[發(fā)明專利]基于多模群智的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)和方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201310659543.X
• 申請(qǐng)日: 2013-12-09
• 公開（公告）號(hào): CN103824121A
• 公開（公告）日: 2014-05-28
• 發(fā)明（設(shè)計(jì)）人: 劉興高;趙成業(yè);李九寶;周葉翔;張志猛
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/04;G06N3/02
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 周烽

技術(shù)領(lǐng)域

本發(fā)明涉及一種最優(yōu)預(yù)報(bào)系統(tǒng)及方法，具體是一種基于多模群智的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)及方法。

背景技術(shù)

聚丙烯是由丙烯聚合而制得的一種熱塑性樹脂，丙烯最重要的下游產(chǎn)品，世界丙烯的50%，我國丙烯的65%都是用來制聚丙烯，是五大通用塑料之一，與我們的日常生活密切相關(guān)。聚丙烯是世界上增長最快的通用熱塑性樹脂，總量僅僅次于聚乙烯和聚氯乙烯。為使我國聚丙烯產(chǎn)品具有市場(chǎng)競爭力，開發(fā)剛性、韌性、流動(dòng)性平衡好的抗沖共聚產(chǎn)品、無規(guī)共聚產(chǎn)品、BOPP和CPP薄膜料、纖維、無紡布料，及開發(fā)聚丙烯在汽車和家電領(lǐng)域的應(yīng)用，都是今后重要的研究課題。

熔融指數(shù)是聚丙烯產(chǎn)品確定產(chǎn)品牌號(hào)的重要質(zhì)量指標(biāo)之一，它決定了產(chǎn)品的不同用途，對(duì)熔融指數(shù)的測(cè)量是聚丙烯生產(chǎn)中產(chǎn)品質(zhì)量控制的一個(gè)重要環(huán)節(jié)，對(duì)生產(chǎn)和科研，都有非常重要的作用和指導(dǎo)意義。

然而，熔融指數(shù)的在線分析測(cè)量目前很難做到，一方面是在線熔融指數(shù)分析儀的缺乏，另一方面是現(xiàn)有的在線分析儀由于經(jīng)常會(huì)堵塞而測(cè)量不準(zhǔn)甚至無法正常使用所導(dǎo)致的使用上的困難。因此，目前工業(yè)生產(chǎn)中MI的測(cè)量，主要是通過人工取樣、離線化驗(yàn)分析獲得，而且一般每2-4小時(shí)只能分析一次，時(shí)間滯后大，給丙烯聚合生產(chǎn)的質(zhì)量控制帶來了困難，成為生產(chǎn)中急需解決的一個(gè)瓶頸問題。聚丙烯熔融指數(shù)的在線預(yù)報(bào)系統(tǒng)及方法研究，從而成為學(xué)術(shù)界和工業(yè)界的一個(gè)前沿和熱點(diǎn)。

發(fā)明內(nèi)容

為了克服目前已有的丙烯聚合生產(chǎn)過程的測(cè)量精度不高、易受人為因素的影響的不足，本發(fā)明的目的在于提供一種在線測(cè)量、在線參數(shù)優(yōu)化、預(yù)報(bào)速度快、模型自動(dòng)更新、抗干擾能力強(qiáng)、精度高的基于多模群智的丙烯聚合生產(chǎn)過程熔融指數(shù)最優(yōu)預(yù)報(bào)系統(tǒng)及方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于多模群智的丙烯聚合生產(chǎn)過程最優(yōu)預(yù)報(bào)系統(tǒng)，包括丙烯聚合生產(chǎn)過程、用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、用于測(cè)量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于多模群智的最優(yōu)預(yù)報(bào)系統(tǒng)以及熔融指數(shù)預(yù)報(bào)值顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫連接，所述DCS數(shù)據(jù)庫與基于多模群智的最優(yōu)預(yù)報(bào)系統(tǒng)的輸入端連接，所述基于多模群智的最優(yōu)預(yù)報(bào)系統(tǒng)的輸出端與熔融指數(shù)預(yù)報(bào)值顯示儀連接，其特征在于：所述基于多模群智的最優(yōu)預(yù)報(bào)系統(tǒng)包括：

（1）、數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進(jìn)行預(yù)處理，對(duì)輸入變量中心化，即減去變量的平均值；再進(jìn)行歸一化處理，即除以變量值的變化區(qū)間；

（2）、PCA主成分分析模塊，用于將輸入變量預(yù)白化處理及變量去相關(guān)，通過對(duì)輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=xU得到，其中x為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)，可由x=CU^T計(jì)算，其中上標(biāo)T表示矩陣的轉(zhuǎn)置。當(dāng)選取的主成分?jǐn)?shù)目小于輸入變量的變量個(gè)數(shù)時(shí)，x=CU^T+E，其中E為殘差矩陣；

（3）、多模神經(jīng)網(wǎng)絡(luò)模型模塊，用于采用RBF神經(jīng)網(wǎng)絡(luò)、通過誤差函數(shù)最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓?fù)洳蛔冃裕恍枰⑷舾勺由窠?jīng)網(wǎng)絡(luò)，第一個(gè)子RBF網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是預(yù)報(bào)結(jié)果與實(shí)際結(jié)果差距J₁最小；

J1=1NΣj=1N(F1(xj)-d(xj))2---(1)]]>