專利名稱：基于多重先驗知識混合模型的聚丙烯熔融指數預報方法
技術領域：
本發明涉及聚丙烯工業過程軟測量預報領域，特別地，涉及一種基于多重先驗知識混合模型的聚丙烯熔融指數軟測量預報方法。
背景技術：
聚丙烯(Polypropylene,縮寫為PP)是以丙烯為單體聚合而成的聚合物。聚丙烯是一種性能優良的通用塑料，廣泛應用于包裝、制造、紡織和許多民用消費等領域。熔融指數是聚丙烯產品的主要質量指標之一，反映樹脂流動性能，從而決定著樹脂的牌號。聚丙烯的樹脂牌號繁多，從幾種達到數百種。對聚丙烯生產裝置而言，由于丙烯聚合反應的操作中工況變化頻繁，若要生產高質量、多牌號的聚丙烯產品，對熔融指數的建模和控制提出了嚴峻的挑戰。聚丙烯生產中產品質量控制的建模困難主要有如下幾個方面
I)缺乏熔融指數在線分析儀，熔融指數只能通過人工取樣，離線化驗分析獲得，而且一般每2-4小時分析一次，時間滯后大，難以滿足實時控制的要求，導致產品質量波動大。2)丙烯聚合過程原理復雜，包含多步物理，化學反應，影響因素眾多，非線性強，測量數據的多尺度特性，生產不同產品時，牌號切換頻繁，操作條件變化較大，對于這樣復雜的過程，很難采用一個單一工況的模型來描述。3)聚丙烯生產工況變化，軟儀表長期運行中模型容易發生失配，需要定時維護和校正。傳統的聚丙烯軟測量模型主要有機理模型和數據驅動模型，基于相關經驗開發的簡單物性機理模型，能反應過程大致趨勢變化，預測精度卻難以保證。事實上，聚烯烴聚合反應過程存在著嚴重的非線性和不確定性，是一個極其復雜的化學反應，要開發一個理想的熔融指數質量機理建模耗時耗力，加以現場生產條件不同，并沒有應用推廣性。而基于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。但是對于這樣一個聚合反應過程牌號切換、工作點經常變化的場合，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。

發明內容
本發明的目的是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及安全性能無法保證的不足，提供一種基于多重先驗知識神經網絡和簡單機理混合模型的聚丙烯熔融指數軟測量預報方法。該方法將多重先驗知識神經網絡模型與聚丙烯熔融指數簡化機理模型有機結合為調和平均混合模型，不僅有良好的擬合預測能力，增強了模型外推能力，實現模型外推性和對熔融指數預測精度的良好統一，同時能避免零增益和增益反轉，確保網絡在實際應用中的安全性能。本發明的技術解決方案為充分發掘利用聚丙烯工業現場先驗知識，將各種先驗知識有機融合，并以非線性等式約束的形式嵌入到多層感知器神經網絡中，同時基于增廣拉格朗日乘子法約束處理機制，用粒子群優化算法優化網絡權值。在多重先驗知識神經網絡模型的基礎上，將其與聚丙烯熔融指數簡化機理模型有機結合為調和平均混合軟測量模型。具體步驟如下
O從現場DCS站和實驗室化驗臺中采集聚丙烯生產過程關鍵輔助變量和主導變量的數據作為訓練樣本；
2)應用數據預處理模塊，包括小波閾值去噪、魯棒尺度離值點檢測和剔除以及最大最小歸一化方法對訓練樣本進行預處理，從而獲得平滑可靠的建模數據，步驟為
(O小波閾值去噪將原始信號通過伸縮和平移后，分解為一系列具有不同空間分辨率、不同頻率特性和方向特性的子帶信號，這些子帶信號具有良好的時域、頻域等局部特征，這些特征可用來表示原始信號的局部特征，進而實現對信號時間、頻率的局部化分析， 有效地提取信號的波形特征。(2)魯棒尺度離值點檢測和剔除
式= ^Ζ^，根據_判定規則，若某個樣本出現的情況，則該次采樣值即離值點，
權利要求
1.基于多重先驗知識混合模型的聚丙烯熔融指數預報方法，其特征在于包括以下步驟O從現場DCS站和實驗室化驗臺中采集聚丙烯生產過程關鍵輔助變量和主導變量的數據作為訓練樣本；2)應用數據預處理模塊，包括小波閾值去噪、魯棒尺度離值點檢測和剔除以及最大最小歸一化方法對訓練樣本進行預處理，從而獲得平滑可靠的建模數據；3)建立歸一化互信息時延辨識模塊，利用該辨識模塊得到時延，對聚丙烯熔融指數預報模型的輔助變量和主導變量進行時序匹配；4)充分發掘和利用聚丙烯工業現場先驗知識，將各種先驗知識有機融合，并以非線性不等式約束的形式嵌入到多層感知器神經網絡中，構建多重先驗知識神經網絡模型模塊；5)基于增廣拉格朗日乘子法約束處理機制，構建有約束粒子群優化模塊對先驗知識神經網絡權值進行在線優化；6)在構建多重先驗知識神經網絡模型的基礎上，將該模型與聚丙烯熔融指數簡化機理模型模塊有機結合為調和平均混合軟測量預報模型對聚丙烯熔融指數進行預報。
2.如權利要求I所述的基于多重先驗知識混合模型的聚丙烯熔融指數預報方法，其特征在于所述的建立歸一化互信息時延辨識模塊，得到時延Tu的具體步驟為(I)設定主導變量聚丙烯熔融指數I τ的采樣周期為K =T，輔助變量％的采樣周期為，，確定最大滯后步長n為，其中 (2)根據滯后步長的大小將各輔助變量巧的樣本數據重新排列，
3.如權利要求I所述的基于多重先驗知識混合模型的聚丙烯熔融指數預報方法，其特征在于所述的構建多重先驗知識神經網絡模型模塊的步驟(1)構建多重先驗知識神經網絡
4.如權利要求I所述的基于多重先驗知識混合模型的聚丙烯熔融指數預報方法，其特征在于所述的調和平均混合軟測量預報模型的步驟(O由采集的聚丙烯現場主導變量和輔助變量數據，用無約束優化算法優化聚丙烯熔融指數簡單機理模型參數；(2)由采集的現場主導變量和輔助變量數據，根據建立的目標函數，用增廣拉格朗日乘子粒子群優化模塊優化多重先驗知識神經網絡權值參數，得到多重先驗知識神經網絡模型；(3)構建調和平均混合軟測量模型
全文摘要
本發明公開了一種基于多重先驗知識混合模型的聚丙烯熔融指數預報方法。本發明充分發掘利用聚丙烯工業現場先驗知識，將各種先驗知識有機融合，并以非線性等式約束的形式嵌入到多層感知器神經網絡中，同時基于增廣拉格朗日乘子法約束處理機制，用粒子群優化算法優化網絡權值。在多重先驗知識神經網絡模型的基礎上，將其與聚丙烯熔融指數簡化機理模型有機結合為調和平均混合軟測量模型。本發明提出的多重先驗知識混合軟測量建模方法，不僅有很好的擬合預測能力，而且增強了模型外推能力，可以實現模型外推性和對聚丙烯熔融指數預測精度的良好統一。同時能避免零增益和增益反轉，確保在實際聚丙烯熔融指數質量閉環控制應用中的安全性。
文檔編號G06F17/50GK102609593SQ20121005501
公開日2012年7月25日 申請日期2012年3月5日 優先權日2012年3月5日
發明者侯衛鋒, 古勇, 婁海川, 蘇宏業, 榮岡, 謝磊 申請人:浙江大學