[发明专利]一种基于半监督混合模型的聚丙烯熔融指数预测方法

说明书

本发明公开了一种基于半监督混合模型的聚丙烯熔融指数预测方法，它首先通过分开处理辅助变量与熔融指数、并显式考虑熔融指数与辅助变量间的依赖关系，建立概率化的数学模型；然后同时挖掘有标签样本与无标签样本信息，利用期望最大化算法和贝叶斯信息准则进行自动模型参数学习与模型选择。该方法能够在线实时提供熔融指数的预测值，并评估其可信度。应用本发明，可提高模型参数学习以及模型选择的准确性、且所有参数无需人工设置，能够有效提高熔融指数的预测精度，为提高产品质量、降低成本、过程监控以及决策制定提供技术支持与保障。

技术领域

本发明属于过程系统软测量建模与应用领域，具体涉及一种基于半监督混合模型的聚丙烯熔融指数预测方法。

背景技术

聚丙烯树脂由于具有比重小、无毒、无味、易加工、抗冲击强度高、抗扭曲性好以及电绝缘性好等优点，在国民经济的众多工业领域中获得了十分广泛的应用。熔融指数是衡量聚丙烯产品质量的重要指标，通常以实验室化验分析的方式测量，周期为2-4小时。如此大的测量滞后会显著降低闭环控制系统的动态性与稳定性，卡边控制更无从谈起，致使聚丙烯生产过程波动强烈、产品废料多，不仅增加了企业的生产成本，也加剧了环境污染。

熔融指数的软测量模型可实现熔融指数的在线实时预测。目前熔融指数的软测量建模方法可归纳为两大类。第一类是根据聚合反应的机理建立机理模型，另一类是利用生产过程数据建立数据驱动的模型。准确的机理模型动态性好，预测精度高，适用范围广，然而由于聚丙烯生产过程机理非常复杂且尚未完全清楚，熔融指数机理模型通常需要大量强烈的假设条件，一般较适用于稳态设计。相比而言，数据驱动的模型直接采用过程数据建立模型，更能反映实际生产状况的实时性，因此更适合熔融指数的在线预测。

建立数据驱动的熔融指数软测量模型主要有两个难点。第一，由于市场需求，聚丙烯生产过程操作工况众多，产品通常具有多个牌号(可高达数十个)，使得聚丙烯生产过程数据呈现强非线性、非高斯性等特性。单个全局模型(如偏最小二乘模型、神经网络模型、支持向量机模型等)难以在所有牌号范围内提供满意的预测精度。第二，目前的熔融指数预测方法通常为有监督学习方法，即仅依赖带有熔融指数化验值的有标签样本。然而由于熔融指数化验周期长，有标签样本的数量一般很少，使得熔融指数软测量模型由于“过学习”或“欠学习”等原因难以获得准确的模型参数。训练不佳的软测量模型必然无法提供满意的预测精度，而且人工整定参数耗时费力，难度非常大。另一方面，仅包含辅助变量的无标签样本大量存在，但现有的熔融指数软测量模型无法挖掘这些无标签样本蕴含的重要过程信息。此外，在软测量模型提供熔融指数预测值之后，人们还希望知道该预测值的可靠性有多大，即对熔融指数的预测精度进行评估。遗憾的是，目前多数熔融指数软测量模型不具备这一功能。因此，研究和开发具备多牌号处理、无标签样本信息挖掘以及预测精度评估等功能的熔融指数软测量模型，有助于提高熔融指数的预测精度，助力生产企业实现节能环保、降本增效的目标，是十分必要和迫切的。

发明内容

针对现有技术的不足，本发明提供一种基于半监督混合模型的聚丙烯熔融指数预测方法，以混合模型的形式建立辅助变量和熔融指数的非线性关系，能够自适应应对牌号切换，有效解决产品牌号众多引起的强非线性、非高斯性问题，并通过半监督学习同时挖掘有标签样本和无标签样本蕴含的信息，使得模型训练更可靠。具体技术方案如下：

一种基于半监督混合模型的聚丙烯熔融指数预测方法，其特征在于，包括以下步骤：

(1)选择与聚丙烯熔融指数y关联的辅助变量x∈R^m，其中m表示辅助变量个数；

(2)收集同时包含辅助变量与熔融指数的有标签样本集与仅包含辅助变量的无标签样本集其中n₁与n₂分别代表有标签样本与无标签样本的数量；

(3)对[X_L,Y_L]与X_U做无量纲化处理，将辅助变量样本与熔融指数样本的样本方差转换为单位方差；