CN103150475B - 聚合物熔融指数的软测量方法 - Google Patents

Abstract

本发明公开了一种聚合物熔融指数的软测量方法，包括：确定第一阶段自适应链接超平面模型、第二阶段静态模型和第三阶段脉冲响应模型；读取并输入操作变量的在线测量值至所述第一阶段自适应链接超平面模型，以获得气体分压的在线实时估计值；将所述气体分压的在线实时估计值输入至所述第二阶段静态模型中，以获得瞬时熔融指数的估计值；将所述瞬时熔融指数的估计值输入至所述第三阶段脉冲响应模型，以获得所述累积熔融指数的估计值。本发明基于机理分析融合数据建模和机理建模的优点，使得模型能够适应过程较大范围内的波动，同时较容易地获得了模型参数，因此适用于聚合反应过程质量指标的在线测量。

Description

聚合物熔融指数的软测量方法

技术领域

本发明涉及高分子领域，尤其涉及一种聚合物熔融指的软测量方法。

背景技术

随着经济的发展，市场对聚合物产品的多样化需求越来越高。这就要求聚合反应生产过程必须能够生产多种产品，并且能够实现不同产品之间低成本、快速地切换。

但是，由于聚合产物在反应器内停留时间较长（一般3-5小时），导致反应器出口产品质量指标不能实现瞬间切换，因而切换时间较长（一般4-20小时），并且产生大量的、不合格的过渡产品，造成较大的经济损失。在这一切换过程中，经常考虑的质量指标是熔融指数，但是由于技术或经济上的原因，很难通过在线过程仪表进行测量，往往需要实验室化验，因而耗时较长（2-4小时）。这意味着在关键的动态切换过程中，我们只能得到2-3个熔融指数的样本值，而通过一般的建模方法很难获得较为准确的模型。同时，由于聚合反应生产过程需要在熔融指数的较大范围中实现不同产品间的频繁切换，因而整个过程有着较强的非线性特性。

目前针对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。因此，单纯基于机理模型的软测量方法很难得到广泛应用。

而对于单纯的数据驱动方法而言，虽然不需要那么复杂的建模过程，通过数据就能实现对参数的估计，但是由此得到的模型由于没有考虑对象本身的物化特性和结构信息，仅仅能够很好地适用于已有的训练数据，因此在实际应用中也很难得到广泛的应用。而对于存在不确定性且有着较强非线性的聚合反应过程，单纯的数据驱动方法很难适应对象在较大范围内的频繁变动。此外，数据驱动方法的优势是建立样本值相对较多的稳态过程的系统模型；对于关键的动态切换过程，由于熔融指数的真实样本值非常稀少，导致单纯的数据方法很难准确把握反应的动态特性。

发明内容

本发明所要解决的技术问题之一是需要提供一种建模难度低、测量精度高的聚合物熔融指的软测量方法。

为了解决上述技术问题，本发明提供了一种聚合物熔融指数的软测量方法，包括：确定第一阶段自适应链接超平面模型、第二阶段静态模型和第三阶段脉冲响应模型；读取并输入操作变量的在线测量值至所述第一阶段自适应链接超平面模型，以获得气体分压的在线实时估计值；将所述气体分压的在线实时估计值输入至所述第二阶段静态模型中，以获得瞬时熔融指数的估计值；将所述瞬时熔融指数的估计值输入至所述第三阶段脉冲响应模型，以获得所述累积熔融指数的估计值。

在一个实施例中，在所述确定第一阶段自适应链接超平面模型的步骤中，进一步包括，第一确定步骤，确定输入变量以及输出变量，建立所述第一阶段自适应链接超平面模型的表达式；第二确定步骤，确定所述输入变量的阶次；第三确定步骤，确定所述第一阶段自适应链接超平面模型的建模参数。

在一个实施例中，在所述第二确定步骤中，进一步包括，获得多组关于输入变量和输出变量的数据样本；基于所述数据样本和所述第一阶段自适应链接超平面模型的表达式，运用AUDI算法，获得设定条件下的最大阶次，其中，所述设定条件为假定各个输入变量的阶次相同；运用最小二乘法建立回归模型，运用T检验分析得到每个输入变量的显著性；将显著性小于设定显著水平值的滞后变量去除，以确定各个输入变量的阶次。

在一个实施例中，第三确定步骤进一步包括，确定所述第一阶段自适应链接超平面模型的分割节点的个数和基函数的个数；基于所述各个输入变量的阶次、分割节点的个数和基函数的个数来确定所述建模参数。

在一个实施例中，在确定所述第一阶段自适应链接超平面模型的分割节点的个数和基函数的个数的步骤中，进一步包括，设定所述分割节点的个数的最小边界和最大边界，形成一维的搜索空间；遍历所述搜索空间中的所有分割节点个数，基于当前分割节点个数来运行分片线性建模算法以确定所述分割节点个数；基于确定的分割节点个数，选取所述基函数个数的初始值；从所述初始值开始，依次增加所述基函数个数，并基于分片线性建模算法，确定所述基函数个数。

在一个实施例中，在所述输入变量为各组分的进料流量温度T、总压P、料位L，以及所述输出变量为气体分压i=1，2，3…n时，通过如下表达式来表示所述第一阶段自适应链接超平面模型，

其中，

其中，为输入变量的阶次，变量A（t-B）表示输入变量A滞后B阶的滞后变量，

模型通过如下表达式表示，

其中，a₀,a₁,a₂,…,a_M为建模参数，β_km为每一维变量方向上的分割节点，M为基函数B_m(x)的个数，s_km＝±1，x_vkm表示第m个基函数中第k个分割段上的分割变量，K_m为每个基函数中min函数中所嵌套的max函数的个数。

在一个实施例中，在确定第二阶段静态模型的步骤中，进一步包括，获得多组关于气体分压和瞬时熔融指数的稳态数据样本；选择并建立具有线性特征的稳态模型表达式；基于所述稳态数据样本和所述稳态模型表达式，运用最小二乘法获得所述稳态模型表达式中的参数以确定第二阶段静态模型。

在一个实施例中，通过以下表达式来表示所述第二阶段静态模型，

其中，MI_i(t)为瞬时熔融指数的估计值，A_p(p＝0,1,2,…,n)为静态模型参数，为气体分压，T为温度。

在一个实施例中，在确定第三阶段脉冲响应模型的步骤中，进一步包括，获得关于瞬时熔融指数和累积熔融指数的样本；基于脉冲响应模板建立卷积模型以构成动态软测量模型的表达式；基于关于瞬时熔融指数和累积熔融指数的样本和所述表达式，根据设定的优化问题，实现所述动态软测量模型优化求解，以确定所述第三阶段脉冲响应模型。

在一个实施例中，通过以下表达式来表示所述第三阶段脉冲响应模型，

(k＝1,...,M)，

其中为第kq时刻累积熔融指数的估计值，MI_i(kq-j)为第kq-j时刻的瞬时熔融指数的估计值，q为累积熔融指数的采样周期，h(j),L分别为一阶系统的脉冲响应参数以及长度参数，一阶系统的模型表达如下

其中T',K,τ为所述一阶系统的模型参数，分别表示时间常数、比例系数和纯时延常数。

在一个实施例中，通过以下表达式表示所述设定的优化问题，

s.t.

其中，MI_c(kq)表示第kq时刻累积熔融指数的真实测量值，MI_i(kq-j)表示第kq-j时刻的瞬时熔融指数的估计值，表示参数T'的设定的数值范围的最小值和最大值，分别表示参数K的设定的数值范围的最小值和最大值，分别表示参数τ的设定的数值范围的最小值和最大值。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

本发明基于机理分析融合数据建模和机理建模的优点，使得模型能够适应过程较大范围内的波动，同时较容易地获得了模型参数，因此适用于聚合反应过程质量指标的在线测量。

另外，本发明通过将整个过程分解为三个相对简单的建模问题分别处理，将非线性集中在了第一和第二阶段分别处理，将数据多率问题集中在了第三阶段进行处理，将动态性集中到了第一和第三阶段，相比原问题要同时处理三个难题来说降低了建模难度、提高了精度。

本发明适用于熔融指数的在线测量，同时相比微分方程构成的机理模型来说，在离线优化中由于避免了积分过程，因而进一步提高轨迹优化的求解效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明一实施例的聚合物熔融指数的软测量方法的流程示意图；

图2是根据本发明一实施例的三个阶段的模型的结构示意图；

图3（a）、（b）分别是根据本发明一实施例的DCS数据通讯和在线计算的物理结构示意图；

图4是仿真实例测试结果比较示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明实施例是基于聚合反应过程的动态结构信息，提出一种三段分解式的动态软测量方法，在线计算聚合产物的熔融指数。

首先研究了关于聚合反应过程的机理模型，即反应器操作变量维持着整个反应器内各组分气体分压的平衡，然后在气体分压及温度形成的聚合反应环境下产生出具有不同熔融指数的新产品，最后这些新产品与旧产品进行混合，最终从反应器出口排出。

聚合反应器中气体组分的物料平衡关系，如下表达式所示：

其中，A_i为涉及过程的物化参数，为气体组分M_i的气体分压，为该组分进入到反应器的进料流量，为该组分离开反应器的出料流量，为反应器中该组分参与化学反应消耗掉的流量。

在一定的气体分压和温度T的反应条件下，发生聚合反应，产生瞬时熔融指数为MI_i的新产品，

稳态关系如下表达式所示：

然后，新产品与已积累的旧产品发生混合，即瞬时熔融指数MI_i与当前累积熔融指数MI_c发生混合，动态关系如下：

其中，t为时间，τ_MI为模型参数。

基于这一结构信息，本实施例考虑将整个过程分解为三个相对简单的模型分别处理。在第一阶段模型中，基于自适应链接超平面模型，集中建立操作变量与气体分压之间的动态非线性关系；在第二阶段模型中，基于普通最小二乘法建立气体分压、温度等涉及反应条件的变量与瞬时熔融指数之间的静态关系；在第三阶段模型中，基于脉冲响应模板，建立瞬时熔融指数和累积熔融指数之间的动态关系。

图1是根据本发明一实施例的聚合物熔融指数的软测量方法的流程示意图，下面参考图1，详细说明各个步骤。

步骤S110（以下省略“步骤”二字），确定第一阶段自适应链接超平面模型（可简称第一阶段模型）。

具体地，包括以下子步骤：

S1101，确定输入变量以及输出变量，建立第一阶段自适应链接超平面模型的表达式。

在本实施例中，选定操作变量有各组分的进料流量温度T、总压P、料位L，并将这些操作变量作为模型的输入变量，选定气体分压并将其作为模型的输出变量。根据上述输入变量和输出变量，将第一阶段模型的表达式确认如下：

其中，

其中，为输入变量的阶次，为各组分的进料流量，T为温度、P反应器内的总压力、L反应器的料位，为各组分的气体分压，变量A（t-B）表示输入变量A滞后B阶的滞后变量，例如，表示输入变量为进料流量滞后阶的滞后变量。模型优选为自适应链接超平面模型，即

其中，参数a₀,a₁,a₂,…,a_M经过自适应链接超平面模型的辨识算法获得，β_km为每一维变量方向上的分割节点，M为基函数B_m(x)的个数，s_km＝±1，x_vkm表示第m个基函数中第k个分割段上的分割变量，K_m为每个基函数中min函数中所嵌套的max函数的个数。其中，分割段表示任意两个分割节点之间组成的分割区间。

S1102，确定输入变量的阶次。

需要说明的是，在进行该步骤之前，需要获得不同工况下的过程数据和产品质量数据，得到多组关于输入变量和输出变量的数据样本。

基于获取的数据样本和模型表达式，进一步判定变量的阶次，具体步骤如下：首先，运用增广UD辨识（AUDI，Augmented UD Identification）算法，获得设定条件下的最大阶次，其中，该设定条件为假设变量阶次一致；然后，运用普通最小二乘法建立回归模型，运用T检验分析每个变量的显著性；最后，查询显著水平为α下的标准T检验值，分析并去掉那些在设定的显著水平值α下不显著的滞后变量（即该滞后变量的T检验值小于查询得到的标准T检验值），从而能够提高拟合精度，以确定合适的变量阶次。

S1103，确定建模参数。

在模型表达式和变量阶次确定之后，选定合适的链接超平面的建模参数，首先需要确定分割节点β_km的个数和基函数B_m(x)的的个数M。

具体步骤如下：首先，设定分割节点个数的最小边界和最大边界，形成一个一维的搜索空间；然后，在这个搜索空间中，遍历所有分割节点个数，选取一个合适的值，运行分片线性建模算法，平衡训练误差和测试误差，使模型误差达到最小，将该选取的值确定为分割节点个数；最后，在确定的分割节点个数的基础上，选取一个基函数个数的初值，并从这个初值开始，逐渐增加基函数个数，运行分片线性建模算法，寻找合适的基函数个数，使得测试误差达到最小。

然后，基于各个输入变量的阶次确定输入变量的数据矩阵，然后将分割节点的个数和基函数的个数代入到分片线性建模算法中，从而获得上式中的参数a₀,a₁,a₂,…,a_M。

该第一阶段模型应用在整个反应的阶段Ⅰ的气体分压动态过程，其模型特征是动态非线性，其输入是操作变量，输出是气体分压，具体如图2所示。

S120，确定第二阶段静态模型（简称第二阶段模型）。

具体地，该步骤包括以下子步骤：

S1201，获得多组关于气体分压和瞬时熔融指数的稳态数据样本。也就是，在反应器运行平稳状态下，选取若干组关于气体分压、温度及熔融指数的稳态数据，形成截面数据。

S1202，选择并建立具有线性特征的稳态模型表达式。

具体地，根据机理知识和工程经验选择具有线性特征的稳态模型，该模型的表达式可如下所示，

其中，MI_i(t)为瞬时熔融指数的估计值，A_p(p＝0,1,2,…,n)为静态模型参数。

S1203，基于稳态数据样本和稳态模型表达式，运用普通最小二乘法获得模型参数，即运用普通最小二乘法获得上述模型中的参数A₀，A₁，A₂，…,A_n。

该第二阶段模型应用在整个反应的阶段Ⅱ的瞬时熔融指数的稳态过程，其模型特征是静态非线性，输入为气体分压，输出是瞬时熔融指数，具体如图2所示。

S130，确定第三阶段脉冲响应动态模型（简称第三阶段模型）。

具体地，该步骤包括以下子步骤：

S1301，获得关于瞬时熔融指数和累积熔融指数的样本。

具体地，将S1102中获得的输入变量经第一阶段模型和第二阶段模型运算得到动态过程的瞬时熔融指数与采集得到的累积熔融指数样本，组成时间序列样本，具体如下表示。

瞬时熔融指数采样时间序列表示为：

[MI_i(1),MI_i(2),...,MI_i(q),MI_i(q+1),MI_i(q+2),...,MI_i(2q),MI_i(2q+1),...,MI_i(Mq)]

累积熔融指数采样时间序列表示为：

[MI_c(q),MI_c(2q),...,MI_c(Mq)]

其中，MI_i(k)为瞬时熔融指数k时刻数据，采样周期应满足分钟级，通常为1分钟；MI_c(lq)为累积熔融指数lq时刻离线采样数据，采样周期q可较长，通常为小时级，例如2-4小时。

S1302，基于脉冲响应原理建立卷积模型，并构成动态软测量模型。该模型表达式可如下所示，

(k＝1,...,M)，

其中，为累积熔融指数的估计值，q为累积熔融指数的采样周期（一般为2-4小时），h(j),L分别为待估系统的脉冲响应参数以及长度参数。

由于整个过程本身的机理是一阶的，因此选定一阶系统的模型表达如下，并确定该模型的参数范围。

其中，模型参数范围为其中T',K,τ为子系统结构类型的模型参数，分别表示时间常数、比例系数、纯时延常数。

S1303，求解如下优化问题，搜索最佳模型参数，实现动态软测量模型优化求解，从而确定合适的模型参数，优化问题可如下所示：

s.t.

其中，MI_c(kq)表示第kq时刻累积熔融指数的真实测量值，表示参数T'的设定的数值范围的最小值和最大值，分别表示参数K的设定的数值范围的最小值和最大值，分别表示参数τ的设定的数值范围的最小值和最大值。

第三阶段模型应用在整个反应的阶段Ⅲ的熔融指数的累积过程，其模型特征是线性系统质量样本采集稀少，输入是瞬时熔融指数，输出是累积熔融指数，具体如图2所示。

S140，根据得到的三个模型进行在线软测量得到累积熔融指数。

具体地，首先，在分散控制系统（Distributed Control Systems,简称DCS）中读入操作变量的在线测量值，并输入到第一阶段自适应链接超平面模型中，求得气体分压的在线实时估计值。然后将气体分压估计值输入到第二阶段静态模型中，获得瞬时熔融指数的估计值。之后将瞬时熔融指数的估计值输入到第三阶段脉冲响应模型中，获得累积熔融指数的估计值。最后，将累积熔融指数的估计值写入到DCS系统中显示，供操作工参考，指导实际操作，或用于控制与优化。

图3所示为在线实施该动态软测量方法的物理结构图。如图3（a）所示，该软测量运行平台处于操作员站中，通过数据接口与现场仪表进行通讯，并基于现场数据计算得到质量指标数据，供操作员参考。图3（b）所示为该软测量运行平台（上位机）中物理结构图。如图3（b）所示，集散控制系统DCS将聚合反应装置（现场仪表）采集到的实时数据输入至上位机的实时数据库中经过软测量得到的累积熔融指数反映到操作员界面上，操作员根据得到的数据控制现场反应。

仿真实例

下面结合一个仿真实例对本发明方法做进一步说明。

以聚乙烯生产过程为例，考虑从工程模拟软件，例如Aspen Polymer Plus andAspen Dynamic Plus中获取动态数据，并基于此建立聚乙烯熔融指数的在线软测量模型。

考虑氢气乙烯比σ_H2/C2、丁烯乙烯比σ_C4/C2和温度T三个控制器设定值作为系统的操作变量。为产生动态数据，在集合Π中随机采样60组输入组合，依次激励系统，产生动态数据，其中，Π如下表达式所示，

Π＝{(σ_H2/C2,σ_C4/C2,T)|σ_H2/C2∈[0.006,0.015],σ_C4/C2∈[0.04,0.13],T∈[90,110]}

集合Π对应熔融指数的区域是从0.37到7.39，有着较强的非线性，并且包含了多种牌号的聚乙烯产品。每组输入激励系统直到系统稳定为止，从而获取较为完整的动态过程的数据。

50组不同的完整动态过程数据用于模型的训练，10组不同的完整动态过程数据用于模型测试。每组完整的动态过程数据包含800个操作变量数据，但是只有8个累积熔融指数的数据。

此外，在集合Π中再随机采样100组输入组合，激励系统直至稳态，产生100组稳态数据，用以训练第二阶段静态模型。

当数据采集完毕之后，按照如下步骤建立在线软测量模型。

步骤B1，基于自适应链接超平面模型，建立操作变量与气体分压之间的动态非线性模型，具体表达式如下。

其中，自适应链接超平面模型如下所示

将50组模型训练数据分为两组，分别是40组的训练数据和10组的参数检验数据，用于建模参数的选取。

步骤B2，变量的阶次辨识：运用AUDI算法，获得变量阶次一致假设下的最大阶次；运用普通最小二乘法建立回归模型，运用T检验分析每个变量的显著性；分析并去掉那些在显著水平α＝0.95下的那些不显著的滞后变量，从而能够提高拟合精度。

步骤B3，建模参数的确定：定义分割节点个数的最小为3，最大为10，形成一个一维的搜索空间；在这个搜索空间中，遍历所有分割节点个数，选取一个合适的值，平衡训练误差和测试误差，使模型误差达到最小；在合适的分割节点个数的基础上，选取一个基函数个数的初值为10；从这个初值开始，逐渐增加基函数个数，寻找合适的基函数个数，使得测试误差达到最小。

步骤C1，获得瞬时熔融指数和累积熔融指数的样本。将步骤B获得的经验模型运用到50组模型训练的动态数据上，获得40000个瞬时熔融指数的值，再加上400个累积熔融指数的值共同构成了50组训练数据，用于产生第三阶段模型的参数。

步骤C2，基于普通最小二乘法建立气体分压、温度等涉及反应条件的变量与瞬时熔融指数之间的静态模型

步骤C3，运用普通最小二乘法在100组稳态数据的基础上估计该经验模型的参数。

步骤D1，获得瞬时熔融指数和累积熔融指数的样本：

运用步骤C1-C3得到的经验模型，获取动态过程的瞬时熔融指数与累积熔融指数样本，组成时间序列样本：

瞬时熔融指数采样时间序列表示为：

[MI_i(1),MI_i(2),...,MI_i(q),MI_i(q+1),MI_i(q+2),...,MI_i(2q),MI_i(2q+1),...,MI_i(Mq)]

累积熔融指数采样时间序列表示为：

[MI_c(q),MI_c(2q),...,MI_c(Mq)]

其中MI_i(k)为k时刻瞬时熔融指数的数据值，采样周期应满足分钟级，通常为1分钟；MI_c(lq)为累积熔融指数lq时刻离线采样数据，采样周期q可较长，通常为小时级，例如2-4小时。

步骤D2，基于脉冲响应原理建立卷积模型，并构成动态软测量模型：

(k＝1,...,M)，

其中h(j),L分别为待估系统的脉冲响应参数以及长度参数；

选定一阶系统的模型表达如下，并确定模型参数范围

设定模型的参数范围为30≤T'≤80,0.5≤K≤1.2，5≤τ≤20。其中T',K,τ为子系统结构类型的模型参数，分别表示时间常数、比例系数和纯时延常数。

步骤D3，搜索最佳模板参数，实现动态软测量模型优化求解，从而确定合适的模板参数。优化问题如下所示

s.t.

30≤T≤80

0.5≤K≤1.2

5≤τ≤20

将基于上述建立好的模型，实施在线软测量。

如图4所示，图中“●”表示累积熔融指数的真实值（简称MI真实值），基于以上三步得到模型参数，在测试集的10组不同的动态过程上预测累积熔融指数的值，并分别求取均方根误差RMSE。测试结果表明本发明实施例的三阶段模型与单纯的黑箱建模方法，即图4中的单纯的自适应链接超平面（简称AHH）模型和支持向量机（简称SVM）模型）相比，估计精度较高。

综上所述，本发明方法所构建的模型充分考虑了过程的结构信息，融合了数据建模和机理建模的优点，使得模型既反映了过程的机理特性，能够适应过程较大范围内的波动，有效应对不确定性，同时避免了对大量物化参数的估计，从而通过数据驱动的方法较容易地获得了模型系数，因此适用于聚合反应过程质量指标的在线测量。

另外，本发明的模型基于动态过程分析，将整个过程分解为三个相对简单的建模问题分别处理，将非线性集中在了第一阶段动态模型和第二阶段静态模型中分别进行处理，将数据多率问题集中在了第三阶段的动态线性模型中进行处理，相比原问题要同时处理复杂非线性、动态特性以及多率特性来说降低了建模难度、提高了建模精度。

而且，由于本发明的模型将整个动态过程分解为两个动态过程，即气体分压的平衡过程和熔融指数的混合过程，因此能够充分地反映生产的动态特性。并且，该模型既适用于熔融指数的在线测量，同时相比微分方程构成的机理模型来说，在离线轨迹优化中，由于避免了积分过程，因而使得可行解的验证具有较高的效率，进一步提高轨迹优化的求解效率。

本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (6)

1.一种聚合物熔融指数的软测量方法，包括：

确定第一阶段自适应链接超平面模型、第二阶段静态模型和第三阶段脉冲响应模型；

读取并输入操作变量的在线测量值至所述第一阶段自适应链接超平面模型，以获得气体分压的在线实时估计值；

将所述气体分压的在线实时估计值输入至所述第二阶段静态模型中，以获得瞬时熔融指数的估计值；

将所述瞬时熔融指数的估计值输入至所述第三阶段脉冲响应模型，以获得累积熔融指数的估计值；其中，

在确定第一阶段自适应链接超平面模型的步骤中，进一步包括，

第一确定步骤，确定输入变量以及输出变量，建立所述第一阶段自适应链接超平面模型的表达式；

第二确定步骤，确定所述输入变量的阶次；进一步包括，获得多组关于输入变量和输出变量的数据样本；基于所述数据样本和所述第一阶段自适应链接超平面模型的表达式，运用增广UD辨识算法，获得设定条件下的最大阶次，其中，所述设定条件为假定各个输入变量的阶次相同；运用最小二乘法建立回归模型，运用T检验分析得到每个输入变量的显著性；将显著性小于设定显著水平值的滞后变量去除，以确定各个输入变量的阶次；所述T检验为一种用T分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著的方法；

第三确定步骤，确定所述第一阶段自适应链接超平面模型的建模参数；进一步包括，确定所述第一阶段自适应链接超平面模型的分割节点的个数和基函数的个数；基于所述各个输入变量的阶次、分割节点的个数和基函数的个数来确定所述建模参数；

在确定第二阶段静态模型的步骤中，进一步包括，

获得多组关于气体分压和瞬时熔融指数的稳态数据样本；

选择并建立具有线性特征的稳态模型表达式；

基于所述稳态数据样本和所述稳态模型表达式，运用最小二乘法获得所述稳态模型表达式中的参数以确定第二阶段静态模型；

在确定第三阶段脉冲响应模型的步骤中，进一步包括，

获得关于瞬时熔融指数和累积熔融指数的样本；

基于脉冲响应模板建立卷积模型以构成动态软测量模型的表达式；

基于关于瞬时熔融指数和累积熔融指数的样本和所述表达式，根据设定的优化问题，实现所述动态软测量模型优化求解，以确定所述第三阶段脉冲响应模型。

2.根据权利要求1所述的软测量方法，其特征在于，在确定所述第一阶段自适应链接超平面模型的分割节点的个数和基函数的个数的步骤中，进一步包括，

设定所述分割节点的个数的最小边界和最大边界，形成一维的搜索空间；

遍历所述搜索空间中的所有分割节点个数，基于当前分割节点个数来运行分片线性建模算法以确定所述分割节点个数；

基于确定的分割节点个数，选取所述基函数个数的初始值；

从所述初始值开始，依次增加所述基函数个数，并基于分片线性建模算法，确定所述基函数个数。

3.根据权利要求2所述的软测量方法，其特征在于，在所述输入变量为各组分的进料流量温度T、总压P、料位L，以及所述输出变量为气体分压 时，通过如下表达式来表示所述第一阶段自适应链接超平面模型，

$\left(\begin{array}{c}{P}_{M_1}\left(t\right)\\ P_{M_2}\left(t\right)\\ P_{M_3}\left(t\right)\\ ...\\ P_{M_n}\left(t\right)\end{array}\right)=\left(\begin{array}{c}{g}_{M_1}\left(\mathrm{\Φ}\right(t\left)\right)\\ g_{M_2}\left(\mathrm{\Φ}\right(t\left)\right)\\ g_{M_3}\left(\mathrm{\Φ}\right(t\left)\right)\\ ...\\ g_{M_n}\left(\mathrm{\Φ}\right(t\left)\right)\end{array}\right),$

$\begin{array}{c}\mathrm{\Φ}\left(t\right)=\[F_{M_1\_in}(t-1),...,F_{M_1\_in}(t-r_{M_1}),\\ F_{M_2\_in}(t-1),...,F_{M_2\_in}(t-r_{M_2}),\\ F_{M_3\_in}(t-1),...,F_{M_3\_in}(t-r_{M_3}),\\ ...\\ F_{M_n\_in}(t-1),...,F_{M_n\_in}(t-r_{M_n}),\\ T(t-1),...,T(t-r_T),\\ P(t-1),...,P(t-r_P),\\ L(t-1),...,L(t-r_L)\]\end{array}$

其中，为输入变量的阶次，变量表示输入变量滞后阶的滞后变量，

模型通过如下表达式表示，

其中，a₀,a₁,a₂,…,a_M为建模参数，β_km为每一维变量方向上的分割节点，M为基函数B_m(x)的个数，s_km＝±1，x_vkm表示第m个基函数中第k个分割段上的分割变量，K_m为每个基函数中min函数中所嵌套的max函数的个数。

4.根据权利要求1所述的软测量方法，其特征在于，通过以下表达式来表示所述第二阶段静态模型，

$ln\left({\mathrm{MI}}_i\right(t\left)\right)=A_0+\frac{A_1}{T}+A_{2}ln\left(\frac{P_{M_2}\left(t\right)}{P_{M_1}\left(t\right)}\right)+A_{3}ln\left(\frac{P_{M_3}\left(t\right)}{P_{M_1}\left(t\right)}\right)+...+A_{p}ln\left(\frac{P_{M_n}\left(t\right)}{P_{M_1}\left(t\right)}\right)$

其中，MI_i(t)为瞬时熔融指数的估计值，A_p，其中p＝0,1,2,…,n，为静态模型参数，为气体分压，T为温度。

5.根据权利要求1所述的软测量方法，其特征在于，通过以下表达式来表示所述第三阶段脉冲响应模型，

$\tilde{M}{I}_c\left(kq\right)=\underset{j=0}{\overset{L}{\Σ}}h\left(j\right){\mathrm{MI}}_i(kq-j),k=1,...,M^{\′},$

其中为第kq时刻累积熔融指数的估计值，MI_i(kq-j)为第kq-j时刻的瞬时熔融指数的估计值，q为累积熔融指数的采样周期，h(j),L分别为一阶系统的脉冲响应参数以及长度参数，一阶系统的模型表达如下

$\left\{\begin{array}{cc}h\left(j\right)=\frac{K}{T^{\&prime;}}\exp \left(\frac{-1}{T^{\&prime;}}\right(j-\mathrm{\&tau;})),& j=\mathrm{\&tau;},...,L\\ h\left(j\right)=0,& j<\mathrm{\&tau;}\end{array}\right.$

其中T',K,τ为所述一阶系统的模型参数，分别表示时间常数、比例系数和纯时延常数，M′为累积熔融指数的真实测量值个数。

6.根据权利要求5所述的软测量方法，其特征在于，通过以下表达式表示所述设定的优化问题，

$\begin{array}{cc}\underset{T^{\&prime;},K,\mathrm{\&tau;}}{min}& J=\underset{k=1}{\overset{M^{\&prime;}}{\&Sigma;}}{\left({\mathrm{MI}}_c\right(kq)-\tilde{M}{I}_c(kq\left)\right)}^2\end{array}$

s.t.

$\tilde{M}{I}_c\left(kq\right)=\underset{j=0}{\overset{L}{\&Sigma;}}h\left(j\right){\mathrm{MI}}_i(kq-j),k=1,...,M^{\&prime;}$

$x_1^{\min }\&le;T^{\&prime;}\&le;x_1^{\max }$

$x_2^{\min }\&le;K\&le;x_2^{\max }$

$x_3^{\min }\&le;\mathrm{\&tau;}\&le;x_3^{\max }$

其中，MI_c(kq)表示第kq时刻累积熔融指数的真实测量值，MI_i(kq-j)表示第kq-j时刻的瞬时熔融指数的估计值，分别表示参数T'的设定的数值范围的最小值和最大值，分别表示参数K的设定的数值范围的最小值和最大值，分别表示参数τ的设定的数值范围的最小值和最大值。