CN109507888A - 基于集成学习的丙烯聚合生产过程最优在线预报系统 - Google Patents

Abstract

本发明公开了一种基于集成学习的丙烯聚合生产过程最优在线预报系统,用于对丙烯聚合生产过程的熔融指数进行预报。所述的基于集成学习的丙烯聚合生产过程最优在线预报系统包括相空间重构、PCA主成分分析模块、支持向量机模块、模型更新模块、布谷鸟搜索算法优化模块，Gradient Boosting模块。本发明对聚丙烯生产过程重要质量指标熔融指数进行在线预报，克服传统的化工仪表测量时间滞后大，测量精度低的缺点，实现在线测量、结构和参数动态调整及优化推广能力强、自适应调节检测系统、抗噪音干扰能力强、精度高。

Description

基于集成学习的丙烯聚合生产过程最优在线预报系统

技术领域

本发明涉及一种最优在线预报系统及方法，尤其涉及一种基于集成学习的丙烯聚合生产过程最优在线预报系统及方法。

背景技术

聚丙烯是由丙烯聚合而制得的一种热塑性树脂，丙烯最重要的下游产品，世界丙烯的50％，我国丙烯的65％都是用来制聚丙烯，是五大通用塑料之一，与我们的日常生活密切相关。聚丙烯是世界上增长最快的通用热塑性树脂，总量仅仅次于聚乙烯和聚氯乙烯。为使我国聚丙烯产品具有市场竞争力，开发刚性、韧性、流动性平衡好的抗冲共聚产品、无规共聚产品、BOPP和CPP薄膜料、纤维、无纺布料，及开发聚丙烯在汽车和家电领域的应用，都是今后重要的研究课题。

熔融指数是聚丙烯产品确定产品牌号的重要质量指标之一，它决定了产品的不同用途，对熔融指数的测量是聚丙烯生产中产品质量控制的一个重要环节，对生产和科研，都有非常重要的作用和指导意义。

然而，熔融指数的在线分析测量目前很难做到，一方面是在线熔融指数分析仪的缺乏，另一方面是现有的在线分析仪由于经常会堵塞而测量不准甚至无法正常使用所导致的使用上的困难。因此，目前工业生产中MI的测量，主要是通过人工取样、离线化验分析获得，而且一般每2-4小时只能分析一次，时间滞后大，给丙烯聚合生产的质量控制带来了困难，成为生产中急需解决的一个瓶颈问题。聚丙烯熔融指数的在线预报系统及方法研究，从而成为学术界和工业界的一个前沿和热点。

发明内容

为了克服目前已有的丙烯聚合生产过程的测量精度不高、易受人为因素的影响的不足，本发明的目的在于提供一种在线测量、预报速度快、模型自动更新、抗干扰能力强、精度高的基于集成学习的丙烯聚合生产过程熔融指数最优在线预报系统及方法。

本发明的目的是通过以下技术方案来实现的：一种基于集成学习的丙烯聚合生产过程最优在线预报系统,用于对丙烯聚合生产过程的熔融指数进行预报，其特征在于：包括相空间重构、PCA主成分分析模块、支持向量机模块、模型更新模块、布谷鸟搜索算法优化模块，Gradient Boosting模块。其中

(1)相空间重构模块：输入为工业丙烯聚合过程的9个操作变量，分别为第一股丙烯进料流率、第二股丙烯进料流率、第三股丙烯进料流率、主催化剂流率、辅催化剂流率、搅拌釜内温度、釜内压强、釜内液位以及釜内氢气体积浓度。对于混沌时间序列，混沌不变量的计算，混沌模型的建立和预测都是在相空间中进行，该模块用于将从DCS数据库输入的模型输入变量进行预处理，对于时间序列{x(i)}，其中{x(i)}是熔融指数的测量值，通过不同的延迟时间τ来构建d维相空间矢量X(i)＝(x(i),…,x(i+(d-1)τ)),1≤i≤n-(d-1)τ，延迟时间通过交互信息法得到，嵌入维数通过虚假最临近点法得到；

(2)PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C＝MU得到，其中M为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由M＝CU^T计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，M＝CU^T+E，其中E为残差矩阵；

(3)支持向量机模块，用于采用支持向量机、基于贝叶斯框架来完成输入到输出的映射建模。支持向量机的训练是在贝叶斯框架下进行的，通过引入超参数赋予权重向量零均值的高斯先验分布来确保模型的稀疏性，超参数可以采用最大化边缘似然函数的方法来估计。整个模型的目的是根据样本集和先验知识设计一个系统，使系统对新数据能预测输出；

(4)布谷鸟搜索算法，用于对支持向量机的超参数进行优化，包括：

(4.1)定义目标函数f(Z)，Z＝(z₁,…,z_d)^T，函数进行初始化，并随机生成n个鸟窝的初始位置Z_i，i＝1,2…,n，设置种群规模n，问题维数d，最大发现概率P和最大迭代次数MaxGen，当前迭代次数Gen，最小误差∈；

(4.2)求每个鸟窝位置的目标函数值，得到当前位置的最优函数值；

(4.3)记录上一代最优函数值，利用对其他鸟窝的位置和状态进行更新，其中为第i个鸟窝在第t代鸟窝的位置，初始化.*为点对点乘法，α为步长控制量，用于控制步长的搜索范围，取值服从正态分布，L(λ)为Levy随机搜索路径，随机步长符合Levy分布L(s,λ)～s^-λ,1<λ≤3,s是Levy飞行得到的随机步长；

(4.4)求现有位置的目标函数值，并与上一代记录的最优函数值进行比较，若当前目标函数值较好则改变当前最优值；

(4.5)进行位置更新后，利用随机数r∈[0,1]和最大发现概率P进行比较，若r>P表示该鸟窝被抛弃，对进行随机改变，反之则认为成功，不进行随机改变，最后保留最好的一组鸟窝位置

(4.6)若Gen<MaxGen或未达到最小误差要求,则Gen＝Gen+1，返回步骤4.2，否则向下执行4.7；

(4.7)输出全局最优目标函数值作为结果，结束当前算法并返回。

(5)Gradient Boosting模块，用于将支持向量机所得到的弱学习器进行集成学习，获得一个抗干扰能力更强，精度更高的强学习器，包括：

(5.1)进行算法初始化，设置损失函数为均方根误差MSE，初始化模型F₀(x)为支持向量机模块所得的回归模型，设置最大迭代次数MaxN，当前迭代次数N,最小误差δ；

(5.2)由当前弱学习器得到回归模型求得负梯度为y_i-F_N(x_i)，其中F_N(x_i)是回归模型预测值，对所求得到的负梯度训练一个回归树模型h_N(x)来拟合，(x_i，y_i)为该集成学习的训练集；

(5.3)将h_N(x)作为弱学习器，通过一维搜索求出步长γ_N使得以F_N(x)+γ_Nh_N(x)作为回归模型的均方根误差最小；

(5.4)若N<MaxN或未达到最小误差，将F_N+1(x)记为F_N(x)+γ_Nh_N(x)，N＝N+1，返回步骤5.2，否则，向下执行5.5；

(5.5)输出当前回归模型，结束当前算法并返回。

(6)系统更新模块，所述基于集成学习的丙烯聚合生产过程最优在线预报系统还包括系统更新模块，用于检测系统的在线更新，解决复杂聚合过程的模型失配问题，定期将离线化验数据输入到模型训练集中，更新检测系统。

本发明的技术构思为：对聚丙烯生产质量的重要质量指标熔融指数进行在线预报，为克服已有的聚丙烯熔融指数测量仪表测量精度不高、模型容易失配的不足，引入自适应与智能优化方法进行自动系统整定与实时在线校正，不需要人为经验或多次测试来调整系统参数。为了克服目前已有的丙烯聚合生产过程的测量精度不高、预测模型易失配的不足，本发明的目的在于提供一种基于集成学习的最优聚丙烯生产质量检测系统。

本发明的有益效果主要表现在：所述的基于集成学习的最优在线预报系统对丙烯聚合生产过程的重要质量指标熔融指数进行在线最优预报，克服已有的聚丙烯熔融指数测量仪表测量精度不高、易受人为因素的影响的不足，引入了Gradient Boosting模块对经过布谷鸟搜索算法优化超参数的支持向量机模型进行集成学习，从而得到了具有最优的熔融指数预报功能的最优在线预报系统，具有在线测量、预报速度快、抗干扰能力强、精度高的特点。

附图说明

图1是基于集成学习的丙烯聚合生产过程最优在线预报系统及方法的基本结构示意图；

图2是基于集成学习的最优在线预报系统结构示意图；

具体实施方式

下面根据附图具体说明本发明。

实施例

1.参照图1，一种基于集成学习的丙烯聚合生产过程最优在线预报系统，包括丙烯聚合生产过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的DCS数据库4、基于集成学习的最优在线预报系统5以及熔融指数预报值显示仪6，所述现场智能仪表2、控制站3与丙烯聚合生产过程1连接，所述现场智能仪表2、控制站3与DCS数据库4连接，群智所述DCS数据库4与基于集成学习的最优在线预报系统5的输入端连接，所述基于集成学习的最优在线预报系统5的输出端与熔融指数预报值显示仪6连接。根据反应机理以及流程工艺分析，考虑到聚丙烯生产过程中对熔融指数产生影响的各种因素，取实际生产过程中常用的九个操作变量和易测变量作为建模变量，分别为：三股丙稀进料流率，主催化剂流率，辅催化剂流率，釜内温度、压强、液位，釜内氢气体积浓度。表1列出了作为多尺度自适应智能最优聚丙烯生产质量检测系统所需的9个建模变量，分别为釜内温度(T)、釜内压力(p)、釜内液位(L)、釜内氢气体积浓度(Xv)、3股丙烯进料流率(第一股丙稀进料流率f1，第二股丙稀进料流率f2，第三股丙稀进料流率f3)、2股催化剂进料流率(主催化剂流率f4，辅催化剂流率f5)。反应釜中的聚合反应是反应物料反复混合后参与反应的，因此模型输入变量涉及物料的过程变量采用前若干时刻的平均值。此例中数据采用前一小时的平均值。熔融指数离线化验值作为基于改进引力搜索算法优化相关向量机的最优软测量模型5的输出变量。通过人工取样、离线化验分析获得，每4小时分析采集一次。

表1多尺度自适应智能最优聚丙烯生产质量检测系统所需建模变量

变量符号	变量含义	变量符号	变量含义
				T	釜内温度	f1	第一股丙稀进料流率
p	釜内压强	f2	第二股丙稀进料流率
				L	釜内液位	f3	第三股丙稀进料流率
X<sub>v</sub>	釜内氢气体积浓度	f4	主催化剂流率
						f5	辅催化剂流率

参照图2，所述基于集成学习的最优在线预报系统包括：

(1)相空间重构模块7：对于混沌时间序列，混沌不变量的计算，混沌模型的建立和预测都是在相空间中进行，该模块用于将从DCS数据库输入的模型输入变量进行预处理，对于时间序列{x(i)}，其中{x(i)}是熔融指数的测量值，通过不同的延迟时间τ来构建d维相空间矢量X(i)＝(x(i),…,x(i+(d-1)τ)),1≤i≤n-(d-1)τ，延迟时间通过交互信息法得到，嵌入维数通过虚假最临近点法得到；

(2)PCA主成分分析模块8，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C＝MU得到，其中M为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由M＝CU^T计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，M＝CU^T+E，其中E为残差矩阵；

(3)支持向量机模块10，用于采用支持向量机、基于贝叶斯框架来完成输入到输出的映射建模。支持向量机的训练是在贝叶斯框架下进行的，通过引入超参数赋予权重向量零均值的高斯先验分布来确保模型的稀疏性，超参数可以采用最大化边缘似然函数的方法来估计。整个模型的目的是根据样本集和先验知识设计一个系统，使系统对新数据能预测输出；

(4)布谷鸟搜索算法11，用于对支持向量机的超参数进行优化，包括：

(4.1)定义目标函数f(Z)，Z＝(z₁,…,z_d)^T，函数进行初始化，并随机生成n个鸟窝的初始位置Z_i，i＝1,2…,n，设置种群规模n，问题维数d，最大发现概率P和最大迭代次数MaxGen，当前迭代次数Gen，最小误差∈；

(4.2)求每个鸟窝位置的目标函数值，得到当前位置的最优函数值；

(4.3)记录上一代最优函数值，利用对其他鸟窝的位置和状态进行更新，其中为第i个鸟窝在第t代鸟窝的位置，初始化.*为点对点乘法，α为步长控制量，用于控制步长的搜索范围，取值服从正态分布，L(λ)为Levy随机搜索路径，随机步长符合Levy分布L(s,λ)～s^-λ,1<λ≤3,s是Levy飞行得到的随机步长；

(4.4)求现有位置的目标函数值，并与上一代记录的最优函数值进行比较，若当前目标函数值较好则改变当前最优值；

(4.5)进行位置更新后，利用随机数r∈[0,1]和最大发现概率P进行比较，若r>P表示该鸟窝被抛弃，对进行随机改变，反之则认为成功，不进行随机改变，最后保留最好的一组鸟窝位置

(4.6)若Gen<MaxGen或未达到最小误差要求,则Gen＝Gen+1，返回步骤4.2，否则向下执行4.7；

(4.7)输出全局最优目标函数值作为结果，结束当前算法并返回。

(5)Gradient Boosting模块12，用于将支持向量机所得到的弱学习器进行集成学习，获得一个抗干扰能力更强，精度更高的强学习器，包括：

(5.1)进行算法初始化，设置损失函数为均方根误差MSE，初始化模型F₀(x)为支持向量机模块所得的回归模型，设置最大迭代次数MaxN，当前迭代次数N,最小误差δ；

(5.2)由当前弱学习器得到回归模型求得负梯度为y_i-F_N(x_i)，其中F_N(x_i)是回归模型预测值，对所求得到的负梯度训练一个回归树模型h_N(x)来拟合，(x_i，y_i)为该集成学习的训练集；

(5.3)将h_N(x)作为弱学习器，通过一维搜索求出步长γ_N使得以F_N(x)+γ_Nh_N(x)作为回归模型的均方根误差最小；

(5.4)若N<MaxN或未达到最小误差，将F_N+1(x)记为F_N(x)+γ_Nh_N(x)，N＝N+1，返回步骤5.2，否则，向下执行5.5；

(5.5)输出当前回归模型，结束当前算法并返回。

(6)系统更新模块9，所述基于集成学习的丙烯聚合生产过程最优在线预报系统还包括系统更新模块，用于检测系统的在线更新，定期将离线化验数据输入到测量模型训练集中，更新聚丙烯生产质量检测系统。

上述实施例用来解释说明本发明，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。

Claims (7)

1.一种基于集成学习的丙烯聚合生产过程最优在线预报系统,用于对丙烯聚合生产过程的熔融指数进行预报，其特征在于：包括相空间重构、PCA主成分分析模块、支持向量机模块、模型更新模块、布谷鸟搜索算法优化模块，Gradient Boosting模块。

2.根据权利要求1所述基于集成学习的丙烯聚合生产过程最优在线预报系统，其特征在于：所述相空间重构模块，输入为工业丙烯聚合过程的9个操作变量，分别为第一股丙烯进料流率、第二股丙烯进料流率、第三股丙烯进料流率、主催化剂流率、辅催化剂流率、搅拌釜内温度、釜内压强、釜内液位以及釜内氢气体积浓度。对于混沌时间序列，混沌不变量的计算，混沌模型的建立和预测都是在相空间中进行，该模块用于将从DCS数据库输入的模型输入变量进行预处理，对于时间序列{x(i)}，其中{x(i)}是熔融指数的测量值，通过不同的延迟时间τ来构建d维相空间矢量X(i)＝(x(i),…,x(i+(d-1)τ)),1≤i≤n-(d-1)τ，延迟时间通过交互信息法得到，嵌入维数通过虚假最临近点法得到；

3.根据权利要求1所述基于集成学习的丙烯聚合生产过程最优在线预报系统，其特征在于：所述PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C＝MU得到，其中M为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由M＝CU^T计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，M＝CU^T+E，其中E为残差矩阵；

4.根据权利要求1所述基于集成学习的丙烯聚合生产过程最优在线预报系统，其特征在于：所述支持向量机模块，用于采用支持向量机、基于贝叶斯框架来完成输入到输出的映射建模。支持向量机的训练是在贝叶斯框架下进行的，通过引入超参数赋予权重向量零均值的高斯先验分布来确保模型的稀疏性，超参数可以采用最大化边缘似然函数的方法来估计。整个模型的目的是根据样本集和先验知识设计一个系统，使系统对新数据能预测输出；

5.根据权利要求1所述基于集成学习的丙烯聚合生产过程最优在线预报系统，其特征在于：所述布谷鸟搜索算法，用于对支持向量机的超参数进行优化，包括：

(5.1)定义目标函数f(Z)，Z＝(z₁,…,z_d)^T，函数进行初始化，并随机生成n个鸟窝的初始位置Z_i，i＝1,2…,n，设置种群规模n，问题维数d，最大发现概率P和最大迭代次数MaxGen，当前迭代次数Gen，最小误差∈；

(5.2)求每个鸟窝位置的目标函数值，得到当前位置的最优函数值；

(5.3)记录上一代最优函数值，利用对其他鸟窝的位置和状态进行更新，其中为第i个鸟窝在第t代鸟窝的位置，初始化.*为点对点乘法，α为步长控制量，用于控制步长的搜索范围，取值服从正态分布，L(λ)为Levy随机搜索路径，随机步长符合Levy分布L(s,λ)～s^-λ,1<λ≤3,s是Levy飞行得到的随机步长；

(5.4)求现有位置的目标函数值，并与上一代记录的最优函数值进行比较，若当前目标函数值较好则改变当前最优值；

(5.5)进行位置更新后，利用随机数r∈[0,1]和最大发现概率P进行比较，若r>P表示该鸟窝被抛弃，对进行随机改变，反之则认为成功，不进行随机改变，最后保留最好的一组鸟窝位置

(5.6)若Gen<MaxGen或未达到最小误差要求,则Gen＝Gen+1，返回步骤5.2，否则向下执行5.7；

(5.7)输出全局最优目标函数值作为结果，结束当前算法并返回。

6.根据权利要求1所述基于集成学习的丙烯聚合生产过程最优在线预报系统，其特征在于：所述Gradient Boosting模块，用于将支持向量机所得到的弱学习器进行集成学习，获得一个抗干扰能力更强，精度更高的强学习器，包括：

(6.1)进行算法初始化，设置损失函数为均方根误差MSE，初始化模型F₀(x)为支持向量机模块所得的回归模型，设置最大迭代次数MaxN，当前迭代次数N,最小误差δ；

(6.2)由当前弱学习器得到回归模型求得负梯度为y_i-F_N(x_i)，其中F_N(x_i)是回归模型预测值，对所求得到的负梯度训练一个回归树模型h_N(x)来拟合，(x_i，y_i)为该集成学习的训练集；

(6.3)将h_N(x)作为弱学习器，通过一维搜索求出步长γ_N使得以F_N(x)+γ_Nh_N(x)作为回归模型的均方根误差最小；

(6.4)若N<MaxN或未达到最小误差，将F_N+1(x)记为F_N(x)+γ_Nh_N(x)，N＝N+1，返回步骤5.2，否则，向下执行5.5；

(6.5)输出当前回归模型，结束当前算法并返回。

7.根据权利要求1所述基于集成学习的丙烯聚合生产过程最优在线预报系统，其特征在于：所述系统更新模块用于检测系统的在线更新，解决复杂聚合过程的模型失配问题，定期将离线化验数据输入到模型训练集中，更新检测系统。