[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

技術領域

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。

發明內容

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。