一种基于集成神经网络的聚丙烯熔融指数混合建模方法与流程

本发明属于化工生产过程软测量建模和应用领域，特别地，涉及一种基于集成神经网络的聚丙烯生产过程熔融指数混合建模方法。
背景技术：
：在聚丙烯生产过程中，存在着产品质量不够稳定、专用料少等问题，这要求聚丙烯生产企业尽快进行产业升级，朝着规模大型化、催化剂多样化和过程控制自动化等方向发展。熔融指数是聚丙烯生产过程中最重要的质量指标之一，用于区分不同牌号的聚丙烯产品。目前在聚丙烯生产过程中，熔融指数只能通过定期在线取样离线化验获得，但该检测方式存在较大时滞，导致熔融指数化验值无法实时指导生产过程，难以满足聚丙烯生产过程的实时质量控制要求。目前针对聚丙烯熔融指数的建模方法主要有两种，分别是机理建模和数据驱动建模。对机理建模方法而言，理论上机理模型能够抓住动态反应的本质特征并且能够描述过程在较大范围内变化，但是前提是需要大量的复杂微分方程以及非常准确的物化参数。而这些方程的建立和参数的估计代价较高，往往很难准确获取。另外，为了简化模型结构和降低模型辨识难度，在采用机理分析方法建立熔融指数机理模型过程中，通常需要基于某些合理的假设，但这些假设通常与实际过程并不相符，使机理模型难以精确描述熔融指数的变化趋势，使机理模型与离线分析值之间存在一定偏差。此外，聚丙烯生产过程中常存在的一些扰动会导致实际过程在稳态工况点附近波动，而机理模型一般无法识别出这类动态变化所引起的偏差。聚丙烯生产过程的dcs控制系统历史数据库积累了大量的生产数据，为采用数据驱动方法建立熔融指数的软测量模型提供了重要的基础条件。而基于神经网络、支持向量机等纯数据驱动方法建立熔融指数软测量模型虽然方便，且在一定程度能满足建模精度，但是对于聚合反应过程牌号切换、工作点经常变化的应用场合，在离开建模数据的操作区域，单纯应用数据驱动方法，不仅缺乏外推性能，而且在质量闭环控制时，训练数据区域盲目外推，容易导致误操作,给生产带来巨大影响。聚丙烯生产过程中存在着对象机理、过程数据、专家知识等信息，若能合理融合这些信息，并将机理建模和数据驱动建模方法相结合以实现两种传统建模方法的优势互补，建立具有较好预测精度和泛化性能的聚丙烯熔融指数在线预测模型，这对于实现聚丙烯生产过程的质量监测、控制与优化都具有重要现实意义。技术实现要素：本发明要克服现有技术的聚丙烯生产过程熔融指数预测时滞大的缺点，为了克服已有的纯机理模型精度不高和纯数据驱动模型外推能力较差的不足，采用集成神经网络模型进行机理模型的误差补偿，建立一种并联结构的混合模型，进而提供一种基于集成神经网络的聚丙烯熔融指数混合建模方法。本发明的技术解决方案为：首先采用样本数据辨识得到聚丙烯熔融指数的简化机理模型，然后采用集成神经网络建立机理模型的误差补偿模型，最后将集成神经网络模型作为偏差的估计器与机理模型相叠加，进而得到融合机理与过程数据的聚丙烯熔融指数混合模型。该建模方法可降低对机理模型的具体要求，可获得对聚丙烯生产过程更为精确的描述，能改善软测量模型的预测精度。一种基于集成神经网络的聚丙烯熔融指数混合建模方法，包括以下步骤：(1)通过集散控制系统和实时数据库系统收集聚丙烯生产过程各个关键变量的数据，并将这些数据存入历史数据库，作为软测量模型的输入样本数据集；(2)通过离线化学分析获取历史数据库中用于建模的样本所对应的熔融指数离线分析值，作为软测量模型的输出样本数据集；(3)分别对步骤1获取的关键变量和步骤2获取的输出变量进行预处理；(4)基于预处理后的训练样本数据集，建立熔融指数简化机理模型，将该机理模型参数存入数据库中备用，同时得到简化机理模型的训练值；(5)步骤2获取的熔融指数离线分析值减去简化机理模型的训练值得到机理模型预测误差，并将步骤1获取的关键变量和机理模型预测偏差分别作为模型输入和输出，建立基于集成神经网络的机理模型预测误差补偿模型，将该误差补偿模型的参数存入数据库中备用；(6)将预处理后的新实时数据直接输入到步骤4的简化机理模型和步骤5的误差补偿模型中，将两个模型的输出值相加，可获得该实时数据对应的聚丙烯熔融指数预测值。本发明的有益效果主要表现在：针对聚丙烯生产过程的复杂性，通过合理融合生产过程的对象机理、过程数据、专家知识等信息，并将机理建模和数据驱动建模方法较好地结合起来，实现了两种传统建模方法的优势互补，由此建立的聚丙烯熔融指数软测量模型更符合过程的实际特性，可以具有较好预测精度和泛化性能，用于指导聚丙烯生产过程，有效实现聚丙烯质量控制。附图说明附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：图1是本发明所提出的并联结构混合建模方法原理图图2是集成神经网络的模型结构图3是某石化企业spheripol法生产聚丙烯的工艺流程简图图4是基于简化机理模型(a)的聚丙烯熔融指数在线软测量结果图5是基于单一bp神经网络模型(b)的聚丙烯熔融指数在线软测量结果图6是基于集成bp神经网络模型(c)的聚丙烯熔融指数在线软测量结果图7是本发明方法(d)的聚丙烯熔融指数在线软测量结果具体实施方式以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据此实施。本发明针对聚丙烯生产过程的熔融指数预测问题，提供一种基于集成神经网络的混合建模方法，用于建立聚丙烯熔融指数软测量模型，以实现聚丙烯生产过程的熔融指数在线估计。该混合建模方法原理如图1所示，图中x为输入样本数据集，mimech为简化机理模型的输出值，ecomp为误差补偿模型的输出值，mipred为混合模型的输出值。一种基于集成神经网络的聚丙烯熔融指数混合建模方法，具体实施步骤如下：(1)聚丙烯熔融指数与催化剂体系、聚合反应条件有关，根据丙烯聚合动力学及工艺特点，选择氢气浓度、催化剂teal流率、丙烯单体流率、环管夹套冷却水温度及反应温度作为熔融指数的主要影响因素，选择的9个关键过程变量如表一所示。通过集散控制系统和实时数据库系统收集聚丙烯生产过程关键过程变量的数据，并将这些数据存入历史数据库，作为软测量模型的输入样本数据集；表一聚丙烯生产过程关键变量序号关键变量单位1第一环管氢气浓度ppm2第二环管氢气浓度ppm3催化剂teal流率kg/h4第一环管丙烯单体流量t/h5第二环管丙烯单体流量t/h6第一环管反应器温度℃7第二环管反应器温度℃8第一环管夹层水温℃9第二环管夹层水温℃(2)通过离线化学分析获取历史数据库中用于建模的样本所对应的熔融指数离线分析值mireal，作为软测量模型的输出样本数据集；(3)分别对步骤1获取的关键过程变量数据集和步骤2获取的输出变量数据集进行预处理，数据预处理内容包括采用莱以特准则剔除异常数据和数据标准化，具体实施步骤如下：31)采用莱以特准则剔除异常数据对于样本数据集x1,x2,…xn，判断样本数据xi是否满足下面的条件，若满足，则认为xi是异常数据，应予以剔除；否则保留该样本数据：其中，为所有样本数据的算术平均值，δ为所有样本数据的方差。32)标准化处理对于样本数据集x1,x2,…xn，样本数据xi的标准化处理计算公式为：其中，xi、分别表示第i个原始数据、标准化处理后的数据。样本数据经过标准化处理，使得样本数据处于[-1,1]之间。(4)基于预处理后的训练样本数据集，建立熔融指数简化机理模型，将该机理模型参数存入数据库中备用。聚丙烯熔融指数的简化机理模型结构如下：其中，mi表示熔融指数(g/10min)，ki(i＝1,2,3,4)均表示待辨识的模型参数，[h]表示氢气浓度(ppm)，[m]表示丙烯单体流量(kg/h)，t表示反应器温度(k)，下标11、22分别表示第一环管、第二环管。根据现场采集得到的数据(第一环管氢气浓度、第二环管氢气浓度、第一环管丙烯单体流量、第二环管丙烯单体流量、第一环管反应器温度、第二环管反应器温度)，采用最速下降法辨识未知模型参数ki(i＝1,2,3,4)，建立聚丙烯熔融指数的简化机理模型，同时得到简化机理模型的训练值mimech。(5)建立基于集成神经网络的机理模型预测误差补偿模型，并将该误差补偿模型参数存入数据库中备用。集成神经网络的模型结构如图2所示。建立机理模型预测误差补偿模型的具体步骤如下：51)构建训练样本数据集将步骤1获取的关键过程变量作为误差补偿模型的输入；将步骤2获取的聚丙烯熔融指数离线分析值mireal减去步骤4获取的简化机理模型训练值mimech，可得到机理模型的预测误差e，并作为误差补偿模型的输出；52)数据重采样建立多个样本数据子集首先给定原始样本集x，设置提取率p、轮数n，然后对x进行放回式随机采样得到多个训练样本集xi(i＝1,2,…n)；53)训练神经网络子模型选择bp神经网络作为子模型结构，网络结构为9×6×1，其中隐含层为tansig型函数，输出层为purelin型函数。采用levenberg-marquardt训练算法对n个训练输入输出样本集{xi，ei}(i＝1,2,…n)进行训练，得到n个bp神经网络子模型{nn1,…,nnn}。54)采用信息熵法求取各子模型的组合权重用于求解各子模型组合权重的多目标优化模型为：目标函数1：最大化所有组合权重的信息熵目标函数2：最小化集成模型的平均值与实际输出的平均值之差minμens-μreal目标函数3：最小化预测标准差与实际输出的标准差之差minσens-σreal约束条件：其中，h为信息熵，αi为第i个神经网络的集成权重，n为神经网络子模型的个数，μens为集成神经网络的输出均值，μreal为实际输出均值，σens为集成神经网络输出的标准差，σreal为实际输出标准差。55)建立误差补偿模型通过求解本实施步骤4中的多目标优化模型，可得到组合权重αi(i＝1,2,…,n)，则集成神经网络的预测输出为：ecomp＝α1e1+α2e2+…+αnen其中，ei为第i个bp神经网络子模型的预测输出。(6)将预处理后的新实时数据直接输入到步骤4的简化机理模型和步骤5的误差补偿模型中，简化机理模型的输出为mimech，误差补偿模型输出为ecomp，则该实时数据对应的聚丙烯熔融指数预测值mipred为：mipred＝mimech+ecomp以下结合一个具体的聚丙烯生产过程例子来说明本发明的有效性。该过程的数据来自国内某个大型的化工厂，其工艺流程如图3所示。在图3中，从左到右依次为预聚合阶段和双环管聚合阶段。在预聚合阶段，将催化剂体系送入预聚合环管r200，在18℃、3.3mpa下进行预聚合，使催化剂外表被少量聚丙烯包裹，以提高其机械强度和活性。在双环管聚合阶段，将催化剂淤浆送入第一环管r201，通入单体、氢气，并在70℃、3.3mpa下进行聚合反应，其中部分单体参与聚合，其余单体则成为固体聚合物的稀释剂。在各环管底部设置高速循环泵，使淤浆在环管内部高速循环并混合均匀，防止固体沉积并改善传热效果。同时，聚合物淤浆被连续送入第二环管r202，通入单体和氢气，在70℃、3.3mpa下完成未竞的聚合反应。r201、r202的停留时间分别为1.15h、0.85h(最大负荷)。该双环管工艺主要用于生产均聚物和无规共聚物。针对两个聚丙烯牌号(i和ii)，分别采集了9个关键过程变量(第一环管氢气浓度、第二环管氢气浓度、催化剂teal流率、第一环管丙烯单体流量、第二环管丙烯单体流量、第一环管反应器温度、第二环管反应器温度、第一环管夹层水温、第二环管夹层水温)的40组样本数据，同时通过化学分析获得了与这些样本数据对应的熔融指数离线分析值。采用莱以特准则发现两个牌号的所有样本数据均是正常样本数据，并进行标准化处理，构建用于建立混合模型的训练样本数据集。根据训练样本数据集，采用最速下降法分别建立了两个牌号的聚丙烯熔融指数简化机理模型：对于牌号i，集成神经网络模型的参数设置内容如下：bagging集成学习算法的样本提取率为p＝80％，轮数n＝6。bp神经网络模型采用反向传播算法，网络结构为9×6×1，其中隐含层为tansig型函数，输出层为purelin型函数。由6个bp神经网络子模型构成的误差补偿模型为：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)为第i个神经网络子模型的输出值。对于牌号ii，集成神经网络模型的参数设置内容如下：bagging集成学习算法的样本提取率为p＝80％，轮数n＝4。bp神经网络模型采用反向传播算法，网络结构为9×6×1，其中隐含层为tansig型函数，输出层为purelin型函数。由4个bp神经网络子模型构成的误差补偿模型为：ecomp,ii＝0.241e1,ii+0.260e2,ii+0.355e3,ii+0.144e4,ii其中ei,ii(i＝1,2,3,4)为第i个神经网络子模型的输出值。将简化机理模型与误差补偿模型的输出值相加，可得到两个聚丙烯牌号的熔融指数混合模型输出值为：mipred,i＝mimech,i+ecomp,imipred,ii＝mimech,ii+ecomp,ii将上述两种聚丙烯牌号的熔融指数混合模型应用于实际聚丙烯生产过程中。针对两个牌号，分别采集了20组新输入数据进行在线软测量测试。同时，为了更好的说明采用本发明方法建立的软测量模型性能，将其与传统的纯数据驱动模型和纯机理模型进行了比较。这里分别建立了简化机理模型、单一bp神经网络模型、集成bp神经网络模型、以及本发明提出的混合模型，并采用性能评价指标包括mre(平均相对误差)、mae(平均绝对误差)和rmse(相对均方差误差)对各软测量模型做出综合性能评估。上述指标的数值越小，则表示模型的精度越好，反之则表示模型的精度越差。各性能评价指标的计算公式为：其中，xi、分别为熔融指数的离线分析值与各类模型的预测值。图4～图7分别给出了简化机理模型(a)、单一bp神经网络模型(b)、集成bp神经网络模型(c)以及本发明方法(d)的熔融指数在线软测量结果。在各图中，左侧20组数据表示牌号i的熔融指数在线软测量结果，右侧20组数据表示牌号ii的熔融指数在线软测量结果。表二、表三分别给出了牌号i和牌号ii的四种模型性能评价指标比较结果。结合图4～图7和表二、表三可知，机理模型由过程机理推导得到，能够把握熔融指数变化的总体趋势，但难以表达熔融指数变化中的非线性动态特性。单一bp神经网络模型存在预测不稳定和泛化能力不足等问题。集成bp神经网络模型虽然具有较强非线性逼近能力的特点，但存在着泛化能力较弱的问题。而采用本发明方法建立的聚丙烯熔融指数混合模型把握局部精度的能力要明显优于机理模型，且该混合模型能充分发挥集成神经网络模型较强非线性逼近能力的优点，将其用于补偿机理模型误差，有效体现了熔融指数变化中的非线性动态特性，具有较佳的补偿效果，进一步提升了混合模型的预测精度和泛化性能。综上所述，与传统的软测量预报方法相比，本发明提出的方法具有更佳的预测能力和泛化能力，有效地保证了熔融指数软测量模型在实际聚丙烯生产过程质量控制中的可靠性和安全性。表二模型性能评价指标比较(牌号i)表三模型性能评价指标比较(牌号ii)虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属
技术领域：
内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。当前第1页12