1.一种超临界萃取过程中工艺参数的非解耦建模优化方法,其特征在于:该方法包括以下步骤:
s1:获取影响萃取率的n个变量因素的历史生产数据和试验数据,记录所述变量因素不同取值对应的萃取率,并从中提取出样本数据;
s2:使用深度极限学习机建立以所述n个变量因素作为输入域、萃取率作为输出的模型;深度极限学习机由多层堆叠自编码器和极限学习机组成,使用多层堆叠自编码器从样本数据中提取出上述n个变量因素之间的深层特征;再以所述深层特征作为输入、萃取率作为输出,使用极限学习机进行拟合,学习萃取过程中的非线性输入输出关系;
s3:使用粒子群智能优化算法实现对超临界萃取过程中工艺参数的优化,将s2中训练完成的模型作为粒子群智能优化过程中的适应度函数,计算每个粒子的适应度函数值,寻找最优工艺参数。
2.根据权利要求1所述的一种超临界萃取过程中工艺参数的非解耦建模优化方法,其特征在于:在步骤s2中,所述多层堆叠自编码器由多个自编码器堆叠而成;
所述单个自编码器由输入层、隐层和输出层的神经网络结构组成;输入层的神经元个数等于系统输入变量的个数,输入层的n个神经元代表影响萃取率的n个变量因素,输出层和输入层结构相同,隐层有10个神经元;
自编码器包括两个部分:从输入层到隐层的映射关系是一个编码过程,通过映射函数将输入信号xi映射到隐层输出oj,即
oj=f(wij·xi+bi),i=1,...,8,j=1,...,10;
从隐层到输出层的映射关系是一个解码过程,通过映射把隐层输出oj映射到输出层
隐层和输出层神经元的激活函数都为sigmoid函数,即:
网络的损失函数为均方根误差:
3.根据权利要求1所述的一种超临界萃取过程中工艺参数的非解耦建模优化方法,其特征在于:在步骤s2中,所述极限学习机对应的网络表示为:
其中,qi表示模型的输入,由堆叠自编码器提取的深层特征;ωij表示第i个输入到第j个隐层神经元的输入权重;激活函数g(z)选择sigmoid函数;βj代表输出权重;bj代表第j个隐层神经元的偏置,随机初始化网络的输入权重ωij和偏置bj之后,确定隐层的输出,再使用最小二乘方法求解出输出权值,完成网络的训练。
4.根据权利要求1所述的一种超临界萃取过程中工艺参数的非解耦建模优化方法,其特征在于:所述变量因素为萃取温度、流入阀门开度、流出阀门开度、二氧化碳流速、萃取时间、样品颗粒密度、样品颗粒直径和超临界流体密度。