[发明专利]基于非线性最小二乘改进方法的聚丙烯熔融指数预报

说明书

技术领域

本发明涉及一种聚丙烯熔融指数预报方法。

背景技术

聚丙烯是以丙烯单体为主聚合而成的一种合成树脂，是塑料工业中的重要产品，但作为一个大量参数相互耦合的多输入多输出强非线性生产过程，传统的机理建模(包括反应器动态建模和熔融指数建模)受到很大的限制。熔融指数作为聚丙烯产品质量控制和加工工艺的重要参考指标，其可靠建模将能指导平稳操作并提高产品质量。

经过对现有关于熔融指数建模技术文献的检索发现，目前熔融指数建模主要包括机理建模和数据建模。机理建模(如蒋京波，2002)可以充分利用已知的过程知识，从事物的本质认识外部特征，使用范围较大，但要比较熟悉生产流程，对于某些复杂的过程难以建模；数据建模也称经验建模，通过实测或积累的操作数据，用软测量方法得到经验模型。神经网络由于完全不依赖系统模型，在经验建模中占了很大的比重，比较有代表性的文章是：Jian Shi，2006，但为保证建模可靠性并简化网络，要对大量数据做预处理，不仅需要庞大的计算，并且预处理方法选择的优劣会影响建模精度。综合反应机理和生产数据的建模方法可兼有二者长处、互补其短，代表生产建模的前沿方向。尽管综合建模的理论发展日趋成熟，但对于实际生产过程而言，如果建模的“结合点”选取不当，建模效果并不理想，以至于尚未发现熔融指数综合建模的文献和专利。

发明内容

为了克服已有的聚丙烯熔融指数预报方法的建模可靠性差、计算复杂、建模精度低的不足，本发明提供一种建模可靠性好、计算简单、建模精度高的基于非线性最小二乘改进方法的聚丙烯熔融指数预报方法。

本发明是通过以下技术方案实现的：

一种基于非线性最小二乘改进方法的聚丙烯熔融指数预报，首先通过将机理模型的非线性项泰勒展开并做变量替换而得到线性化模型，采用线性神经网络辨识该模型；再将线性神经网络的辨识结果作为非线性最小二乘的参数初值，对所述机理模型进行非线性最小二乘辨识，得到最终的辨识结果，该模型作为熔融指数的实时预报模型。

作为优选的一种方案：所述预报方法包括如下步骤：

(1)建立熔融指数与操作变量参数的机理模型，参见式(8)：

ln(MI)=k1+k2T+3.36ln(k3+k4[H2])---(8)]]>

(2)采用线性神经网络辨识参数：对所述机理模型做线性化处理，采用泰勒公式展开底数是变量线性组合的对数项，即公式(8)的最后一项，保留其二阶以下的部分，结果为：