CN101650290B

CN101650290B - 橡胶门尼粘度混合智能软测量方法

Info

Publication number: CN101650290B
Application number: CN2009100406705A
Authority: CN
Inventors: 刘美; 张清华; 陈政石
Original assignee: MAOMING COLLEGE
Current assignee: MAOMING COLLEGE
Priority date: 2009-06-23
Filing date: 2009-06-23
Publication date: 2011-05-04
Anticipated expiration: 2029-06-23
Also published as: CN101650290A

Abstract

一种橡胶门尼粘度混合智能软测量方法，该测量方法是先从现场采集影响门尼粘度的工艺参数，进行主元分析，确定必需的辅助变量，进行归一化处理，建立基于机理分析、小波神经网络、最小二乘支持向量机组合而成的混合智能算法模型，然后实时采集数据，通过调用已经建好的模型对输入数据进行计算，即可得出实时的门尼粘度预测值。本发明发挥了多种建模方法的优点，不但取得比单一方法软测量模型更好的预测效果，而且模型具有适应不同工况变化的良好的鲁棒性和泛化能力；本发明软测量预测模型的计算速度和精度满足生产要求，对稳定生产、指导操作、提高产品的优级品率有极大帮助。

Description

橡胶门尼粘度混合智能软测量方法

技术领域

本发明涉及一种工业合成橡胶生产中的橡胶门尼粘度混合智能软测量方法。

背景技术

在工业合成橡胶生产中，橡胶的门尼粘度是主要的生产控制质量指标。对于这个指标的监测，目前虽有分析仪分析，但由于测量精度不高，滞后大，设备投资昂贵且难以维护，所以在生产中没有采用分析仪在线监测，而是采用人工采样化验的方法，人工采样化验分析结果远滞后于生产，一般最少要8h以后才能得到分析结果，操作工根据分析结果制定生产配方控制生产。当出现不合格产品时，只能在事后解决。这种生产模式远不能满足装置质量控制的要求，常常出现较大的偏差，产品质量不稳，橡胶产业自动化生产程度低。

近年来，国内一些研究人员应用软测量技术试图解决橡胶生产中门尼粘度的在线测量问题。曹柳林等建立了基于BP神经网络的门尼粘度预估器，李桢建立了基于最小二乘法的门尼粘度预估，刘美应用最小二乘支持向量机预估门尼粘度，这些预估器获得了工艺操作人员的初步认可，对生产操作指导具有一定的参考价值。

丁苯橡胶(SBR)以丁二烯、苯乙烯为单体，环己烷和己烷混合液为溶剂，正丁基锂(NBL)为引发剂，四氢呋喃(THF)为活化剂，四氯化锡(SnCl₄)为偶联剂，BHT为防老剂和终止剂，经阴离子聚合反应后制得。

丁苯橡胶聚合釜的产品门尼粘度要求控制在40～70之间，而且只能在聚合液经过凝聚、干燥得到固体状的生胶后才能进行测定，一般最少要8h以后才能得到采样的分析结果，操作工依据分析结果，根据经验和操作规程来调节生产过程，这样的操作控制时间滞后很大，不能实时地进行质量跟踪控制，常常出现较大的偏差，使得产品质量不稳，经济损失较大。

在生产过程中，产品质量受到生产设备、工艺流程、操作方法等因素的影响。而作为橡胶的主要的生产控制质量指标门尼粘度主要由分子量决定。影响分子量大小的因素较多，其中包括单体及引发剂加料的准确性、整个系统的洁净程度、偶合效率、终止方式等。从根本讲，单体的引发量是影响门尼的关键因素。从生产实践数据分析，引发量变化1mol，门尼将变化5～10个单位，而溶剂油中水含量变化0.001％，将导致引发量变化1.3mol，门尼将变化7～13个单位。正常操作时，引发剂的加入量比较准确。偶联剂量对门尼粘度也有影响，偶联剂加得多，偶合效率高、分子量高、粘度大、门尼粘度高，反之，门尼粘度低。从生产实践出现的问题分析，溶剂油加入量最大，其杂质含量是造成门尼粘度波动较大的主要原因之一。而一些助剂的加入由于流程欠妥，也是造成门尼粘度波动的因素。另外，设备的老化、原料成份的变化、气候条件影响等均会影响门尼粘度。

由于橡胶聚合反应包含复杂的物理化学反应，是一个强非线性、时变和间歇的复杂多变系统。对于这样的复杂系统，一般来说，一种方法建立的模型难以满足要求。

小波神经网络方法对含粗大误差的离散数据进行小波分解，通过对高频信号的分析确定粗大误差并将其除去；神经网络的优点是能任意逼近非线性关系且具有自学习能力，同时还具有较强的鲁棒性和适应性，但神经网络具有局部极小点，过学习以及结构和类型的选择过分依赖于经验等固有的缺陷。支持向量机的拓扑结构由支持向量决定，其最优求解基于结构风险最小化思想，同时根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，具有比其它非线性函数逼近方法更强的泛化能力；作为SVM近几年发展起来的新形式，最小二乘支持向量机(LS-SVM)较好地解决了小样本、非线性、高维数、局部极小点等实际问题，但若模型结构庞大，则会加大模型在线估计的计算量。

发明内容

本发明的目的是提供一种可实时在线预测且预测效果好的橡胶门尼粘度混合智能软测量方法。

本发明提供的橡胶门尼粘度混合智能软测量方法，该测量方法是先从现场采集影响门尼粘度的工艺参数，进行主元分析，确定必需的辅助变量，进行归一化处理，建立基于机理分析、小波神经网络、最小二乘支持向量机组合而成的混合智能算法模型，然后实时采集数据，通过调用已经建好的模型对输入数据进行计算，即可得出实时的门尼粘度预测值，所述的混合智能算法模型为：

y_mix＝ay_M+by_NN+cy_LS-SVM

其中y_M是机理分析结果，y_NN是小波神经网络预测值，y_LS-SVM是最小二乘支持向量机预测值，a+b+c＝1，且a＞0，b＞0，c＞0。

所述的影响门尼粘度的工艺参数是溶剂投料量、苯乙烯投料量、丁二烯投料量、2，6-二叔丁基-4-甲基苯酚投料量、2，6-二叔丁基-4-甲基苯酚配方量、2，6-二叔丁基-4-甲基苯酚实投量、2，6-二叔丁基-4-甲基苯酚偏差、液位、引发温度、引发压力、正丁基锂配方量、正丁基锂实投量、正丁基锂偏差、最高温度、最高压力。

本发明可根据上述提供的测量方法可开发出基于Borland C++与MATLAB的门尼粘度软测量应用软件。

该应用软件按功能主要划分为四个模块：数据处理模块、模型运算模块、数据显示模块和校正模型模块。

(1)数据处理模块

对数据进行预处理，主要包括读取软测量历史数据，剔除数据中的粗大误差，消除数据中的随机误差，对数据进行归一化处理，最后把处理的数据保存到数据文件中。该模块一方面保证从数据文件中读出来的数据是正确可靠的，另一方面通过把程序和数据独立分开，减少程序和数据的偶合性，通过程序对数据进行操作而不是用数据控制程序的流程，大大提高软测量系统的健壮性。

(2)预测运算模块

在该模块中，系统将从上位机服务器中读取的相应输入变量进行保存，然后根据建立的混合智能算法模型进行预测运算，最后把运算的结果保存到相应的变量中让程序进行调用；预测运算模块包括机理分析、小波神经网络、最小二乘支持向量机和混合智能算法。

(3)模型校正模块

当操作条件或原料特性发生变化时，原先建立的预测模型有可能出现较大的偏差，因此必须对模型进行校正才能适应实际工况的变化。软测量模型的在线校正包括模型结构和模型参数的优化两个方面，系统根据模型预测误差的不同程度，分别执行短期学习校正和长期学习校正。其中短期学习校正是每8小时由操作人员送入人工化验数据和采样时间后自动执行，校正的算法简单，学习速度快，便于实时应用；而长期学习校正是当模型在线运行了一段时间，积累了足够的新样本模式后，重新建立软测量模型。

(4)数据显示模块

该模块能从上位机服务器中读取过程变量历史数据以数字或曲线的方式在运行主界面上进行显示，同时也能对本地模型运算的结果进行显示并保存到历史数据库中进行数据的历史变化趋势显示，还可以进行报表打印等。

本发明运用多种智能建模方法建立混合智能软测量模型预测合成橡胶生产的主要质量指标门尼粘度，解决了门尼粘度的在线测量在线预报问题。

本发明发挥了多种建模方法的优点，不但取得比单一方法软测量模型更好的预测效果，而且模型具有适应不同工况变化的良好的鲁棒性和泛化能力；

本发明软测量预测模型的计算速度和精度满足生产要求，对稳定生产、指导操作、提高产品的优级品率有极大帮助。

具体实施方式

实施例

本发明提供的橡胶门尼粘度混合智能软测量方法，该测量方法是先从现场采集影响门尼粘度的工艺参数，溶剂投料量、苯乙烯投料量、丁二烯投料量、2，6-二叔丁基-4-甲基苯酚投料量、2，6-二叔丁基-4-甲基苯酚配方量、2，6-二叔丁基-4-甲基苯酚实投量、2，6-二叔丁基-4-甲基苯酚偏差、液位、引发温度、引发压力、正丁基锂配方量、正丁基锂实投量、正丁基锂偏差、最高温度、最高压力，进行主元分析，消除变量间的相关性，确定必需的辅助变量，进行归一化处理，建立基于机理分析、小波神经网络、最小二乘支持向量机组合而成的混合智能算法模型，然后实时采集数据，通过调用已经建好的模型对输入数据进行计算，即可得出实时的门尼粘度预测值。

上述中的混合智能算法模型为：

y_mix＝ay_M+by_NN+cy_LS-SVM

其中y_M是机理分析结果，y_NN是小波神经网络预测值，y_LS-SVM是最小二乘支持向量机预测值，a+b+c＝1，且a＞0，b＞0，c＞0。在实际应用时，根据生产情况来调整a、b、c的值，使混合模型最大程度地利用几种算法的优点，提高模型适用不同工况变化的鲁棒性。

本发明曾在某乙烯厂的橡胶生产装置进行试用，结果满足工艺要求，能有效指导生产，为实现生产过程优化控制、提高经济效益创造条件。

为了验证算法效果，在丁苯橡胶生产装置中，选择与门尼粘度相关的15个工艺参数，分别是：溶剂投料量、苯乙烯投料量、丁二烯投料量、2，6-二叔丁基-4-甲基苯酚投料量、2，6-二叔丁基-4-甲基苯酚配方量、2，6-二叔丁基-4-甲基苯酚实投量、2，6-二叔丁基-4-甲基苯酚偏差、液位、引发温度、引发压力、正丁基锂配方量、正丁基锂实投量、正丁基锂偏差、最高温度、最高压力，但这些变量中有些是彼此相关的。采集15个原始辅助变量一个月的数据共250组。对数据进行预处理和相关性分析，得到9个辅助变量的数据共234组。把234组数据分为两部分，其中的156组用以建立混合智能预测模型，另外的78组用于模型泛化检验。

在混合智能算法中，对于小波神经网络，小波基函数选为db4，神经网络采用三层BP结构，网络输入层和输出层选线性函数，隐层选Sigmoid函数，采用LM算法训练网络，神经网络模型结构为9-25-1；对LS-SVM算法，核函数选径向基函数：K(x，x_i)＝exp{-|x-x_i|²/2σ²}，采用交叉验证法(cross validation)确定惩罚系数γ＝10，σ²＝0.25；混合模型的a、b、c参数根据实际情况调整。

为了对比混合模型的建模效果，在同等条件下对单一建模方法的预测效果进行比较，选择均方误差(RMSE)、平均相对误差(ARE)和最大绝对误差(MAE)作为比较的性能指标。

运行结果显示，采用混合智能模型的预测效果是最好的，其门尼粘度预测的均方误差、平均相对误差和最大绝对误差分别达到0.3451、0.1059％、1.3016，预测输出曲线不但能紧密跟踪实际输出曲线，预测偏差很好地满足工艺要求(工艺生产要求预测门尼粘度与实际门尼粘度之间的偏差不能大于5个单位)，而且预测模型运行速度快，同时又具有良好的泛化能力。

门尼粘度软测量系统应用软件的构建是以需求分析为依据，根据实际生产应用要求，综合考虑系统可用性、准确性、实时性和系统界面、功能扩充与操作维护等方面的性能进行构建。系统的物理配置：其中界面程序采用美国Inprise公司的BorlandC++5.0集成开发环境进行开发；核心程序采用美国的MathWorks公司的MATLAB软件进行建模、仿真并运行，通过C++界面程序将现场数据从上位机中采样过来后直接导入MATLAB空间进行实时计算；数据库部分由Access管理。

C++程序与历史数据库表、变量数据库表的信息交换使用MFC ODBC技术实现，C++和MATLAB的信息交换借助MATLAB Engine技术，这两种技术将Access数据库、VisualC++应用程序和MATLAB建模这三部分粘合成一个应用软件系统。

Claims

1.一种橡胶门尼粘度混合智能软测量方法，该测量方法是先从现场采集影响门尼粘度的工艺参数，进行主元分析，确定必需的辅助变量，进行归一化处理，建立基于机理分析、小波神经网络、最小二乘支持向量机组合而成的混合智能算法模型，然后实时采集数据，通过调用已经建好的模型对输入数据进行计算，即可得出实时的门尼粘度预测值，其特征在于，所述的混合智能算法模型为：

y_mix＝ay_M+by_NN+cy_LS-SVM

2.根据权利要求1所述的橡胶门尼粘度混合智能软测量方法，其特征在于，所述的影响门尼粘度的工艺参数是溶剂投料量、苯乙烯投料量、丁二烯投料量、2，6-二叔丁基-4-甲基苯酚投料量、2，6-二叔丁基-4-甲基苯酚配方量、2，6-二叔丁基-4-甲基苯酚实投量、2，6-二叔丁基-4-甲基苯酚偏差、液位、引发温度、引发压力、正丁基锂配方量、正丁基锂实投量、正丁基锂偏差、最高温度、最高压力。