專利名稱：：基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法
技術領域：
：本發明屬于軟測量及軟儀表構造的
技術領域：
，尤其是一種工業聚丙烯生產熔融指數軟測量方法。
背景技術：
：聚丙烯是以丙烯單體為主聚合而成的一種合成樹脂，是塑料工業中的重要產品。由于聚丙烯具有眾多優良性能，因而被廣泛應用于化工、建材、家電、包裝等領域。在聚丙烯生產過程中，如何實時監控一些重要的質量指標，掌握影響產品質量和反映關鍵操作狀態的重要變量，使生產過程能夠優質、高產、低耗地進行，一直是研究的重點和難點問題。熔融指數反映了聚丙烯的流動和加工性能，是衡量聚丙烯產品質量的一個重要指標。根據聚丙烯熔融指數的不同，工業上將其分成不同的牌號。通常根據生產牌號的不同，每lh或每2h離線檢測一次熔融指數，生產過程中熔融指數的調整要根據離線檢測得到的化驗數據進行，由于其分析的滯后已失去了直接指導生產的意義，從而導致工業化生產裝置的熔融指數總是處于波動之中，特別是在產品牌號切換過程中會產生大量的不合格產品。因此，建立實時反映熔融指數的數學模型，對實現聚丙烯平穩操作、提高產品質量以及聚丙烯最優牌號切換均具有重要的意義。由于丙烯聚合過程包含復雜的物理、化學反應，工業生產裝置規模龐大、流程復雜，因此通過丙烯聚合過程機理建模的方法來建立實時反映熔融指數的數學模型是很難實現且非常復雜的。軟測量技術為解決此問題提供了一種可行的途徑。軟測量技術是建立被測參數與影響這些參數的其他操作參數之間的數學模型，用軟件實現一些難于用儀表直接測量的變量的在線估計。其基本思想是通過對生產過程的深入了解，根據某種最優化準則，利用易測的輔助變量與難以直接測量的待測過程變量之間的關系(軟測量模型)，通過各種數學計算和估算方法，實現對待測變量的測量。聚丙烯生產DCS控制系統數據庫積累了大量的生產數據，利用工業實測數據，通過經驗建模的方法建立熔融指數的軟測量模型，可以避開復雜的機理分析，從而實現工業聚丙烯生產熔融指數的在線估計。由于人工神經網絡具有逼近復雜非線性函數的能力，因此它為工業聚丙烯生產熔融指數軟測量問題的解決提供了有力的手段，國內外研究者對聚丙烯生產熔融指數神經網絡建模開展了廣泛研力幾。
發明內容為了克服已有的工業聚丙烯生產熔融指數軟測量方法的預測性能較差、魯棒性較差的不足，本發明提供一種提高預測性能、具有較高魯棒性的基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法。本發明解決其技術問題所采用的技術方案是一種基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法，所述軟測量方法包括以下步驟1)、以工業聚丙烯生產過程中的氫氣濃度、丙烯單體進料量、催化劑進料量、氫氣進料量、反應溫度和反應壓力作為軟測量模型的輸入變量，并以工業聚丙烯生產熔融指數作為軟測量模型的輸出變量；2)、從工業聚丙烯生產過程的DCS中采集數據，以及通過熔融指數儀得到工業聚丙烯生產熔融指數的人工分析值，整理后得到原始數據集，對原始數據集進行標準化處理；3)、將標準化后的原始數據集分成多組，對每一組數據集分別建立神經網絡模型；4)、采用嶺回歸方法選擇組合權重，具體算式為(1):[1—a(Y二Y，+W)-'Y二y呻][a(Y;Y^+剛-Y]-'(Y;Y，+Y(1)其中，§是組合權重向量；Y^是"個單一神經網絡中得到的預測輸出矩陣;/t是一個正常數，由嶺跡法計算得到；I是n維的單位矩陣；y^是軟測量模型的期望輸出向量；a是為分量全為1的n維行向量；5)、將步驟3)中所建立的多個神經網絡模型進行組合，具體算式為(2):y=/(x)=^>,y;(x,)(2),'=1其中x為神經網絡的輸入數據矩陣，/(qi為組合神經網絡預測模型，"為用于組合的單一神經網絡數目，x=[Xlx2…x]，其中第/個單一神經網絡模型的輸入數據矩陣為x,，/(q)為第/個單一神經網絡預測模型，《為第/個單一神經網絡模型的組合權重；建立基于組合神經網絡的工業聚丙烯生產熔融指數軟測量模型。作為優選的一種方案所述的軟測量方法還包括6)、每隔一段時間根據熔融指數儀所得到的人工分析值對軟測量模型進行在線校正。進一步，所述步驟2)中，標準化的算式為(3):=丄1>,'=丄￡^:，=、丄￡(《-7)2'=、丄￡("-)2其中X'為經過標準化處理后的輸入樣本數據；Z為原始輸入樣本數據；7為原始輸入樣本數據的平均值；為原始輸入樣本數據的標準差；y'為經過標準化處理后的輸出樣本數據；；r為原始輸出樣本數據；P為原始輸出樣本數據的平均值；^為原始輸出樣本數據的標準差；iV為輸入樣本數據的樣本數；X,為單個原始輸入樣本數據；K為單個原始輸出樣本數據。本發明的技術構思為組合神經網絡是將一些單一神經網絡模型組合在一起，其中每個單一神經網絡模型均由一組初始訓練數據集建立，整個組合神經網絡的總輸出是各個單一神經網絡輸出的加權和，艮P:W(X)^柳,)(2)其中X為神經網絡的輸入數據矩陣，/(Q)為組合神經網絡預測模型，"為用于組合的單一神經網絡數目，X=[Xlx2…x]，其中第/個單一神經網絡模型的輸入數據矩陣為x,，乂(qi為第/個單一神經網絡預測模型，《為第/個單一神經網絡模型的組合權重。在建立組合神經網絡預測模型過程中，合理選擇組合神經網絡的組合權重，對于所建立的模型具有良好性能是非常有必要的。現在已經提出了許多方法來進行組合權重的合理選擇，其中一種方法是對每個神經網絡均取相同權重，此方法雖然簡單，但是效果并不理想。設用于建立組合祌經網絡模型的單一神經網絡有"個，y^為模型的期望輸出向量，y,為由第/個單一神經網絡所得到的預測輸出向量，將從"個單一神經網絡中得到的預測輸出向量置于矩陣Y"中，則Y，-[y,y2…y]，其中矩陣的每一列均對應一個單一神經網絡預測模型。令組合權重向量e-[《《…Af，當約束條件為lt"《=1時，則由組合產l神經網絡模型所得到的預測輸出向量y^^可表示如下y,一=Y戸e=《yi《y(4)當以組合模型的預測值與真實的觀測值之誤差e,的平方和t《為最小作為最優時，在此最優之下可估計出權重向量e，按此思路可將權重向量e的確定化為條件極值問題。在條件^《=1之下，以2=1>2為最小來求參數《的估計值，為此建立條件極值的Lagrange函數為丄=1>,2+義(t《—d=(y呻—Y"0)r(y呻—U+雄6—"(5)戶iz=i其中a為分量全為1的n維行向量。根據Lagrange乘子法，可解得在誤差平方和最小時，組合權重向量e的估計式6=fYrYVY+v—V"1pre"1pre乂preJexp(6)L上preJexpJLtt\」Vpre"由于各單一神經網絡均是對同一關系進行建模，因此使各單一神經網絡輸出之間存在著復共線性，從而使回歸信息矩陣(Y二Y^)為奇異或接近于奇異的，這種情況的存在將使最小二乘回歸估計產生以下不良的影響當引入或剔除自變量時，將使其它自變量的回歸系數有較大的變化；或者當引入或者去掉一組數據時，回歸系數的變化較大，這些都是估計值6不夠穩定的表現。從直接設法減少回歸系數的均方誤差出發，可采用嶺回歸方法來改進最小二乘回歸，則根據式(6)，組合權重向量e的估計值6改進計算公式如下-'(Y;Y戸+M)-Y其中A是一個正常數，可采用嶺跡法得到。利用現有工業聚丙烯生產裝置的計算機集散控制系統(以下簡稱DCS，即DistributedControlSystems),采用組合神經網絡進行預測，大大提高了工業聚丙烯生產熔融指數的預測精度和魯棒性，為工業聚丙烯產品質量控制提供有利的依據，對實現聚丙烯平穩操作、聚丙烯最優牌號切換均具有重要的意義。通過建立多個單一神經網絡，并用嶺回歸方法選擇合適的組合權重，從而建立組合神經網絡模型。所建立的模型具有較高的預測精度和魯棒性，在指導生產中能使聚丙烯的產品質量提高，對實現聚丙烯平穩操作、提高產品質量以及聚丙烯最優牌號切換均具有重要的意義。本發明的有益效果主要表現在提高預測性能、具有較高魯棒性。圖1是工業聚丙烯生產熔融指數軟測量建模的實現流程。圖2是工業聚丙烯生產熔融指數軟儀表中的軟測量模型示意圖，其中，X為祌經網絡的輸入矩陣，Y為神經網絡的輸出矩陣。具體實施例方式下面結合附圖對本發明作進一步描述。參照圖1和圖2，一種基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法，所述軟測量方法包括以下步驟1)、以工業聚丙烯生產過程中的氫氣濃度、丙烯單體進料量、催化劑進料量、氫氣進料量、反應溫度和反應壓力作為軟測量模型的輸入變量，并以工業聚丙烯生產熔融指數作為軟測量模型的輸出變量；2)、從工業聚丙烯生產過程的DCS中釆集數據，以及通過熔融指數儀得到工業聚丙烯生產熔融指數的人工分析值，整理后得到原始數據集，對原始數據集進行標準化處理；3)、將標準化后的原始數據集分成多組，對每一組數據集分別建立神經網絡模型；4)、采用嶺回歸方法選擇組合權重，具體算式為(1):[a(Y二Y戸Y]-'(Y二Y脾+M)-Y(1)其中，§是組合權重向量；Y^是n個單一神經網絡中得到的預測輸出矩陣；yt是一個正常數，由嶺跡法計算得到；I是n維的單位矩陣；y^是軟測量模型的期望輸出向量；a是為分量全為1的"維行向量；5)、將步驟3)中所建立的多個神經網絡模型進行組合，具體算式為(2):1^=順=力柳,)(2)其中X為神經網絡的輸入數據矩陣，/(Q)為組合神經網絡預測模型，n為用于組合的單一神經網絡數目，X=[Xlx2…x]，其中第/個單一神經網絡模型的輸入數據矩陣為x,，乂(qi為第/個單一神經網絡預測模型，《為第z個單一神經網絡模型的組合權重；建立基于組合神經網絡的工業聚丙烯生產熔融指數軟測量模型。本實施例首先根據工業聚丙烯的生產工藝，選擇影響工業聚丙烯生產熔融指數及其主要影響因素，并分別作為軟測量模型的輸出變量和輸入變量，建立基于組合神經網絡的工業聚丙烯生產熔融指數軟測量模型，然后采用工藝現場釆集和人工分析所得到的歷史數據對神經網絡進行訓練，最后將該軟測量模型應用于工業聚丙烯生產過程中，實現工業聚丙烯生產熔融指數的在線估計。以聚丙烯生產Spheripol工藝為具體實施例，具體實施過程如下(1)在Spheripol聚合工藝中，液相丙烯、催化劑、助催化劑進入預聚合反應器進行預聚合后，與原料丙烯、分子量調整劑氫氣共同進入到環管反應器進行聚合反應，然后丙烯在反應器內停留約1.5h后與未反應的丙烯共同進入后系統，進行氣相共聚及分離、干燥和/或造料，最終得到聚丙烯粉料或顆粒產品.根據工藝流程分析最終選取氫氣濃度、丙烯單體進料量、催化劑進料量、氫氣進料量、反應溫度和反應壓力作為工業聚丙烯生產熔融指數軟測量模型的輸入變量，而采用熔融指數儀離線分析得到的熔融指數則作為軟測量模型的輸出變量；(2)從丙烯聚合生產過程的DCS系統中采集120組數據，并進行標準化處理，使得各變量的均值為o，方差為i，得到輸入矩陣;r，輸出矩陣;r，形成經過處理后的原始樣本數據集。從樣本數據集中任意抽出部分數據作為學習樣本建立軟測量模型，余下部分作為測試樣本以檢驗軟測量模型的泛化能力；標準化其中7V=120，為訓練樣本數。標準化處理能消除各變量因為量綱不同造成的影響。(3)將經過處理后的原始數據集劃分為訓練集、確認集和測試集。將120組原始數據集分為3大組第1大組的75組數據作為訓練集，訓練集的作用主要是用于神經網絡的訓練，建立神經網絡模型，其中在建立組合神經網絡模型時，用于組合的單一神經網絡為3個；第2大組的27組數據作為測試集，測試集用于周期性測試網絡模型對未參與網絡訓練的數據的預估精度;第3大組的18組數據作為為確認集，確認集主要用于驗證所建立的模型，觀察該模型對未知數據的預測能力。(4)所有單一神經網絡模型均采用BP標準算法，網絡結構為6x7xl，其中隱含層為logsig型函數，輸出層為purelin型函數，訓練的終止誤差為1xl(T3，采用Levenberg-Marquardt訓練方法，通過訓練確定各個單一神經網絡的權重和閾值；(5)為了驗證組合神經網絡軟測量模型的預測性能，同時也建立了單一神經網絡模型，并將平均絕對預測誤差(MeanAbsolutePredictionError,簡稱MAPE)、平均相對預測誤差(MeanRelativePredictionError,簡稱MRPE)和均方誤差(RootMeanSquaredErrors,簡稱RMSE)作為各軟測量模型的預測性能指標。測試數據性能比較結果見表l。表l測試數據性能比較<table>tableseeoriginaldocumentpage11</column></row><table>如表1所示，采用組合神經網絡后的本發明技術使得軟測量模型的預測性能有大幅度改善。這表明基于組合神經網絡的工業聚丙烯生產熔融指數具有更佳的預測精度和魯棒性。上述實例用來解釋說明本發明，而不是對本發明進行限制，在本發明的精神和權利要求的保護范圍內，對本發明作出的任何修改和改變，都落入本發明的保護范圍。權利要求1、一種基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法，其特征在于所述軟測量方法包括以下步驟1)、以工業聚丙烯生產過程中的氫氣濃度、丙烯單體進料量、催化劑進料量、氫氣進料量、反應溫度和反應壓力作為軟測量模型的輸入變量，并以工業聚丙烯生產熔融指數作為軟測量模型的輸出變量；2)、從工業聚丙烯生產過程的DCS中采集數據，以及通過熔融指數儀得到工業聚丙烯生產熔融指數的人工分析值，整理后得到原始數據集，對原始數據集進行標準化處理；3)、將標準化后的原始數據集分成多組，對每一組數據集分別建立神經網絡模型；4)、采用嶺回歸方法選擇組合權重，具體算式為(1)其中，是組合權重向量；Ypre是n個單一神經網絡中得到的預測輸出矩陣；k是一個正常數，由嶺跡法計算得到；I是n維的單位矩陣；yexp是軟測量模型的期望輸出向量；a是為分量全為1的n維行向量；5)、將步驟3)中所建立的多個神經網絡模型進行組合，具體算式為(2)其中X為神經網絡的輸入數據矩陣，為組合神經網絡預測模型，n為用于組合的單一神經網絡數目，X＝[x1x2…xn]，其中第i個單一神經網絡模型的輸入數據矩陣為x1，為第i個單一神經網絡預測模型，θ1為第i個單一神經網絡模型的組合權重；建立基于組合神經網絡的工業聚丙烯生產熔融指數軟測量模型。2、如權利要求i所述的基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法，其特征在于所述的軟測量方法還包括6)、每隔一段時間根據熔融指數儀所得到的人工分析值對軟測量模型進行在線校正。3、如權利要求1或2所述的基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法，其特征在于所述步驟2)中，標準化的算式為(3):<formula>formulaseeoriginaldocumentpage3</formula>其中<formula>formulaseeoriginaldocumentpage3</formula>其中I'為經過標準化處理后的輸入樣本數據；X為原始輸入樣本數據；f為原始輸入樣本數據的平均值；為原始輸入樣本數據的標準差；F為經過標準化處理后的輸出樣本數據；；r為原始輸出樣本數據；P為原始輸出樣本數據的平均值；^為原始輸出樣本數據的標準差；iV為輸入樣本數據的樣本數；X,為單個原始輸入樣本數據；K為單個原始輸出樣本數據。全文摘要一種基于組合神經網絡的工業聚丙烯生產熔融指數軟測量方法，包括以下步驟1)、以氫氣濃度、丙烯單體進料量、催化劑進料量、氫氣進料量、反應溫度和反應壓力作為軟測量模型的輸入變量，并以工業聚丙烯生產熔融指數作為軟測量模型的輸出變量；2)、對原始數據集進行標準化處理；3)、將標準化后的原始數據集分成多組，對每一組數據集分別建立神經網絡模型；4)、采用嶺回歸方法選擇組合權重；5)、將步驟3)中所建立的多個神經網絡模型進行組合，建立基于組合神經網絡的工業聚丙烯生產熔融指數軟測量模型。本發明提高預測性能、具有較高魯棒性。文檔編號G05B19/048GK101458506SQ20091009540公開日2009年6月17日申請日期2009年1月8日優先權日2009年1月8日發明者立俞,夏陸岳申請人:浙江工業大學