[发明专利]一种基于集成神经网络的聚丙烯熔融指数混合建模方法

说明书

技术领域

本发明属于化工生产过程软测量建模和应用领域，特别地，涉及一种基于集成神经网络的聚丙烯生产过程熔融指数混合建模方法。

背景技术

在聚丙烯生产过程中，存在着产品质量不够稳定、专用料少等问题，这要求聚丙烯生产企业尽快进行产业升级，朝着规模大型化、催化剂多样化和过程控制自动化等方向发展。熔融指数是聚丙烯生产过程中最重要的质量指标之一，用于区分不同牌号的聚丙烯产品。目前在聚丙烯生产过程中，熔融指数只能通过定期在线取样离线化验获得，但该检测方式存在较大时滞，导致熔融指数化验值无法实时指导生产过程，难以满足聚丙烯生产过程的实时质量控制要求。

目前针对聚丙烯熔融指数的建模方法主要有两种，分别是机理建模和数据驱动建模。对机理建模方法而言，理论上机理模型能够抓住动态反应的本质特征并且能够描述过程在较大范围内变化，但是前提是需要大量的复杂微分方程以及非常准确的物化参数。而这些方程的建立和参数的估计代价较高，往往很难准确获取。另外，为了简化模型结构和降低模型辨识难度，在采用机理分析方法建立熔融指数机理模型过程中，通常需要基于某些合理的假设，但这些假设通常与实际过程并不相符，使机理模型难以精确描述熔融指数的变化趋势，使机理模型与离线分析值之间存在一定偏差。此外，聚丙烯生产过程中常存在的一些扰动会导致实际过程在稳态工况点附近波动，而机理模型一般无法识别出这类动态变化所引起的偏差。

聚丙烯生产过程的DCS控制系统历史数据库积累了大量的生产数据，为采用数据驱动方法建立熔融指数的软测量模型提供了重要的基础条件。而基于神经网络、支持向量机等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，但是对于聚合反应过程牌号切换、工作点经常变化的应用场合，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。

聚丙烯生产过程中存在着对象机理、过程数据、专家知识等信息，若能合理融合这些信息，并将机理建模和数据驱动建模方法相结合以实现两种传统建模方法的优势互补，建立具有较好预测精度和泛化性能的聚丙烯熔融指数在线预测模型，这对于实现聚丙烯生产过程的质量监测、控制与优化都具有重要现实意义。

发明内容

本发明要克服现有技术的聚丙烯生产过程熔融指数预测时滞大的缺点，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较差的不足，采用集成神经网络模型进行机理模型的误差补偿，建立一种并联结构的混合模型，进而提供一种基于集成神经网络的聚丙烯熔融指数混合建模方法。

本发明的技术解决方案为：首先采用样本数据辨识得到聚丙烯熔融指数的简化机理模型，然后采用集成神经网络建立机理模型的误差补偿模型，最后将集成神经网络模型作为偏差的估计器与机理模型相叠加，进而得到融合机理与过程数据的聚丙烯熔融指数混合模型。该建模方法可降低对机理模型的具体要求，可获得对聚丙烯生产过程更为精确的描述，能改善软测量模型的预测精度。

一种基于集成神经网络的聚丙烯熔融指数混合建模方法，包括以下步骤：

(1)通过集散控制系统和实时数据库系统收集聚丙烯生产过程各个关键变量的数据，并将这些数据存入历史数据库，作为软测量模型的输入样本数据集；

(2)通过离线化学分析获取历史数据库中用于建模的样本所对应的熔融指数离线分析值，作为软测量模型的输出样本数据集；

(3)分别对步骤1获取的关键变量和步骤2获取的输出变量进行预处理；

(4)基于预处理后的训练样本数据集，建立熔融指数简化机理模型，将该机理模型参数存入数据库中备用，同时得到简化机理模型的训练值；

(5)步骤2获取的熔融指数离线分析值减去简化机理模型的训练值得到机理模型预测误差，并将步骤1获取的关键变量和机理模型预测偏差分别作为模型输入和输出，建立基于集成神经网络的机理模型预测误差补偿模型，将该误差补偿模型的参数存入数据库中备用；

(6)将预处理后的新实时数据直接输入到步骤4的简化机理模型和步骤5的误差补偿模型中，将两个模型的输出值相加，可获得该实时数据对应的聚丙烯熔融指数预测值。