[发明专利]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

说明书

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：

(1)本发明提供了一种新型的神经网络参数学习算法——极限学习机（Extreme Learning 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。