CN104102182B - 一种气相共聚抗冲聚丙烯质量指标在线估计系统及方法 - Google Patents

Abstract

一种针对气相流化床生产工艺的气相共聚抗冲聚丙烯（PP）产品质量指标在线估计系统，包括与气相PP对象连接的现场过程仪表、现场分析仪表、集散控制系统（DCS）、实验室分析数据服务器及先进控制服务器。所述的先进控制服务器包括：OPC客户端及数据接口模块、抗冲牌号PP生产过程质量指标模型预测模块，PP质量指标粒子滤波联合估计及质量指标显示模块，以及提供了一种气相共聚抗冲聚丙烯质量指标的在线估计方法。本发明提供一种抗冲牌号气相共聚聚丙烯产品质量指标熔融指数、乙烯质量分率、抗冲强度实时在线估计系统及方法。

Description

一种气相共聚抗冲聚丙烯质量指标在线估计系统及方法

(一)技术领域

本发明涉及工业过程控制领域，是一种针对气相流化床生产工艺的气相共聚抗冲聚丙烯质量指标在线估计系统。

(二)背景技术

聚丙烯（polypropylene）是由丙烯聚合而制得的一种热塑性树脂。聚丙烯为无色，无臭，无味的乳白色高结晶的聚合物，是目前所有塑料中最轻的品种之一。具有良好的电性能和高频绝缘性不受湿度影响，但低温时变脆、不耐磨、易老化。适于制作一般机械零件、耐腐蚀零件和绝缘零件。常见的酸、碱等有机溶剂对它几乎不起作用，可用于食具。目前，聚丙烯主要用气相和本体工艺生产，全球气相和本体环管工艺树脂的增长强烈的挑战着淤浆工艺的产品。进入20世纪90年代以来，淤浆工艺正逐步被淘汰。全球PP生产工艺中，Basell公司的Spheripol环管/气相工艺占主导地位，目前该工艺占全球PP生产的50%。

以Spheripol工艺为对象，在Z-N催化剂聚合机理的基础上，建立了适用于工业应用的聚丙烯熔融指数预测模型和乙丙抗冲共聚物的乙烯质量分率预测模型，以实现产品质量的软测量和在线控制。Spheripol工艺可生产丙烯均聚物，无规共聚物以及乙丙抗冲共聚物。生产均聚和无规共聚产品时采用两个串联的环管反应器。其中无规共聚产品的第二、三单体分别为乙烯和丁烯，有时也只加入第二单体丁烯。而抗冲聚丙烯为嵌段聚合产物，其生产过程分为均聚和共聚：首先丙烯在两个串联环管中进行均聚，经过闪蒸的粉料随后进入气相流化床内进行乙丙共聚。这里主要针对研究的是共聚阶段的聚丙烯质量指标。Spheripol工艺的聚丙烯生产过程包含复杂的链活化、链引发、链增长、链转移和链终止5个可逆反应系列，表征抗冲聚丙烯牌号的质量指标主要有聚合物熔融指数及乙烯质量分率，而质量指标通常是在线不可测的。采用常规的经验操作会造成PP产品质量波动大、中间过渡产品多、物耗和能耗高、存在安全隐患及操作人员劳动强度大的状况。利用多牌号产品质量指标在线估计技术可以实时推断产品的质量指标，从而监控装置的运行状况，进而稳定装置的操作，在满足工艺约束条件下，提高产率，提高产品质量，降低物耗和能耗、减少牌号切换时间和中间过渡产品，从而大幅度地提高装置的经济效益。

聚丙烯装置操作中最受关注的是产品的质量指标。熔融指数（MI）和乙烯质量分率（E）以及抗冲强度（F）是产品质量的最主要指标。通常熔融指数的分析比实际生产滞后2h，乙烯质量分率、抗冲强度则滞后长达12h甚至更长。因此，建立聚丙烯的质量模型，掌握质量指标和聚合条件之间的定量关系，对软测量和产品质量在线控制的实现以及新牌号的开发都具有指导意义。目前国内外对熔融指数模型的研究不多，而且大多侧重于理论分析。Reginato和Zacca在Z-N催化剂多活性中心聚合动力学的基础上，对环管丙烯聚合反应进行了模拟，利用矩方法求得聚丙烯的重均分子量，继而求得聚丙烯的熔融指数。然而，由于多活性中心聚合动力学的复杂性，求解过程涉及大量的微分和积分步骤，计算繁琐，在实际生产中难以应用。此外，抗冲聚丙烯乙烯质量分率的预测模型研究也很少。联合矩方法和瞬时分布法是两类主要的PP过程机理建模方法（McKenna T.F., Soares J.B.P. Singleparticle modeling for olefin polymerization on supportedcatalysts: a reviewand proposals for future development. Chemical Engineering Science, 2001, 56:3931-3949.）。联合矩方法通过计算活聚体和死聚体的各阶矩，从而计算数均分子量、重均分子量及分散指数。联合矩方法仅能给出分布的几个指标，不能给出整体的分布情况。瞬时分布法利用Floy分布方程结合聚合动力学与反应条件，可求出整个分子量分布曲线。纯机理模型可以得到较准确的模拟结果，但通常难以直接给出工业界所关心的产品质量指标与操作约束，工业直接应用困难。经验模型一般形式简单，计算简单。但模拟对象改变时，模型参数需要重新辨识，甚至模型本身也不适用。半经验模型是机理模型和经验模型的结合体。由于纯机理模型难以直接计算产品质量指标与操作约束，而经验模型又存在适用范围窄的缺陷，因而将两者结合的半经验模型在工业应用中有很好的应用前景。

在PP装置操作中，会定期对产品进行采样化验分析。熔融指数的分析比实际生产滞后2h，乙烯质量分率、抗冲强度则滞后长达12h甚至更长。如何利用实验室分析数据反馈修正质量指标的推断计算是大型PP装置多牌号产品质量在线估计技术中的关键问题（Takeda M. and Ray W. H. Optimal-grade transition strategies for multistagepolyolefin reactors. AIChE J. 1999, 45:1776–1793.）。经典的方法是采用EKF进行滤波估计（Gahnon L. and MacGregor J.F. State estimation for continuous emulsionpolymerization. Can.J.Chem.Eng.,1991,69: 648-656. Keller J. Y., Darouach, M.Optimal two-stage Kalman filter in the presence of random bias. Automatica,1999, 33: 1745-1753.）。传统的EKF是基于H₂估计准则的，要求模型准确且已知外部干扰的统计特性。由于PP装置的复杂性，因而EKF应用于大型PP装置的质量指标在线估计有很大的局限性。针对EKF鲁棒性差的缺点，清华大学的周东华等将渐消因子和正交性原理引入到EKF中，提出了强跟踪滤波器方法（周东华, 席裕庚，张仲俊. 一种带多重次优渐消因子的扩展卡尔曼滤波器. 自动化学报，1991, 17(6):689-695. Wang D., Zhou D.H., JinY.H.et.al. A strong predictor for nonlinear processes with input time delay.Comput.Chem.Eng.,2004, 28: 2523-2540.）并成功应用于复杂工业过程。赵众等基于质量指标及操作约束推断模型偏差的上限估计，提出了次优的强跟踪滤波器，并成功应用于中石油吉化分公司大型LLDPE装置的熔融指数及树脂密度的实时在线估计（赵众, 马博. 大型聚乙烯工业装置质量指标的次优强跟踪滤波估计. 化工学报，2008, 59(7): 1635-1639.）。针对复杂工业过程的推断模型存在有界偏差、外部扰动统计特性未知以及频繁的牌号切换的特点，近年来，粒子滤波正成为相关的研究热点，然而应用于复杂PP过程的粒子滤波技术尚未见报道。

(三)发明内容

为克服现有的质量指标估计技术用于气相共聚抗冲聚丙烯过程难以适应频繁的牌号切换、广泛存在的未知干扰，因而难以长周期运行的局限性，本发明提供一种针对Spheripol工艺的聚丙烯（PP）抗冲牌号产品质量指标在线估计系统及方法，其关键点在于：结合混合模型的模块化设计方法和半参数化设计方法的长处，构造了气相PP过程的质量指标的预测模型；利用考虑质量指标预测模型逼近偏差及参照状态与未知参数联合估计方法（赵众, 郜娜,潘高峰. 基于粒子滤波联合估计的气相聚乙烯质量指标在线估计. 化工学报，2012, 63(9):2904-2912.），结合扩展卡尔曼滤波（EKF）和粒子滤波（PF），使用基于粒子滤波的状态和校正系数联合估计方法（JPF）来修正预测模型，结合实验室分析数据，实现了实时估计PP多牌号产品质量指标。

本发明所采用的技术方案是：

一种气相共聚抗冲聚丙烯（PP）多牌号产品质量指标在线估计系统，包括与PP生产过程连接的现场仪表、集散控制系统（DCS）、实验室分析数据库以及先进控制服务器，所述的PP生产过程指采用Spheripol工艺生产多个牌号的抗冲聚丙烯的生产过程；所述的DCS控制系统由数据接口、操作员站、工程师站、PP质量指标显示画面、数据库及OPC服务器构成；现场仪表、DCS系统、实验室分析数据库、先进控制服务器依次相连，所述的先进控制服务器包括：

1、OPC客户端及数据接口模块，用于从DCS控制系统及实验室分析数据库采集数据，并将PP质量指标在线估计结果传送到DCS控制系统中的质量指标显示画面，指导多牌号PP平稳生产；

2、PP质量指标预测模型参数辨识模块，用于根据生产过程数据及实验室分析数据辨识多牌号PP质量指标预测模型，其中多牌号PP质量指标预测模型采用稳态机理模型串联特征动态模型的混合模型结构，辨识得到的PP质量指标预测模型能预测多牌号抗冲聚丙烯产品质量指标熔融指数、乙烯质量分率、抗冲强度动态变化；

3、PP质量指标在线估计模块，用于根据实验室分析数据实时修正PP多牌号质量指标的模型预测并将在线估计结果通过OPC客户端写入DCS控制系统中的PP质量指标显示画面，指导PP过程的平稳生产，其中PP质量指标在线估计采用了考虑预测模型逼近偏差及基于粒子滤波的状态和校正系数联合估计方法。

一种用所述的气相聚丙烯（PP）多牌号产品质量指标在线估计系统实现的在线估计方法，所述的PP质量指标在线估计方法包括以下步骤：

1、利用OPC客户端及数据接口模块采集PP过程质量指标：熔融指数、乙烯质量分率、抗冲强度；PP过程变量：反应温度、丙烯浓度、共聚单体浓度、氢气浓度、乙烯流量、丙烯流量、氢气、流量、均聚产量、橡胶乙烯百分比。将采集到的数据分成模型辨识组及模型验证组，按以下的步骤辨识及验证PP产品质量指标的预测模型：

PP质量指标熔融指数及密度的稳态瞬时模型由以下公式计算

其中MI(g/10min)、E(%)、T(℃)、[H₂] (mol%)、[M₂] (mol%)、[M₁](mol%)、θ₀,θ₁,θ₂,θ₃,θ₄,θ₅,θ₆、F_in(Kg/h)、F^pp (Kg/h)、Y(%)、K₁、ln分别表示熔融指数、乙烯质量分率、反应温度、氢气浓度、乙烯浓度、丙烯浓度、模型参数、乙烯进料量、均聚产量、橡胶乙烯百分比、经验系数及求自然对数；考虑固体颗粒在反应器的停留时间，PP反应器床层平均质量指标的动态预测由以下公式计算：

而抗冲强度则可通过如（5）所示的乙烯质量分率线性回归求得。

F_c(t)=β₁E_c(t)+β₂ （5）

其中MI_c(g/10min)、E_c(%)、F_c(kj/m2)、f₁₁,f₂₁,g₁₁,f₁₂,f₂₂,g₁₂,β₁,β₂、i分别为PP反应器床层平均熔融指数、乙烯质量分率、抗冲强度特征动态模型参数及采样时刻。

根据质量指标模型（3）、（4），取目标函数为

利用粒子群优化（PSO）算法（Marcio Schwaab, Evaristo Chalbaud Biscaia,Jr., Jose Luiz Monteiro, Jose Carlos Pinto． Nonlinear parameter estimationthrough particle swarm optimization．Chemical Engineering Science, 2008, 63:1542-1552）优化得到质量指标预测模型参数θ₀,θ₁,θ₂,θ₃,θ₄,θ₅,θ₆,f₁₁,f₂₁,g₁₁,f₁₂,f₂₂,g₁₂，β₁,β₂通过最小二乘法得到。利用模型验证组数据校验辨识模型，当校验结果与辨识结果相差不超过10%时，确认质量指标预测模型参数为标称模型。

2、利用实验室分析数据可实时修正质量的指标的在线预测。实际生产中，由于环境因素、仪表的误判误报以及一些人为因素的影响，会对系统带来各种各样的干扰和噪声，这不仅会影响反应的正常进行和装置的稳定，而且会引起质量指标预测模型在线估计的不准，进而造成产品的波动。所以，在线估计时必须加入校正，以确保模型的估计精度。粒子滤波（PF）是一种基于贝叶斯滤波思想，应用重要性采样的概念，来获得状态向量后验概率密度的序贯蒙特卡洛方法。PF的最终目的是获得状态的最小方差分布，在此过程中进行了两个近似，一是用随机样本来近似概率密度函数，二是以样本均值代替复杂的积分运算。在整个算法中，最为关键是重要密度函数和重采样策略的选取。

粒子滤波可以很好的克服非线性对模型带来的影响，然而粒子滤波器是一个非结构化的滤波器，这样生产中复杂的工况和各种干扰以及一些不确定的因素一旦使它停止工作，滤波效果将急剧变差。另外，在一些过程中PF为了满足估计精度要求，就需要更多的粒子数和更长的计算时间，这样就大大削弱了实时估计的优势。针对这种情况，本发明参照状态与未知参数联合估计方法，结合扩展卡尔曼滤波（EKF）和粒子滤波（PF），提出了基于粒子滤波的状态和校正系数联合估计方法（JPF）来修正预测模型。

令：

则质量指标熔融指数和乙烯质量分率可表述成如下形式：

式中，x∈Rⁿ为状态向量，u∈R^q为输入向量，y∈R^m为输出向量，F为非线性稳态函数，C为测量矩阵，ξ₁、ξ₂分别为系统过程噪声和观测噪声。于是，基于预测模型的状态估计如下所示：

对于上式，利用EKF得到质量指标的状态估计，但是这样不能很好的处理非高斯噪声和模型的大误差。考虑到实际中由于各种噪声的影响，特别是电噪声的污染，既便是EKF，它的稳态滤波也不是常数，而应该是一个是变值。故可以将K(k)描述成：

K(k+1)=K₀+ξ₃ (9)

其中，K₀由EKF得到，ξ₃为噪声。于是，可将系统扩维成

从这个扩维系统中可以看出，滤波增益的动态方程中由于存在噪声，整个增益输出不够平滑。为此，对其采用一阶惯性滤波，即：

K(k+1)=αK(k)+(1-α)K₀ （11）

式中α(0＜α＜1)为滤波常数，整理得到最终的扩维系统如式（11）所示

其中为由原测量函数变换得到的已知的新的测量函数。对于此系统，采用粒子滤波器来联合估计，其算法步骤如下：

①初始化

k=0时，

②计算重要性权值

取重要性密度函数为先验重要性函数，即

重要性权值

归一化

③重采样

根据权值大小，从（）集合中重新采样得到新的粒子集合（），并且新得到的粒子的权值

④输出

假设系统为均匀马尔科夫链，转移概率函数是Feller和混合函数，初始分布为。定义为后验分布，为对于x的边缘分布，

根据上述定义，可将上节所述粒子滤波联合估计写成如下形式：

本发明的技术构思为：针对气相PP过程难以精确机理建模，而采用经验模型或半经验模型作为质量指标的推断模型，传统的基于H₂估计准则的参数自适应及状态估计都难以解决存在较大模型偏差及外部扰动统计特性未知的在线估计问题。本发明结合混合模型的模块化设计方法和半参数化设计方法的长处，构造了气相PP过程的质量指标的预测模型，利用考虑质量指标预测模型逼近偏差及基于粒子滤波的状态和校正系数联合估计方法，结合实验室分析数据，实现了实时估计PP多牌号质量指标。充分考虑了模型偏差对估计的影响，且无需外部扰动统计信息。

本发明的效果主要表现在：构造的气相PP过程的质量指标的预测模型具有泛化能力，基于粒子滤波的状态和校正系数联合估计方法可有效克服未知扰动对估计的影响。因此，本发明可广泛地应用于气相流化床多牌号PP生产过程，实时推断产品的质量指标：熔融指数、乙烯质量分率、抗冲强度，从而监控装置的运行状况，进而稳定装置的操作，在满足工艺约束条件下，提高产率，提高产品质量，降低物耗和能耗、减少牌号切换时间和中间过渡产品，从而大幅度地提高装置的经济效益。

(四)附图说明

图1是本发明所提出的气相抗冲聚丙烯装置质量指标在线估计系统的硬件结构图。1为气相流化床生产工艺的聚丙烯装置，2为现场过程仪表，3为现场分析仪表，4为DCS通信网络，5为DCS系统，包含OPC服务器模块、操作站、工程师站、质量指标显示画面、DCS数据库，6为先进控制服务器，7为TCP/IP协议的路由器，8为实验室分析数据服务器。先进控制服务器6利用OPC协议从DCS控制系统采集实时操作数据，利用与实验室分析数据库接口采集质量指标及分析数据，并将PP质量指标在线估计结果传送到DCS控制系统中的质量指标显示画面，指导聚丙烯平稳生产。

图2是本发明先进控制系统信息传递示意图。

图3是实施例1的工艺流程图。

图4是实施例1对牌号SP179的模型熔融指数预测结果，实线为计算值，虚线为化验值。

图5是实施例1对牌号SP179的模型乙烯质量分率的预测结果，实线为计算值，虚线为化验值。

图6是实施例1对牌号SP179的模型抗冲强度的预测结果，实线为计算值，虚线为化验值。

图7是实施例1实际的质量指标熔融指数在线估计的运行结果。

图8是实施例1实际的质量指标乙烯质量分率在线估计的运行结果。

图9是实施例1实际的质量指标抗冲强度在线估计的运行结果。

(五)具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释本发明，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。

实施例1

将本发明应用于聚丙烯生产装置，装置工艺流程参照图3。装置采用了意大利Basell公司的Spheripol-Ⅱ代聚丙烯工艺技术，2006年10月建成投产。装置设计生产能力为30万吨/年聚丙烯颗粒，年操作8000小时，可生产均聚物(56个牌号)、无规共聚物(21个牌号)、抗冲共聚物(26个牌号)共103个产品牌号，产品用途覆盖面广，技术指标先进。装置由原料精制、预聚合及环管反应器本体绝聚合、聚合物脱气和丙烯及氢气的回收、气相共聚合、聚合物的汽蒸及干燥、添加剂和挤压造粒、产品掺和和均化、气流输送及存储等单元组成。参照图1、图2，一种气相丙烯装置质量指标在线估计系统，聚丙烯装置先进控制系统是在Emerson DeltaV集散控制系统平台上实施的，采用先进控制系统上位机方式实现控制器运行。本系统采用Dell PowerEdge T110服务器作为先进控制系统上位机，操作系统为Windows 2003，同时选择一台集散控制系统应用站作为OPC服务器，先进控制上位机可以通过交换机与该OPC服务器组成以太网，实现先进控制服务器与DCS控制站之间的数据传送的物理链接，实现先进控制系统与DCS控制系统之间的数据传送的物理链接。所述的先进控制器包括：

OPC客户端数据通信模块及数据库接口模块。利用OPC客户端及数据接口模块采集PP过程质量指标：熔融指数、乙烯质量分率；PP过程变量：反应温度、丙烯浓度、共聚单体浓度、氢气浓度、乙烯流量、丙烯流量、氢气、流量、均聚产量、橡胶乙烯百分比。

PP质量指标及操作约束预测模型参数辨识模块。将采集到的数据分成模型辨识组及模型验证组，参照质量指标模型公式（3）至（5），对牌号SP179的预测结果如图4至图6所示。

PP质量指标在线估计模块。用于根据实验室分析数据实时修正PP多牌号质量指标的模型预测，并将在线估计结果通过OPC客户端写入DCS控制系统中的PP质量指标显示画面，指导PP过程的平稳生产。实际的质量指标在线估计长周期（半个月）的运行结果如图7至图9所示。

聚丙烯生产装置工业应用质量指标标定结果如下表所示。

Claims (3)

1.一种气相共聚抗冲聚丙烯产品质量指标在线估计系统，其特征在于，包括与聚丙烯生产过程连接的现场仪表、集散控制系统、实验室分析数据库以及先进控制服务器，所述的聚丙烯生产过程指采用气相流化床生产工艺的生产抗冲牌号的聚丙烯生产过程；所述的集散控制系统由数据接口、操作员站、工程师站、聚丙烯质量指标及操作约束显示画面、数据库及OPC服务器构成；现场仪表、集散控制系统、实验室分析数据库、先进控制服务器依次相连，其特征在于：所述的先进控制服务器包括：

(1)OPC客户端及数据接口模块，用于从集散控制系统及实验室分析数据库采集数据，并将聚丙烯质量指标在线估计结果传送到集散控制系统中的质量指标显示画面，指导多牌号聚丙烯平稳生产；

(2)聚丙烯质量指标预测模型参数辨识模块，用于根据生产过程数据及实验室分析数据辨识多牌号聚丙烯质量指标预测模型，其中多牌号聚丙烯质量指标预测模型采用稳态机理模型串联特征动态模型的混合模型结构，辨识得到的聚丙烯质量指标预测模型能预测多牌号聚丙烯产品质量指标熔融指数、乙烯质量分率、抗冲强度的动态变化；

(3)聚丙烯质量指标在线估计模块，用于根据实验室分析数据实时修正聚丙烯多牌号质量指标的模型预测并将在线估计结果通过OPC客户端写入集散控制系统中的聚丙烯质量指标显示画面，指导聚丙烯过程的平稳生产，其中聚丙烯质量指标在线估计采用了考虑预测模型逼近偏差及基于粒子滤波的状态和校正系数联合估计方法；

其中，聚丙烯质量指标熔融指数及乙烯质量分率的稳态瞬时模型由以下公式计算

$\ln \left(MI\right)={\mathrm{\θ}}_0\{\ln ({\mathrm{\θ}}_1+{\mathrm{\θ}}_2\frac{{\[H_2\]}^{1/2}}{\[M_1\]}+{\mathrm{\θ}}_3\frac{\[M_2\]}{\[M1\]})-\ln (1+{\mathrm{\θ}}_4\frac{\[M_2\]}{\[M_1\]})\}+\frac{{\mathrm{\θ}}_5}{T}+{\mathrm{\θ}}_6---\left(1\right)$

$E=\frac{100F_{in}Y}{{\mathrm{YK}}_1{F}^{PP}+100F_{in}}---\left(2\right)$

其中MI(g/10min)、E(％)、T(℃)、[H₂](mol％)、[M₂](mol％)、[M₁](mol％)、F_in(Kg/h)、Y(％)、K₁、ln分别表示熔融指数、乙烯质量分率、反应温度、氢气浓度、乙烯浓度、丙烯浓度、乙烯进料量、均聚产量、橡胶乙烯百分比、经验系数及求自然对数，θ₀、θ₁、θ₂、θ₃、θ₄、θ₅、θ₆均为模型参数；考虑固体颗粒在反应器的停留时间，聚丙烯反应器床层平均质量指标的动态预测由以下公式计算：

${\mathrm{lnMI}}_c(i+1)=f_{11}{\mathrm{lnMI}}_c\left(i\right)+f_{21}{\mathrm{lnMI}}_c(i-1)+g_{11}\left\{{\mathrm{\θ}}_0\right\{\ln ({\mathrm{\θ}}_1+{\mathrm{\θ}}_2\frac{{\[H_2\]}^{1/2}}{\[M_1\]}+{\mathrm{\θ}}_3\frac{\[M_2\]}{\[M1\]})-\ln (1+{\mathrm{\θ}}_4\frac{\[M_2\]}{\[M_1\]})\}+\frac{{\mathrm{\θ}}_5}{T}+{\mathrm{\θ}}_6\}---\left(3\right)$

$E_c(i+1)=f_{12}{E}_c\left(i\right)+f_{22}{E}_c(i-1)+g_{12}\[\frac{100F_{in}Y}{{\mathrm{YK}}_1{F}^{PP}+100F_{in}}\]---\left(4\right)$

抗冲强度可通过如(5)所示的乙烯质量分率线性回归求得；

F_c(t)＝β₁E_c(t)+β₂ (5)

其中MI_c(g/10min)、E_c(％)、F_c(kj/m2)、i分别为聚丙烯反应器床层平均熔融指数、乙烯质量分率、采样时刻，f₁₁、f₂₁、g₁₁、f₁₂、f₂₂、g₁₂、β₁、β₂均为抗冲强度特征动态模型参数。

2.一种用于如权利要求1所述的气相共聚抗冲聚丙烯产品质量指标在线估计系统的在线估计方法，其特征在于：所述的在线估计方法包括以下步骤：

(1)利用OPC客户端及数据接口模块，从集散控制系统采集实时操作数据，从实验室分析数据库读取质量指标及操作约束分析数据，辨识多牌号聚丙烯质量指标的预测模型；

(2)在线运行时，读取实验室分析数据，利用考虑预测模型逼近偏差及基于粒子滤波的状态和校正系数联合估计方法，实时估计聚丙烯多牌号质量指标；

(3)利用OPC客户端，将聚丙烯质量指标在线估计结果写入集散控制系统中的聚丙烯质量指标显示画面，指导聚丙烯过程的平稳生产；

聚丙烯质量指标熔融指数及乙烯质量分率的稳态瞬时模型由以下公式计算

$\ln \left(MI\right)={\mathrm{\θ}}_0\{\ln ({\mathrm{\θ}}_1+{\mathrm{\θ}}_2\frac{{\[H_2\]}^{1/2}}{\[M_1\]}+{\mathrm{\θ}}_3\frac{\[M_2\]}{\[M1\]})-\ln (1+{\mathrm{\θ}}_4\frac{\[M_2\]}{\[M_1\]})\}+\frac{{\mathrm{\θ}}_5}{T}+{\mathrm{\θ}}_6---\left(1\right)$

$E=\frac{100F_{in}Y}{{\mathrm{YK}}_1{F}^{PP}+100F_{in}}---\left(2\right)$

其中MI(g/10min)、E(％)、T(℃)、[H₂](mol％)、[M₂](mol％)、[M₁](mol％)、F_in(Kg/h)、Y(％)、K₁、ln分别表示熔融指数、乙烯质量分率、反应温度、氢气浓度、乙烯浓度、丙烯浓度、乙烯进料量、均聚产量、橡胶乙烯百分比、经验系数及求自然对数，θ₀、θ₁、θ₂、θ₃、θ₄、θ₅、θ₆均为模型参数；考虑固体颗粒在反应器的停留时间，聚丙烯反应器床层平均质量指标的动态预测由以下公式计算：

${\mathrm{lnMI}}_c(i+1)=f_{11}{\mathrm{lnMI}}_c\left(i\right)+f_{21}{\mathrm{lnMI}}_c(i-1)+g_{11}\left\{{\mathrm{\θ}}_0\right\{\ln ({\mathrm{\θ}}_1+{\mathrm{\θ}}_2\frac{{\[H_2\]}^{1/2}}{\[M_1\]}+{\mathrm{\θ}}_3\frac{\[M_2\]}{\[M1\]})-\ln (1+{\mathrm{\θ}}_4\frac{\[M_2\]}{\[M_1\]})\}+\frac{{\mathrm{\θ}}_5}{T}+{\mathrm{\θ}}_6\}---\left(3\right)$

$E_c(i+1)=f_{12}{E}_c\left(i\right)+f_{22}{E}_c(i-1)+g_{12}\[\frac{100F_{in}Y}{{\mathrm{YK}}_1{F}^{PP}+100F_{in}}\]---\left(4\right)$

抗冲强度可通过如(5)所示的乙烯质量分率线性回归求得；

F_c(t)＝β₁E_c(t)+β₂ (5)

其中MI_c(g/10min)、E_c(％)、F_c(kj/m2)、i分别为聚丙烯反应器床层平均熔融指数、乙烯质量分率、采样时刻，f₁₁、f₂₁、g₁₁、f₁₂、f₂₂、g₁₂、β₁、β₂均为抗冲强度特征动态模型参数。

3.如权利要求2所述的在线估计方法，其特征在于，利用实验室分析数据可实时修正质量的指标的在线预测；粒子滤波可以很好的克服非线性对模型带来的影响，然而粒子滤波器是一个非结构化的滤波器，这样生产中复杂的工况和各种干扰以及一些不确定的因素一旦使它停止工作，滤波效果将急剧变差；另外，在一些过程中粒子滤波为了满足估计精度要求，就需要更多的粒子数和更长的计算时间，这样就大大削弱了实时估计的优势，针对这种情况，参照状态与未知参数联合估计方法，结合扩展卡尔曼滤波和粒子滤波，提出了基于粒子滤波的状态和校正系数联合估计方法来修正预测模型，

令：

$x\left(k\right)=\left[\begin{array}{c}{\mathrm{lnMI}}_c(k-1)\\ {\mathrm{lnMI}}_c\left(k\right)\\ E_c(k-1)\\ E_c\left(k\right)\end{array}\right],u\left(k\right)=\left[\begin{array}{c}T\left(k\right)\\ Y\left(k\right)\\ \frac{\[H_2\]}{\[M_1\]}\left(k\right)\\ \frac{\[M_1\]}{\[M_2\]}\left(k\right)\\ F_{in}\left(k\right)\\ F^{PP}\left(k\right)\end{array}\right],A\left(k\right)=\left[\begin{array}{cccc}0& 1& 0& 0\\ f_{21}\left(k\right)& f_{11}\left(k\right)& 0& 0\\ 0& 0& 0& 1\\ 0& 0& f_{22}\left(k\right)& f_{12}\left(k\right)\end{array}\right],B\left(k\right)=\left[\begin{array}{cc}0& 0\\ g_{11}\left(k\right)& 0\\ 0& 0\\ 0& g_{12}\left(k\right)\end{array}\right],$

$F\left(u\right(k\left)\right)=\left[\begin{array}{c}{\mathrm{\θ}}_0\{ln({\mathrm{\θ}}_1+{\mathrm{\θ}}_2\frac{{\[H_2\]}^{1/2}}{\[M_1\]}+{\mathrm{\θ}}_3\frac{\[M_2\]}{\[M1\]})-ln(1+{\mathrm{\θ}}_4\frac{\[M_2\]}{\[M_1\]})\}+\frac{{\mathrm{\θ}}_5}{T}+{\mathrm{\θ}}_6\\ \frac{100F_{in}Y}{{\mathrm{YK}}_1{F}^{PP}+100F_{in}}\end{array}\right],C\left(k\right)=\left[\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 0& 1\end{array}\right]$

则质量指标中熔融指数和乙烯质量分率可表述成如下形式：

$\begin{array}{c}x(k+1)=A\left(k\right)x\left(k\right)+B\left(k\right)F\left(u\right(k))+{\mathrm{\ξ}}_1\\ y\left(k\right)=Cx\left(k\right)+{\mathrm{\ξ}}_2\end{array}---\left(6\right)$

式中，x∈Rⁿ为状态向量，u∈R^q为输入向量，y∈R^m为输出向量，F为非线性稳态函数，C为测量矩阵，ξ₁、ξ₂分别为系统过程噪声和观测噪声，于是，基于预测模型的状态估计如下所示：

$\hat{x}(k+1)=A\left(k\right)\hat{x}\left(k\right)+B\left(k\right)F\left(u\right(k\left)\right)+K\left(k\right)\[y\left(k\right)-C\hat{x}\left(k\right)\]---\left(7\right)$

对于上式，利用EKF得到质量指标的状态估计，但是这样不能很好的处理非高斯噪声和模型的大误差；考虑到实际中由于各种噪声的影响，特别是电噪声的污染，既便是EKF，它的稳态滤波也不是常数，而应该是一个是变值；故可以将K(k)描述成：

K(k+1)＝K₀+ξ₃ (8)

其中，K₀由EKF得到，ξ₃为噪声；于是，可将系统扩维成

$\stackrel{\‾}{x}={\left[\begin{array}{cc}x& K\end{array}\right]}^T---\left(9\right)$

从这个扩维系统中可以看出，滤波增益的动态方程中由于存在噪声，整个增益输出不够平滑；为此，对其采用一阶惯性滤波，即：

K(k+1)＝αK(k)+(1-α)K₀ (10)

式中α(0＜α＜1)为滤波常数，整理得到最终的扩维系统如式(11)所示

$\begin{array}{c}\stackrel{\‾}{x}(k+1)=\left[\begin{array}{c}A\left(k\right)x\left(k\right)+B\left(k\right)F\left(u\right(k))+K\left(k\right)e\left(k\right)\\ \mathrm{\α}K\left(k\right)+(1-\mathrm{\α})K_0\end{array}\right]+\left[\begin{array}{c}{\mathrm{\ξ}}_1\\ {\mathrm{\ξ}}_3\end{array}\right]\\ y\left(k\right)=\stackrel{\‾}{C}\stackrel{\‾}{x}\left(k\right)+{\mathrm{\ξ}}_2\end{array}---\left(11\right)$

其中为由原测量函数变换得到的已知的新的测量函数，对于此系统，采用粒子滤波器来联合估计，其算法步骤如下：

①初始化

k＝0时，

②计算重要性权值

取重要性密度函数为先验重要性函数，即

重要性权值

归一化

③重采样

根据权值大小，从集合中重新采样得到新的粒子集合 并且新得到的粒子的权值

④输出

${\widehat{\stackrel{\‾}{x}}}_k=\underset{i=1}{\overset{N}{\Σ}}{w}_k^i{\widetilde{\stackrel{\‾}{x}}}_k^i$

假设系统为均匀马尔科夫链，转移概率函数是Feller和混合函数，初始分布为定义为后验分布，为对于x的边缘分布，

根据上述定义，可将粒子滤波联合估计写成如下形式：

${\mathrm{\Ψ}}_k^{{\mathrm{\μ}}_2,N}\left({\mathrm{\μ}}_1\right):=\underset{i=1}{\overset{N}{\Σ}}{w}_k^{i,N}{\mathrm{\Ψ}}_k^{K,N}\left({\mathrm{\μ}}_1\right)---\left(12\right)$

${\mathrm{\Ψ}}_k^{K,N}\left({\mathrm{\μ}}_1\right)=\underset{i=1}{\overset{N}{\Σ}}{w}_k^{i,N}\mathrm{\δ}(K_{0:k}-K_{0:k}^i)---\left(13\right)$

并且可以知道，当粒子数和时间趋于无穷时，此方法收敛于最优滤波。