馬浩天，楊友良，馬翠紅，王 祿

（華北理工大學(xué)電氣工程學(xué)院，河北 唐山 063200）

在氯堿電解槽電解過(guò)程中，因?yàn)椴僮鞑粶?zhǔn)確和參數(shù)測(cè)量的不穩(wěn)定以及對(duì)多參數(shù)信息的綜合分析能力有限，所以對(duì)于氯堿電解生產(chǎn)控制策略往往是不充分的。在現(xiàn)有作業(yè)制度和電解設(shè)備不需要做大改動(dòng)情況之下，通過(guò)對(duì)氯堿電解槽的電解過(guò)程進(jìn)行參數(shù)優(yōu)化，控制并調(diào)整各工藝參與以提高生產(chǎn)效率，降低能耗，具有一定的實(shí)際意義。

神經(jīng)網(wǎng)絡(luò)的非線性映射能力非常強(qiáng)，它是一種單向傳播的多層神經(jīng)網(wǎng)絡(luò)，在沒有任何先驗(yàn)公式的基礎(chǔ)上，可以通過(guò)訓(xùn)練自動(dòng)總結(jié)出數(shù)據(jù)間的函數(shù)關(guān)系。但是神經(jīng)網(wǎng)絡(luò)有一些缺點(diǎn)，就是初始的權(quán)值與閾值的隨機(jī)設(shè)定會(huì)導(dǎo)致收斂速度較慢并容易陷入局部的極小值。遺傳算法可以用來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的閾值和初始權(quán)值，但是遺傳算法本身也是存在著一定缺點(diǎn)的，比如算子設(shè)定、初始種群的選擇等。為了解決這些問(wèn)題，該文把K均值聚類的計(jì)算方法結(jié)合量子遺傳算法，利用K均值聚類算法將遺傳算法中的初始種群劃分為多個(gè)子種群，另多個(gè)子種群分別進(jìn)化；對(duì)于傳統(tǒng)的方法之中使用的固定旋轉(zhuǎn)角，為了提高算法的收斂速度采用動(dòng)態(tài)調(diào)整策略。用改進(jìn)量子遺傳算法來(lái)在BP神經(jīng)網(wǎng)絡(luò)的初始閾值與權(quán)值之中進(jìn)行尋優(yōu)，最后通過(guò)仿真實(shí)驗(yàn)檢測(cè)離子膜模型建立的效果。

該文利用神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，建立好函數(shù)關(guān)系，并將該函數(shù)作為目標(biāo)輸入函數(shù)，利用復(fù)合形法對(duì)離子膜效率進(jìn)行在線優(yōu)化，取得了很好的經(jīng)濟(jì)效益。

1 離子膜氯堿電解簡(jiǎn)介

離子膜氯堿電解技術(shù)是目前世界上較為先進(jìn)的電解生產(chǎn)工藝，其與金屬陽(yáng)極法、石墨槽法、水銀法相比，具有能耗低、污染少、NaOH濃度高等優(yōu)點(diǎn)。

離子膜技術(shù)的特點(diǎn)是利用選擇性離子交換膜將電解槽的陰陽(yáng)極室分隔開來(lái)，其膜原理是將陽(yáng)離子Na+從陽(yáng)極室?guī)У疥帢O室，并且阻止陰極室的OH-離子通過(guò)。這樣避免了液體與氣體之間的混合，又保證了電解室?guī)щ婋x子的平衡，從而產(chǎn)生高質(zhì)量與高純度的產(chǎn)物。

離子膜的效率即是對(duì)OH-離子的排斥能力以及對(duì)Na+的遷移能力。實(shí)際離子膜效率的計(jì)算公式為：

式中：q—堿液流量，kg/h；

cNaOH—堿液質(zhì)量的百分?jǐn)?shù)，%；

NA、NB—A列和B列的電解槽數(shù)，一般每個(gè)電解槽的槽數(shù)是30個(gè)；

IA和IB—A列和B列的電流，kA；

T—計(jì)算膜效率的時(shí)間間隔，h。

離子膜生產(chǎn)過(guò)程中，離子膜效率越高，電解效率越高，電解能耗越低，因此可以帶來(lái)可觀的經(jīng)濟(jì)收益。所以，為了保證高質(zhì)量、高效率的生產(chǎn)過(guò)程，對(duì)電解槽的優(yōu)化控制是非常有必要的。但是影響電解槽生產(chǎn)效率的因素有很多，主要變量有，NaOH濃度、淡鹽水濃度、電流密度、槽溫等。該文用改進(jìn)后的量子遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)離子膜效率進(jìn)行軟測(cè)量，然后再對(duì)離子膜的被控變量的設(shè)定值進(jìn)行在線優(yōu)化調(diào)整，保證離子膜的性能達(dá)到最佳，從而達(dá)到節(jié)能降耗的目的。

2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及學(xué)習(xí)算法

2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)是由一個(gè)個(gè)神經(jīng)元[4]來(lái)組成的。圖1是單輸入神經(jīng)元，其中x是輸入端，ω是權(quán)值，b是閾值，f是激勵(lì)函數(shù)，而y是輸出。輸入值x經(jīng)過(guò)與權(quán)值、閾值的計(jì)算，得到激勵(lì)函數(shù)的輸入y=f（ωx+b）。其中，f的函數(shù)型該文選擇S型函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)是多層前饋神經(jīng)網(wǎng)絡(luò)見圖2。網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、輸出層和隱含層。其每一層由并行神經(jīng)元構(gòu)成，未在同一層神經(jīng)元都相互連接，同一層之間沒有連接，并且各層神經(jīng)元都選擇任意激勵(lì)函數(shù)。

圖1 單輸入神經(jīng)元

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法組成：輸入樣本和誤差，其中輸入樣本為正向傳播而誤差是反向傳播。訓(xùn)練網(wǎng)絡(luò)時(shí)，權(quán)值和閾值是隨機(jī)的，用來(lái)訓(xùn)練的樣本從輸入端計(jì)算到輸出端，然后再將其與設(shè)定值進(jìn)行比較，若誤差值未達(dá)標(biāo)，則將誤差變化值信號(hào)反向傳播回去，同時(shí)修改每層神經(jīng)元的權(quán)值與閾值。前向傳播與反向傳播來(lái)回計(jì)算，直到輸值與設(shè)定值誤差平方和達(dá)標(biāo)或者計(jì)算次數(shù)達(dá)到設(shè)定的最大值，以此來(lái)獲得最合適的連接權(quán)值和閾值。假設(shè)輸出層神經(jīng)元是m個(gè)，且輸出值為，期望值為y，誤差平方和E得：

權(quán)值的修正值是：

式中，Δωij—ij之間的權(quán)值，Ij—激勵(lì)函數(shù)，η—學(xué)習(xí)的速率。

3 量子遺傳算法

量子遺傳算法的原理是使用量子特性之中的比特概率幅代表染色體編碼，這樣使染色體的狀態(tài)信息能夠增加很多，然后種群的更新則使用量子旋轉(zhuǎn)門來(lái)實(shí)現(xiàn)，最后達(dá)到對(duì)目標(biāo)函數(shù)尋優(yōu)的目的。

3.1 量子比特編碼

一般計(jì)算中，一個(gè)比特的值為二進(jìn)制0和1。然而在量子特性中，一個(gè)量子比特，不僅僅代表兩個(gè)數(shù)值，其能夠代表|0〉和|1〉之間的無(wú)限個(gè)中間態(tài)，也就是說(shuō)量子比特的狀態(tài)是|0〉和|1〉的線性組合：

式中，α和β 為復(fù)數(shù)，被稱作量子態(tài)概率幅。|α|2和|β|2分別表示量子位在|0〉和|1〉狀態(tài)間的概率，而且滿足以下條件：

包含m個(gè)量子比特位系統(tǒng)：

式中，|αi|2+|βi|2=1（i=1，2，…，m）。m 個(gè)比特位可以有2m種狀態(tài)，且其中的狀態(tài)由2m個(gè)概率幅決定。所以，量子遺傳算法在種群多樣性和全局搜索能力比一般遺傳算法更加優(yōu)秀。

3.2 量子旋轉(zhuǎn)門更新

該算法更新種群的方法是旋轉(zhuǎn)門。操作方法如下：

式中，θ為旋轉(zhuǎn)角，大小以及方向按照表1來(lái)選擇，θ=s（αi，βi）δ。

表1中，f（x）是適應(yīng)度函數(shù)，xi和besti分別代表第i個(gè)當(dāng)前的染色體與最優(yōu)的染色體的二進(jìn)制編碼；s（αi，βi）代表旋轉(zhuǎn)角方向，s（αi，βi）其中的符號(hào)確定染色體收斂方向；δ代表旋轉(zhuǎn)角，能夠影響算法收斂速度，δ范圍是 0.005π～0.1π。

3.3 量子遺傳算法流程

（1）先設(shè)定好種群的大小n和量子編碼的位數(shù)m。其中每個(gè)個(gè)體如公式（6）所示，所有的 αi、βi初始化成

（2）根據(jù)個(gè)體概率幅生成相對(duì)應(yīng)的二進(jìn)制編碼。具體的操作：產(chǎn)生[0.1]的隨機(jī)數(shù)，若隨機(jī)數(shù)大于|αi|2或者|βi|2，則取 1，否則取 0。

（3）計(jì)算個(gè)體適應(yīng)度值，并記錄適應(yīng)度最大個(gè)體，作為下一代的進(jìn)化目標(biāo)。

（4）判斷終止條件是否滿足，如果滿足則算法終止，不滿足則執(zhí)行下一步。

（5）計(jì)算量子旋轉(zhuǎn)旋轉(zhuǎn)角，并更新每個(gè)個(gè)體概率幅值。

（6）代數(shù)加1，然后繼續(xù)進(jìn)行（2）步驟。

4 改進(jìn)的量子遺傳算法

4.1 基于K均值的多種群聚類算法

量子遺傳算法中，種群之中的其余個(gè)體需要朝向最優(yōu)解的方向來(lái)更新自己的染色體，更新時(shí)由其本身與當(dāng)前最優(yōu)個(gè)體的概率幅值來(lái)決定。但如果當(dāng)前的最優(yōu)解個(gè)體是當(dāng)前全局次優(yōu)解，那就會(huì)陷入局部最優(yōu)。

表1 量子旋轉(zhuǎn)門的調(diào)整策略

為了解決這種問(wèn)題，此文加入多種群的計(jì)算方法。將整體的種群進(jìn)行分化，劃分成多個(gè)子種群并且每個(gè)自種群向著其中最優(yōu)的種群來(lái)進(jìn)化，并且在進(jìn)化到一定的代數(shù)時(shí)，通過(guò)移民方法來(lái)交換個(gè)體，這樣可以加快算法收斂速度，且避免過(guò)早收斂現(xiàn)象。但傳統(tǒng)多種群算法僅僅是將父種群隨機(jī)的劃分為多個(gè)子種群，其有盲目性和隨機(jī)性，不符合自然進(jìn)化規(guī)律。所以這里利用K均值聚類的算法劃分種群。

K均值聚類算法：任意選擇其中的K個(gè)對(duì)象用作初始聚類中心，并計(jì)算群體之中個(gè)體與聚類中心的距離，令每個(gè)個(gè)體歸屬于其最近聚類中心。聚類中心和其被分配的個(gè)體代表一個(gè)子種群。如果所有個(gè)體都被分配，那么各個(gè)種群聚類中心將會(huì)根據(jù)聚類之中現(xiàn)有個(gè)體來(lái)重新計(jì)算。此過(guò)程不斷重復(fù)直至群體不再變化。

基于K均值的多種群的量子遺傳算法如下：

步驟1利用以上方法將父種群劃分為k個(gè)子種群。

步驟2各個(gè)子種群利用量子旋轉(zhuǎn)門來(lái)進(jìn)行更新，然后計(jì)算出所有個(gè)體的適應(yīng)度值。

步驟3各個(gè)子種群進(jìn)行移民操作：相鄰子種群適應(yīng)度最高的個(gè)體來(lái)代替本子種群適應(yīng)度最低的個(gè)體。

步驟4每一個(gè)子種群之中要選擇出適應(yīng)度值最好的那個(gè)個(gè)體保存到精華群。若最優(yōu)個(gè)體的最少保持代數(shù)小于設(shè)定值，則轉(zhuǎn)到步驟1，否則迭代終止。其中精華群里面的最優(yōu)個(gè)體則為最優(yōu)解。

子種群進(jìn)化時(shí)的計(jì)算是由動(dòng)態(tài)組建完成，且利用其他子種群的最優(yōu)個(gè)體代替本子種群最劣個(gè)體，此種方法能促進(jìn)各個(gè)子種群間的信息交換，增加跳出局部最優(yōu)的概率。精華種群的作用是保證各子種群的最優(yōu)解不被丟失。

4.2 量子旋轉(zhuǎn)門自適應(yīng)調(diào)整策略

種群更新時(shí)需要比較各個(gè)個(gè)體與當(dāng)前的最優(yōu)個(gè)體的二進(jìn)制編碼來(lái)決定轉(zhuǎn)角，若f（x）≥f（b），則需要調(diào)整個(gè)體中相對(duì)應(yīng)比特位，令（αi，βi）朝著x的方向進(jìn)行旋轉(zhuǎn)。δ大小決定收斂速度，δ設(shè)定為固定值，計(jì)算過(guò)程中保持不變。但是此種方法有所不足：若設(shè)置過(guò)大，則會(huì)導(dǎo)致算法早熟；設(shè)置過(guò)小，則致迭代次數(shù)過(guò)多，收斂過(guò)慢。為解決此問(wèn)題，需要一種自適應(yīng)調(diào)整策略，令旋轉(zhuǎn)角隨每個(gè)個(gè)體與當(dāng)前最優(yōu)個(gè)體差異大小來(lái)變化。

文獻(xiàn)[5]提出使用公式（8）的策略來(lái)調(diào)整旋轉(zhuǎn)角，公式如下：

式中，fmax和fmin分別代表當(dāng)前種群里面?zhèn)€體的最大適應(yīng)度值和最小適應(yīng)度值，f代表的是當(dāng)前個(gè)體適應(yīng)度值。

由公式（8）可知，若當(dāng)前個(gè)體的適應(yīng)度值比較小，且與最優(yōu)個(gè)體的適應(yīng)度值相差較大時(shí)使用較大旋轉(zhuǎn)角，相反則用較小旋轉(zhuǎn)角。且無(wú)論f是哪種情況，δ的取值都在δmax與δmin之間來(lái)取值。

5 離子膜效率預(yù)測(cè)模型的建立與分析

5.1 影響因素的選擇

由于影響離子膜效率的因素有很多，如果這些因素全部輸入到控制模型之中，這樣不僅會(huì)使計(jì)算結(jié)構(gòu)變的復(fù)雜，并且會(huì)拖慢運(yùn)算速度，降低運(yùn)算精度，使控制系統(tǒng)的泛化能力不足，達(dá)不到預(yù)期的可行性。在氯堿電解過(guò)程中，很多影響因素都具有耦合性，并且有些影響因素對(duì)于生產(chǎn)過(guò)程的影響相對(duì)來(lái)說(shuō)較小。所以，建立控制模型之前，需要簡(jiǎn)化影響因素的輸入，使模型較為清晰，增加實(shí)現(xiàn)程度。

本文采用的是核主元素分析法（Kernel Principal Component Analysis，KPCA）簡(jiǎn)化數(shù)據(jù)屬性。核主元素分析法就是利用“核技巧”將線性的主成分分析法（Principal Component Analysis，PCA）進(jìn)行拓展，成為非線性的PCA，對(duì)于傳統(tǒng)PCA來(lái)說(shuō)，KPCA具有主成分特征更加明顯，參數(shù)維數(shù)較少，貢獻(xiàn)率更加集中等優(yōu)點(diǎn)，是一種處理非線性指標(biāo)的理想分析方法。

現(xiàn)場(chǎng)采集生產(chǎn)數(shù)據(jù)后，根據(jù)基本原理，計(jì)算KPCA的“累計(jì)貢獻(xiàn)率”的過(guò)程如下。

（1）將n個(gè)指標(biāo)（每個(gè)指標(biāo)有m個(gè)樣品）數(shù)據(jù)寫成（m×n）維的矩陣：

（2）計(jì)算核矩陣K；

（3）修正核矩陣得到KL；

（4）使用Jacobi迭代方法來(lái)計(jì)算KL的特征值λ1，…，λn即對(duì)應(yīng)的特征向量 v1，v2，…，vn；

通過(guò)施密特正交化方法，單位正交化特征向量，得到 α1，α2，…，αn；

計(jì)算特征值的累積貢獻(xiàn)率 B1，B2，…，Bn，根據(jù)給定的提取效率p，如果Bt≥p，則提取t個(gè)主分量α1，α2，…，αt。

所以，根據(jù)核主元素分析法，在槽溫、電流密度、電壓、NaOH濃度、淡鹽水濃度這5個(gè)變量中，選擇出3個(gè)主元作為模型的輸入。分析結(jié)果見表2。

核主元素分析法的原則是要求每個(gè)元素的累計(jì)貢獻(xiàn)率達(dá)到85%以上即可，由表2可知，只要選擇前兩個(gè)元素就能夠滿足，但是在分別仿真2個(gè)主元、3個(gè)主元、4個(gè)主元、5個(gè)主元作為輸入時(shí)仿真得到的預(yù)測(cè)誤差百分比，見表3。

表2 核主元素分析法分析結(jié)果

表3 膜效率預(yù)測(cè)誤差

由表3可知，用2個(gè)主元輸入模型到用3個(gè)主元輸入模型時(shí)，膜效率誤差有明顯下降。以3個(gè)主元、4個(gè)主元、5個(gè)主元來(lái)輸入模型時(shí)，膜效率的誤差雖然降低，但是誤差變化不大。所以，為了既保證原有樣本的基本信息，又能簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的輸入模型，需要選擇前5個(gè)主元作為輸入模型，分別是槽溫（x0）、NaOH 濃度（x1）和淡鹽水濃度（x2）。

5.2 模型建立與分析

本文采用改進(jìn)的多種群量子遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法建立氯堿電解槽膜效率軟測(cè)量模型。數(shù)據(jù)來(lái)自于某化工企業(yè)的生產(chǎn)過(guò)程記錄值。

經(jīng)過(guò)預(yù)先的數(shù)據(jù)處理后得到756組樣本數(shù)據(jù)，然后隨機(jī)采取656組數(shù)據(jù)作為其中的訓(xùn)練樣本數(shù)據(jù)，其中的100組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。此時(shí)可以利用這些數(shù)據(jù)在matlab平臺(tái)上進(jìn)行仿真，設(shè)置3－7－1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，把x0，x1，x2這3組數(shù)據(jù)作為輸入數(shù)據(jù)，y作為輸出數(shù)據(jù)來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

圖3 氯堿電解膜效率輸出曲線圖

圖4 氯堿電解膜效率預(yù)測(cè)誤差百分比曲線圖

學(xué)習(xí)速率是0.01，設(shè)定誤差為0.000 1，迭代次數(shù)是500。父種群的規(guī)模是200，子種群的個(gè)數(shù)是5，個(gè)體的量子編碼和二進(jìn)制編碼長(zhǎng)度是20，最優(yōu)的個(gè)體保持的代數(shù)為10的時(shí)候終止算法。令期望輸出和實(shí)際輸出間的均方誤差的倒數(shù)作為適應(yīng)度的函數(shù)值，即1/MSE（y-y′）。氯堿電解的膜效率和誤差百分比的仿真結(jié)果分別見圖3和圖4。

圖3和圖4的仿真結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)遺傳算法對(duì)氯堿電解過(guò)程中的膜效率進(jìn)行優(yōu)化，能將膜效率很好的預(yù)測(cè)出。

6 離子膜效率優(yōu)化

得到離子膜效率的軟測(cè)量模型之后，即可對(duì)離子膜的效率進(jìn)行優(yōu)化，優(yōu)化的目的是計(jì)算出在給定的生產(chǎn)負(fù)荷下，最佳的電解槽溫度、堿液濃度和淡鹽水的濃度，并將其作為設(shè)定值輸入到控制系統(tǒng)，從而來(lái)提高離子膜的生產(chǎn)效率。

因?yàn)榈玫降能洔y(cè)量模型中的變量較少，所以本文選用復(fù)合形法來(lái)進(jìn)行離子膜效率的尋優(yōu)。

從預(yù)測(cè)模型中得到的離子膜效率的目標(biāo)函數(shù)是

式中，x0，x1，x2為自變量分別代表的是槽溫、堿液濃度和淡鹽水濃度。在實(shí)際問(wèn)題中要求的是極大值，令J=-η=-f（x0，x1，x2），J極小值的絕對(duì)值就是η的極大值。用復(fù)合形法求目標(biāo)函數(shù)J極小值的過(guò)程如下。

（1）復(fù)合形一共有2 n個(gè)頂點(diǎn)，本文中n為3，假設(shè)給定的初始復(fù)合形中第一個(gè)頂點(diǎn)坐標(biāo)（x00，x10，x20），并且此頂點(diǎn)坐標(biāo)應(yīng)滿足相應(yīng)的約束條件；

（2）在三維空間變量之中，再確定初始復(fù)合形其余的5個(gè)頂點(diǎn)。

利用偽隨機(jī)數(shù)按照約束的條件來(lái)產(chǎn)生第j個(gè)頂點(diǎn)，X（j）=（x0j，x1j，x2j），j=1，2，…，5，其中各個(gè)分量xij（i=0，1，2）為：式中：r為0～1之間的偽隨機(jī)數(shù)；ai和bi是變量xij的常量約束條件，即 ai≤xij≤bi。

（3）確定好復(fù)合形2n=6個(gè)頂點(diǎn)后，計(jì)算每個(gè)頂點(diǎn)的目標(biāo)函數(shù)值

（4）確定最壞點(diǎn)XR與次壞點(diǎn)XG

（5）計(jì)算最壞點(diǎn)XR的對(duì)稱點(diǎn)

（6）確定新頂點(diǎn)替代最壞點(diǎn)XR構(gòu)成新的復(fù)合形，方法如下：

若f（XT）＞f（G），則用下式修改XT：XT=（XF+XT）/2，直到f（XT）≤f（G）為止，若重復(fù)M次未找到XT使f（XT）≤f（G），則直接跳出來(lái)重新選擇初始的復(fù)合形頂點(diǎn)計(jì)算，若連續(xù)N次直接跳出都未能尋出結(jié)果，則選取N次之中最好的結(jié)果作為最優(yōu)解輸出[6]；

然后檢查XT是否滿足所有的約束條件，如果對(duì)于某個(gè)分量XiT不能夠滿足常量的約束條件，即如果 XiT＜ai或者 XiT＞bi，則令 XiT=ai+δ或者 XiT=bi－δ。其中δ是一個(gè)很小的正數(shù)，一般取δ=1×10－6。然后重復(fù)（6）。

此時(shí)令XR=XG，f（R）=f（XT），重復(fù)（4）～（6），直到各頂點(diǎn)的距離小于設(shè)定的精度為止，即可獲得目標(biāo)函數(shù)的最優(yōu)值。

離子膜效率優(yōu)化的結(jié)果見表4。

表4 最優(yōu)膜效率及試驗(yàn)條件仿真結(jié)果

表4的仿真結(jié)果表明，此種方法得到的最優(yōu)膜效率93.96%，和其對(duì)對(duì)應(yīng)的生產(chǎn)條件。所以，此種方法能夠達(dá)到預(yù)期目標(biāo)，并能夠應(yīng)用于實(shí)際生產(chǎn)之中。

本文從某化工廠采集的756組樣本數(shù)據(jù)的離子膜平均效率為92.85%。所以由此可知，此種方法能夠?qū)⒙葔A電解槽的離子膜效率提升0.5%左右，可以為氯堿生產(chǎn)帶來(lái)可觀的經(jīng)濟(jì)效益。

7 結(jié)語(yǔ)

本文以氯堿電解槽生產(chǎn)過(guò)程為背景，提出利用改進(jìn)的多種群量子遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立離子膜效率的軟測(cè)量，然后用遺傳算法對(duì)離子膜的電解效率進(jìn)行優(yōu)化。此次利用神經(jīng)網(wǎng)絡(luò)遺傳算法計(jì)算出的膜效率為93.36%，在優(yōu)化之前，電解設(shè)備的膜效率僅為92.85%。通過(guò)此次優(yōu)化，膜效率能夠提升0.5%左右，帶來(lái)的經(jīng)濟(jì)效益約為200萬(wàn)元/a，從而為氯堿生產(chǎn)過(guò)程提供了優(yōu)化操作指導(dǎo)，可以成為其節(jié)能減排的一種方法[7]。