CN108388761B - 聚乙烯分子量分布的高精度快速预测模型构建方法及其应用 - Google Patents

Abstract

本发明涉及聚乙烯分子量分布的高精度快速预测模型构建方法及其应用。具体而言，本发明构建用于准确、快速预测聚乙烯分子量分布的模型的方法包括：通过数据建模建立操作变量和活性位分布函数参数之间的关系，然后建立活性位分布函数参数与整个分子量分布之间的关系，最后通过混合建模的方法建立起操作变量和聚乙烯分子量分布之间的模型。可利用该模型准确、快速预测聚乙烯分子量分布。本发明的方法避开了复杂的过程机理分析，具有速度快、精确度高的特点，便于在线控制和优化。

Description

聚乙烯分子量分布的高精度快速预测模型构建方法及其应用

技术领域

本发明属于聚合过程的建模领域，涉及聚乙烯分子量分布的高精度快速预测模型构建方法及其应用。

背景技术

聚乙烯工业生产中常以熔融指数与密度作为产品的质量指标，但是这两者均是非常宏观的性质，仅反映聚合物的平均分子量和共单体的平均含量。熔融指数和密度相同的聚乙烯产品，由于其微观分子量分布不同，其物理特性会有很大的不同，目前，对聚乙烯牌号的分类越来越细，仅仅使用熔融指数和密度作为产品的质量指标，已经远远不能满足对聚乙烯的分类要求了。

分子量分布属于聚乙烯的微观质量指标，其分布与材料的物理性能以及加工性能有密切的关系，因此，熔融指数和密度相同而分子量分布不同的聚乙烯的性能差别也较大。

在以往对聚乙烯分子量分布的研究中，通常是通过乙烯聚合机理进行建模，并通过矩方程法获得聚乙烯的分子量分布。但是，由于乙烯聚合过程具有高度非线性、反应过程复杂的特征，导致机理建模规模庞大、计算繁琐、难以求解等问题，而且在实际应用中计算速度慢且由于其高度的非线性导致在某些情况下无法求解，不能全面真实地反映实际的分子量分布。

刘剑锋等(计算机与应用化学，2012，29(1)：31-36)通过克里金插值法建立分子量分布模型，但该方法是通过建立分子链长与相对应的分子量的比重的关系来描述分子量分布，而聚乙烯的分子链长可达10⁵数量级，以这样的方式建模会使得计算量增加而导致计算速度慢。

刘兴高等(J.Appl.Polym.Sci.，2006，101(1)：285-289)通过偏最小二乘支持向量机对聚乙烯熔融指数建立了软测量模型，但只针对熔融指数进行了预测，没有涉及聚乙烯分子量分布的预测。

发明内容

本发明针对聚乙烯生产过程高非线性、反应机理高复杂性的情况，提出一种快速预测聚乙烯分子量分布的方法。本发明方法先通过数据建模建立操作变量和活性位分布函数参数之间的关系，以代替复杂的高非线性的机理过程，再建立活性位分布函数参数与整个分子量分布之间的关系，通过混合建模的方法最终建立起操作变量和聚乙烯分子量分布之间的模型。在运行过程中，可加入模型参数在线校正策略，动态实时地校正模型参数。

本发明构建用于高精度快速预测聚乙烯分子量分布的模型的方法包括：通过数据建模建立操作变量和活性位分布函数参数之间的关系，然后建立活性位分布函数参数与整个分子量分布之间的关系，最后通过混合建模的方法建立起操作变量和聚乙烯分子量分布之间的模型。

在一个或多个实施方案中，所述模型构建方法包括如下步骤：

步骤1：采集工况数据，对工况数据进行预处理，筛选出不同工况条件的数据N组及相对应的聚乙烯样品N组，分别记为X_i，i＝1,2,…,N；

步骤2：获取步骤1采集得到的聚乙烯样品的分子量分布数据；通过催化剂各个活性位对应的分布函数加权叠加机制来拟合实际所测得的分子量分布曲线，取得各活性位分布函数参数，组成对应的模型输出变量，设为 Y_i,i＝1,2,…,N；其中，所述分布函数参数为τ_i，i＝1…n，n为对应催化剂的活性位个数；和

步骤3：对输入样本数据X和分布函数参数Y进行归一化处理，分别作为模糊神经网络的输入数据和输出数据，对其进行训练，获得模糊神经网络模型，从而构建得到所述模型；其中，通过K-means方法对输入样本数据进行聚类，获得聚类数目以及聚类中心，以聚类数目作为模糊神经网络的规则数、以聚类中心作为各规则的中心初始值形成所述模糊神经网络的框架。

在一个或多个实施方案中，所述工况数据为单体乙烯进料量f_C2、单体丁烯进料量f_C4、氢气进料量f_H、反应器压力P、反应器温度T、反应器内氢烯比

以及丁烯乙烯比

在一个或多个实施方案中，步骤1中对输入的工况数据进行的预处理为对所述数据进行归一化，使得有量纲数据转化为无量纲数据，其中，归一化公式如下：

x^*＝(x-x_mean)/(x_max-x_min) (3)。

在一个或多个实施方案中，步骤2中活性位个数的求取方法包含以下步骤：

(a)在高温凝胶色谱仪(GPC)中测试现场采集的样本，获取其相应的分子量分布数据，其中，由于从GPC中直接获取的是分子量分布的采样点，因此，以采样点组成分子量目标向量MD；

(b)假设活性位个数为2，采用以下公式，通过分布函数的加权叠加求得与实际分子量分布之间误差最小时的分布函数参数和相应的权重：

w_j(logMW)＝2.3026×MW²τ²exp(-MWτ) (1)

其中，(1)式为活性位分布函数，(2)式为各活性位加权叠加后的分子量分布，τ为分布函数参数，p_j为对应活性位分布函数的权重，取n＝2，设置 MW与GPC测试所得目标向量MD的横坐标值一致带入以上两式获得相应的w(logMW)，组成向量MD_cal，以min(MD_cal-MD)²为目标，通过牛顿下降法获取最佳的权值和相应的分布函数参数；

(c)设置活性位个数为3，继续步骤b，以此类推，直到MD_cal和MD之间的误差稳定在≦1％为止，则取误差在同一数量级且活性位个数最少的参数为该催化剂对应的活性位个数。

在一个或多个实施方案中，步骤2中，模型输出变量是各活性位分布函数参数，通过分布函数参数来表征整个分子量分布，各活性位分布函数表示为w_j(logMW)＝2.3026×MW²τ²exp(-MWτ)，其中，MW为分子量，τ为分布函数参数，w_j(logMW)为第j个活性位在横坐标为对数级别情况下的分子量分布。

在一个或多个实施方案中，步骤3中通过肘方法获得k-means聚类数，模糊神经网络的成员函数采用高斯函数。

在一个或多个实施方案中，所述肘方法包括：计算聚类离差平和，以聚类误差平方和下降速率最快的聚类数为初始神经元节点数量，通过节点数量构建初始模糊神经网络框架，然后将归一化后的输入样本数据逐个输入模型，以模型输出与实际值之间的误差为目标，通过梯度下降算法对模型前件中心和方差以及后件权重进行调节。

在一个或多个实施方案中，通过随机梯度下降算法对模糊神经网络进行训练。

在一个或多个实施方案中，对模糊神经网络的权值以及前件成员函数参数的调整采用随机梯度下降算法，该算法每次仅通过一个样本计算模型输出与实际输出之间的误差，并通过误差对待调整参数求偏导的方法进行梯度下降调整，如此循环，直至达到最大迭代次数或者精度满足要求而结束。

在一个或多个实施方案中，所述方法还包括：

步骤4：对新的实时数据与原始训练数据进行聚类分析，若偏离较大，则继续对该工况下生产的聚乙烯进行分子量分布进行测试，若实际分子量分布与预测分子量分布大于阈值，则将该工况数据写入训练数据库并通过随机梯度下降算法对模型参数进行再次调整，使得模型对新旧工况的输出值均有相对较小的误差。

本发明还提供一种快速预测聚乙烯分子量分布的方法，所述方法包括：获取实时操作工况数据，对其进行归一化预处理，然后通过本文所述方法构建得到的模糊神经网络模型进行预测，把预测出的结果进行逆归一化以获得活性位分布函数参数，再通过活性位分布函数加权叠加获得预测的分子量分布曲线。

在一个或多个实施方案中，所述归一化预处理使得有量纲数据转化为无量纲数据，其中，归一化公式如下：

x^*＝(x-x_mean)/(x_max-x_min) (3)。

在一个或多个实施方案中，所述逆归一化公式如下：

x=x^*·(x_max-x_min)+x_mean (9)。

在一个或多个实施方案中，通过逆归一化得到活性位分布函数参数后，再通过下所述公式(2)得到最终的分子量分布曲线：

本发明还提供一种优化期望的聚乙烯分子量分布的开发工况条件的方法，所述方法包括：采用本文所述的快速预测聚乙烯分子量分布的方法预测聚乙烯的分子量分布，然后通过飞蛾火焰算法对输入工况进行寻优，以获得相应的期望分子量分布的开发工况条件。

在一个或多个实施方案中，所述飞蛾火焰算法为群智能算法，该算法为飞蛾粒子绕着火焰粒子进行螺旋更新，即飞蛾粒子的迭代规则为：

S(M_i,F_j)＝D_i·e^bt·cos(2πt)+F_j (10)

其中，D_i＝|F_j-M_i|代表飞蛾与火焰之间的距离，b为自定义常数，用于定义螺旋线的形状，t为[r,1]之间的一个随机数，r在整个迭代过程中从-1线性递减至-2。

在一个或多个实施方案中，火焰粒子的迭代规则为更新过的飞蛾粒子中适应度相对较好的粒子替换掉适应度相对较差的火焰粒子。

本发明还提供一种计算机可读存储介质，其上存有计算机程序，该程序被处理器执行时能用于实施本文任一实施方案所述的任意一种或多种计算方法。

在一个或多个实施方案中，所述程序被处理器执行时能：

(1)对工况数据进行预处理，筛选出不同工况条件的数据N组及相对应的聚乙烯样品N组，分别记为X_i，i＝1,2,…,N；

(2)结合所采集得到的聚乙烯样品的分子量分布数据，通过催化剂各个活性位对应的分布函数加权叠加机制来拟合实际所测得的分子量分布曲线，取得各活性位分布函数参数，组成对应的模型输出变量，设为Y_i,i＝1,2,…,N；其中，所述分布函数参数为τ_i，i＝1…n，n为对应催化剂的活性位个数；

(3)对输入样本数据X和分布函数参数Y进行归一化处理，分别作为模糊神经网络的输入数据和输出数据，对其进行训练，获得模糊神经网络模型；其中，通过K-means方法对输入样本数据进行聚类，获得聚类数目以及聚类中心，以聚类数目作为模糊神经网络的规则数、以聚类中心作为各规则的中心初始值形成所述模糊神经网络的框架。

在一个或多个实施方案中，对工况数据进行的预处理为对所述数据进行归一化，使得有量纲数据转化为无量纲数据，其中，归一化公式如下：

x^*＝(x-x_mean)/(x_max-x_min) (3)。

在一个或多个实施方案中，活性位个数的求取包含以下步骤：

假设活性位个数为2，采用以下公式，通过分布函数的加权叠加求得与实际分子量分布之间误差最小时的分布函数参数和相应的权重：

w_j(logMW)＝2.3026×MW²τ²exp(-MWτ) (1)

其中，(1)式为活性位分布函数，(2)式为各活性位加权叠加后的分子量分布，τ为分布函数参数，p_j为对应活性位分布函数的权重，取n＝2，设置MW与GPC测试所得目标向量MD的横坐标值一致带入以上两式获得相应的w(logMW)，组成向量MD_cal，以min(MD_cal-MD)²为目标，通过牛顿下降法获取最佳的权值和相应的分布函数参数；

(c)设置活性位个数为3，继续步骤b，以此类推，直到MD_cal和MD之间的误差稳定在≦1％为止，则取误差在同一数量级且活性位个数最少的参数为该催化剂对应的活性位个数。

在一个或多个实施方案中，模型输出变量是各活性位分布函数参数，通过分布函数参数来表征整个分子量分布，各活性位分布函数表示为 w_j(logMW)＝2.3026×MW²τ²exp(-MWτ)，其中，MW为分子量，τ为分布函数参数，w_j(logMW)为第j个活性位在横坐标为对数级别情况下的分子量分布。

在一个或多个实施方案中，通过肘方法获得k-means聚类数，模糊神经网络的成员函数采用高斯函数。

在一个或多个实施方案中，所述肘方法包括：计算聚类离差平和，以聚类误差平方和下降速率最快的聚类数为初始神经元节点数量，通过节点数量构建初始模糊神经网络框架，然后将归一化后的输入样本数据逐个输入模型，以模型输出与实际值之间的误差为目标，通过梯度下降算法对模型前件中心和方差以及后件权重进行调节。

在一个或多个实施方案中，通过随机梯度下降算法对模糊神经网络进行训练。

在一个或多个实施方案中，对模糊神经网络的权值以及前件成员函数参数的调整采用随机梯度下降算法，该算法每次仅通过一个样本计算模型输出与实际输出之间的误差，并通过误差对待调整参数求偏导的方法进行梯度下降调整，如此循环，直至达到最大迭代次数或者精度满足要求而结束。

在一个或多个实施方案中，所述程序被执行时还能：对新的实时数据与原始训练数据进行聚类分析，若偏离较大，则继续对该工况下生产的聚乙烯进行分子量分布进行测试，若实际分子量分布与预测分子量分布大于阈值，则将该工况数据写入训练数据库并通过随机梯度下降算法对模型参数进行再次调整，使得模型对新旧工况的输出值均有相对较小的误差。

在某些实施方案中，所述程序被处理器执行时能对所获取的实时操作工况数据进行归一化预处理，然后通过本文所述方法构建得到的模糊神经网络模型进行预测，把预测出的结果进行逆归一化以获得活性位分布函数参数，再通过活性位分布函数加权叠加获得预测的分子量分布曲线。

在一个或多个实施方案中，所述归一化预处理使得有量纲数据转化为无量纲数据，其中，归一化公式如下：

x^*＝(x-x_mean)/(x_max-x_min) (3)。

在一个或多个实施方案中，所述逆归一化公式如下：

x=x^*·(x_max-x_min)+x_mean (9)。

在一个或多个实施方案中，通过逆归一化得到活性位分布函数参数后，再通过下所述公式(2)得到最终的分子量分布曲线：

在某些实施方案中，所述程序被处理器执行时能通过飞蛾火焰算法对输入工况进行寻优，以获得相应的期望分子量分布的开发工况条件。

在一个或多个实施方案中，所述飞蛾火焰算法为群智能算法，该算法为飞蛾粒子绕着火焰粒子进行螺旋更新，即飞蛾粒子的迭代规则为：

S(M_i,F_j)＝D_i·e^bt·cos(2πt)+F_j (10)

其中，D_i＝|F_j-M_i|代表飞蛾与火焰之间的距离，b为自定义常数，用于定义螺旋线的形状，t为[r,1]之间的一个随机数，r在整个迭代过程中从-1线性递减至-2。

在一个或多个实施方案中，火焰粒子的迭代规则为更新过的飞蛾粒子中适应度相对较好的粒子替换掉适应度相对较差的火焰粒子。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述计算机程序执行前文任意实施方案所述的计算。

附图说明

图1是连续搅拌釜反应器模型(CSTR)示意图。

图2是本发明的建模方法。

图3是模糊神经网络输入输出示意图。

图4是多输入多输出模糊神经网络建模示意图。

图5是飞蛾火焰算法迭代流程图。

图6是模型输出与实际的分子量分布示意图(工况一)。

图7是模型输出与实际的分子量分布示意图(工况二)。

图8是优化后的模型输出与期望分子量分布、初始分子量分布曲线示意图。

具体实施方式

本发明公开了一种聚乙烯分子量分布的高精度快速预测并可在线自动校正的方法，该方法选取影响聚乙烯分子量分布的若干主要操作变量作为输入变量，表征分子量分布的若干参数作为输出变量，先通过模糊神经网络建立输入变量和分子量分布函数参数之间的数据模型，再建立分布函数参数与分子量分布之间的关联，通过数据模型和部分机理方程模型的结合，形成分子量分布的软测量模型，并通过在线自动校正模型参数，实现分子量分布的精确预测。

实际生产时，可利用本发明所构建的模型来快速预测聚乙烯分子量分布。对期望的分子量分布，利用前期预测得到的聚乙烯分值分布情况，对输入工况进行寻优，可迅速获得相应的期望分子量分布的开发工况条件，以减少牌号切换过程中废料的生产。本发明将数据建模的方法应用在分子量分布的预测中，可以弥补聚合过程机理不明确和复杂的地方，模型简单、计算速度快，且加入了自校正策略，对模型在运行情况下进行自动校正，能够提高模型的适应性。本发明基于聚乙烯的分子量分布可以由催化剂各活性位的分布函数加权叠加的特性，通过各活性位分布函数参数来表征分子量分布，并加入在线校正策略，提高分子量分布软测量模型的准确性和适应性。

具体而言，本发明通过数据建模建立操作变量和活性位分布函数参数之间的关系，然后建立活性位分布函数参数与整个分子量分布之间的关系，最后通过混合建模的方法建立起操作变量和聚乙烯分子量分布之间的模型，从而构建得到用于高精度快速预测聚乙烯分子量分布的模型。

所述模型构建方法可包括如下步骤：

步骤1：采集工况数据，对工况数据进行预处理，筛选出不同工况条件的数据N组及相对应的聚乙烯样品N组，分别记为X_i，i＝1,2,…,N；

步骤2：获取步骤1采集得到的聚乙烯样品的分子量分布数据；通过催化剂各个活性位对应的分布函数加权叠加机制来拟合实际所测得的分子量分布曲线，取得各活性位分布函数参数，组成对应的模型输出变量，设为Y_i,i＝1,2,…,N；其中，所述分布函数参数为τ_i，i＝1…n，n为对应催化剂的活性位个数；和

步骤3：对输入样本数据X和分布函数参数Y进行归一化处理，分别作为模糊神经网络的输入数据和输出数据，对其进行训练，获得模糊神经网络模型；其中，通过K-means方法对输入样本数据进行聚类，获得聚类数目以及聚类中心，以聚类数目作为模糊神经网络的规则数、以聚类中心作为各规则的中心初始值形成所述模糊神经网络的框架。

可采用本领域常规的技术手段采集工况数据。合适的工况数据包括但不限于单体乙烯进料量f_C2、单体丁烯进料量f_C4、氢气进料量f_H、反应器压力 P、反应器温度T、反应器内氢烯比

以及丁烯乙烯比

通常，输入变量的选择是通过主成分分析获得对分子量分布影响较大的操作变量。

本发明中，对工况数据进行的预处理为对所述数据进行归一化处理，使得有量纲数据转化为无量纲数据。合适的归一化公式如下：

x^*＝(x-x_mean)/(x_max-x_min) (3)。

本发明中，活性位个数的求取方法可包含以下步骤：

(a)在高温凝胶色谱仪(GPC)中测试现场采集的样本，获取其相应的分子量分布数据，其中，由于从GPC中直接获取的是分子量分布的采样点，因此，以采样点组成分子量目标向量MD；

(b)假设活性位个数为2，采用以下公式，通过分布函数的加权叠加求得与实际分子量分布之间误差最小时的分布函数参数和相应的权重：

w_j(logMW)＝2.3026×MW²τ²exp(-MWτ) (1)

其中，(1)式为活性位分布函数，(2)式为各活性位加权叠加后的分子量分布，τ为分布函数参数，p_j为对应活性位分布函数的权重，取n＝2，设置 MW与GPC测试所得目标向量MD的横坐标值一致带入以上两式获得相应的w(logMW)，组成向量MD_cal，以min(MD_cal-MD)²为目标，通过牛顿下降法获取最佳的权值和相应的分布函数参数；

(c)设置活性位个数为3，继续步骤b，以此类推，直到MD_cal和MD之间的误差稳定在≦1％为止，则取误差在同一数量级且活性位个数最少的参数为该催化剂对应的活性位个数。

在某些实施方案中，步骤2中，模型输出变量是各活性位分布函数参数，通过分布函数参数来表征整个分子量分布，各活性位分布函数表示为 w_j(logMW)＝2.3026×MW²τ²exp(-MWτ)，其中，MW为分子量，τ为分布函数参数，w_j(logMW)为第j个活性位在横坐标为对数级别情况下的分子量分布。

本发明中，通过肘方法获得k-means聚类数，模糊神经网络的成员函数采用高斯函数。适用于本发明的肘方法可包括：计算聚类离差平和，以聚类误差平方和下降速率最快的聚类数为初始神经元节点数量，通过节点数量构建初始模糊神经网络框架，然后将归一化后的输入样本数据逐个输入模型，以模型输出与实际值之间的误差为目标，通过随机梯度下降算法对模型前件中心和方差以及后件权重进行调节。

对模糊神经网络的权值以及前件成员函数参数的调整可采用随机梯度下降算法。本发明中，所述随机梯度下降算法每次仅通过一个样本计算模型输出与实际输出之间的误差，并通过误差对待调整参数求偏导的方法进行梯度下降调整，如此循环，直至达到最大迭代次数或者精度满足要求而结束。

高斯函数具有良好的局部逼近性能，当输入变量的隶属函数采用高斯函数表示时，若新的样本在某个存在的高斯函数覆盖范围内，则可以认为该样本可由该高斯函数表示，从而无须增加新的高斯单元。

对第i个观测数据(X_i,y′_i)如下计算X_i和现有的高斯单元的中心C_j之间的距离：

d_i(j)＝||X_i-C_j||,j＝1,2,…,u (4)

找出X_i与各个已有高斯单元的中心之间的距离的最小值

d_min＝min(d_i(j)) (5)

如果

d_min>k_d (6)

则考虑增加一条新的模糊规则。

k_e,k_d可通过分级学习思想进行动态调节。开始阶段，可设置相对较大值，以实现全局学习，随着不断学习，值逐渐减小，开始局部学习。所以，k_e,k_d的值可通过以下两式确定：

k_e＝max[e_max·αⁱ，e_min] (7)

k_d＝max[d_max·βⁱ，d_min] (8)

其中，e_max为自定义的最大误差，e_min为期望的模型精度，α(0<α<1)是收敛常数，d_max为自定义最大长度，d_min为自定义最小长度，β(0<β<1)是衰减常数。

为了避免出现过拟合现象，必须在拟合度和复杂度之间找到一个平衡点，适当对节点进行修剪。

本发明的模糊神经网络可以是广义动态模糊神经网络，其示例性的建模步骤可如下所示：

(1)初始化系统自定义参数；

(2)对任意输入的一个数据，计算距离，寻找最小距离d_min，并计算实际输出误差e_i；

(3)若d_min>k_d并且e_i>k_e，则需要产生一条新规则，否则，只对参数进行调整；

(4)若误差下降率η_i<k_err，则删除第i条规则，否则，只调整结果参数；

判断是否训练结束，若未训练结束，则重复(2)步骤，否则，完成模型训练。

在某些实施方案中，所述模型构建方法还包括：

步骤4：对新的实时数据与原始训练数据(即原始输入样本数据)进行聚类分析，若偏离较大，则继续对该工况下生产的聚乙烯进行分子量分布进行测试，若实际分子量分布与预测分子量分布大于阈值，则将该工况数据写入训练数据库并通过随机梯度下降算法对模型参数进行再次调整，使得模型对新旧工况的输出值均有相对较小的误差。

在某些实施方案中，该步骤4包括：首先以聚类方法估计新样本与原始训练样本差距是否过大，若距离原始训练样本较近，则判别模型对该新样本可信，否则，再对比新样本工况对应的分子量分布与模型对应输出之间的误差，进而判别新样本是否需加入训练样本对模型重新训练。以这种方法既减少了对聚乙烯样品的离线测试次数，又可动态调整模型精度，增强模型的适应度。

在某些实施方案中，本发明的模型构建方法包括：

步骤1：通过现场DCS获取操作变量数据，筛选出多组不同工况的数据及相对应的聚乙烯样品；

步骤2：通过高温凝胶色谱仪GPC测试步骤1获得的聚乙烯样品，获取其分子量分布数据，利用各活性位分布函数加权叠加，拟合实际的分子量分布，确定出最小的活性位个数和各活性位的权重；

步骤3：由步骤1和步骤2构建出建模所需的输入样本矩阵XX和输出样本矩阵YY；

步骤4：对样本矩阵XX和输出样本矩阵YY进行归一化获得矩阵XX₀和YY₀，作为模糊神经网络的输入和输出；和

步骤5：通过随机梯度下降算法对模糊神经网络进行训练，从而构建得到所述模型。

本发明还提供一种快速预测聚乙烯分子量分布的方法，所述方法包括：获取实时操作工况数据，对其进行归一化预处理，然后通过本文所述方法构建得到的模糊神经网络模型进行预测，把预测出的结果进行逆归一化以获得活性位分布函数参数，再通过活性位分布函数加权叠加获得预测的分子量分布曲线。

所述归一化预处理可采用前文所述的公式(3)进行。

适用于上述方法的逆归一化公式可如下所示：

x=x^*·(x_max-x_min)+x_mean (9)。

通过逆归一化得到活性位分布函数参数后，再通过下所述公式(2)得到最终的分子量分布曲线：

本发明还提供一种优化期望的聚乙烯分子量分布的开发工况条件的方法，所述方法包括：采用本文所述的快速预测聚乙烯分子量分布的方法预测聚乙烯的分子量分布，然后通过飞蛾火焰算法对输入工况进行寻优，以获得相应的期望分子量分布的开发工况条件。

适用于上述优化方法的飞蛾火焰算法是一种基于种群的随机搜索算法，它具有结构简单、收敛速度快、鲁棒性高等特点。本发明采用改进的飞蛾火焰算法进行工况寻优，即对飞蛾粒子迭代之后再通过莱维飞行机制和布朗运动机制进行扰动(见图5)，增加飞蛾粒子的多样性，增强算法的全局寻优能力和局部探索能力；该算法为飞蛾粒子绕着火焰粒子进行螺旋更新，即飞蛾粒子的迭代规则为：

S(M_i,F_j)＝D_i·e^bt·cos(2πt)+F_j (10)

其中，D_i＝|F_j-M_i|代表飞蛾与火焰之间的距离，b为自定义常数，用于定义螺旋线的形状，t为[r,1]之间的一个随机数，r在整个迭代过程中从-1线性递减至-2。

火焰粒子的迭代规则为更新过的飞蛾粒子中适应度相对较好的粒子替换掉适应度相对较差的火焰粒子。

在某些实施方案中，本发明的聚乙烯制备方法以乙烯为原料，丁烯作为共聚单体，氢气作为分子量调节剂，氮气用来稳定反应器压力，催化剂采用 Ziegler-Natta催化剂，助催化剂采用三乙基铝。

在某些实施方案中，本发明还提供一种计算机可读存储介质，其上存有计算机程序，该程序被处理器执行时能用于实施本文所述的任一方法，如构建用于准确、快速预测聚乙烯分子量分布的模型的方法，快速预测聚乙烯分子量分布的方法，和优化期望的聚乙烯分子量分布的开发工况条件的方法。优选地，该该程序被处理器执行时，能实现本文所述各方法中的各计算步骤。例如，该程序被处理器执行时，能利用各活性位分布函数加权叠加，拟合实际的分子量分布，确定出最小的活性位个数和各活性位的权重；构建得到建模所需的输入样本矩阵XX和输出样本矩阵YY；对样本矩阵XX和输出样本矩阵YY进行归一化获得矩阵XX₀和YY₀，作为模糊神经网络的输入和输出；和通过随机梯度下降算法对模糊神经网络进行训练，从而构建得到所述模型。或者，该程序被执行时，能对所获取的实时操作工况数据进行归一化预处理，然后利用本文所述方法构建得到的模糊神经网络模型进行预测，把预测出的结果进行逆归一化以获得活性位分布函数参数，再通过活性位分布函数加权叠加获得预测的分子量分布曲线。或者，该程序被执行时，能利用本文所述的方法预测聚乙烯的分子量分布，然后通过飞蛾火焰算法对输入工况进行寻优，以获得相应的期望分子量分布的开发工况条件。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现本文所述的各方法，包括构建用于准确、快速预测聚乙烯分子量分布的模型的方法，快速预测聚乙烯分子量分布的方法，和优化期望的聚乙烯分子量分布的开发工况条件的方法。

本发明与现有技术相比，有益效果在于：

1)本发明实现了在给定催化剂和聚合工艺条件的前提下，能够快速预测聚合物的分子量分布。

2)本发明可以应用于工业连续聚合过程的产品质量控制、优化以及聚合物产品结构的设计，缩短开发新牌号聚合物的时间，从而提高经济效益。

3)本发明通过结合数据模型和机理模型，减小了机理模型的高度非线性导致的高计算复杂度，运行速度快，易于编程和实现。

4)本发明加入了在线校正策略，提高了模型的适应性。

为了更好地说明本发明技术方案，下面以气相法乙烯聚合过程为例，对本发明做进一步说明。

实施例1

图1为连续搅拌釜反应器模型(CSTR)示意图；图2是本发明的建模方法示意图。

1、乙烯聚合过程及操作变量

以乙烯为原料，丁烯作为共聚单体，氢气作为分子量调节剂，氮气用来稳定反应器压力，催化剂采用Ziegler-Natta催化剂，助催化剂采用三乙基铝。聚合反应所使用的原料经循环风机加压后进入反应器，在催化剂和助催化剂的作用下进行聚合生成聚乙烯。反应器中大量未反应的气体通过压缩机和冷却器后重新进入反应器，反应热由该循环气体撤除。

2、实施步骤

步骤1：通过现场DCS获取操作变量数据，筛选出多组不同工况的数据及相对应的聚乙烯样品；

步骤2：通过高温凝胶色谱仪GPC测试聚乙烯样品获取分子量分布数据，利用各活性位分布函数加权叠加，拟合实际的分子量分布，确定出最小的活性位个数和各活性位的权重，其中最小活性位个数n＝4，各个活性位的权重为： p₁＝0.1368,p₂＝0.3840,p₃＝0.3566,p₄＝0.1186；

步骤3：由步骤1和步骤2可构建出建模所需的输入输出样本矩阵XX和YY；

步骤4：对样本矩阵XX和YY进行归一化获得矩阵XX₀和YY₀作为模糊神经网络的输入和输出；

步骤5：通过随机梯度下降算法对模糊神经网络进行训练。

本实施例反应器压力和温度为2.4MPa、86℃，有共聚单体丁烯，高氢气浓度，氢烯比为0.53，将操作工况归一化后输入已经训练好的模糊神经网络模型中，所得模型输出分子量分布与实际工况中生产的聚乙烯样品的分子量分布之间的比较如图6所示。

图6结果表明，通过模型预测的聚乙烯分子量分布与采用高温凝胶色谱仪测试实际分子量分布吻合较好，证明了所述方法可以准确预测工业乙烯聚合过程的分子量分布。

实施例2

本实施例反应器压力和温度为2.4MPa、86℃，有共聚单体丁烯，低氢气浓度，氢烯比为0.17，将操作工况归一化后输入经过训练的模糊神经网络模型中，通过分布函数参数叠加所得模型输出分子量分布与实际工况中生产的聚乙烯样品的分子量分布之间的比较如图7所示。

图7结果表明，通过模型预测的聚乙烯分子量分布与采用高温凝胶色谱仪测试实际分子量分布吻合较好，证明了所述方法可以准确预测工业乙烯聚合过程的分子量分布。

实施例3

本实施例为寻找开发期望分子量分布的最优工况，对初始分子量分布和期望分子量分布进行对比，以误差平方最小为目标通过飞蛾火焰算法对操作工况进行寻优，优化后的工况条件为反应器压力为2.38MPa，温度为85.5℃，氢烯比为0.536，丁烯乙烯比为0.362，新鲜乙烯进料24.2t，新鲜丁烯进料2072kg，氢气进料4.1kg。初始分子量分布、期望分子量分布以及优化后的分子量分布曲线如图8所示。

图8结果表明，优化后的分子量分布和期望分子量分布曲线吻合较好，证明了所述方法可以准确地对聚乙烯生产工况条件进行优化。

以上为本发明的三个完整的实施过程，该实施例仅用来具体解释本发明的应用方法而非对本发明进行任何限制。在本发明保护范围内的任何改变，都属于本发明的保护范围。

Claims (12)

1.一种构建用于预测聚乙烯分子量分布的模型的方法，所述方法包括：通过数据建模建立操作变量和活性位分布函数参数之间的关系，然后建立活性位分布函数参数与整个分子量分布之间的关系，最后通过混合建模的方法建立起操作变量和聚乙烯分子量分布之间的模型；其中，所述方法包括如下步骤：

步骤1：采集工况数据，对工况数据进行预处理，筛选出不同工况条件的数据N组及相对应的聚乙烯样品N组，分别记为X_i，i＝1,2,…,N；所述工况数据为单体乙烯进料量f_C2、单体丁烯进料量f_C4、氢气进料量f_H、反应器压力P、反应器温度T、反应器内氢烯比

以及丁烯乙烯比

步骤2：获取步骤1采集得到的聚乙烯样品的分子量分布数据；通过催化剂各个活性位对应的分布函数加权叠加机制来拟合实际所测得的分子量分布曲线，取得各活性位分布函数参数，组成对应的模型输出变量，设为Y_i,i＝1,2,…,N；其中，所述分布函数参数为τ_i，i＝1…n，n为对应催化剂的活性位个数；和

步骤3：对输入样本数据X和分布函数参数Y进行归一化处理，分别作为模糊神经网络的输入数据和输出数据，对其进行训练，获得模糊神经网络模型；其中，通过K-means方法对输入样本数据进行聚类，获得聚类数目以及聚类中心，以聚类数目作为模糊神经网络的规则数、以聚类中心作为各规则的中心初始值形成所述模糊神经网络的框架；

其中，所述步骤2中活性位个数的求取方法包含以下步骤：

(a)在高温凝胶色谱仪中测试现场采集的样本，获取其相应的分子量分布数据，其中，由于从高温凝胶色谱仪中直接获取的是分子量分布的采样点，因此，以采样点组成分子量目标向量MD；

(b)假设活性位个数为2，采用以下公式，通过分布函数的加权叠加求得与实际分子量分布之间误差最小时的分布函数参数和相应的权重：

w_j(logMW)＝2.3026×MW²τ²exp(-MWτ) (1)

其中，(1)式为活性位分布函数，(2)式为各活性位加权叠加后的分子量分布，MW为分子量，τ为分布函数参数，p_j为对应活性位分布函数的权重，w_j(logMW)为第j个活性位在横坐标为对数级别情况下的分子量分布；取n＝2，设置MW与高温凝胶色谱仪测试所得目标向量MD的横坐标值一致带入以上两式获得相应的w(logMW)，组成向量MD_cal，以min(MD_cal-MD)²为目标，通过牛顿下降法获取最佳的权值和相应的分布函数参数；

(c)设置活性位个数为3，继续步骤b，以此类推，直到MD_cal和MD之间的误差稳定在≦1％为止，则取误差在同一数量级且活性位个数最少的参数为该催化剂对应的活性位个数。

2.如权利要求1所述的方法，其特征在于，所述步骤1中对输入的工况数据进行的预处理为对所述数据进行归一化，使得有量纲数据转化为无量纲数据，其中，归一化公式如下：

x^*＝(x-x_mean)/(x_max-x_min) (3)。

3.如权利要求1所述的方法，其特征在于，步骤3中通过肘方法获得k-means聚类数，模糊神经网络的成员函数采用高斯函数；所述肘方法包括：计算聚类离差平和，以聚类误差平方和下降速率最快的聚类数为初始神经元节点数量，通过节点数量构建初始模糊神经网络框架，然后将归一化后的输入样本数据逐个输入模型，以模型输出与实际值之间的误差为目标，通过随机梯度下降算法对模型前件中心和方差以及后件权重进行调节；所述随机梯度下降算法每次仅通过一个样本计算模型输出与实际输出之间的误差，并通过误差对待调整参数求偏导的方法进行梯度下降调整，如此循环，直至达到最大迭代次数或者精度满足要求而结束。

4.如权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：

步骤4：对新的实时数据与原始输入样本数据进行聚类分析，若偏离较大，则继续对该工况下生产的聚乙烯进行分子量分布测试，若实际分子量分布与预测分子量分布大于阈值，则将该工况数据写入训练数据库并通过随机梯度下降算法对模型参数进行再次调整，使得模型对新旧工况的输出值均有相对较小的误差。

5.一种预测聚乙烯分子量分布的方法，所述方法包括：获取实时操作工况数据，对其进行归一化预处理，然后通过权利要求1－4中任一项所述方法构建得到的模糊神经网络模型进行预测，把预测出的结果进行逆归一化以获得活性位分布函数参数，再通过活性位分布函数加权叠加获得预测的分子量分布曲线，从而实现聚乙烯分子量分布的快速预测。

6.如权利要求5所述的方法，其特征在于，所述逆归一化公式如下：

x＝x^*·(x_max-x_min)+x_mean (9)。

7.如权利要求5所述的方法，其特征在于，通过逆归一化得到活性位分布函数参数后，再通过下所述公式(2)得到最终的分子量分布曲线：

8.一种优化期望的聚乙烯分子量分布的开发工况条件的方法，所述方法包括：采用权利要求1－4中任一项所述的快速预测聚乙烯分子量分布的方法预测聚乙烯的分子量分布，然后通过飞蛾火焰算法对输入工况进行寻优，以获得相应的期望分子量分布的开发工况条件。

9.如权利要求8所述的方法，其特征在于，所述飞蛾火焰算法为群智能算法，该算法为飞蛾粒子绕着火焰粒子进行螺旋更新，即飞蛾粒子的迭代规则为：

S(M_i,F_j)＝D_i·e^bt·cos(2πt)+F_j (10)

其中，D_i＝|F_j-M_i|代表飞蛾与火焰之间的距离，b为自定义常数，用于定义螺旋线的形状，t为[r,1]之间的一个随机数，r在整个迭代过程中从-1线性递减至-2。

10.一种计算机可读存储介质，其上存有计算机程序，该程序被处理器执行时能用于实施权利要求1－9中任一项所述的方法中的任意一种或多种计算方法。

11.如权利要求10所述的计算机可读存储介质，其特征在于，所述程序被处理器执行时能：

(1)对工况数据进行预处理，筛选出不同工况条件的数据N组及相对应的聚乙烯样品N组，分别记为X_i，i＝1,2,…,N；

(2)结合所采集得到的聚乙烯样品的分子量分布数据，通过催化剂各个活性位对应的分布函数加权叠加机制来拟合实际所测得的分子量分布曲线，取得各活性位分布函数参数，组成对应的模型输出变量，设为Y_i,i＝1,2,…,N；其中，所述分布函数参数为τ_i，i＝1…n，n为对应催化剂的活性位个数；

(3)对输入样本数据X和分布函数参数Y进行归一化处理，分别作为模糊神经网络的输入数据和输出数据，对其进行训练，获得模糊神经网络模型；其中，通过K-means方法对输入样本数据进行聚类，获得聚类数目以及聚类中心，以聚类数目作为模糊神经网络的规则数、以聚类中心作为各规则的中心初始值形成所述模糊神经网络的框架；和/或

所述程序被处理器执行时能对所获取的实时操作工况数据进行归一化预处理，然后通过权利要求1所述方法构建得到的模糊神经网络模型进行预测，把预测出的结果进行逆归一化以获得活性位分布函数参数，再通过活性位分布函数加权叠加获得预测的分子量分布曲线；和/或

所述程序被处理器执行时能通过飞蛾火焰算法对输入工况进行寻优，以获得相应的期望分子量分布的开发工况条件。

12.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述计算机程序执行权利要求1－9中任一项所述的方法中的所述的计算。

Images