足性能要求，若是，结束寻优，得到一组优化的权值；否则返回步 骤⑤，继续迭代寻优。
作为优选的一种方案，所述基于遗传算法优化BP神经网络的最优软测量模 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。
一种基于遗传算法优化BP神经网络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；通过独立成分 分析方法，从经过中心化和预白化处理的线性混合数据中恢复出基本源信号；
3)、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，设BP 神经网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐 含层中任一神经元j的输出为yj，则有：
${\mathrm{net}}_k=\underset{i}{\Sigma }{w}_{\mathrm{kj}}·y_j---\left(1\right)$
yk＝f(netk)    (2)
式中，wkj是神经元k与神经元j之间的连接权，f(·)为神经元的输出函数，通常取 为Sigmoid函数，表示为：
$f\left({\mathrm{net}}_k\right)=1/(1+e^{-({\mathrm{net}}_k+h_k)/{\theta }_0})---\left(3\right)$
式中，hk为神经元k的阈值，θ0为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元 的期望输出Opk，则输出层的输出方差表示为：
$E_p=\frac{1}{2}\underset{p}{\Sigma }{(O_{\mathrm{pk}}-y_{\mathrm{pk}})}^2---\left(4\right)$
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连 接权w值，使E达到最小值；要求连接权wkj，wji应沿Ep的负梯度方向学习；所 以wkj的修正量为：
${\Delta }_p{w}_{\mathrm{kj}}=-\beta \frac{\partial E_p}{\partial w_{\mathrm{kj}}}---\left(5\right)$
式中，β为学习速率调整因子；
4)、采用遗传算法优化方法对BP神经网络进行优化，具体步骤如下：
①确定网络权值的编码方式，个体的位串长度，染色体采用二进制编码，网络每 个链接权值都用一定长度的0/1串表示，在编码时首先假定连接权在某一预定的 范围内变化，连接权的实际值和字符串表示值关系表示为：
$W_t(i,j)=W_{\min }(i,j)+\frac{\mathrm{binrep}\left(t\right)}{2^t-1}[W_{\max }(i,j)-W_{\min }(i,j)]---\left(6\right)$
式中，binrep(t)是二进制整数，[Wmax(i，j)，Wmin(i，j)]为各连接权的变化范围， 将所有权值对应的二进制字符串串联在一起，得到一条染色体，代表网络的一种 权值组合。
②设定的种群规模n，随机产生初始种群；
③设定网络的目标函数，将其转换为适应度，对个网络权值进行评价；通过网络 的误差函数计算适应度函数，并认为误差大的个体适应度小，个体i的适应度函 数fi表示为：
fi＝1/(Ei+1)      (7)
式中，Ei是网络的误差函数，表示为：
$E_i=\frac{1}{2}\underset{k=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n_3}{\Sigma }}{(c_j^k-c_j)}^2---\left(8\right)$
式中，m是训练集的样本个数，n3是神经元数，cj k是单元j的理想输出，cj是单元j 的实际输出；
④选定遗传操作，设置遗传参数及自适应调整算法，交叉概率设为Pc，变异概率 设为Pm，个体i被选择的概率P表示为：
$P=f_i/\underset{j=1}{\overset{n}{\Sigma }}{f}_j---\left(9\right)$
式中，n为群体大小，fi为个体i的适应度，fi为个体j的适应度；
⑤依据适应度在遗传空间进行选择操作；
⑥依据选定的交叉、变异及有关算法、参数，进行相应的操作，得到新一代种群；
⑦判断是否满足性能要求，若是，结束寻优，得到一组优化的权值；否则返回步 骤⑤，继续迭代寻优。
作为优选的一种方案：所述软测量方法还包括以下步骤：5)、定期将离线化 验数据输入到训练集中，更新神经网络模型。
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，引入遗传算法优化方法对BP神经网络权值进行自动优化，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。克服 传统BP神经网络的以下缺点：对初始权向量异常敏感，不同的初始权向量值可 能一导致完全不同的结果；在具体计算过程中，有关参数的选取只能通过实验和 经验来确定，一旦取值不当，又会引起网络的振荡而不能收敛即使能收敛也会因 为收敛速度慢而导致训练时间过长，或是陷于局部极值而得不到最佳权值分布。
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是基于遗传算法优化BP神经网络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是基于遗传算法优化BP神经网络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。

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3，一种基于遗传算法优化BP神经网络的丙烯聚合生产 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遗 传算法优化BP神经网络的最优软测量模型5，所述DCS数据库4与所述基于遗 传算法优化BP神经网络的最优软测量模型5的输入端连接，所述基于遗传算法 优化BP神经网络的最优软测量模型5的输出端与熔融指数软测量值显示仪6连 接，所述基于遗传算法优化BP神经网络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；通过独立成分分析方法，从经过中心化和预白化处 理的线性混合数据中恢复出基本源信号；
BP神经网络模型模块，用于采用BP神经网络，设BP神经网络的输出层第k个 神经元的实际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输 出为yj，则有：
${\mathrm{net}}_k=\underset{i}{\Sigma }{w}_{\mathrm{kj}}·y_j---\left(1\right)$
yk＝f(netk)    (2)
式中，wkj是神经元k与神经元j之间的连接权，f(·)为神经元的输出函数，通常取 为Sigmoid函数，表示为：
$f\left({\mathrm{net}}_k\right)=1/(1+e^{-({\mathrm{net}}_k+h_k)/{\theta }_0})---\left(3\right)$
式中，hk为神经元k的阈值，θ0为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元 的期望输出Opk，则输出层的输出方差表示为：
$E_p=\frac{1}{2}\underset{p}{\Sigma }{(O_{\mathrm{pk}}-y_{\mathrm{pk}})}^2---\left(4\right)$
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连 接权w值，使E达到最小值；要求连接权wkj，wji应沿Ep的负梯度方向学习；所 以wkj的修正量为：
${\Delta }_p{w}_{\mathrm{kj}}=-\beta \frac{\partial E_p}{\partial w_{\mathrm{kj}}}---\left(5\right)$
式中，β为学习速率调整因子；
遗传算法优化BP神经网络模块，用于采用遗传算法优化方法对BP神经网络进行 优化，具体步骤如下：
①确定网络权值的编码方式，个体的位串长度，染色体采用二进制编码，网络每 个链接权值都用一定长度的0/1串表示，在编码时首先假定连接权在某一预定的 范围内变化，连接权的实际值和字符串表示值关系表示为：
$W_t(i,j)=W_{\min }(i,j)+\frac{\mathrm{binrep}\left(t\right)}{2^t-1}[W_{\max }(i,j)-W_{\min }(i,j)]---\left(6\right)$
式中，binrep(t)是二进制整数，[Wmax(i，j)，Wmin(i，j)]为各连接权的变化范围， 将所有权值对应的二进制字符串串联在一起，得到一条染色体，代表网络的一种 权值组合。
②设定的种群规模n，随机产生初始种群；
③设定网络的目标函数，将其转换为适应度，对个网络权值进行评价；通过网络 的误差函数计算适应度函数，并认为误差大的个体适应度小，个体i的适应度函 数fi表示为：
fi＝1/(Ei+1)    (7)
式中，Ei是网络的误差函数，表示为：
$E_i=\frac{1}{2}\underset{k=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n_3}{\Sigma }}{(c_j^k-c_j)}^2---\left(8\right)$
式中，m是训练集的样本个数，n3是神经元数，cj k是单元j的理想输出，cj是单元j 的实际输出；
④选定遗传操作，设置遗传参数及自适应调整算法，交叉概率设为Pc，变异概率 设为Pm，个体i被选择的概率P表示为：
$P=f_i/\underset{j=1}{\overset{n}{\Sigma }}{f}_j---\left(9\right)$
式中，n为群体大小，fi为个体i的适应度，fi为个体j的适应度；
⑤依据适应度在遗传空间进行选择操作；
⑥依据选定的交叉、变异及有关算法、参数，进行相应的操作，得到新一代种群；
⑦判断是否满足性能要求，若是，结束寻优，得到一组优化的权值；否则返回步 骤⑤，继续迭代寻优。
所述基于遗传算法优化BP神经网络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列出了作 为基于遗传算法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(Xv)、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 为基于遗传算法优化的最优软测量模型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遗传算法优化BP神经网络的最优软测量模型5 的输入，软测量值显示仪6用于显示基于遗传算法优化BP神经网络的最优软测 量模型5的输出，即软测量值。
表1基于遗传算法优化的最优软测量模型所需建模变量

基于遗传算法优化BP神经网络的最优软测量模型5，包括以下4个部分：
1)数据预处理模块7，首先对模型输入进行中心化和预白化。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。然后通过独立成分分析方法，从 经过中心化和预白化处理的线性混合数据中恢复出基本源信号的方法。
BP神经网络模型模块8，具体实现如下：
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。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。由 BP神经网络结构可知，输入层中任一神经元的输出为输入模式分量的加权和，这 种加权和的概念同样适合其余各层。设BP神经网络的输出层第k个神经元的实 际输出为yk，输入为netk，与此层相邻的隐含层中任一神经元j的输出为yj，则 有：
${\mathrm{net}}_k=\underset{i}{\Sigma }{w}_{\mathrm{kj}}·y_j---\left(1\right)$
yk＝f(netk)    (2)
式中，wkj是神经元k与神经元j之间的连接权，f(·)为神经元的输出函数，通常取 为Sigmoid函数，表示为：
$f\left({\mathrm{net}}_k\right)=1/(1+e^{-({\mathrm{net}}_k+h_k)/{\theta }_0})---\left(3\right)$
式中，hk为神经元k的阈值，θ0为陡度参数，用以调节Sigmoid函数的陡度。 令训练样本为k。对于任一个输入模式Xp，若相应有输出层中第k个神经元的期 望输出Opk，则输出层的输出方差可以表示为：
$E_p=\frac{1}{2}\underset{p}{\Sigma }{(O_{\mathrm{pk}}-y_{\mathrm{pk}})}^2---\left(4\right)$
式中，Opk代表期望输出，ypk代表实际输出。反向误差传播学习的目的是修改连 接权w值，使E达到最小值。这就要求连接权wkj，wji应沿Ep的负梯度方向学习。
所以wkj的修正量为：
${\Delta }_p{w}_{\mathrm{kj}}=-\beta \frac{\partial E_p}{\partial w_{\mathrm{kj}}}---\left(5\right)$
式中，β为学习速率调整因子。
遗传算法优化模块9，采用遗传算法优化方法对BP神经网络进行优化，在 基本BP神经网络算法的基础上，通过遗传算法优化的全局寻优能力优化神经网 络的权值参数，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遗传 算法优化优化的BP神经网络最优软测量模型。用遗传算法优化网络权值的具体 步骤如下：
①确定网络权值的编码方式，个体的位串长度。一组权值与遗传空间的个体位串 的关系，是由编码映射确定的。染色体采用二进制编码，网络每个链接权值都用 一定长度的0/1串表示。在编码时首先假定连接权在某一预定的范围内变化，连 接权的实际值和字符串表示值关系可以表示为：
$W_t(i,j)=W_{\min }(i,j)+\frac{\mathrm{binrep}\left(t\right)}{2^t-1}[W_{\max }(i,j)-W_{\min }(i,j)]---\left(6\right)$
式中，binrep(t)是二进制整数，[Wmax(i，j)，Wmin(i，j)]为各连接权的变化范围。 将所有权值对应的二进制字符串串联在一起，得到一条染色体，代表网络的一种 权值组合。
②设定的种群规模n，随机产生初始种群。
③设定网络的目标函数，将其转换为适应度，对个网络权值进行评价。通过网络 的误差函数计算适应度函数，并认为误差大的个体适应度小。个体i的适应度函 数fi可以表示为：
fi＝1/(Ei+1)      (7)
式中，Ei是网络的误差函数，表示为：
$E_i=\frac{1}{2}\underset{k=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n_3}{\Sigma }}{(c_j^k-c_j)}^2---\left(8\right)$
式中，m是训练集的样本个数，n3是神经元数，cj k是单元j的理想输出，cj是单元j 的实际输出。
④选定遗传操作，设置遗传参数及自适应调整算法等。交叉概率设为Pc，变异概 率设为Pm。个体i被选择的概率P表示为：
$P=f_i/\underset{j=1}{\overset{n}{\Sigma }}{f}_j---\left(9\right)$
式中，n为群体大小，fi为个体i的适应度，fi为个体j的适应度。
⑤依据适应度在遗传空间进行选择操作。
⑥依据选定的交叉、变异及有关算法、参数，进行相应的操作，得到新一代种群。
⑦判断是否满足性能要求，若是，结束寻优，得到一组优化的权值；否则返回步 骤⑤，继续迭代寻优。
模型更新模块10，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3，一种基于遗传算法优化BP神经网络的丙烯聚合生产 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；通过独立成分 分析方法，从经过中心化和预白化处理的线性混合数据中恢复出基本源信号；
3)、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，设BP 神经网络的输出层第k个神经元的实际输出为yk，输入为netk，与此层相邻的隐 含层中任一神经元j的输出为yj，则有：
${\mathrm{net}}_k=\underset{i}{\Sigma }{w}_{\mathrm{kj}}·y_j---\left(1\right)$
yk＝f(netk)   (2)
式中，wkj是神经元k与神经元j之间的连接权，f(·)为神经元的输出函数，通常取 为Sigmoid函数，表示为：
$f\left({\mathrm{net}}_k\right)=1/(1+e^{-({\mathrm{net}}_k+h_k)/{\theta }_0})---\left(3\right)$
式中，hk为神经元k的阈值，θ0为陡度参数，用以调节Sigmoid函数的陡度；
令训练样本为k，对于任一个输入模式Xp，若相应有输出层中第k个神经元 的期望输出Opk，则输出层的输出方差表示为：
$E_p=\frac{1}{2}\underset{p}{\Sigma }{(O_{\mathrm{pk}}-y_{\mathrm{pk}})}^2---\left(4\right)$
式中，Opk代表期望输出，ypk代表实际输出；反向误差传播学习的目的是修改连 接权w值，使E达到最小值；要求连接权wkj，wji应沿Ep的负梯度方向学习；所 以wkj的修正量为：
${\Delta }_p{w}_{\mathrm{kj}}=-\beta \frac{\partial E_p}{\partial w_{\mathrm{kj}}}---\left(5\right)$
式中，β为学习速率调整因子；
4)、采用遗传算法优化方法对BP神经网络进行优化，具体步骤如下：
①确定网络权值的编码方式，个体的位串长度，染色体采用二进制编码，网络每 个链接权值都用一定长度的0/1串表示，在编码时首先假定连接权在某一预定的 范围内变化，连接权的实际值和字符串表示值关系表示为：
$W_t(i,j)=W_{\min }(i,j)+\frac{\mathrm{binrep}\left(t\right)}{2^t-1}[W_{\max }(i,j)-W_{\min }(i,j)]---\left(6\right)$
式中，binrep(t)是二进制整数，[Wmax(i，j)，Wmin(i，j)]为各连接权的变化范围， 将所有权值对应的二进制字符串串联在一起，得到一条染色体，代表网络的一种 权值组合。
②设定的种群规模n，随机产生初始种群；
③设定网络的目标函数，将其转换为适应度，对个网络权值进行评价；通过网络 的误差函数计算适应度函数，并认为误差大的个体适应度小，个体i的适应度函 数fi表示为：
fi＝1/(Ei+1)     (7)
式中，Ei是网络的误差函数，表示为：
$E_i=\frac{1}{2}\underset{k=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n_3}{\Sigma }}{(c_j^k-c_j)}^2---\left(8\right)$
式中，m是训练集的样本个数，n3是神经元数，cj k是单元j的理想输出，cj是单元j 的实际输出；
④选定遗传操作，设置遗传参数及自适应调整算法，交叉概率设为Pc，变异概率 设为Pm，个体i被选择的概率P表示为：
$P=f_i/\underset{j=1}{\overset{n}{\Sigma }}{f}_j---\left(9\right)$
式中，n为群体大小，fi为个体i的适应度，fi为个体j的适应度；
⑤依据适应度在遗传空间进行选择操作；
⑥依据选定的交叉、变异及有关算法、参数，进行相应的操作，得到新一代种群；
⑦判断是否满足性能要求，若是，结束寻优，得到一组优化的权值；否则返回步 骤⑤，继续迭代寻优。
所述软测量方法还包括以下步骤：5)、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：由遗传算法优化BP神经网络方法10优化初始神经网络8的权值参 数。
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，基于遗传算法优化BP神经网络的最优软测量模型5建立完成。
步骤7：熔融指数软测量值显示仪6显示基于遗传算法优化BP神经网络的 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。