一種基于集成神經網絡的聚丙烯熔融指數混合建模方法與流程

本發明屬于化工生產過程軟測量建模和應用領域，特別地，涉及一種基于集成神經網絡的聚丙烯生產過程熔融指數混合建模方法。
背景技術：
：在聚丙烯生產過程中，存在著產品質量不夠穩定、專用料少等問題，這要求聚丙烯生產企業盡快進行產業升級，朝著規模大型化、催化劑多樣化和過程控制自動化等方向發展。熔融指數是聚丙烯生產過程中最重要的質量指標之一，用于區分不同牌號的聚丙烯產品。目前在聚丙烯生產過程中，熔融指數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，導致熔融指數化驗值無法實時指導生產過程，難以滿足聚丙烯生產過程的實時質量控制要求。目前針對聚丙烯熔融指數的建模方法主要有兩種，分別是機理建模和數據驅動建模。對機理建模方法而言，理論上機理模型能夠抓住動態反應的本質特征并且能夠描述過程在較大范圍內變化，但是前提是需要大量的復雜微分方程以及非常準確的物化參數。而這些方程的建立和參數的估計代價較高，往往很難準確獲取。另外，為了簡化模型結構和降低模型辨識難度，在采用機理分析方法建立熔融指數機理模型過程中，通常需要基于某些合理的假設，但這些假設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，聚丙烯生產過程中常存在的一些擾動會導致實際過程在穩態工況點附近波動，而機理模型一般無法識別出這類動態變化所引起的偏差。聚丙烯生產過程的dcs控制系統歷史數據庫積累了大量的生產數據，為采用數據驅動方法建立熔融指數的軟測量模型提供了重要的基礎條件。而基于神經網絡、支持向量機等純數據驅動方法建立熔融指數軟測量模型雖然方便，且在一定程度能滿足建模精度，但是對于聚合反應過程牌號切換、工作點經常變化的應用場合，在離開建模數據的操作區域，單純應用數據驅動方法，不僅缺乏外推性能，而且在質量閉環控制時，訓練數據區域盲目外推，容易導致誤操作,給生產帶來巨大影響。聚丙烯生產過程中存在著對象機理、過程數據、專家知識等信息，若能合理融合這些信息，并將機理建模和數據驅動建模方法相結合以實現兩種傳統建模方法的優勢互補，建立具有較好預測精度和泛化性能的聚丙烯熔融指數在線預測模型，這對于實現聚丙烯生產過程的質量監測、控制與優化都具有重要現實意義。技術實現要素：本發明要克服現有技術的聚丙烯生產過程熔融指數預測時滯大的缺點，為了克服已有的純機理模型精度不高和純數據驅動模型外推能力較差的不足，采用集成神經網絡模型進行機理模型的誤差補償，建立一種并聯結構的混合模型，進而提供一種基于集成神經網絡的聚丙烯熔融指數混合建模方法。本發明的技術解決方案為：首先采用樣本數據辨識得到聚丙烯熔融指數的簡化機理模型，然后采用集成神經網絡建立機理模型的誤差補償模型，最后將集成神經網絡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據的聚丙烯熔融指數混合模型。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過程更為精確的描述，能改善軟測量模型的預測精度。一種基于集成神經網絡的聚丙烯熔融指數混合建模方法，包括以下步驟：(1)通過集散控制系統和實時數據庫系統收集聚丙烯生產過程各個關鍵變量的數據，并將這些數據存入歷史數據庫，作為軟測量模型的輸入樣本數據集；(2)通過離線化學分析獲取歷史數據庫中用于建模的樣本所對應的熔融指數離線分析值，作為軟測量模型的輸出樣本數據集；(3)分別對步驟1獲取的關鍵變量和步驟2獲取的輸出變量進行預處理；(4)基于預處理后的訓練樣本數據集，建立熔融指數簡化機理模型，將該機理模型參數存入數據庫中備用，同時得到簡化機理模型的訓練值；(5)步驟2獲取的熔融指數離線分析值減去簡化機理模型的訓練值得到機理模型預測誤差，并將步驟1獲取的關鍵變量和機理模型預測偏差分別作為模型輸入和輸出，建立基于集成神經網絡的機理模型預測誤差補償模型，將該誤差補償模型的參數存入數據庫中備用；(6)將預處理后的新實時數據直接輸入到步驟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，可獲得該實時數據對應的聚丙烯熔融指數預測值。本發明的有益效果主要表現在：針對聚丙烯生產過程的復雜性，通過合理融合生產過程的對象機理、過程數據、專家知識等信息，并將機理建模和數據驅動建模方法較好地結合起來，實現了兩種傳統建模方法的優勢互補，由此建立的聚丙烯熔融指數軟測量模型更符合過程的實際特性，可以具有較好預測精度和泛化性能，用于指導聚丙烯生產過程，有效實現聚丙烯質量控制。附圖說明附圖用來提供對本發明的進一步理解，并且構成說明書的一部分，與本發明的實施例共同用于解釋本發明，并不構成對本發明的限制。在附圖中：圖1是本發明所提出的并聯結構混合建模方法原理圖圖2是集成神經網絡的模型結構圖3是某石化企業spheripol法生產聚丙烯的工藝流程簡圖圖4是基于簡化機理模型(a)的聚丙烯熔融指數在線軟測量結果圖5是基于單一bp神經網絡模型(b)的聚丙烯熔融指數在線軟測量結果圖6是基于集成bp神經網絡模型(c)的聚丙烯熔融指數在線軟測量結果圖7是本發明方法(d)的聚丙烯熔融指數在線軟測量結果具體實施方式以下將結合附圖及實施例來詳細說明本發明的實施方式，借此對本發明如何應用技術手段來解決技術問題，并達成技術效果的實現過程能充分理解并據此實施。本發明針對聚丙烯生產過程的熔融指數預測問題，提供一種基于集成神經網絡的混合建模方法，用于建立聚丙烯熔融指數軟測量模型，以實現聚丙烯生產過程的熔融指數在線估計。該混合建模方法原理如圖1所示，圖中x為輸入樣本數據集，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。一種基于集成神經網絡的聚丙烯熔融指數混合建模方法，具體實施步驟如下：(1)聚丙烯熔融指數與催化劑體系、聚合反應條件有關，根據丙烯聚合動力學及工藝特點，選擇氫氣濃度、催化劑teal流率、丙烯單體流率、環管夾套冷卻水溫度及反應溫度作為熔融指數的主要影響因素，選擇的9個關鍵過程變量如表一所示。通過集散控制系統和實時數據庫系統收集聚丙烯生產過程關鍵過程變量的數據，并將這些數據存入歷史數據庫，作為軟測量模型的輸入樣本數據集；表一聚丙烯生產過程關鍵變量序號關鍵變量單位1第一環管氫氣濃度ppm2第二環管氫氣濃度ppm3催化劑teal流率kg/h4第一環管丙烯單體流量t/h5第二環管丙烯單體流量t/h6第一環管反應器溫度℃7第二環管反應器溫度℃8第一環管夾層水溫℃9第二環管夾層水溫℃(2)通過離線化學分析獲取歷史數據庫中用于建模的樣本所對應的熔融指數離線分析值mireal，作為軟測量模型的輸出樣本數據集；(3)分別對步驟1獲取的關鍵過程變量數據集和步驟2獲取的輸出變量數據集進行預處理，數據預處理內容包括采用萊以特準則剔除異常數據和數據標準化，具體實施步驟如下：31)采用萊以特準則剔除異常數據對于樣本數據集x1,x2,…xn，判斷樣本數據xi是否滿足下面的條件，若滿足，則認為xi是異常數據，應予以剔除；否則保留該樣本數據：其中，為所有樣本數據的算術平均值，δ為所有樣本數據的方差。32)標準化處理對于樣本數據集x1,x2,…xn，樣本數據xi的標準化處理計算公式為：其中，xi、分別表示第i個原始數據、標準化處理后的數據。樣本數據經過標準化處理，使得樣本數據處于[-1,1]之間。(4)基于預處理后的訓練樣本數據集，建立熔融指數簡化機理模型，將該機理模型參數存入數據庫中備用。聚丙烯熔融指數的簡化機理模型結構如下：其中，mi表示熔融指數(g/10min)，ki(i＝1,2,3,4)均表示待辨識的模型參數，[h]表示氫氣濃度(ppm)，[m]表示丙烯單體流量(kg/h)，t表示反應器溫度(k)，下標11、22分別表示第一環管、第二環管。根據現場采集得到的數據(第一環管氫氣濃度、第二環管氫氣濃度、第一環管丙烯單體流量、第二環管丙烯單體流量、第一環管反應器溫度、第二環管反應器溫度)，采用最速下降法辨識未知模型參數ki(i＝1,2,3,4)，建立聚丙烯熔融指數的簡化機理模型，同時得到簡化機理模型的訓練值mimech。(5)建立基于集成神經網絡的機理模型預測誤差補償模型，并將該誤差補償模型參數存入數據庫中備用。集成神經網絡的模型結構如圖2所示。建立機理模型預測誤差補償模型的具體步驟如下：51)構建訓練樣本數據集將步驟1獲取的關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離線分析值mireal減去步驟4獲取的簡化機理模型訓練值mimech，可得到機理模型的預測誤差e，并作為誤差補償模型的輸出；52)數據重采樣建立多個樣本數據子集首先給定原始樣本集x，設置提取率p、輪數n，然后對x進行放回式隨機采樣得到多個訓練樣本集xi(i＝1,2,…n)；53)訓練神經網絡子模型選擇bp神經網絡作為子模型結構，網絡結構為9×6×1，其中隱含層為tansig型函數，輸出層為purelin型函數。采用levenberg-marquardt訓練算法對n個訓練輸入輸出樣本集{xi，ei}(i＝1,2,…n)進行訓練，得到n個bp神經網絡子模型{nn1,…,nnn}。54)采用信息熵法求取各子模型的組合權重用于求解各子模型組合權重的多目標優化模型為：目標函數1：最大化所有組合權重的信息熵目標函數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3：最小化預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個神經網絡的集成權重，n為神經網絡子模型的個數，μens為集成神經網絡的輸出均值，μreal為實際輸出均值，σens為集成神經網絡輸出的標準差，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中的多目標優化模型，可得到組合權重αi(i＝1,2,…,n)，則集成神經網絡的預測輸出為：ecomp＝α1e1+α2e2+…+αnen其中，ei為第i個bp神經網絡子模型的預測輸出。(6)將預處理后的新實時數據直接輸入到步驟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，則該實時數據對應的聚丙烯熔融指數預測值mipred為：mipred＝mimech+ecomp以下結合一個具體的聚丙烯生產過程例子來說明本發明的有效性。該過程的數據來自國內某個大型的化工廠，其工藝流程如圖3所示。在圖3中，從左到右依次為預聚合階段和雙環管聚合階段。在預聚合階段，將催化劑體系送入預聚合環管r200，在18℃、3.3mpa下進行預聚合，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。在雙環管聚合階段，將催化劑淤漿送入第一環管r201，通入單體、氫氣，并在70℃、3.3mpa下進行聚合反應，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。在各環管底部設置高速循環泵，使淤漿在環管內部高速循環并混合均勻，防止固體沉積并改善傳熱效果。同時，聚合物淤漿被連續送入第二環管r202，通入單體和氫氣，在70℃、3.3mpa下完成未競的聚合反應。r201、r202的停留時間分別為1.15h、0.85h(最大負荷)。該雙環管工藝主要用于生產均聚物和無規共聚物。針對兩個聚丙烯牌號(i和ii)，分別采集了9個關鍵過程變量(第一環管氫氣濃度、第二環管氫氣濃度、催化劑teal流率、第一環管丙烯單體流量、第二環管丙烯單體流量、第一環管反應器溫度、第二環管反應器溫度、第一環管夾層水溫、第二環管夾層水溫)的40組樣本數據，同時通過化學分析獲得了與這些樣本數據對應的熔融指數離線分析值。采用萊以特準則發現兩個牌號的所有樣本數據均是正常樣本數據，并進行標準化處理，構建用于建立混合模型的訓練樣本數據集。根據訓練樣本數據集，采用最速下降法分別建立了兩個牌號的聚丙烯熔融指數簡化機理模型：對于牌號i，集成神經網絡模型的參數設置內容如下：bagging集成學習算法的樣本提取率為p＝80％，輪數n＝6。bp神經網絡模型采用反向傳播算法，網絡結構為9×6×1，其中隱含層為tansig型函數，輸出層為purelin型函數。由6個bp神經網絡子模型構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個神經網絡子模型的輸出值。對于牌號ii，集成神經網絡模型的參數設置內容如下：bagging集成學習算法的樣本提取率為p＝80％，輪數n＝4。bp神經網絡模型采用反向傳播算法，網絡結構為9×6×1，其中隱含層為tansig型函數，輸出層為purelin型函數。由4個bp神經網絡子模型構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個神經網絡子模型的輸出值。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混合模型應用于實際聚丙烯生產過程中。針對兩個牌號，分別采集了20組新輸入數據進行在線軟測量測試。同時，為了更好的說明采用本發明方法建立的軟測量模型性能，將其與傳統的純數據驅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神經網絡模型、集成bp神經網絡模型、以及本發明提出的混合模型，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、分別為熔融指數的離線分析值與各類模型的預測值。圖4～圖7分別給出了簡化機理模型(a)、單一bp神經網絡模型(b)、集成bp神經網絡模型(c)以及本發明方法(d)的熔融指數在線軟測量結果。在各圖中，左側20組數據表示牌號i的熔融指數在線軟測量結果，右側20組數據表示牌號ii的熔融指數在線軟測量結果。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果。結合圖4～圖7和表二、表三可知，機理模型由過程機理推導得到，能夠把握熔融指數變化的總體趨勢，但難以表達熔融指數變化中的非線性動態特性。單一bp神經網絡模型存在預測不穩定和泛化能力不足等問題。集成bp神經網絡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。而采用本發明方法建立的聚丙烯熔融指數混合模型把握局部精度的能力要明顯優于機理模型，且該混合模型能充分發揮集成神經網絡模型較強非線性逼近能力的優點，將其用于補償機理模型誤差，有效體現了熔融指數變化中的非線性動態特性，具有較佳的補償效果，進一步提升了混合模型的預測精度和泛化性能。綜上所述，與傳統的軟測量預報方法相比，本發明提出的方法具有更佳的預測能力和泛化能力，有效地保證了熔融指數軟測量模型在實際聚丙烯生產過程質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)雖然本發明所揭露的實施方式如上，但所述的內容只是為了便于理解本發明而采用的實施方式，并非用以限定本發明。任何本發明所屬
技術領域：
內的技術人員，在不脫離本發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上作任何的修改與變化，但本發明的專利保護范圍，仍須以所附的權利要求書所界定的范圍為準。當前第1頁12