[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

权利要求书

1. 基于多重先验知识混合模型的聚丙烯熔融指数预报方法，其特征在于包括以下步骤：

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；

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模块； 

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先验知识神经网络权值进行在线优化；

6）在构建多重先验知识神经网络模型的基础上，将该模型与聚丙烯熔融指数简化机理模型模块有机结合为调和平均混合软测量预报模型对聚丙烯熔融指数进行预报。

2.如权利要求1所述的基于多重先验知识混合模型的聚丙烯熔融指数预报方法，其特征在于所述的建立归一化互信息时延辨识模块，得到时延                                               的具体步骤为：

(1) 设定主导变量聚丙烯熔融指数的采样周期为,辅助变量的采样周期为，确定最大滞后步长为，其中；

(2) 根据滞后步长的大小将各辅助变量的样本数据重新排列，，为待确定的时延；经过数据的重新排列等价于将每一个变量转化为个子变量，其中个子变量中每个变量的样本数等于主导变量样本数；

(3) 利用下式归一化互信息方法求出个子变量与主导变量的归一化互信息，

，

其中和分别为子变量和主导变量熔融指数的概率， 为联合概率；

可得辅助变量对应的时延步长为

则得到时延。

3.如权利要求1所述的基于多重先验知识混合模型的聚丙烯熔融指数预报方法，其特征在于所述的构建多重先验知识神经网络模型模块的步骤：

（1）构建多重先验知识神经网络

式中，ii,jj,k分别为输入节点、隐节点、输出节点个数；，分别对应模型输入输出；，， 和分别为输入层对隐层，隐层对输出层，输入层对输出层的权值和输出层阈值；非线性隐节点采用非线性Sigmoid激活函数，

线性隐节点采用线性激活函数     

（2）挖掘聚丙烯现场先验知识，包括过程增益及其特性，过程的单调性，以及过程特性曲线凹凸性，具体如下：

     1）过程增益及其特性：，并给定增益约束和，其中，为隐层节点，mi,Mi分别为增益最小和最大值，根据现场或实际经验给出；当时保证增益单调衰减，当时保证增益平滑增加；

2）过程的单调性：当过程单调递增，则，当单调递减，则；

3）过程特性曲线凹凸性： ，即当时，过程特性曲线显凹性，反之当时，为凸性；

（3）设计目标函数；把误差项作为目标函数的基础上，将各种先验知识直接用非线性不等式约束来表示：

                  

。

4.如权利要求1所述的基于多重先验知识混合模型的聚丙烯熔融指数预报方法，其特征在于所述的调和平均混合软测量预报模型的步骤：

（1）由采集的聚丙烯现场主导变量和辅助变量数据，用无约束优化算法优化聚丙烯熔融指数简单机理模型参数；

（2）由采集的现场主导变量和辅助变量数据，根据建立的目标函数，用增广拉格朗日乘子粒子群优化模块优化多重先验知识神经网络权值参数，得到多重先验知识神经网络模型；

（3）构建调和平均混合软测量模型

其中，，，分别为多重先验知识神经网络模型、熔融指数简单机理模型和调和平均混合软测量模型，为多重先验知识神经网络模型、熔融指数简单机理模型的权重，采用调和平均法获得。