专利名称：高密度聚乙烯串级聚合反应过程智能检测与收率优化方法
技术领域：
本发明是以高密度聚乙烯(High Density Polyethylene, HDPE)串级聚合反应过程为对象，以二反应器熔融指数软测量和聚乙烯产品单耗为目标，提出的一种包括复杂过程工业数据在线预处理、极限学习机(Extreme Learning Machine,ELM)算法和可拓聚类算法的ELM神经网络集成(ELM-E)技术。
背景技术：
随着高分子材料科学技术的飞跃进步，生产工艺的不断改进，在管道领域发生了一场革命性的进步，即“以塑代钢”。在这场革命中，高密度聚乙烯管道因其具有极高的机械强度及高速的加工性能而倍受青睐，目前已广泛用于燃气输送、给水、排污、农业灌溉、矿山细颗粒固体输送，以及油田、化工和邮电通讯等领域，特别在燃气输送上得到了普遍的应用。但是由于HDPE生产系统复杂的工艺结构，采用过程建模与模拟技术、先进控制与优化技术、生产监控与安全技术成为了降低生产成本、提高生产操作水平、消除装置“瓶颈”成为提高企业经济效益的主要手段，其中应用过程建模、控制与优化技术以指导生产装置操作已成为我国聚乙烯生产企业的迫切需求。因此，研究应用先进技术进行HDPE生产过程参数的智能检测以及产品单耗的优化操作，具有重要的理论意义和实际应用价值。人工神经网络是一种基于数据驱动的自适应方法，其根据过程所提供的数据，通过学习和训练，找出输入和输出之间的内在联系，从而在建模实现问题上有着极强的适应性和灵活性。神经网络由于不依靠过程的先验知识和规则，并且具有非线性逼近能力强的特点，因而被广泛用于 化工过程中的参数估计、操作过程优化以及过程系统控制中。其中，极限学习机(Extreme Learning Machine, ELM)是针对大多数神经网络学习算法存在着收敛速度慢、容易陷入局部极小等问题，所提出的一类针对单隐含层前馈神经网络的快速参数训练算法。但是由于ELM学习算法的输入层权值是随机产生的，这些权值并不是最优的，因此可能会降低单个ELM神经网络的拟合精度。为了提高ELM神经网络的拟合精度，需要将多个训练好的ELM神经网络进行集成，并从中选择拟合精度高的神经网络组合作为最后的输出。
发明内容
本发明的目的在于:克服HDPE串级聚合反应生产过程缺乏在线测量手段、聚乙烯生产成本高的困难，将人工神经网络应用于工业领域，分别构建基于ELM神经网络集成(ELM-E)技术的二反应器熔融指数模型和聚乙烯产品单耗模型，提出方便、可靠、高效的HDPE过程优化操作方法，为企业提高生产效率、节约生产成本提供技术支撑。本发明提供了一种用于高密度聚乙烯(HDPE)串级聚合反应的智能检测与收率优化方法，其特征在于，所述方法包括:数据预处理过程、样本选取过程、个体神经网络建模过程、和基于可拓聚类的个体神经网络集成过程，其中:所述数据预处理过程为:对现场采集的HDPE聚合反应数据中存在的缺失数据、异常数据和噪声数据进行处理，并将所处理后的数据作为二反应器熔融指数模型和聚乙烯产品单耗模型的训练数据；所述的样本选取过程为:将数据预处理后的训练数据分为用于个体神经网络建模的训练样本和用于神经网络集成的验证样本，并对所划分的训练样本采用Bootstrap方法进行重复抽样，获得带有差异度的个体神经网络的训练样本；所述的个体神经网络建模过程为:采用极限学习机(ELM)算法快速完成个体神经网络的训练；其中，在ELM建模过程中，通过设置个体神经网络的训练标准，以减少随机选取的输入层权值所带来的训练误差；所述的个体神经网络集成过程为:采用可拓聚类算法对个体神经网络的输出进行聚类，并将聚类后获得的差异度较大的个体神经网络进行集成以作为基于ELM神经网络集成(ELM-E)模型的最终输出。本发明与现有技术相比的创新点在于:(I)本发明提供了一种新型的神经网络参数学习算法一极限学习机(ExtremeLearning Machine, ELM)算法，该算法可以在随机选择输入层权值的前提下，利用Moore-Penrose广义逆解析求出输出层权值，同时还可以保证网络的泛化能力。与传统的BP神经网络、RBF神经网络相比，ELM学习算法具有学习速度快、可调参数少、不会出现局部极值等许多优良特性，为高密度聚乙烯生产过程建模与优化提供了新思路。
(2)本发明针对在单个ELM神经网络中随机产生输入层权值会降低网络拟合精度的问题，采用不同的输入层权值，训练多个ELM神经网络，再从多个训练ELM神经网络中选择差异度大的网络，并将所挑选出的ELM神经网络的输出取平均以作为最终集成后的神经网络输出。本发明将集成的ELM神经网络应用于高密度聚乙烯生产过程中的参数智能检测和基于产品单耗的操作优化，不但可以实现参数的快速在线检测，而且也可以提高参数检测的准确率和产品的产率。(3)为了进一步提高ELM-E模型的精度，本发明还提供了基于可拓聚类算法的个体网络集成策略。可拓聚类算法是一种基于可拓集合的算法。该算法定义了一种多维基元间的可拓距离，这种距离可以较好地表达一个数据隶属于某区间的程度。并且，该算法相对于其他聚类算法有如下优点:无需初始设置预期聚类的数目、算法收敛快、以及时间消耗少。本发明将可拓聚类算法运用到个体网络的输出空间中，可以实现个体网络的差异度划分，从而进一步提闻集成网络的精度。(4)本发明以生产牌号为9455F的高密度聚乙烯生产过程为应用研究示例，克服了 HDPE生产中的关键质量变量缺乏在线测量手段的问题，节省了生产每吨合格的聚乙烯产品所消耗的乙烯量，并且通过开展基于ELM神经网络集成(ELM-E)技术的应用研究，实现了聚乙烯产品的长周期稳定生产，从而提升了企业的经济效益增长。
图1为HDPE串级聚合反应流程图；图2为神经网络集成结构图；图3为本发明所述方法的模型结构图；图4为本发明所述方法的工作流程图5为数据预处理过程的工作流程图；图6为样本选取过程的工作流程图；图7为个体神经网络建模过程的工作流程图；图8为个体神经网络集成过程的工作流程图。
具体实施例方式如图1所示，为HDPE串级聚合反应流程图。反应过程主要是由两个淤浆反应器组成，乙烯以气态通入，溶解于溶剂中并扩散至催化剂颗粒表面，通过搅拌加速反应形成聚乙烯颗粒，并采用稀释剂干燥后产生高密度聚乙烯产品。所生产的HDPE产品，因其价格便宜、性能较好，目前已跃居成为世界需求量第三高的聚烯烃品种，广泛用于薄膜、吹塑、管材等。其中，工业上聚乙烯产品的规格主要根据二反应器熔融指数来区分，由于缺乏在线测量手段，实验室分析一次熔融指数需要花两个小时。显然这种频率存在很大滞后，当发现树脂质量不合格时，大量的废料已经产出，造成了无法挽回的经济损失。聚乙烯单耗是指每吨合格的聚乙烯产品所消耗的乙烯量，它是关系企业效益的一个重要参数，与产品产率成倒数关系。和二反应器熔融指数参数一样，聚乙烯单耗也不能由现场仪表进行实时测量。如图2所示，为一典型的神经网络集成结构图。在神经网络集成中，假设个体网络的个数为M，每个个体神经网络的训练样本都为{X，Y}，其中X e Rnxp为神经网络的输入，Y e Rnxq为神经网络的期望输出，N为训练样本的数目，P为输入变量的个数，Q为输出变量的个数。对于经过神经网络学习算法训练后，M个个体神经网络的实际输出分别为
Y1, Y2,…，4 (其中， e因此，所有个体神经网络集成后的输出f为:
权利要求
1.一种用于高密度聚乙烯(HDPE)串级聚合反应的智能检测与收率优化方法，其特征在于，所述方法包括:数据预处理过程、样本选取过程、个体神经网络建模过程、和基于可拓聚类的个体神经网络集成过程，其中: 所述数据预处理过程为:对现场采集的HDPE聚合反应数据中存在的缺失数据、异常数据和噪声数据进行处理，并将所处理后的数据作为二反应器熔融指数模型和聚乙烯产品单耗模型的训练数据； 所述的样本选取过程为:将数据预处理后的训练数据分为用于个体神经网络建模的训练样本和用于神经网络集成的验证样本，并对所划分的训练样本采用Bootstrap方法进行重复抽样，获得带有差异度的个体神经网络的训练样本； 所述的个体神经网络建模过程为:采用极限学习机(ELM)算法快速完成个体神经网络的训练；其中，在ELM建模过程中，通过设置个体神经网络的训练标准，以减少随机选取的输入层权值所带来的训练误差； 所述的个体神经网络集成过程为:采用可拓聚类算法对个体神经网络的输出进行聚类，并将聚类后获得的差异度较大的个体神经网络进行集成以作为基于ELM神经网络集成(ELM-E)模型的最终输出。
2.根据权利要求1所述的方法，其特征在于所述数据预处理过程具体包括:对所述缺失数据进行补充、对所述异常数据进行修正、以及对所述噪声数据进行滤波，之后采用固定均值算法进行数据融合，进而生成包含14组采样值和2组分析值在内的输出值Vi (n)，( i =1,2,..., 16)，最终得出所述二反应器熔融指数模型的训练数据为: Ω ! {X，Y} = {(Xn, Yn) I n=l, 2..., N; Yn= [ynl]τ= [ν15 (η) ]τ; Xn= [χη1, χη2,...,Xn, 14]τ=[V1 (η)，ν2 (η)，V3 (η)，ν4 (η)，ν5 (η)，ν6 (η)，ν7 (η)，ν8 (η)，ν9 (η)，V10 (η)，V11 (η)，V12 (η)，V13(η), ν14(η)]τ} 所述聚乙烯产品单耗模型的训练数据为: Ω2 = {X,F) = |(XnlΥη)\η = 1,2,.'.,Μ;Υη = [ynl] =[ν16( )] ；Χ =_χ_ι 2，".》ιΛ.ιι] = [v4 )>V4( )5V5( )^6(,l) V7W, ν9(ιι),%(# ), vn(if),vi2 ( ),Fb (W)5V14 (w)]'} 其中，η为采样时刻。
3.根据权利要求1所述的方法，其特征在于所述样本选取过程具体包括:对预处理过程所得的训练数据，统一按照训练数据{X，Y} = lxn, Yn) I η=1, 2，...，N; Xn= [χη1, χη2,...,Xnp]1 e R；Yn=[ynl]T e R}进行建模；在抽取30%的训练数据作为验证样本集之后，剩余的训练数据采用Bootstrap方法进行重复抽样，由此获得各个体神经网络的训练样本{Z(m),F(m'} = ((X；”丨),K；M)) I eAot;Xlm) = [x{nf,x(nf，".,x(nf gRp;= ]' el'| ；其中A111为所获得的训练样本的序号，m = 1，2，...，M，M为个体神经网络的个数。
4.根据权利要求1所述的方法，其特征在于所述个体神经网络建模过程具体包括:首先，从第I个个体神经网络开始，设置每个神经网络网络的结构和训练误差标准RMSE_std,并随机产生输入层权值和隐含层阈值；其次,根据每个个体神经网络的训练样本{XW，γω}，计算个体神经网络的输出层权值，其中m = 1，2，...，M，M为个体神经网络的个数；再次，输入验证样本集，根据所建立的个体神经网络m模型，计算各个体神经网络的输出值，并将其与验证样本集的期望输出值进行比较，获得个体神经网络m的均方根误差RMSEw,其中，个体神经网络m模型包括训练得到的输入层权值、隐含层阈值和输出层权值；最后，判断RMSEw小于训练误差标准RMSE_std的条件是否满足，如果条件不满足，则重新产生输入层权值和隐含层阈值，进行个体神经网络m的训练，相反，如果条件满足，则更新RMSE_std，并令m=m+l进行下一个个体神经网络的训练，直到完成所有M个个体神经网络的训练为止。
5.根据权利要求1所述的方法，其特征在于所述个体神经网络集成过程具体包括:首先，采用多维基元模型描述各个个体神经网络的输出，通过删减变换和扩缩变换的组合对样本数据进行归一化；其次，采用多维基元模型描述中心向量，设置距离参数阈值，通过对第一个个体神经网络输出进行 复制变换获得第一个聚类中心，同时，对中心基元的对象实施主动变换，引起对应特征值的传导变换；再次，将可拓学中距的定义扩展到多维基元中，得到扩展的可拓距公式；最后，根据扩展的可拓距公式计算出个体神经网络输出和所有已存在中心的最小可拓距，以此判断是否属于当前已存在的类，并分情况运用置换变换进行中心和权值的调整，直到所有的聚类过程收敛。
全文摘要
针对高密度聚乙烯(HDPE)串级聚合反应过程工艺复杂、关键质量变量在线测量困难、生产过程操作成本高等问题，本发明采用数据校正、数据挖掘技术开展数据预处理，从生产与分析数据中寻找规律；采用人工神经网络技术，建立智能软测量仪表与聚乙烯产品单耗模型；采用可拓工程技术，优化人工神经网络结构，提高神经网络建模精度，最终形成了一套HDPE反应过程智能检测与收率优化方法。该发明具有响应时间快、建模精度高、推理能力强、管理方便的特点，为保证HDPE生产的安全进行、提高聚合物产品质量、节约生产成本提供了帮助。
文档编号G06N3/02GK103226728SQ20131011716
公开日2013年7月31日 申请日期2013年4月7日 优先权日2013年4月7日
发明者徐圆, 朱群雄, 彭荻, 陈彦京, 贺彦林, 叶亮亮, 耿志强, 林晓勇, 李芳 , 史晟辉 申请人:北京化工大学