CN106919725A - 基于智能算法的合成橡胶转化率在线检测方法及装置 - Google Patents
基于智能算法的合成橡胶转化率在线检测方法及装置 Download PDFInfo
- Publication number
- CN106919725A CN106919725A CN201510993699.0A CN201510993699A CN106919725A CN 106919725 A CN106919725 A CN 106919725A CN 201510993699 A CN201510993699 A CN 201510993699A CN 106919725 A CN106919725 A CN 106919725A
- Authority
- CN
- China
- Prior art keywords
- synthetic rubber
- algorithm
- data
- conversion ratio
- algorithm model
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 113
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 76
- 229920003051 synthetic elastomer Polymers 0.000 title claims abstract description 60
- 239000005061 synthetic rubber Substances 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000691 measurement method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- 238000010998 test method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000000153 supplemental effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000011946 reduction process Methods 0.000 claims description 3
- 229920001971 elastomer Polymers 0.000 description 18
- 239000005060 rubber Substances 0.000 description 18
- 230000007935 neutral effect Effects 0.000 description 17
- 238000005259 measurement Methods 0.000 description 16
- 239000004568 cement Substances 0.000 description 12
- 238000003556 assay Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003756 stirring Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- OCKPCBLVNKHBMX-UHFFFAOYSA-N butylbenzene Chemical compound CCCCC1=CC=CC=C1 OCKPCBLVNKHBMX-UHFFFAOYSA-N 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000010092 rubber production Methods 0.000 description 3
- KAKZBPTYRLMSJV-UHFFFAOYSA-N Butadiene Chemical compound C=CC=C KAKZBPTYRLMSJV-UHFFFAOYSA-N 0.000 description 2
- 239000005062 Polybutadiene Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- MTAZNLWOLGHBHU-UHFFFAOYSA-N butadiene-styrene rubber Chemical compound C=CC=C.C=CC1=CC=CC=C1 MTAZNLWOLGHBHU-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007759 kiss coating Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229920002857 polybutadiene Polymers 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 244000286663 Ficus elastica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010959 commercial synthesis reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010091 synthetic rubber production Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供了基于智能算法的合成橡胶转化率在线检测方法及装置，该方法包括：采集影响合成橡胶转化率的工艺参数数据；将所述工艺参数数据进行初步预处理，获取关键工艺参数数据；将所述关键工艺参数数据作为输入变量，将采用人工测量方法得到的合成橡胶转化率结果作为输出变量，所述输入变量与所述输出变量作为建模数据；将所述建模数据进行初步预处理；建立算法模型，训练所述算法模型；调用已经训练好的所述算法模型对实时采集的工艺参数数据进行计算；实时对所述算法模型进行在线校正。
Description
技术领域
本发明涉及在线检测领域，特别涉及基于智能算法的合成橡胶转化率在线检测方法及装置。
背景技术
在工业合成橡胶生产中，橡胶的转化率是主要的生产控制质量指标。对于这个指标的监测，国内合成橡胶生产厂家均采用人工间歇化验的方法取得。人工采样化验分析结果远滞后于生产，通常情况下从采样到分析得到最终结果要经过几个小时的时间。在化验值还没有出来之前，装置的操作人员对转化率只能根据经验判断了，这样在生产过程中，一旦装置发生突然的波动，人工化验数据无法及时跟踪，就可能导致最终产品质量变化。这种生产模式远不能满足装置质量控制的要求。因此有必要建立橡胶转化率的软测量算法模型，实时对转化率进行检测，这也是实施先进控制、提升装置经济效益的重要因素，对于生产效率的提高能起到非常重要的作用。
橡胶生产过程是复杂和高度非线性的，加之多种添加剂的存在，导致采用传统机理方法建模的难度很大。近年来兴起的软测量技术，对工艺控制中一些难以测量或暂时不能测量的重要变量，根据某种最优准则，选择一组既与主导变量密切相关又容易测量的辅助变量，通过构造某种数学关系，利用计算机软件对主导变量进行估计。这种技术仅需检测一些易测变量作为辅助变量，其他工作则通过软件实现，无需多少投资和时间就可实现。国外在软测量技术研究方面十分活跃，在化工领域已经取得了可喜的研究成果，近年来，国内已有应用软测量技术试图解决橡胶生产中转化率的在线测量问题。大连理工大学基于软测量技术，根据γ量子与物质相互作用理论，采用放射性仪器对橡胶胶浆进行检测，并将检测结果与顺丁橡胶单体转化率进行关联计算(顺丁橡胶转化率在线测量方法的研究，《化工学报》，1996年第47卷第2期)。兰州理工大学提出了一种采用支持向量机构建丁苯橡胶聚合转化率模型的方法(基于集成修剪的丁苯橡胶聚合转化率软测量，《仪器仪表学报》，2011年第32卷第1期)。兰州石化公司提出了一种将软测量技术和现场分析仪表技术结合的方法测得转化率(专利：一种合成橡胶胶浆单体转化率在线多点连续检测系统)。前两种方法都是利用现场参数构建测量转化率的数学模型，只是构建数学模型时选取的参数和构建模型的方法不同。第三种将现场分析器设计与多个测量点的测量模型相结合，在现场管道上安装大型分析器，获取有针对性的现场原始数据，再通过构建的数学模型计算出合成橡胶胶浆转化率。但该方法在构建模型时采用的是线性单个模型，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。特别对于现场工艺发生变化时，这种线性方法建立的模型在工况复杂时难以满足现场要求。
神经网络是大量简单的神经元联结而成的非线性复杂动力学系统，是一种智能算法，它以其并行分布处理、自组织、自适应、自学习和健全性与容错性等独特性能引起人们关注。在信息获取不完备的情况下，神经网络在模式识别、方案决策、知识处理等方面具有很强的应变能力。方法可以实现对现实工况的线性、非线性拟合，在非线性对象静态或动态辩识的应用已成为研究的热点。它可以代替传统数学模型完成由输入到输出空间的映射，直接根据对象的输入、输出数据进行建模，需要的对象先验知识较少，并且其较强的学习能力对模型校正十分有利。
由于神经网络受到网络结构复杂性和样本复杂性的影响较大，容易出现“过拟合”现象，且泛化能力较低。近期研究结果表明，如果将统计学原理应用到神经网络建模过程中，将会有效地提高模型的模拟性能。比如，先通过主元分析方法对已有数据进行降维分析后，再将其应用到神经网络中。主元分析方法简化了神经网络模型的结构，提高了收敛速度和精度，同时使得神经网络过拟合现象减少，泛化能力增强。这是由于神经网络预测能力依赖于训练样本的质量，若训练样本中存在噪音和不确定性，会出现过拟合现象，而主元分析能实现从含噪音数据中提取出必要信息，减少了过拟合现象。
在实际应用中，为了全面、系统地分析问题，必须考虑众多影响因素，这些涉及的因素一般称为指标，在多元统计分析中也称为变量。每个指标都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有所重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主元分析正是适应这一要求产生的，是解决这类问题的理想工具。
本发明是将现场分析器设计与测量模型相结合，现场分析器的采用可以将与转化率密切相关的胶浆密度直接表现出来，在模型的构建时采用了基于主元分析的神经网络智能算法，在提高模型准确性的同时，也提高了模型的鲁棒性。
本发明涉及的合成橡胶转化率在线检测技术对于合成橡胶装置操作水平和生产效率的提高将会起到非常重要的作用。
发明内容
为了实现上述目的，提供基于智能算法的合成橡胶转化率在线检测方法，包括如下步骤：
步骤1，采集影响合成橡胶转化率的工艺参数数据；
步骤2，将所述工艺参数数据进行初步预处理，获取关键工艺参数数据；
步骤3，将所述关键工艺参数数据作为输入变量，将采用人工测量方法得到的合成橡胶转化率结果作为输出变量，所述输入变量与所述输出变量作为建模数据；
步骤4，将所述建模数据进行初步预处理；
步骤5，建立算法模型，训练所述算法模型；
步骤6，调用已经训练好的所述算法模型对实时采集的工艺参数数据进行计算；
步骤7，实时对所述算法模型进行在线校正。
所述的基于智能算法的合成橡胶转化率在线检测方法，所述步骤2还包括，步骤21，将采集到的所述工艺参数数据进行降噪，剔除数据中的粗大误差，获取初步工艺参数数据；
步骤22，将获取的初步工艺参数数据利用主元分析方法进一步降维处理，获取所述关键工艺参数数据。
所述的基于智能算法的合成橡胶转化率在线检测方法，步骤2中，所述算法模型基于BP神经网络构建。
所述的基于智能算法的合成橡胶转化率在线检测方法，选择正切S函数作为所述算法模型的输出层。
所述的基于智能算法的合成橡胶转化率在线检测方法，所述BP神经网络设有2层隐含层，第一隐含层的节点取10个，第二隐含层的节点取15个，隐含层的传递函数都选择所述正切S型函数。
所述的基于智能算法的合成橡胶转化率在线检测方法，训练所述算法模型时选取的训练精度10-3。
所述的基于智能算法的合成橡胶转化率在线检测方法，所述算法模型的在线校正包括算法模型结构和算法模型参数的校正。
本发明还提供了基于智能算法的合成橡胶转化率在线检测装置，包括：
一数据采集模块，用以采集影响合成橡胶转化率的工艺参数数据；
一数据预处理模块，用以将所述工艺参数数据进行初步预处理，获取关键工艺参数数据；
数据构建模块，用以构建建模数据，将所述关键工艺参数数据作为输入变量，将采用人工测量方法得到的合成橡胶转化率结果作为输出变量，所述输入变量与所述输出变量作为建模数据；
样本选取模块，用以将所述建模数据进行初步预处理；
算法构建模块，用以建立算法模型，训练所述算法模型；
计算模块，用以调用已经训练好的所述算法模型对实时采集的工艺参数数据进行计算；
模型校正模块，用以实时对所述算法模型在线校正。所述的基于智能算法的合成橡胶转化率在线检测装置，所述数据预处理模块进一步包括：
降噪处理模块，用以将采集到的所述工艺参数数据进行降噪，剔除数据中的粗大误差，获取初步工艺参数数据；
主元分析模块，用以将获取的初步工艺参数数据利用主元分析方法进一步降维处理，获取所述关键工艺参数数据。
所述的基于智能算法的合成橡胶转化率在线检测装置，所述算法模型基于BP神经网络构建。
所述的基于智能算法的合成橡胶转化率在线检测装置，选择正切S函数作为所述算法模型的输出层。
所述的基于智能算法的合成橡胶转化率在线检测装置，所述BP神经网络设有2层隐含层，第一隐含层的节点取10个，第二隐含层的节点取15个，隐含层的传递函数都选择所述正切S型函数。
所述的基于智能算法的合成橡胶转化率在线检测装置，训练所述算法模型时选取的训练精度10-3。
所述的基于智能算法的合成橡胶转化率在线检测装置，所述模型校正模块用以对算法模型结构和算法模型参数进行校正。
本发明的优点在于运用基于神经网络的智能建模方法建立混合智能软测量算法模型预测合成橡胶生产的主要质量指标转化率，解决了转化率的在线测量在线预报问题。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为基于智能算法的合成橡胶转化率在线检测方法的步骤流程图。
图2为数据采集模块的结构示意图。
具体实施方式
本发明提供的基于智能算法的合成橡胶转化率在线检测方法，步骤包括：
步骤1，采集影响合成橡胶转化率的工艺参数数据；该测量方法是先利用现场分析器采集影响转化率的工艺参数，如胶浆温度、现场温度、压力、水平差压、垂直差压、流量、搅拌电流等，本发明以合成橡胶胶浆转化率与胶浆密度之间的对应关系为理论基础。现场分析器的设计以测量胶浆密度为目的，考虑到橡胶有一定的粘度，容易在管壁有一定的挂胶现象，这里采用差压法测量密度，并辅以水平差压信号作为修正。关键参数是构建数学模型的主要要素，本发明涉及到的关键参数包括现场密度信号以及各类辅助信号，例如温度、压力、差压、流量等。在同一装置中，各的检测点的测量结果也可作为其他检测点的关键参数。
步骤2，将所述工艺参数数据进行初步预处理，获取关键工艺参数数据；详细之，所述步骤2还包括，步骤21，将采集到的所述工艺参数数据进行降噪，剔除数据中的粗大误差，消除数据中的随机误差，获取初步工艺参数数据；步骤22，将获取的初步工艺参数数据利用主元分析方法进一步降维处理，获取所述关键工艺参数数据。采用主元分析方法简化了神经网络模型的结构，提高了收敛速度和精度，同时使得神经网络过拟合现象减少，泛化能力增强。
步骤3，将所述关键工艺参数数据作为输入变量，将采用人工测量方法得到的合成橡胶转化率结果作为输出变量，所述输入变量与所述输出变量作为建模数据；详细之，通过主元分析方法分析后，最终选取6个辅助变量例如环境温度、竖直差压、水平差压、管道压力、物料温度、搅拌电流等作为输入变量，以人工测量丁苯转化率的结果作为输出变量构建建模数据。
步骤4，将所述建模数据进行初步预处理；详细之对建模数据进行处理，剔除或修正存在明显偏差和错误的数据。从现场与化验室提取若干组数据，作为模型的训练样本。
步骤5，建立算法模型，训练所述算法模型；选择BP神经网络构建算法模型，选择正切S函数作为输出层；详细之，选择BP(Back Propagation)神经网络进行建模，数据归一化到(-1,1)，为了使得算法模型的预测输出能够落在建模数据输出值的最小值和最大值的范围内，神经网络的输出应该在(-1,1)之间，所以，输出层采用正切S型函数(tangsig)，其输出范围为(-1,1)。
将所述训练样本应用于所述算法模型，选取合适训练精度；详细之，所述算法模型使用2层隐含层，隐含层节点第一层取10个，第二层取15个，隐含层的传递函数都选择正切S型函数(tangsig)。进过测试，使用以上参数设置神经网络可以以任何精度进行回归，但是，回归精度(训练精度)设置过高，会使神经网络出现过度训练的现象，即算法模型的回归精度很高，但是预测性能很低。通过对比发现，使用10-3精度进行训练，能够获得很高的回归精度和较好的预测精度。
步骤6，调用已经训练好的所述算法模型对实时采集的工艺参数数据进行计算；
步骤7，实时对所述算法模型进行在线校正，详细之，当操作条件或原料特性发生变化时，需要对算法模型进行校正。模型的在线校正包括算法模型结构和算法模型参数的优化两个方面。算法模型的在线校正可以由操作人员送入人工化验数据和采样时间后自动执行。也可以当模型在线运行了一段时间，积累了足够的新样本模式后，重新建立测量模型。
步骤1中采集影响合成橡胶转化率的工艺参数数据，采用该工艺参数数据所需的采集模块的设计如图2所示，该数据采集模块的工作过程为：物料经支路管线11流过，并充满整个管道，竖直差压传感器可测量流过支路管线11的物料密度，但物料流速对密度测量有影响，使用水平差压传感器，可将流速产生的影响消除，同时部分物料由分流管道流过，也使流过差压密度仪表的物料流速降低，由此获得真实的密度信号。
所述数据采集模块1包括一扩大管、一竖直管差压传感器、一水平管差压传感器、一管道压力传感器、介质温度检测器、环境温度检测，在主管道水平管线11上安装支路管线，如图2所示，其竖直向支路管道111上设置一扩大管112，在该扩大管112的内侧设有一竖直差压传感器1121，在该扩大管112的外侧设置一温度传感器1122，在该扩大管112的出口端设有一压力传感器1123，在水平向支路管线113上设置一水平差压传感器1131，环境温度检测12，采用通常的Pt100，测点置于压差传感器附近任意位置。所述数据采集模块还包括反应釜搅拌电流检测器、添加剂流量检测器1132，反应釜搅拌电流检测器13、添加剂流量检测器1132采集到的工艺参数信号均有DCS系统提供直接由DCS内部调用，无需现场改造，竖直管差压传感器、一水平管差压传感器、一管道压力传感器、介质温度检测器、环境温度检测采集到的工艺数据通过远传电缆接入数据处理模块2，远传电缆需要电缆保护管保护。
扩大管112，长1000mm，管直径长400mm，该扩大管的尺寸使得流动稳定，摩擦阻力小，这样可以有效地克服摩擦阻力地影响。
竖直差压传感器1121，其两个测点(两法兰中心)之间的距离为600mm，采用毛细管远传平膜盒双法兰式差压传感器，其法兰标准为ANSI 3in150pound，并使引压管线(3in)的长度满足法兰面到管壁的距离为130mm的要求，测点前后各保留200mm直管段，设置该信号的目的是提供关于密度大小的信息。
水平管差压传感器1131，设置于水平向支路管线113上，两个测点的距离为1100mm，放置于水平向支路管线113的中间位置，使水平管差压传感器前后有大致相同的直管段。和上述密度检测一样，采用毛细管远传平膜盒双法兰式差压传感器，引压管线(3in)的长度满足法兰面到管壁的距离为130mm的要求，不同的是，测压点就设在水平向支路管线113上。设置该信号的目的是提供关于流速大小的信息，这有利于进一步提高检测的可靠性和精度。
压力传感器1123，其设置于扩大管出口处，采用毛细管远传平膜盒双法兰式差压传感器，其法兰标准为ANSI 3in 150pound，并使引压管线(3in)的长度满足法兰面到管壁的距离为130mm的要求，测点前后无直管段要求，用于检测丁二烯状态。
介质温度检测器，其温度监测点设置于竖直差压传感器两测压点间的中间位置，且位于扩大管的管线中心处。介质温度检测没有特别要求，通常的Pt100即可,测点尽量插入扩大管的管道中心的位置。
环境温度检测，采用通常的Pt100，测点置于变送器附近任意位置。
竖直管差压传感器、一水平管差压传感器、一管道压力传感器、介质温度检测器、环境温度检测器采集到的工艺数据通过远传电缆接入工控机系统即数据处理模块，远传电缆需要电缆保护管保护。
本发明还提供了基于智能算法的合成橡胶转化率在线检测装置，包括：
一数据采集模块，用以采集影响合成橡胶转化率的工艺参数数据；数据采集模块先利用现场分析器采集影响转化率的工艺参数，如胶浆温度、现场温度、压力、水平差压、垂直差压、流量、搅拌电流等，本发明以合成橡胶胶浆转化率与胶浆密度之间的对应关系为理论基础。现场分析器的设计以测量胶浆密度为目的，考虑到橡胶有一定的粘度，容易在管壁有一定的挂胶现象，这里采用差压法测量密度，并辅以水平差压信号作为修正。关键参数是构建数学模型的主要要素，本发明涉及到的关键参数包括现场密度信号以及各类辅助信号，例如温度、压力、差压、流量等。在同一装置中，各个检测点的测量结果也可作为其他检测点的关键参数。
一数据预处理模块，用以将所述工艺参数数据进行初步预处理，获取关键工艺参数数据；所述数据预处理模块进一步包括：降噪处理模块，用以将采集到的所述工艺参数数据进行降噪，剔除数据中的粗大误差，获取初步工艺参数数据；主元分析模块，用以将获取的初步工艺参数数据利用主元分析方法进一步降维处理，获取所述关键工艺参数数据。
数据构建模块，用以构建建模数据，将所述关键工艺参数数据作为输入变量，将采用人工测量方法得到的合成橡胶转化率结果作为输出变量，所述输入变量与所述输出变量作为建模数据；详细之，通过主元分析方法分析后，最终选取6个辅助变量例如环境温度、竖直差压、水平差压、管道压力、物料温度、搅拌电流等作为输入变量，以人工测量丁苯转化率的结果作为输出变量构建建模数据。
样本选取模块，用以将所述建模数据进行初步预处理，选取训练样本；详细之对建模数据进行处理，剔除或修正存在明显偏差和错误的数据。例如从现场与化验室提取若干组数据作为模型的训练样本。
算法构建模块，用以建立算法模型，训练所述算法模型；选择BP神经网络构建算法模型，选择正切S函数作为输出层；详细之，选择BP(BackPropagation)神经网络进行建模，数据归一化到(-1,1)，为了使得算法模型的预测输出能够落在建模数据输出值的最小值和最大值的范围内，神经网络的输出应该在(-1,1)之间，所以，输出层采用正切S型函数(tangsig)，其输出范围为(-1,1)。
将所述训练样本应用于所述算法模型，选取合适训练精度；详细之，所述算法模型使用2层隐含层，隐含层节点第一层取10个，第二层取15个，隐含层的传递函数都选择正切S型函数(tangsig)。进过测试，使用以上参数设置神经网络可以以任何精度进行回归，但是，回归精度(训练精度)设置过高，会使神经网络出现过度训练的现象，即算法模型的回归精度很高，但是预测性能很低。通过对比发现，使用10-3精度进行训练，能够获得很高的回归精度和较好的预测精度。
计算模块，实时的利用所述数据采集模块采集的工艺参数数据，用以调用已经训练好的所述算法模型对实时采集工艺参数数据计算；
模型校正模块，用以实时对所述算法模型在线校正。所述模型校正模块用以对所述算法模型本身的校正和所述算法模型参数的校正。当操作条件或原料特性发生变化时，需要对模型进行校正。模型的在线校正包括算法模型结构和算法模型参数的优化两个方面。算法模型的校正一方面可以由操作人员送入人工化验数据和采样时间后自动执行。另一方面可以当模型在线运行了一段时间，积累了足够的新样本模式后，重新建立测量模型。
综上，本发明提供的合成橡胶转化率在线测量方法及装置，是将软测量技术和现场分析仪表技术结合使用，在现场管道上安装大型分析器，获取有针对性的现场原始数据，再通过构建的数学模型计算出合成橡胶胶浆转化率。在构建数学模型时先通过主元分析方法对已有数据进行降维分析后，再将其应用到神经网络中。主元分析方法简化了神经网络模型的结构，提高了收敛速度和精度，同时使得神经网络过拟合现象减少，泛化能力增强。由于现场环境复杂，采集到的数据会包含噪声，过大的噪声会产生异常数据，用这种数据建模时会影响模型质量，因此在建模前首先对采集到的数据进行对数据进行预处理，剔除数据中的粗大误差，消除数据中的随机误差。随后系统将去噪声后的数据代入智能算法模型进行预测运算，这里采用的预测运算模块为神经网络智能算法。
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。模型校正模块包括对算法模型本身的校正和所述算法模型参数的校正。算法模型本身的校正可以由操作人员送入人工化验数据如人工测量方法得到的合成橡胶转化率结果和采样时间后自动执行。也可以当模型在线运行了一段时间，积累了足够的新样本模式后，重新建立测量模型。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (14)
1.基于智能算法的合成橡胶转化率在线检测方法，其特征在于，包括如下步骤：
步骤1，采集影响合成橡胶转化率的工艺参数数据；
步骤2，将所述工艺参数数据进行初步预处理，获取关键工艺参数数据；
步骤3，将所述关键工艺参数数据作为输入变量，将采用人工测量方法得到的合成橡胶转化率结果作为输出变量，所述输入变量与所述输出变量作为建模数据；
步骤4，将所述建模数据进行初步预处理；
步骤5，建立算法模型，训练所述算法模型；
步骤6，调用已经训练好的所述算法模型对实时采集的工艺参数数据进行计算；
步骤7，实时对所述算法模型进行在线校正。
2.如权利要求1所述的基于智能算法的合成橡胶转化率在线检测方法，其特征在于，所述步骤2还包括，步骤21，将采集到的所述工艺参数数据进行降噪，剔除数据中的粗大误差，获取初步工艺参数数据；
步骤22，将获取的初步工艺参数数据利用主元分析方法进一步降维处理，获取所述关键工艺参数数据。
3.如权利要求1所述的基于智能算法的合成橡胶转化率在线检测方法，其特征在于，步骤2中，所述算法模型基于BP神经网络构建。
4.如权利要求3所述的基于智能算法的合成橡胶转化率在线检测方法，其特征在于，选择正切S函数作为所述算法模型的输出层。
5.如权利要求1所述的基于智能算法的合成橡胶转化率在线检测方法，其特征在于，所述BP神经网络设有2层隐含层，第一隐含层的节点取10个，第二隐含层的节点取15个，隐含层的传递函数都选择所述正切S型函数。
6.如权利要求1所述的基于智能算法的合成橡胶转化率在线检测方法，其特征在于，训练所述算法模型时选取的训练精度10-3。
7.如权利要求1所述的基于智能算法的合成橡胶转化率在线检测方法，其特征在于，所述算法模型的在线校正包括算法模型结构和算法模型参数的校正 。
8.基于智能算法的合成橡胶转化率在线检测装置，其特征在于，包括：
一数据采集模块，用以采集影响合成橡胶转化率的工艺参数数据；
一数据预处理模块，用以将所述工艺参数数据进行初步预处理，获取关键工艺参数数据；
数据构建模块，用以构建建模数据，将所述关键工艺参数数据作为输入变量，将采用人工测量方法得到的合成橡胶转化率结果作为输出变量，所述输入变量与所述输出变量作为建模数据；
样本选取模块，用以将所述建模数据进行初步预处理；
算法构建模块，用以建立算法模型，训练所述算法模型；
计算模块，用以调用已经训练好的所述算法模型对实时采集的工艺参数数据进行计算；
模型校正模块，用以实时对所述算法模型在线校正。
9.如权利要求8所述的基于智能算法的合成橡胶转化率在线检测装置，其特征在于，所述数据预处理模块还包括：
降噪处理模块，用以将采集到的所述工艺参数数据进行降噪，剔除数据中的粗大误差，获取初步工艺参数数据；
主元分析模块，用以将获取的初步工艺参数数据利用主元分析方法进一步降维处理，获取所述关键工艺参数数据。
10.如权利要求8所述的基于智能算法的合成橡胶转化率在线检测装置，其特征在于，所述算法模型基于BP神经网络构建。
11.如权利要求10所述的基于智能算法的合成橡胶转化率在线检测装置，其特征在于，选择正切S函数作为所述算法模型的输出层。
12.如权利要求10所述的基于智能算法的合成橡胶转化率在线检测装置，其特征在于，所述BP神经网络设有2层隐含层，第一隐含层的节点取10个，第二隐含层的节点取15个，隐含层的传递函数都选择所述正切S型函数。
13.如权利要求8所述的基于智能算法的合成橡胶转化率在线检测装置，其特征在于，训练所述算法模型时选取的训练精度10-3。
14.如权利要求8所述的基于智能算法的合成橡胶转化率在线检测装置，其特征在于，所述模型校正模块用以对算法模型结构和算法模型参数进行校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510993699.0A CN106919725A (zh) | 2015-12-25 | 2015-12-25 | 基于智能算法的合成橡胶转化率在线检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510993699.0A CN106919725A (zh) | 2015-12-25 | 2015-12-25 | 基于智能算法的合成橡胶转化率在线检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106919725A true CN106919725A (zh) | 2017-07-04 |
Family
ID=59454608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510993699.0A Pending CN106919725A (zh) | 2015-12-25 | 2015-12-25 | 基于智能算法的合成橡胶转化率在线检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106919725A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019041752A1 (zh) * | 2017-08-31 | 2019-03-07 | 江苏康缘药业股份有限公司 | 一种基于过程参数的结果反馈方法及装置 |
| CN113485261A (zh) * | 2021-06-29 | 2021-10-08 | 西北师范大学 | 一种基于CAEs-ACNN的软测量建模方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650290A (zh) * | 2009-06-23 | 2010-02-17 | 茂名学院 | 橡胶门尼粘度混合智能软测量方法 |
| CN101893884A (zh) * | 2010-06-30 | 2010-11-24 | 浙江大学 | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 |
| US20110155961A1 (en) * | 2009-12-30 | 2011-06-30 | Jiangsu Sinorgchem Technology Co., Ltd. | Solid acid catalyst and method for preparing and using the same |
| CN102357933A (zh) * | 2011-08-29 | 2012-02-22 | 天津大学 | 一种基于橡胶混炼过程的质量实时监控方法 |
| CN102608303A (zh) * | 2012-03-20 | 2012-07-25 | 天津大学 | 一种橡胶硬度的在线测量方法 |
| CN103087757A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 一种实现石油化工企业石化产品价值最大的方法 |
| CN103087749A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 重质原料工业裂解炉裂解产物价值最大化模型的构建方法 |
-
2015
- 2015-12-25 CN CN201510993699.0A patent/CN106919725A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650290A (zh) * | 2009-06-23 | 2010-02-17 | 茂名学院 | 橡胶门尼粘度混合智能软测量方法 |
| US20110155961A1 (en) * | 2009-12-30 | 2011-06-30 | Jiangsu Sinorgchem Technology Co., Ltd. | Solid acid catalyst and method for preparing and using the same |
| CN101893884A (zh) * | 2010-06-30 | 2010-11-24 | 浙江大学 | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 |
| CN102357933A (zh) * | 2011-08-29 | 2012-02-22 | 天津大学 | 一种基于橡胶混炼过程的质量实时监控方法 |
| CN103087757A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 一种实现石油化工企业石化产品价值最大的方法 |
| CN103087749A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 重质原料工业裂解炉裂解产物价值最大化模型的构建方法 |
| CN102608303A (zh) * | 2012-03-20 | 2012-07-25 | 天津大学 | 一种橡胶硬度的在线测量方法 |
Non-Patent Citations (6)
| Title |
|---|
| 俞金寿: "软测量技术在石油化工中的应用", 《石油化工》 * |
| 刘美 等: "丁苯橡胶门尼粘度软测量", 《自动化仪表》 * |
| 徐卫: "基于智能优化的软测量建模方法研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 徐鸿飞: "丁苯橡胶聚合转化率软测量方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 段中兴主编: "《物联网传感技术》", 30 April 2014, 中国铁道出版社 * |
| 赵力 等: "乳聚丁苯橡胶聚合转化率在线检测系统应用及后期维护", 《石化技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019041752A1 (zh) * | 2017-08-31 | 2019-03-07 | 江苏康缘药业股份有限公司 | 一种基于过程参数的结果反馈方法及装置 |
| CN113485261A (zh) * | 2021-06-29 | 2021-10-08 | 西北师范大学 | 一种基于CAEs-ACNN的软测量建模方法 |
| CN113485261B (zh) * | 2021-06-29 | 2022-06-28 | 西北师范大学 | 一种基于CAEs-ACNN的软测量建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN114818363B (zh) | 城市深层排水隧道淤积风险评估及预测预警方法 | |
| CN107480705A (zh) | 一种自来水管漏水检测方法 | |
| CN104061445A (zh) | 一种基于神经网络的管道泄漏检测方法 | |
| CN103344530B (zh) | 一种球磨机水泥生料粉磨粒度软测量方法 | |
| CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
| CN105042339A (zh) | 一种基于无量纲的成品油管道泄漏量估计系统及方法 | |
| CN103870670B (zh) | 一种油管腐蚀程度预测方法及装置 | |
| KR102181966B1 (ko) | 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템 | |
| CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
| CN109872247B (zh) | 一种泵组特性曲线拟合方法 | |
| CN102269972A (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
| CN116519895B (zh) | 一种基于大数据平台的水质在线监测分析管理系统 | |
| CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
| CN102620939B (zh) | 一种发动机扭矩预测方法和装置 | |
| CN102880905A (zh) | 一种常顶油干点在线软测量方法 | |
| CN106352244A (zh) | 一种基于分层神经网络的管道泄漏检测方法 | |
| CN107505829A (zh) | 一种基于遗传算法优化小波神经网络的铯喷泉钟钟与氢钟频差预估方法 | |
| CN103530818A (zh) | 一种基于brb系统的供水管网建模方法 | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN102169077A (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
| CN201229289Y (zh) | 一种腐蚀预测装置 | |
| CN104142680B (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 | |
| CN107247888A (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN106919725A (zh) | 基于智能算法的合成橡胶转化率在线检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170704 |