一种基于双高斯贝叶斯网络的特性粘度在线软测量方法

本发明属于化纤生产工艺，涉及一种基于双高斯贝叶斯网络的特性粘度在线软测量方法

背景技术：

1、聚酯纤维(pet)是生产合成纤维、薄膜、长丝和塑料制品的基本原料，具有高强度、不易皱、吸水性小等优点。在各种服用纤维中，聚酯纤维以其优良的弹性恢复能力、化学稳定性以及资源可开发性，获得了比其它合成纤维更广泛的应用。聚酯纤维的直纺生产工艺主要包含四个环节：由有机二元酸和二元醇发生缩聚反应得到具备一定粘度的聚合物，再将聚合物输送到纺丝车间经纺丝及后加工后得到聚酯纤维成品。

2、随着计算机、传感器、数据存储等技术的发展，聚酯纤维行业产生了大量的工业数据，这些数据对于聚酯纤维生产过程的建模具有较高价值。聚酯纤维聚合过程建模方法可分为数据驱动建模法和机理建模法，机理建模方法需要全面准确的理论支撑，且基于较多简化和假设之上，因而在复杂工业过程中的应用存在较大阻力；数据驱动建模方法只涉及过程的输入输出变量，不必详细分析其内部机理，因此更适用于具有非线性和不确定性的聚酯纤维聚合过程建模。数据驱动建模方法对于工业大数据依赖较大，通过机器学习和深度学习方法训练模型，分析输入输出变量之间的非线性映射关系即可建立软测量模型，常用于工业过程的软测量建模中。由于聚酯纤维聚合过程数据中往往存在着较为严重的数据共线性，主元回归和偏最小二乘回归方法能够有效地消除变量之间的相关性，以较少的变量来描述对象的特性。随着机器学习、深度学习、人工智能等技术的不断发展，高斯过程回归、支持向量机、深度神经网络等算法已在数据驱动建模中得到了广泛的应用。

3、聚合过程是聚酯纤维生产全流程的第一步，其得到的聚合物质量直接影响最终成品的质量。聚合物的质量是通过特性粘度这个指标来衡量的，而特性粘度的测量存在诸多困难：传统传感器很难用于特性粘度的直接测量；粘度计的测量结果易受环境影响，测量精度较低；实验室分析又需要耗费大量时间，具有较高的成本和时滞性。因此，对于聚合物的特性粘度进行及时、准确的软测量，从而能够实时地获取特性粘度的变化情况，便于工人针对原料、催化剂、压力和温度等操作条件做出相应的调整，这对于保障整个生产过程的顺利进行起着重大的作用。

4、目前已有学者采用不同方法对聚酯纤维的特性粘度进行软测量，建立了相应的机理模型和数据驱动模型并取得了一定的成效，但这些模型还存在一些问题亟待解决。由于聚酯纤维聚合过程本身所具有的多变量、强干扰、大滞后、强耦合等特点，这些模型一旦在线应用时间过长，便会出现数据漂移的现象，如果不对其进行校正势必会影响模型的软测量精度。此外，聚酯纤维聚合过程的数据具有较大的时变性以及非线性，常规的离线模型训练完毕之后其结构或参数便已固定，无法针对生产工况的变化对模型做出相应的调整。

技术实现思路

1、本发明的目的是针对现有离线模适应性差、在线性能下降的不足，提供一种可以根据实际生产工况对离线预测值进行在线校正、同时保证足够运行效率的特性粘度在线软测量方法。本发明采用双模型的思想对离线模型的输出值进行在线校正以弥补单模型的性能缺陷，通过动态可变窗口监测模型性能，当性能下滑时采用增量学习的方式调整模型参数，提高模型更新效率，达到优化生产工艺，提高聚酯纤维生产质量的目的。

2、为了达到上述目的，本发明采用的技术方案如下：

3、一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，包括先后进行的预训练阶段和在线软测量阶段；

4、预训练阶段前，从聚酯纤维聚合过程的传感器上采集历史数据，并将其划分为训练样本和测试样本；

5、预训练阶段先采用训练样本训练预测模型，再采用训练样本训练校正模型；

6、预测模型采用高斯贝叶斯网络i，高斯贝叶斯网络i的输入为与特性粘度相关的工艺参数x，高斯贝叶斯网络i的输出为特性粘度的初次预测值训练预测模型的过程即对高斯贝叶斯网络i的参数进行学习更新的过程，除了训练样本外，具体训练过程同文献(zhum,liu s,jiang j.a novel divergence for sensitivity analysis in gaussianbayesian networks[j].international journal ofapproximate reasoning,2017,90:37-55.)；预测模型的网络结构采用多输入单输出的方式，即每个输入变量都是输出变量的直接父节点，且输入变量之间遵循条件独立的假设；

7、校正模型采用高斯贝叶斯网络ii，校正模型的工作流程如下：

8、(i)将输入到高斯贝叶斯网络ii，由其输出特性粘度的二次预测值y'；将预测模型的输出作为校正模型的输入之一，是为了更加充分利用预测模型的有效信息；

9、(ii)将d'＝{x',y'}输入到高斯贝叶斯网络ii，由其输出偏差变量b的预测值μbx'，y为特性粘度的真实值；

10、训练校正模型的过程即对高斯贝叶斯网络ii的参数进行学习更新的过程，除了训练样本外，具体训练过程同文献(zhu m,liu s,jiang j.a novel divergence forsensitivity analysis in gaussian bayesian networks[j].international journalof approximate reasoning,2017,90:37-55.)；

11、现有技术中高斯贝叶斯网络的训练分为网络结构训练和网络参数训练，网络结构的训练是通过一个评分函数寻找一个最优的网络结构，终止条件一般为评分函数值不再变化或变化幅度小于一个阈值，本发明的网络结构是根据条件独性假设及专家经验确定的，因此不需要去训练网络结构，只需要训练网络参数；

12、本发明能够使用校正模型对预测模型的输出进行校正，克服了传统单模型建模的性能缺陷，且充分利用高斯贝叶斯网络强大的不确定性推理能力，适用于时变性强、耦合性高的复杂流程工业建模；

13、在线软测量阶段利用训练后的预测模型和训练后的校正模型获得待测样本的特性粘度的最终预测值。

14、作为优选的技术方案：

15、如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，训练样本和测试样本的数量比为2～4:1。

16、如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，与特性粘度相关的工艺参数为与特性粘度的皮尔逊相关系数高于0.6的工艺参数，本发明利用皮尔逊相关系数进行特征选择的时候发现大多数特征与特性粘度的相关性都很低(相关系数小于0.3)，只有几个特征与特性粘度的相关系数维持在0.6～0.7左右，考虑到本发明的重点并不在特征选择上，因此阈值就简单设置为0.6。

17、如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，特性粘度是衡量聚合物质量的关键指标，聚合物是聚合过程的最终产物，整个聚合过程包括酯化单元、预缩聚单元和终缩聚单元，具体包括五个部分，如图1所示：

18、(1)对苯二甲酸进料及浆料配比：精对苯二甲酸氧化装置生产的粗对苯二甲酸通过相关输送装置进入浆料罐，注水溶解后通过增压泵运送到预热器中；

19、(2)酯化：酯化反应釜由蒸汽分离器和热交换器组成，对苯二甲酸和乙二醇的混合物进入换热器与管内的低聚物混合并发生酯化反应，反应生成的副产物进入蒸汽分离器进行回收利用，主产物由循环管底部的出料口进入注射系统；

20、(3)齐聚物输送和添加剂注入：将酯化反应生成的齐聚物通过管道输送到预缩聚反应釜，并在管道中加入添加剂，主要包括消光剂、催化剂和二甘醇；

21、(4)预缩聚：在真空条件下，酯化部分的产物进入预缩聚釜塔底并沿着升液管逐层上升，在上升的过程中进行首次缩聚，反应过程中生成的乙二醇蒸汽可以起到搅拌的作用，反应结束后的预聚物在物料出口处进入终缩聚反应釜；

22、(5)终缩聚：预聚物由计量泵输送到终缩聚釜入口，在釜内输送过程中搅拌器不断对其搅拌完成终缩聚反应，特性粘度也随之逐渐增加，最终得到高质量的成品聚合物；

23、与特性粘度相关的工艺参数为tpa旋转阀转速、浆料配置槽电流、在线浆料注射压力和cat喷给罐温度。

24、如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，所述高斯贝叶斯网络i的参数为高斯贝叶斯网络i的均值和方差；所述高斯贝叶斯网络ii的参数为高斯贝叶斯网络ii的均值和方差。

25、如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，在线软测量阶段采用增量学习的方式对高斯贝叶斯网络的参数进行微调，通过动态可变窗口监测模型性能，当模型性能下降时进行更新从而避免频繁的更新带来的运行效率低下的问题。

26、如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，在线软测量阶段的流程如下：

27、(a)t时刻的待测样本分别输入到训练后的预测模型和训练后的校正模型中，预测模型输出特性粘度的初次预测值校正模型输出偏差变量b的预测值

28、(b)使用一个窗口监测校正模型的性能，窗口的起止位置为两个时刻点，假设起始时刻为t1，终止时刻为t2，一开始t1和t2都指向0，窗口长度为0，时刻t从1开始遍历，如果校正模型不需要进行更新，t1不变，t2加1；如果校正模型需要更新，用t1至t2时间段内的测试样本更新校正模型，重新预测t时刻的待测样本，随后将t1和t2都重置为t，窗口长度为0，窗口长度会根据校正模型性能而动态变化，称其为动态可变窗口；

29、判断t时刻条件均值的变化率δμt是否小于等于统计限sl，为校正模型在步骤(i)阶段输出的特性粘度的二次预测值，表示特性粘度的均值，yi表示索引为i的训练样本的特性粘度的真实值，h表示训练样本的个数，sl根据训练集各个数据点的分布情况确定，使得处于统计限之内的训练样本个数比例为θ，θ为0.95(即处于统计限之内的训练样本数占总训练样本数的0.95，处于统计限之外的训练样本数占0.05)；

30、如果是，则将该待测样本添加到动态可变窗口中使窗口长度加1，进入下一步；

31、如果否，则根据下式利用动态可变窗口内的测试样本对高斯贝叶斯网络ii的均值(高斯贝叶斯网络可以定义为一个二元组(g,p)，其中g表示有向无环图，由节点和有向边构成，节点代表随机变量，有向边代表变量间的依赖关系，p定义了变量间的联合概率密度，为多元正态分布n(μ,σ)，这里的μ为高斯贝叶斯网络的均值)进行更新，同时将动态可变窗口的窗口长度重置为0；

32、

33、

34、

35、

36、式中，h表示高斯贝叶斯网络ii的均值的更新的次数，初始值为0，μh为更新前高斯贝叶斯网络ii的均值，μh+1为更新后高斯贝叶斯网络ii的均值，表示动态可变窗口内堆积的所有测试样本的均值(窗口的起止位置的两个时刻点所对应的时间范围内的测试样本为窗口内的堆积样本，堆积样本的均值为一个向量，向量中的每个元素代表窗口内测试样本中对应输入变量的均值)，βh和αh分别表示对应的权重，mh表示用于第h次更新的测试样本数(第h次更新的测试样本数在数值上与动态可变窗口的长度是相等的)，nh表示第h次更新前所消耗的训练样本及测试样本数之和，h表示训练样本数，mi表示用于第i次更新的测试样本数；

37、更新完毕后，重新利用校正模型对t时刻的待测样本进行预测(由于预测模型没有发生更新，所以，不需要重新输入到预测模型中，即不需要重新利用预测模型对t时刻的待测样本进行预测)并跳转到下一步；

38、更新(增量学习)旨在保留绝大多数以往学到的旧知识的情况下学习新知识，通过新数据不断对模型的结构或者参数进行调整，充分利用线上数据带来的丰富信息；校正模型能够对预测模型的输出进行一定程度上的补偿，使得预测结果更加接近于真实的输出；由于双高斯贝叶斯网络模型训练结束之后其结构或参数不会发生任何变化，且无法有效利用新样本所包含的信息，因此很难针对生产工况的变化做出相应的调整，整个模型的预测性能会随着不断的在线应用而偏离预期性能，为了在预测过程中能够根据工况变化调整模型参数，在双高斯贝叶斯网络离线校正模型的基础上采用增量学习的方式(即更新)对校正模型的均值进行更新；

39、采用增量学习的方式对模型进行更新能够在原有训练结果的基础上结合新样本包含的信息，通过对校正模型的均值进行微调大大减少了模型的更新时间，满足对于在线建模的实时性要求；

40、动态可变窗口控制每次用于更新的测试样本数，评价模型的性能优劣一方面看重其精度指标是否满足预期需求，另一方面需要考虑算法的时间复杂度和空间复杂度是否过高；尤其对于在线模型而言，时间效率便显得尤为重要，频繁的对模型进行调整势必会影响在线预测的性能；对于校正模型而言，应当有针对性地对模型的均值进行更新；具体来说当工况运行平稳且性能指标在可控范围内时，当前模型即可满足生产需求而无需对其进行任何调整；当工况发生明显变化或者性能指标超标时，当前模型无法满足生产需求，此时需要对模型做出相应调整使其能够适应工况变化从而保证足够的预测精度；通过一个动态可变窗口监测模型的性能，当满足预期性能时不对模型进行更新，否则使用窗口内的测试样本来更新模型的均值；样本的条件均值可以反映模型推断的准确度，因此本发明中，选择均值的变化率δμt作为性能指标；本发明中的统计限sl决定了可变窗口的长度，当sl过大时窗口内样本积累过多，无法及时对工况变化做出有效调整；当sl过小时会导致一些不必要的更新从而影响模型效率，所以统计限的大小影响着模型的更新频率；

41、(c)计算t时刻特性粘度的最终预测值当t+1时刻到来时，令t＝t+1，然后返回步骤(a)。

42、有益效果

43、(1)本发明的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，利用高斯贝叶斯网络强大的不确定性推理能力学习偏差的后验分布，能够对特性粘度的离线预测值(即预测模型得到的输出值)进行校正，克服传统离线模型线上应用性能下降的问题，提高特性粘度的预测精度，生产出低成本、高质量的聚酯纤维产品；

44、(2)本发明的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，利用增量学习方式更新校正模型参数，可以在已有知识的基础上学习新样本带来的丰富信息，通过动态可变窗口监测模型性能，降低模型更新频率，可以适应工况的实时变化，有助于提高企业经济效益及市场竞争力。