[發明專利]一種基于集成神經網絡的聚丙烯熔融指數混合建模方法

在審

• 申請號: 201710341409.3
• 申請日: 2017-05-16
• 公開（公告）號: CN107168255A
• 公開（公告）日: 2017-09-15
• 發明（設計）人: 夏陸岳;潘海天;王海寧
• 申請（專利權）人: 浙江工業大學
• 主分類號: G05B19/418
• 分類號: G05B19/418;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司33201
• 代理人: 王兵,黃美娟

1.一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采集聚丙烯生產過程各個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；

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獲取的關鍵過程變量數據集和步驟2獲取的熔融指數數據集進行預處理，建立訓練樣本數據集；

4)基于預處理后的訓練樣本數據集，建立聚丙烯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)由步驟2獲取的熔融指數離線分析值減去步驟4的簡化機理模型訓練值得到機理模型預測誤差，并將步驟1獲取的關鍵過程變量和機理模型預測誤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。

2.根據權利要求1所述基于集成神經網絡的聚丙烯熔融指數混合建模方法，其特征在于，所述步驟1中，聚丙烯生產過程關鍵變量包括第一環管氫氣濃度u₁(ppm)、第二環管氫氣濃度u₂(ppm)、催化劑TEAL流率u₃(kg/h)、第一環管丙烯單體流量u₄(t/h)、第二環管丙烯單體流量u₅(t/h)、第一環管反應器溫度u₆(ppm)、第二環管反應器溫度u₇(℃)、第一環管夾層水溫u₈(℃)、第二環管夾層水溫u₉(℃)。

3.根據權利要求1所述基于集成神經網絡的聚丙烯熔融指數混合建模方法，其特征在于，所述步驟3中，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,…x_n，判斷樣本數據x_i是否滿足下面的條件，若滿足，則認為x_i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,…x_n，樣本數據x_i的標準化處理計算公式為：

其中，x_i、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.根據權利要求1所述基于集成神經網絡的聚丙烯熔融指數混合建模方法，其特征在于，所述步驟4中，建立熔融指數簡化機理模型的具體步驟為：首先通過分析聚丙烯生產過程的機理知識，建立簡化機理模型，然后采用最速下降法辨識得到未知模型參數，其中簡化機理模型的結構為：

其中，MI_mech為熔融指數(g/10min)，k_i(i＝1,2,3,4)均為待辨識的模型參數，[H]為氫氣濃度(ppm)，[M]為丙烯單體流量(kg/h)，T為反應器溫度(K)，下標11、22分別表示第一環管、第二環管。

5.根據權利要求1所述基于集成神經網絡的聚丙烯熔融指數混合建模方法，其特征在于，所述步驟5中，建立機理模型預測誤差補償模型的具體實施步驟為：

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MI_real減去步驟4獲取的簡化機理模型訓練值MI_mech，可得到機理模型的預測偏差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輸入樣本集X_i(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{X_i，E_i}(i＝1,2,…n)進行訓練，得到n個BP神經網絡子模型{NN₁,…,NN_n}。

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

minμ_ens-μ_real

目標函數3：最小化預測標準差與實際輸出的標準差之差

minσ_ens-σ_real

約束條件：

其中，H為信息熵，α_i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，μ_ens為集成神經網絡的輸出均值，μ_real為實際輸出均值，σ_ens為集成神經網絡輸出的標準差，σ_real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α_i(i＝1,2,…,n)，則集成神經網絡的預測輸出為：

E_comp＝α₁E₁+α₂E₂+…+α_nE_n

其中，E_i為第i個BP神經網絡子模型的預測輸出。