CN101458506A - 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 - Google Patents
基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 Download PDFInfo
- Publication number
- CN101458506A CN101458506A CNA2009100954057A CN200910095405A CN101458506A CN 101458506 A CN101458506 A CN 101458506A CN A2009100954057 A CNA2009100954057 A CN A2009100954057A CN 200910095405 A CN200910095405 A CN 200910095405A CN 101458506 A CN101458506 A CN 101458506A
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- sigma
- sample data
- melt index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004743 Polypropylene Substances 0.000 title claims abstract description 57
- -1 polypropylene Polymers 0.000 title claims abstract description 57
- 229920001155 polypropylene Polymers 0.000 title claims abstract description 57
- 230000001537 neural effect Effects 0.000 title claims description 30
- 238000000691 measurement method Methods 0.000 title claims description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 claims abstract description 13
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 11
- 239000001257 hydrogen Substances 0.000 claims abstract description 11
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 239000000178 monomer Substances 0.000 claims description 5
- 239000003054 catalyst Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 10
- 238000002844 melting Methods 0.000 description 8
- 230000008018 melting Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000006116 polymerization reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007334 copolymerization reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 235000011868 grain product Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于组合神经网络的工业聚丙烯生产熔融指数软测量方法,包括以下步骤:1)、以氢气浓度、丙烯单体进料量、催化剂进料量、氢气进料量、反应温度和反应压力作为软测量模型的输入变量,并以工业聚丙烯生产熔融指数作为软测量模型的输出变量;2)、对原始数据集进行标准化处理;3)、将标准化后的原始数据集分成多组,对每一组数据集分别建立神经网络模型;4)、采用岭回归方法选择组合权重;5)、将步骤3)中所建立的多个神经网络模型进行组合,建立基于组合神经网络的工业聚丙烯生产熔融指数软测量模型。本发明提高预测性能、具有较高鲁棒性。
Description
技术领域
本发明属于软测量及软仪表构造的技术领域,尤其是一种工业聚丙烯生产熔融指数软测量方法。
背景技术
聚丙烯是以丙烯单体为主聚合而成的一种合成树脂,是塑料工业中的重要产品。由于聚丙烯具有众多优良性能,因而被广泛应用于化工、建材、家电、包装等领域。在聚丙烯生产过程中,如何实时监控一些重要的质量指标,掌握影响产品质量和反映关键操作状态的重要变量,使生产过程能够优质、高产、低耗地进行,一直是研究的重点和难点问题。
熔融指数反映了聚丙烯的流动和加工性能,是衡量聚丙烯产品质量的一个重要指标。根据聚丙烯熔融指数的不同,工业上将其分成不同的牌号。通常根据生产牌号的不同,每1h或每2h离线检测一次熔融指数,生产过程中熔融指数的调整要根据离线检测得到的化验数据进行,由于其分析的滞后已失去了直接指导生产的意义,从而导致工业化生产装置的熔融指数总是处于波动之中,特别是在产品牌号切换过程中会产生大量的不合格产品。因此,建立实时反映熔融指数的数学模型,对实现聚丙烯平稳操作、提高产品质量以及聚丙烯最优牌号切换均具有重要的意义。
由于丙烯聚合过程包含复杂的物理、化学反应,工业生产装置规模庞大、流程复杂,因此通过丙烯聚合过程机理建模的方法来建立实时反映熔融指数的数学模型是很难实现且非常复杂的。软测量技术为解决此问题提供了一种可行的途径。软测量技术是建立被测参数与影响这些参数的其他操作参数之间的数学模型,用软件实现一些难于用仪表直接测量的变量的在线估计。其基本思想是通过对生产过程的深入了解,根据某种最优化准则,利用易测的辅助变量与难以直接测量的待测过程变量之间的关系(软测量模型),通过各种数学计算和估算方法,实现对待测变量的测量。
聚丙烯生产DCS控制系统数据库积累了大量的生产数据,利用工业实测数据,通过经验建模的方法建立熔融指数的软测量模型,可以避开复杂的机理分析,从而实现工业聚丙烯生产熔融指数的在线估计。由于人工神经网络具有逼近复杂非线性函数的能力,因此它为工业聚丙烯生产熔融指数软测量问题的解决提供了有力的手段,国内外研究者对聚丙烯生产熔融指数神经网络建模开展了广泛研究。
发明内容
为了克服已有的工业聚丙烯生产熔融指数软测量方法的预测性能较差、鲁棒性较差的不足,本发明提供一种提高预测性能、具有较高鲁棒性的基于组合神经网络的工业聚丙烯生产熔融指数软测量方法。
本发明解决其技术问题所采用的技术方案是:
一种基于组合神经网络的工业聚丙烯生产熔融指数软测量方法,所述软测量方法包括以下步骤:
1)、以工业聚丙烯生产过程中的氢气浓度、丙烯单体进料量、催化剂进料量、氢气进料量、反应温度和反应压力作为软测量模型的输入变量,并以工业聚丙烯生产熔融指数作为软测量模型的输出变量;
2)、从工业聚丙烯生产过程的DCS中采集数据,以及通过熔融指数仪得到工业聚丙烯生产熔融指数的人工分析值,整理后得到原始数据集,对原始数据集进行标准化处理;
3)、将标准化后的原始数据集分成多组,对每一组数据集分别建立神经网络模型;
4)、采用岭回归方法选择组合权重,具体算式为(1):
5)、将步骤3)中所建立的多个神经网络模型进行组合,具体算式为(2):
其中X为神经网络的输入数据矩阵,为组合神经网络预测模型,n为用于组合的单一神经网络数目,X=[x1 x2…xn],其中第i个单一神经网络模型的输入数据矩阵为xl,为第i个单一神经网络预测模型,θi为第i个单一神经网络模型的组合权重;
建立基于组合神经网络的工业聚丙烯生产熔融指数软测量模型。
作为优选的一种方案:所述的软测量方法还包括:
6)、每隔一段时间根据熔融指数仪所得到的人工分析值对软测量模型进行在线校正。
进一步,所述步骤2)中,标准化的算式为(3):
其中:X′为经过标准化处理后的输入样本数据;X为原始输入样本数据;X为原始输入样本数据的平均值;σx为原始输入样本数据的标准差;Y′为经过标准化处理后的输出样本数据;Y为原始输出样本数据;Y为原始输出样本数据的平均值;σy为原始输出样本数据的标准差;N为输入样本数据的样本数;Xt为单个原始输入样本数据;Yt为单个原始输出样本数据。
本发明的技术构思为:组合神经网络是将一些单一神经网络模型组合在一起,其中每个单一神经网络模型均由一组初始训练数据集建立,整个组合神经网络的总输出是各个单一神经网络输出的加权和,即:
其中X为神经网络的输入数据矩阵,为组合神经网络预测模型,n为用于组合的单一神经网络数目,X=[x1 x2…xn],其中第i个单一神经网络模型的输入数据矩阵为xi,为第i个单一神经网络预测模型,θi为第i个单一神经网络模型的组合权重。
在建立组合神经网络预测模型过程中,合理选择组合神经网络的组合权重,对于所建立的模型具有良好性能是非常有必要的。现在已经提出了许多方法来进行组合权重的合理选择,其中一种方法是对每个神经网络均取相同权重,此方法虽然简单,但是效果并不理想。
设用于建立组合神经网络模型的单一神经网络有n个,yexp为模型的期望输出向量,yi为由第i个单一神经网络所得到的预测输出向量,将从n个单一神经网络中得到的预测输出向量置于矩阵Ypre中,则Ypre=[y1 y2…yn],其中矩阵Ypre的每一列均对应一个单一神经网络预测模型。
ystack=Ypreθ=θ1y1+θ2y2+…+θnyn (4)
其中a为分量全为1的n维行向量。
根据Lagrange乘子法,可解得在误差平方和最小时,组合权重向量θ的估计式:
由于各单一神经网络均是对同一关系进行建模,因此使各单一神经网络输出之间存在着复共线性,从而使回归信息矩阵为奇异或接近于奇异的,这种情况的存在将使最小二乘回归估计产生以下不良的影响:当引入或剔除自变量时,将使其它自变量的回归系数有较大的变化;或者当引入或者去掉一组数据时,回归系数的变化较大,这些都是估计值不够稳定的表现。从直接设法减少回归系数的均方误差出发,可采用岭回归方法来改进最小二乘回归,则根据式(6),组合权重向量θ的估计值改进计算公式如下:
其中k是一个正常数,可采用岭迹法得到。
利用现有工业聚丙烯生产装置的计算机集散控制系统(以下简称DCS,即Distributed Control Systems),采用组合神经网络进行预测,大大提高了工业聚丙烯生产熔融指数的预测精度和鲁棒性,为工业聚丙烯产品质量控制提供有利的依据,对实现聚丙烯平稳操作、聚丙烯最优牌号切换均具有重要的意义。
通过建立多个单一神经网络,并用岭回归方法选择合适的组合权重,从而建立组合神经网络模型。所建立的模型具有较高的预测精度和鲁棒性,在指导生产中能使聚丙烯的产品质量提高,对实现聚丙烯平稳操作、提高产品质量以及聚丙烯最优牌号切换均具有重要的意义。
本发明的有益效果主要表现在:提高预测性能、具有较高鲁棒性。
附图说明
图1是工业聚丙烯生产熔融指数软测量建模的实现流程。
图2是工业聚丙烯生产熔融指数软仪表中的软测量模型示意图,其中,X为神经网络的输入矩阵,Y为神经网络的输出矩阵。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于组合神经网络的工业聚丙烯生产熔融指数软测量方法,所述软测量方法包括以下步骤:
1)、以工业聚丙烯生产过程中的氢气浓度、丙烯单体进料量、催化剂进料量、氢气进料量、反应温度和反应压力作为软测量模型的输入变量,并以工业聚丙烯生产熔融指数作为软测量模型的输出变量;
2)、从工业聚丙烯生产过程的DCS中采集数据,以及通过熔融指数仪得到工业聚丙烯生产熔融指数的人工分析值,整理后得到原始数据集,对原始数据集进行标准化处理;
3)、将标准化后的原始数据集分成多组,对每一组数据集分别建立神经网络模型;
4)、采用岭回归方法选择组合权重,具体算式为(1):
5)、将步骤3)中所建立的多个神经网络模型进行组合,具体算式为(2):
其中X为神经网络的输入数据矩阵,为组合神经网络预测模型,n为用于组合的单一神经网络数目,X=[x1 x2…xn],其中第i个单一神经网络模型的输入数据矩阵为xi,为第i个单一神经网络预测模型,θi为第i个单一神经网络模型的组合权重;
建立基于组合神经网络的工业聚丙烯生产熔融指数软测量模型。
本实施例首先根据工业聚丙烯的生产工艺,选择影响工业聚丙烯生产熔融指数及其主要影响因素,并分别作为软测量模型的输出变量和输入变量,建立基于组合神经网络的工业聚丙烯生产熔融指数软测量模型,然后采用工艺现场采集和人工分析所得到的历史数据对神经网络进行训练,最后将该软测量模型应用于工业聚丙烯生产过程中,实现工业聚丙烯生产熔融指数的在线估计。
以聚丙烯生产Spheripol工艺为具体实施例,具体实施过程如下:
(1)在Spheripol聚合工艺中,液相丙烯、催化剂、助催化剂进入预聚合反应器进行预聚合后,与原料丙烯、分子量调整剂氢气共同进入到环管反应器进行聚合反应,然后丙烯在反应器内停留约1.5h后与未反应的丙烯共同进入后系统,进行气相共聚及分离、干燥和/或造料,最终得到聚丙烯粉料或颗粒产品.
根据工艺流程分析最终选取氢气浓度、丙烯单体进料量、催化剂进料量、氢气进料量、反应温度和反应压力作为工业聚丙烯生产熔融指数软测量模型的输入变量,而采用熔融指数仪离线分析得到的熔融指数则作为软测量模型的输出变量;
(2)从丙烯聚合生产过程的DCS系统中采集120组数据,并进行标准化处理,使得各变量的均值为0,方差为1,得到输入矩阵X′,输出矩阵Y′,形成经过处理后的原始样本数据集。从样本数据集中任意抽出部分数据作为学习样本建立软测量模型,余下部分作为测试样本以检验软测量模型的泛化能力;
标准化:
其中:
N=120,为训练样本数。
标准化处理能消除各变量因为量纲不同造成的影响。
(3)将经过处理后的原始数据集划分为训练集、确认集和测试集。将120组原始数据集分为3大组:第1大组的75组数据作为训练集,训练集的作用主要是用于神经网络的训练,建立神经网络模型,其中在建立组合神经网络模型时,用于组合的单一神经网络为3个;第2大组的27组数据作为测试集,测试集用于周期性测试网络模型对未参与网络训练的数据的预估精度;第3大组的18组数据作为为确认集,确认集主要用于验证所建立的模型,观察该模型对未知数据的预测能力。
(4)所有单一神经网络模型均采用BP标准算法,网络结构为6×7×1,其中隐含层为logsig型函数,输出层为purelin型函数,训练的终止误差为1×10-3,采用Levenberg-Marquardt训练方法,通过训练确定各个单一神经网络的权重和阈值;
(5)为了验证组合神经网络软测量模型的预测性能,同时也建立了单一神经网络模型,并将平均绝对预测误差(Mean Absolute Prediction Error,简称MAPE)、平均相对预测误差(Mean Relative Prediction Error,简称MRPE)和均方误差(RootMean Squared Errors,简称RMSE)作为各软测量模型的预测性能指标。测试数据性能比较结果见表1。
表1 测试数据性能比较
建模方法 | MAPE/g/(10min) | MRPE | RMSE |
单一神经网络 | 0.0648 | 0.0392 | 1.7814 |
组合神经网络 | 0.0429 | 0.0264 | 1.4759 |
如表1所示,采用组合神经网络后的本发明技术使得软测量模型的预测性能有大幅度改善。这表明基于组合神经网络的工业聚丙烯生产熔融指数具有更佳的预测精度和鲁棒性。
上述实例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (3)
1、一种基于组合神经网络的工业聚丙烯生产熔融指数软测量方法,其特征在于:所述软测量方法包括以下步骤:
1)、以工业聚丙烯生产过程中的氢气浓度、丙烯单体进料量、催化剂进料量、氢气进料量、反应温度和反应压力作为软测量模型的输入变量,并以工业聚丙烯生产熔融指数作为软测量模型的输出变量;
2)、从工业聚丙烯生产过程的DCS中采集数据,以及通过熔融指数仪得到工业聚丙烯生产熔融指数的人工分析值,整理后得到原始数据集,对原始数据集进行标准化处理;
3)、将标准化后的原始数据集分成多组,对每一组数据集分别建立神经网络模型;
4)、采用岭回归方法选择组合权重,具体算式为(1):
5)、将步骤3)中所建立的多个神经网络模型进行组合,具体算式为(2):
其中X为神经网络的输入数据矩阵,为组合神经网络预测模型,n为用于组合的单一神经网络数目,X=[x1 x2…xn],其中第i个单一神经网络模型的输入数据矩阵为xi,为第i个单一神经网络预测模型,θi为第i个单一神经网络模型的组合权重;
建立基于组合神经网络的工业聚丙烯生产熔融指数软测量模型。
2、如权利要求1所述的基于组合神经网络的工业聚丙烯生产熔融指数软测量方法,其特征在于:所述的软测量方法还包括:
6)、每隔一段时间根据熔融指数仪所得到的人工分析值对软测量模型进行在线校正。
3、如权利要求1或2所述的基于组合神经网络的工业聚丙烯生产熔融指数软测量方法,其特征在于:所述步骤2)中,标准化的算式为(3):
其中:
其中:X'为经过标准化处理后的输入样本数据;X为原始输入样本数据;X为原始输入样本数据的平均值;σx为原始输入样本数据的标准差;Y'为经过标准化处理后的输出样本数据;Y为原始输出样本数据;Y为原始输出样本数据的平均值;σy为原始输出样本数据的标准差;N为输入样本数据的样本数;Xi为单个原始输入样本数据;Yi为单个原始输出样本数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100954057A CN101458506A (zh) | 2009-01-08 | 2009-01-08 | 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100954057A CN101458506A (zh) | 2009-01-08 | 2009-01-08 | 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101458506A true CN101458506A (zh) | 2009-06-17 |
Family
ID=40769429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009100954057A Pending CN101458506A (zh) | 2009-01-08 | 2009-01-08 | 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101458506A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096375A (zh) * | 2011-02-25 | 2011-06-15 | 华东理工大学 | 水煤浆气化装置黑水氯根浓度的软测量及优化控制方法 |
CN102609593A (zh) * | 2012-03-05 | 2012-07-25 | 浙江大学 | 基于多重先验知识混合模型的聚丙烯熔融指数预报方法 |
CN102880809A (zh) * | 2012-10-11 | 2013-01-16 | 浙江大学 | 基于关联向量回归模型的聚丙烯熔融指数在线检测方法 |
CN103675010A (zh) * | 2013-09-22 | 2014-03-26 | 浙江大学 | 支持向量机的工业熔融指数软测量仪表及方法 |
CN103823369A (zh) * | 2013-12-09 | 2014-05-28 | 浙江大学 | 基于bp多模网络的丙烯聚合生产过程预报系统和方法 |
CN103838206A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 最优bp多模丙烯聚合生产过程最优软测量仪表和方法 |
CN103838954A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 一种相关向量聚丙烯熔融指数软测量系统和方法 |
CN106127326A (zh) * | 2016-05-16 | 2016-11-16 | 葛龙 | 一种化工材料加工熔融指数预报方法 |
CN106647285A (zh) * | 2017-02-10 | 2017-05-10 | 泉州装备制造研究所 | 一种基于软测量技术的催化剂活性检测方法 |
CN108053025A (zh) * | 2017-12-08 | 2018-05-18 | 合肥工业大学 | 多柱神经网络医学影像分析方法及装置 |
CN109492319A (zh) * | 2018-11-23 | 2019-03-19 | 东北电力大学 | 一种火电厂锅炉烟气含氧量软测量方法 |
CN112269367A (zh) * | 2020-10-13 | 2021-01-26 | 西安建筑科技大学 | 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 |
CN113405956A (zh) * | 2021-06-15 | 2021-09-17 | 中建材(合肥)粉体科技装备有限公司 | 一种粒度分析仪检测数据的在线校正方法、系统、设备 |
-
2009
- 2009-01-08 CN CNA2009100954057A patent/CN101458506A/zh active Pending
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096375A (zh) * | 2011-02-25 | 2011-06-15 | 华东理工大学 | 水煤浆气化装置黑水氯根浓度的软测量及优化控制方法 |
CN102096375B (zh) * | 2011-02-25 | 2012-10-24 | 华东理工大学 | 水煤浆气化装置黑水氯根浓度的软测量及优化控制方法 |
CN102609593A (zh) * | 2012-03-05 | 2012-07-25 | 浙江大学 | 基于多重先验知识混合模型的聚丙烯熔融指数预报方法 |
CN102609593B (zh) * | 2012-03-05 | 2014-01-08 | 浙江大学 | 基于多重先验知识混合模型的聚丙烯熔融指数预报方法 |
CN102880809A (zh) * | 2012-10-11 | 2013-01-16 | 浙江大学 | 基于关联向量回归模型的聚丙烯熔融指数在线检测方法 |
CN103675010A (zh) * | 2013-09-22 | 2014-03-26 | 浙江大学 | 支持向量机的工业熔融指数软测量仪表及方法 |
CN103838206B (zh) * | 2013-12-09 | 2016-08-17 | 浙江大学 | 最优bp多模丙烯聚合生产过程最优软测量仪表和方法 |
CN103838206A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 最优bp多模丙烯聚合生产过程最优软测量仪表和方法 |
CN103838954A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 一种相关向量聚丙烯熔融指数软测量系统和方法 |
CN103823369B (zh) * | 2013-12-09 | 2016-02-24 | 浙江大学 | 基于bp多模网络的丙烯聚合生产过程预报系统和方法 |
CN103823369A (zh) * | 2013-12-09 | 2014-05-28 | 浙江大学 | 基于bp多模网络的丙烯聚合生产过程预报系统和方法 |
CN106127326A (zh) * | 2016-05-16 | 2016-11-16 | 葛龙 | 一种化工材料加工熔融指数预报方法 |
CN106127326B (zh) * | 2016-05-16 | 2020-08-18 | 苏州京高数字科技有限公司 | 一种化工材料加工熔融指数预报方法 |
CN106647285B (zh) * | 2017-02-10 | 2019-08-09 | 泉州装备制造研究所 | 一种基于软测量技术的催化剂活性检测方法 |
CN106647285A (zh) * | 2017-02-10 | 2017-05-10 | 泉州装备制造研究所 | 一种基于软测量技术的催化剂活性检测方法 |
CN108053025A (zh) * | 2017-12-08 | 2018-05-18 | 合肥工业大学 | 多柱神经网络医学影像分析方法及装置 |
CN108053025B (zh) * | 2017-12-08 | 2020-01-24 | 合肥工业大学 | 多柱神经网络医学影像分析方法及装置 |
CN109492319A (zh) * | 2018-11-23 | 2019-03-19 | 东北电力大学 | 一种火电厂锅炉烟气含氧量软测量方法 |
CN109492319B (zh) * | 2018-11-23 | 2022-08-12 | 东北电力大学 | 一种火电厂锅炉烟气含氧量软测量方法 |
CN112269367A (zh) * | 2020-10-13 | 2021-01-26 | 西安建筑科技大学 | 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 |
CN112269367B (zh) * | 2020-10-13 | 2022-04-08 | 西安建筑科技大学 | 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 |
CN113405956A (zh) * | 2021-06-15 | 2021-09-17 | 中建材(合肥)粉体科技装备有限公司 | 一种粒度分析仪检测数据的在线校正方法、系统、设备 |
CN113405956B (zh) * | 2021-06-15 | 2023-07-28 | 中建材(合肥)粉体科技装备有限公司 | 一种粒度分析仪检测数据的在线校正方法、系统、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101458506A (zh) | 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 | |
CN100458607C (zh) | 一种丙稀聚合工业生产熔融指数软测量方法 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN101315557B (zh) | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 | |
Sharmin et al. | Inferential sensors for estimation of polymer quality parameters: Industrial application of a PLS-based soft sensor for a LDPE plant | |
CN101382801B (zh) | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN101315556B (zh) | 基于Chaos混沌寻优的丙烯聚合生产过程最优软测量仪表及方法 | |
CN103440368A (zh) | 一种多模型动态软测量建模方法 | |
CN102601881B (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
CN105868164B (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
CN102880809A (zh) | 基于关联向量回归模型的聚丙烯熔融指数在线检测方法 | |
CN108985574A (zh) | 一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法 | |
KR100829706B1 (ko) | 고분자 제품의 물성 예측 방법 | |
CN103778466B (zh) | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 | |
CN100580585C (zh) | 一种工业生产过程小样本条件下的软测量方法 | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
CN103839103B (zh) | 丙烯聚合生产过程bp最优预报系统和方法 | |
CN101458730B (zh) | 基于非线性最小二乘改进方法的聚丙烯熔融指数预报 | |
CN109242093A (zh) | 一种基于模糊神经网络的电动汽车电机的可靠性评价方法 | |
Embiruçu et al. | Continuous soluble ziegler‐natta ethylene polymerizations in reactor trains, 2–estimation of kinetic parameters from industrial data | |
CN100461043C (zh) | 工业聚丙烯生产熔融指数检测故障诊断系统及方法 | |
CN104699923A (zh) | 多指标水质综合评价方法 | |
CN102759602B (zh) | 高密度聚乙烯串级聚合反应过程故障预测方法 | |
CN104502557A (zh) | 多指标水质评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20090617 |