[发明专利]基于多重先验知识混合模型的聚丙烯熔融指数预报方法

说明书

技术领域

本发明涉及聚丙烯工业过程软测量预报领域，特别地，涉及一种基于多重先验知识混合模型的聚丙烯熔融指数软测量预报方法。

背景技术

聚丙烯（Polypropylene，缩写为PP）是以丙烯为单体聚合而成的聚合物。聚丙烯是一种性能优良的通用塑料，广泛应用于包装、制造、纺织和许多民用消费等领域。 熔融指数是聚丙烯产品的主要质量指标之一，反映树脂流动性能，从而决定着树脂的牌号。聚丙烯的树脂牌号繁多，从几种达到数百种。对聚丙烯生产装置而言，由于丙烯聚合反应的操作中工况变化频繁，若要生产高质量、多牌号的聚丙烯产品，对熔融指数的建模和控制提出了严峻的挑战。

聚丙烯生产中产品质量控制的建模困难主要有如下几个方面： 

1）缺乏熔融指数在线分析仪， 熔融指数只能通过人工取样，离线化验分析获得， 而且一般每2-4小时分析一次，时间滞后大，难以满足实时控制的要求，导致产品质量波动大。

2）丙烯聚合过程原理复杂，包含多步物理，化学反应，影响因素众多，非线性强，测量数据的多尺度特性，生产不同产品时，牌号切换频繁，操作条件变化较大，对于这样复杂的过程，很难采用一个单一工况的模型来描述。

3）聚丙烯生产工况变化，软仪表长期运行中模型容易发生失配，需要定时维护和校正。

传统的聚丙烯软测量模型主要有机理模型和数据驱动模型，基于相关经验开发的简单物性机理模型，能反应过程大致趋势变化，预测精度却难以保证。事实上，聚烯烃聚合反应过程存在着严重的非线性和不确定性，是一个极其复杂的化学反应，要开发一个理想的熔融指数质量机理建模耗时耗力，加以现场生产条件不同，并没有应用推广性。而基于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。但是对于这样一个聚合反应过程牌号切换、工作点经常变化的场合，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。

发明内容

本发明的目的是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及安全性能无法保证的不足，提供一种基于多重先验知识神经网络和简单机理混合模型的聚丙烯熔融指数软测量预报方法。该方法将多重先验知识神经网络模型与聚丙烯熔融指数简化机理模型有机结合为调和平均混合模型，不仅有良好的拟合预测能力，增强了模型外推能力，实现模型外推性和对熔融指数预测精度的良好统一，同时能避免零增益和增益反转，确保网络在实际应用中的安全性能。

本发明的技术解决方案为：充分发掘利用聚丙烯工业现场先验知识，将各种先验知识有机融合，并以非线性等式约束的形式嵌入到多层感知器神经网络中，同时基于增广拉格朗日乘子法约束处理机制，用粒子群优化算法优化网络权值。在多重先验知识神经网络模型的基础上，将其与聚丙烯熔融指数简化机理模型有机结合为调和平均混合软测量模型。具体步骤如下：

1）从现场DCS站和实验室化验台中采集聚丙烯生产过程关键辅助变量和主导变量的数据作为训练样本；

2）应用数据预处理模块，包括小波阈值去噪、鲁棒尺度离值点检测和剔除以及最大最小归一化方法对训练样本进行预处理，从而获得平滑可靠的建模数据，步骤为：

（1）小波阈值去噪：将原始信号通过伸缩和平移后，分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号，这些子带信号具有良好的时域、频域等局部特征，这些特征可用来表示原始信号的局部特征，进而实现对信号时间、频率的局部化分析，有效地提取信号的波形特征。

（2）鲁棒尺度离值点检测和剔除：                                                ，根据判定规则，若某个样本出现的情况，则该次采样值即离值点，予以剔除。其中，为数据序列的中值和为中值绝对值偏差的中值指标

（3）最大最小归一化：

其中，为未标称的样本数据，及最大最小样本值，为标称的样本数据，及标称的最大最小样本值；

3）建立归一化互信息时延辨识模块，利用该辨识模块得到时延，对聚丙烯熔融指数预报模型的辅助变量和主导变量进行时序匹配； 

4）充分发掘和利用聚丙烯工业现场先验知识，将各种先验知识有机融合，并以非线性不等式约束的形式嵌入到多层感知器神经网络中，构建多重先验知识神经网络模型； 

5）基于增广拉格朗日乘子法约束处理机制，构建有约束粒子群优化模块对多重先验知识神经网络权值进行在线优化；