本發(fā)明屬于化工生產(chǎn)過程軟測量建模和應(yīng)用領(lǐng)域，特別地，涉及一種基于集成神經(jīng)網(wǎng)絡(luò)的聚丙烯生產(chǎn)過程熔融指數(shù)混合建模方法。
背景技術(shù)：
：在聚丙烯生產(chǎn)過程中，存在著產(chǎn)品質(zhì)量不夠穩(wěn)定、專用料少等問題，這要求聚丙烯生產(chǎn)企業(yè)盡快進行產(chǎn)業(yè)升級，朝著規(guī)模大型化、催化劑多樣化和過程控制自動化等方向發(fā)展。熔融指數(shù)是聚丙烯生產(chǎn)過程中最重要的質(zhì)量指標之一，用于區(qū)分不同牌號的聚丙烯產(chǎn)品。目前在聚丙烯生產(chǎn)過程中，熔融指數(shù)只能通過定期在線取樣離線化驗獲得，但該檢測方式存在較大時滯，導(dǎo)致熔融指數(shù)化驗值無法實時指導(dǎo)生產(chǎn)過程，難以滿足聚丙烯生產(chǎn)過程的實時質(zhì)量控制要求。目前針對聚丙烯熔融指數(shù)的建模方法主要有兩種，分別是機理建模和數(shù)據(jù)驅(qū)動建模。對機理建模方法而言，理論上機理模型能夠抓住動態(tài)反應(yīng)的本質(zhì)特征并且能夠描述過程在較大范圍內(nèi)變化，但是前提是需要大量的復(fù)雜微分方程以及非常準確的物化參數(shù)。而這些方程的建立和參數(shù)的估計代價較高，往往很難準確獲取。另外，為了簡化模型結(jié)構(gòu)和降低模型辨識難度，在采用機理分析方法建立熔融指數(shù)機理模型過程中，通常需要基于某些合理的假設(shè)，但這些假設(shè)通常與實際過程并不相符，使機理模型難以精確描述熔融指數(shù)的變化趨勢，使機理模型與離線分析值之間存在一定偏差。此外，聚丙烯生產(chǎn)過程中常存在的一些擾動會導(dǎo)致實際過程在穩(wěn)態(tài)工況點附近波動，而機理模型一般無法識別出這類動態(tài)變化所引起的偏差。聚丙烯生產(chǎn)過程的dcs控制系統(tǒng)歷史數(shù)據(jù)庫積累了大量的生產(chǎn)數(shù)據(jù)，為采用數(shù)據(jù)驅(qū)動方法建立熔融指數(shù)的軟測量模型提供了重要的基礎(chǔ)條件。而基于神經(jīng)網(wǎng)絡(luò)、支持向量機等純數(shù)據(jù)驅(qū)動方法建立熔融指數(shù)軟測量模型雖然方便，且在一定程度能滿足建模精度，但是對于聚合反應(yīng)過程牌號切換、工作點經(jīng)常變化的應(yīng)用場合，在離開建模數(shù)據(jù)的操作區(qū)域，單純應(yīng)用數(shù)據(jù)驅(qū)動方法，不僅缺乏外推性能，而且在質(zhì)量閉環(huán)控制時，訓(xùn)練數(shù)據(jù)區(qū)域盲目外推，容易導(dǎo)致誤操作,給生產(chǎn)帶來巨大影響。聚丙烯生產(chǎn)過程中存在著對象機理、過程數(shù)據(jù)、專家知識等信息，若能合理融合這些信息，并將機理建模和數(shù)據(jù)驅(qū)動建模方法相結(jié)合以實現(xiàn)兩種傳統(tǒng)建模方法的優(yōu)勢互補，建立具有較好預(yù)測精度和泛化性能的聚丙烯熔融指數(shù)在線預(yù)測模型，這對于實現(xiàn)聚丙烯生產(chǎn)過程的質(zhì)量監(jiān)測、控制與優(yōu)化都具有重要現(xiàn)實意義。技術(shù)實現(xiàn)要素：本發(fā)明要克服現(xiàn)有技術(shù)的聚丙烯生產(chǎn)過程熔融指數(shù)預(yù)測時滯大的缺點，為了克服已有的純機理模型精度不高和純數(shù)據(jù)驅(qū)動模型外推能力較差的不足，采用集成神經(jīng)網(wǎng)絡(luò)模型進行機理模型的誤差補償，建立一種并聯(lián)結(jié)構(gòu)的混合模型，進而提供一種基于集成神經(jīng)網(wǎng)絡(luò)的聚丙烯熔融指數(shù)混合建模方法。本發(fā)明的技術(shù)解決方案為：首先采用樣本數(shù)據(jù)辨識得到聚丙烯熔融指數(shù)的簡化機理模型，然后采用集成神經(jīng)網(wǎng)絡(luò)建立機理模型的誤差補償模型，最后將集成神經(jīng)網(wǎng)絡(luò)模型作為偏差的估計器與機理模型相疊加，進而得到融合機理與過程數(shù)據(jù)的聚丙烯熔融指數(shù)混合模型。該建模方法可降低對機理模型的具體要求，可獲得對聚丙烯生產(chǎn)過程更為精確的描述，能改善軟測量模型的預(yù)測精度。一種基于集成神經(jīng)網(wǎng)絡(luò)的聚丙烯熔融指數(shù)混合建模方法，包括以下步驟：(1)通過集散控制系統(tǒng)和實時數(shù)據(jù)庫系統(tǒng)收集聚丙烯生產(chǎn)過程各個關(guān)鍵變量的數(shù)據(jù)，并將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫，作為軟測量模型的輸入樣本數(shù)據(jù)集；(2)通過離線化學(xué)分析獲取歷史數(shù)據(jù)庫中用于建模的樣本所對應(yīng)的熔融指數(shù)離線分析值，作為軟測量模型的輸出樣本數(shù)據(jù)集；(3)分別對步驟1獲取的關(guān)鍵變量和步驟2獲取的輸出變量進行預(yù)處理；(4)基于預(yù)處理后的訓(xùn)練樣本數(shù)據(jù)集，建立熔融指數(shù)簡化機理模型，將該機理模型參數(shù)存入數(shù)據(jù)庫中備用，同時得到簡化機理模型的訓(xùn)練值；(5)步驟2獲取的熔融指數(shù)離線分析值減去簡化機理模型的訓(xùn)練值得到機理模型預(yù)測誤差，并將步驟1獲取的關(guān)鍵變量和機理模型預(yù)測偏差分別作為模型輸入和輸出，建立基于集成神經(jīng)網(wǎng)絡(luò)的機理模型預(yù)測誤差補償模型，將該誤差補償模型的參數(shù)存入數(shù)據(jù)庫中備用；(6)將預(yù)處理后的新實時數(shù)據(jù)直接輸入到步驟4的簡化機理模型和步驟5的誤差補償模型中，將兩個模型的輸出值相加，可獲得該實時數(shù)據(jù)對應(yīng)的聚丙烯熔融指數(shù)預(yù)測值。本發(fā)明的有益效果主要表現(xiàn)在：針對聚丙烯生產(chǎn)過程的復(fù)雜性，通過合理融合生產(chǎn)過程的對象機理、過程數(shù)據(jù)、專家知識等信息，并將機理建模和數(shù)據(jù)驅(qū)動建模方法較好地結(jié)合起來，實現(xiàn)了兩種傳統(tǒng)建模方法的優(yōu)勢互補，由此建立的聚丙烯熔融指數(shù)軟測量模型更符合過程的實際特性，可以具有較好預(yù)測精度和泛化性能，用于指導(dǎo)聚丙烯生產(chǎn)過程，有效實現(xiàn)聚丙烯質(zhì)量控制。附圖說明附圖用來提供對本發(fā)明的進一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實施例共同用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中：圖1是本發(fā)明所提出的并聯(lián)結(jié)構(gòu)混合建模方法原理圖圖2是集成神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)圖3是某石化企業(yè)spheripol法生產(chǎn)聚丙烯的工藝流程簡圖圖4是基于簡化機理模型(a)的聚丙烯熔融指數(shù)在線軟測量結(jié)果圖5是基于單一bp神經(jīng)網(wǎng)絡(luò)模型(b)的聚丙烯熔融指數(shù)在線軟測量結(jié)果圖6是基于集成bp神經(jīng)網(wǎng)絡(luò)模型(c)的聚丙烯熔融指數(shù)在線軟測量結(jié)果圖7是本發(fā)明方法(d)的聚丙烯熔融指數(shù)在線軟測量結(jié)果具體實施方式以下將結(jié)合附圖及實施例來詳細說明本發(fā)明的實施方式，借此對本發(fā)明如何應(yīng)用技術(shù)手段來解決技術(shù)問題，并達成技術(shù)效果的實現(xiàn)過程能充分理解并據(jù)此實施。本發(fā)明針對聚丙烯生產(chǎn)過程的熔融指數(shù)預(yù)測問題，提供一種基于集成神經(jīng)網(wǎng)絡(luò)的混合建模方法，用于建立聚丙烯熔融指數(shù)軟測量模型，以實現(xiàn)聚丙烯生產(chǎn)過程的熔融指數(shù)在線估計。該混合建模方法原理如圖1所示，圖中x為輸入樣本數(shù)據(jù)集，mimech為簡化機理模型的輸出值，ecomp為誤差補償模型的輸出值，mipred為混合模型的輸出值。一種基于集成神經(jīng)網(wǎng)絡(luò)的聚丙烯熔融指數(shù)混合建模方法，具體實施步驟如下：(1)聚丙烯熔融指數(shù)與催化劑體系、聚合反應(yīng)條件有關(guān)，根據(jù)丙烯聚合動力學(xué)及工藝特點，選擇氫氣濃度、催化劑teal流率、丙烯單體流率、環(huán)管夾套冷卻水溫度及反應(yīng)溫度作為熔融指數(shù)的主要影響因素，選擇的9個關(guān)鍵過程變量如表一所示。通過集散控制系統(tǒng)和實時數(shù)據(jù)庫系統(tǒng)收集聚丙烯生產(chǎn)過程關(guān)鍵過程變量的數(shù)據(jù)，并將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫，作為軟測量模型的輸入樣本數(shù)據(jù)集；表一聚丙烯生產(chǎn)過程關(guān)鍵變量序號關(guān)鍵變量單位1第一環(huán)管氫氣濃度ppm2第二環(huán)管氫氣濃度ppm3催化劑teal流率kg/h4第一環(huán)管丙烯單體流量t/h5第二環(huán)管丙烯單體流量t/h6第一環(huán)管反應(yīng)器溫度℃7第二環(huán)管反應(yīng)器溫度℃8第一環(huán)管夾層水溫℃9第二環(huán)管夾層水溫℃(2)通過離線化學(xué)分析獲取歷史數(shù)據(jù)庫中用于建模的樣本所對應(yīng)的熔融指數(shù)離線分析值mireal，作為軟測量模型的輸出樣本數(shù)據(jù)集；(3)分別對步驟1獲取的關(guān)鍵過程變量數(shù)據(jù)集和步驟2獲取的輸出變量數(shù)據(jù)集進行預(yù)處理，數(shù)據(jù)預(yù)處理內(nèi)容包括采用萊以特準則剔除異常數(shù)據(jù)和數(shù)據(jù)標準化，具體實施步驟如下：31)采用萊以特準則剔除異常數(shù)據(jù)對于樣本數(shù)據(jù)集x1,x2,…xn，判斷樣本數(shù)據(jù)xi是否滿足下面的條件，若滿足，則認為xi是異常數(shù)據(jù)，應(yīng)予以剔除；否則保留該樣本數(shù)據(jù)：其中，為所有樣本數(shù)據(jù)的算術(shù)平均值，δ為所有樣本數(shù)據(jù)的方差。32)標準化處理對于樣本數(shù)據(jù)集x1,x2,…xn，樣本數(shù)據(jù)xi的標準化處理計算公式為：其中，xi、分別表示第i個原始數(shù)據(jù)、標準化處理后的數(shù)據(jù)。樣本數(shù)據(jù)經(jīng)過標準化處理，使得樣本數(shù)據(jù)處于[-1,1]之間。(4)基于預(yù)處理后的訓(xùn)練樣本數(shù)據(jù)集，建立熔融指數(shù)簡化機理模型，將該機理模型參數(shù)存入數(shù)據(jù)庫中備用。聚丙烯熔融指數(shù)的簡化機理模型結(jié)構(gòu)如下：其中，mi表示熔融指數(shù)(g/10min)，ki(i＝1,2,3,4)均表示待辨識的模型參數(shù)，[h]表示氫氣濃度(ppm)，[m]表示丙烯單體流量(kg/h)，t表示反應(yīng)器溫度(k)，下標11、22分別表示第一環(huán)管、第二環(huán)管。根據(jù)現(xiàn)場采集得到的數(shù)據(jù)(第一環(huán)管氫氣濃度、第二環(huán)管氫氣濃度、第一環(huán)管丙烯單體流量、第二環(huán)管丙烯單體流量、第一環(huán)管反應(yīng)器溫度、第二環(huán)管反應(yīng)器溫度)，采用最速下降法辨識未知模型參數(shù)ki(i＝1,2,3,4)，建立聚丙烯熔融指數(shù)的簡化機理模型，同時得到簡化機理模型的訓(xùn)練值mimech。(5)建立基于集成神經(jīng)網(wǎng)絡(luò)的機理模型預(yù)測誤差補償模型，并將該誤差補償模型參數(shù)存入數(shù)據(jù)庫中備用。集成神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)如圖2所示。建立機理模型預(yù)測誤差補償模型的具體步驟如下：51)構(gòu)建訓(xùn)練樣本數(shù)據(jù)集將步驟1獲取的關(guān)鍵過程變量作為誤差補償模型的輸入；將步驟2獲取的聚丙烯熔融指數(shù)離線分析值mireal減去步驟4獲取的簡化機理模型訓(xùn)練值mimech，可得到機理模型的預(yù)測誤差e，并作為誤差補償模型的輸出；52)數(shù)據(jù)重采樣建立多個樣本數(shù)據(jù)子集首先給定原始樣本集x，設(shè)置提取率p、輪數(shù)n，然后對x進行放回式隨機采樣得到多個訓(xùn)練樣本集xi(i＝1,2,…n)；53)訓(xùn)練神經(jīng)網(wǎng)絡(luò)子模型選擇bp神經(jīng)網(wǎng)絡(luò)作為子模型結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)為9×6×1，其中隱含層為tansig型函數(shù)，輸出層為purelin型函數(shù)。采用levenberg-marquardt訓(xùn)練算法對n個訓(xùn)練輸入輸出樣本集{xi，ei}(i＝1,2,…n)進行訓(xùn)練，得到n個bp神經(jīng)網(wǎng)絡(luò)子模型{nn1,…,nnn}。54)采用信息熵法求取各子模型的組合權(quán)重用于求解各子模型組合權(quán)重的多目標優(yōu)化模型為：目標函數(shù)1：最大化所有組合權(quán)重的信息熵目標函數(shù)2：最小化集成模型的平均值與實際輸出的平均值之差minμens-μreal目標函數(shù)3：最小化預(yù)測標準差與實際輸出的標準差之差minσens-σreal約束條件：其中，h為信息熵，αi為第i個神經(jīng)網(wǎng)絡(luò)的集成權(quán)重，n為神經(jīng)網(wǎng)絡(luò)子模型的個數(shù)，μens為集成神經(jīng)網(wǎng)絡(luò)的輸出均值，μreal為實際輸出均值，σens為集成神經(jīng)網(wǎng)絡(luò)輸出的標準差，σreal為實際輸出標準差。55)建立誤差補償模型通過求解本實施步驟4中的多目標優(yōu)化模型，可得到組合權(quán)重αi(i＝1,2,…,n)，則集成神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出為：ecomp＝α1e1+α2e2+…+αnen其中，ei為第i個bp神經(jīng)網(wǎng)絡(luò)子模型的預(yù)測輸出。(6)將預(yù)處理后的新實時數(shù)據(jù)直接輸入到步驟4的簡化機理模型和步驟5的誤差補償模型中，簡化機理模型的輸出為mimech，誤差補償模型輸出為ecomp，則該實時數(shù)據(jù)對應(yīng)的聚丙烯熔融指數(shù)預(yù)測值mipred為：mipred＝mimech+ecomp以下結(jié)合一個具體的聚丙烯生產(chǎn)過程例子來說明本發(fā)明的有效性。該過程的數(shù)據(jù)來自國內(nèi)某個大型的化工廠，其工藝流程如圖3所示。在圖3中，從左到右依次為預(yù)聚合階段和雙環(huán)管聚合階段。在預(yù)聚合階段，將催化劑體系送入預(yù)聚合環(huán)管r200，在18℃、3.3mpa下進行預(yù)聚合，使催化劑外表被少量聚丙烯包裹，以提高其機械強度和活性。在雙環(huán)管聚合階段，將催化劑淤漿送入第一環(huán)管r201，通入單體、氫氣，并在70℃、3.3mpa下進行聚合反應(yīng)，其中部分單體參與聚合，其余單體則成為固體聚合物的稀釋劑。在各環(huán)管底部設(shè)置高速循環(huán)泵，使淤漿在環(huán)管內(nèi)部高速循環(huán)并混合均勻，防止固體沉積并改善傳熱效果。同時，聚合物淤漿被連續(xù)送入第二環(huán)管r202，通入單體和氫氣，在70℃、3.3mpa下完成未競的聚合反應(yīng)。r201、r202的停留時間分別為1.15h、0.85h(最大負荷)。該雙環(huán)管工藝主要用于生產(chǎn)均聚物和無規(guī)共聚物。針對兩個聚丙烯牌號(i和ii)，分別采集了9個關(guān)鍵過程變量(第一環(huán)管氫氣濃度、第二環(huán)管氫氣濃度、催化劑teal流率、第一環(huán)管丙烯單體流量、第二環(huán)管丙烯單體流量、第一環(huán)管反應(yīng)器溫度、第二環(huán)管反應(yīng)器溫度、第一環(huán)管夾層水溫、第二環(huán)管夾層水溫)的40組樣本數(shù)據(jù)，同時通過化學(xué)分析獲得了與這些樣本數(shù)據(jù)對應(yīng)的熔融指數(shù)離線分析值。采用萊以特準則發(fā)現(xiàn)兩個牌號的所有樣本數(shù)據(jù)均是正常樣本數(shù)據(jù)，并進行標準化處理，構(gòu)建用于建立混合模型的訓(xùn)練樣本數(shù)據(jù)集。根據(jù)訓(xùn)練樣本數(shù)據(jù)集，采用最速下降法分別建立了兩個牌號的聚丙烯熔融指數(shù)簡化機理模型：對于牌號i，集成神經(jīng)網(wǎng)絡(luò)模型的參數(shù)設(shè)置內(nèi)容如下：bagging集成學(xué)習(xí)算法的樣本提取率為p＝80％，輪數(shù)n＝6。bp神經(jīng)網(wǎng)絡(luò)模型采用反向傳播算法，網(wǎng)絡(luò)結(jié)構(gòu)為9×6×1，其中隱含層為tansig型函數(shù)，輸出層為purelin型函數(shù)。由6個bp神經(jīng)網(wǎng)絡(luò)子模型構(gòu)成的誤差補償模型為：ecomp,i＝0.145e1,i+0.169e2,i+0.171e3,i+0.168e4,i+0.166e5,i+0.181e6,i其中ei,i(i＝1,2,3,4,5,6)為第i個神經(jīng)網(wǎng)絡(luò)子模型的輸出值。對于牌號ii，集成神經(jīng)網(wǎng)絡(luò)模型的參數(shù)設(shè)置內(nèi)容如下：bagging集成學(xué)習(xí)算法的樣本提取率為p＝80％，輪數(shù)n＝4。bp神經(jīng)網(wǎng)絡(luò)模型采用反向傳播算法，網(wǎng)絡(luò)結(jié)構(gòu)為9×6×1，其中隱含層為tansig型函數(shù)，輸出層為purelin型函數(shù)。由4個bp神經(jīng)網(wǎng)絡(luò)子模型構(gòu)成的誤差補償模型為：ecomp,ii＝0.241e1,ii+0.260e2,ii+0.355e3,ii+0.144e4,ii其中ei,ii(i＝1,2,3,4)為第i個神經(jīng)網(wǎng)絡(luò)子模型的輸出值。將簡化機理模型與誤差補償模型的輸出值相加，可得到兩個聚丙烯牌號的熔融指數(shù)混合模型輸出值為：mipred,i＝mimech,i+ecomp,imipred,ii＝mimech,ii+ecomp,ii將上述兩種聚丙烯牌號的熔融指數(shù)混合模型應(yīng)用于實際聚丙烯生產(chǎn)過程中。針對兩個牌號，分別采集了20組新輸入數(shù)據(jù)進行在線軟測量測試。同時，為了更好的說明采用本發(fā)明方法建立的軟測量模型性能，將其與傳統(tǒng)的純數(shù)據(jù)驅(qū)動模型和純機理模型進行了比較。這里分別建立了簡化機理模型、單一bp神經(jīng)網(wǎng)絡(luò)模型、集成bp神經(jīng)網(wǎng)絡(luò)模型、以及本發(fā)明提出的混合模型，并采用性能評價指標包括mre(平均相對誤差)、mae(平均絕對誤差)和rmse(相對均方差誤差)對各軟測量模型做出綜合性能評估。上述指標的數(shù)值越小，則表示模型的精度越好，反之則表示模型的精度越差。各性能評價指標的計算公式為：其中，xi、分別為熔融指數(shù)的離線分析值與各類模型的預(yù)測值。圖4～圖7分別給出了簡化機理模型(a)、單一bp神經(jīng)網(wǎng)絡(luò)模型(b)、集成bp神經(jīng)網(wǎng)絡(luò)模型(c)以及本發(fā)明方法(d)的熔融指數(shù)在線軟測量結(jié)果。在各圖中，左側(cè)20組數(shù)據(jù)表示牌號i的熔融指數(shù)在線軟測量結(jié)果，右側(cè)20組數(shù)據(jù)表示牌號ii的熔融指數(shù)在線軟測量結(jié)果。表二、表三分別給出了牌號i和牌號ii的四種模型性能評價指標比較結(jié)果。結(jié)合圖4～圖7和表二、表三可知，機理模型由過程機理推導(dǎo)得到，能夠把握熔融指數(shù)變化的總體趨勢，但難以表達熔融指數(shù)變化中的非線性動態(tài)特性。單一bp神經(jīng)網(wǎng)絡(luò)模型存在預(yù)測不穩(wěn)定和泛化能力不足等問題。集成bp神經(jīng)網(wǎng)絡(luò)模型雖然具有較強非線性逼近能力的特點，但存在著泛化能力較弱的問題。而采用本發(fā)明方法建立的聚丙烯熔融指數(shù)混合模型把握局部精度的能力要明顯優(yōu)于機理模型，且該混合模型能充分發(fā)揮集成神經(jīng)網(wǎng)絡(luò)模型較強非線性逼近能力的優(yōu)點，將其用于補償機理模型誤差，有效體現(xiàn)了熔融指數(shù)變化中的非線性動態(tài)特性，具有較佳的補償效果，進一步提升了混合模型的預(yù)測精度和泛化性能。綜上所述，與傳統(tǒng)的軟測量預(yù)報方法相比，本發(fā)明提出的方法具有更佳的預(yù)測能力和泛化能力，有效地保證了熔融指數(shù)軟測量模型在實際聚丙烯生產(chǎn)過程質(zhì)量控制中的可靠性和安全性。表二模型性能評價指標比較(牌號i)表三模型性能評價指標比較(牌號ii)雖然本發(fā)明所揭露的實施方式如上，但所述的內(nèi)容只是為了便于理解本發(fā)明而采用的實施方式，并非用以限定本發(fā)明。任何本發(fā)明所屬
技術(shù)領(lǐng)域：
內(nèi)的技術(shù)人員，在不脫離本發(fā)明所揭露的精神和范圍的前提下，可以在實施的形式上及細節(jié)上作任何的修改與變化，但本發(fā)明的專利保護范圍，仍須以所附的權(quán)利要求書所界定的范圍為準。當(dāng)前第1頁12