CN109711628B - 一种在线校正的丙烯聚合生产过程自适应多尺度预报系统 - Google Patents

Abstract

本发明公开了一种在线校正的丙烯聚合生产过程自适应多尺度预报系统，用于对丙烯聚合生产过程进行熔融指数预报，包括数据预处理模块、多尺度分析模块、预报模型模块以及在线校正模块。本发明对丙烯聚合生产过程的重要参数指标熔融指数进行预报，克服目前已有的预报系统测量精度不高、抗干扰能力弱的不足，引入在线校正以及自适应多尺度分析的技术手段，从而得到在线校正的丙烯聚合生产过程自适应多尺度预报系统，实现的丙烯聚合生产过程熔融指数预报系统能够充分利用丙烯生产过程的生产数据、在线自适应地完成预报模型参数的校正，具有高的预报精度、抗干扰能力以及预报效率。

Description

一种在线校正的丙烯聚合生产过程自适应多尺度预报系统

技术领域

本发明涉及一种在线预报系统，尤其涉及一种在线校正的丙烯聚合生产过程自适应多尺度预报系统。

背景技术

聚丙烯是一种热塑性树脂，由丙烯聚合反应制造得到，是五大通用塑料之一，与我们的日常生活密切相关。聚丙烯是丙烯最重要的下游产品，世界丙烯总产量的50％、我国丙烯产量的65％都用于聚丙烯的制造。聚丙烯是世界上产量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。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预报系统预报精度不高、抗干扰能力弱的不足，本发明的目的在于提供一种在线校正的丙烯聚合生产过程自适应多尺度预报系统，能够充分利用数据多尺度信息、自适应地实现模型自动在线校正，预报精度高、抗干扰能力强、预报效率高。

本发明的目的是通过以下技术方案来实现的：一种在线校正的丙烯聚合生产过程自适应多尺度预报系统，用于对丙烯聚合生产过程进行熔融指数预报，包括数据预处理模块、多尺度分析模块、预报模型模块以及在线校正模块。

进一步地，所述数据预处理模块的输入为丙烯聚合生产过程的9个变量

由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean为各变量的算术平均值，std为各变量的标准差，

为输入变量的值，下标r为第r次检测、s为第s维变量，x_rs为标准化后输入变量的值作为输入数据。标准化后的数据为S＝{x_r1,x_r2,...,x_r9}。

进一步地，所述自适应多尺度分析模块将输入数据进行自适应多尺度分析处理，不需要预先分析和研究，自适应地以将输入数据序列分解为内涵模态分量，以获取高频和低频等多尺度下的数据信息：

(1)从i＝1开始，进行第i个内涵模态h_i的筛选，识别熔融指数数据序列MI(t)中的所有局部极值，将所有局部最大值通过三次样条插值作为上包络线m_Ui，再将所有局部最小值通过三次样条插值作为下包络线m_Li；

(2)提取第i个分量h_i如下：

m_i＝m_Ui-m_Li (2)

h_i＝MI(t)-m_i (3)

其中，m_i为上下包络线的均值，MI(t)为时刻t的熔融指数值。

(3)如果h_i满足：局部对称、所有局部最大值均为正、所有局部最小值均为负，以上三个条件，则继续下一步骤。否则，将h_i视为第i个内涵模态的原型h_i1，然后继续运算直到得到符合条件的h_in:

m_i1＝m_i (4)

h_i1＝h_i (5)

m_ik＝m_Uik-m_Lik,k＝2,3,...n (6)

h_i(k-1)-m_ik＝h_ik,k＝2,3,...n (7)

c_i＝h_ik,k＝2,3,...n (8)

其中，m_i1为h_i1的上下包络线包络线均值，k为第k次迭代，h_ik为第i个内涵模态第k次迭代时的函数，m_Uik为h_ik的上包络线，m_Lik为h_ik的下包络线，m_ik为上下包络线的均值，h_i(k-1)为第i个内涵模态第k-1次迭代时的函数，c_i为第i个内涵模态。

(4)令i＝i+1，MI_i+1(t)＝MI_i(t)-c_i，其中MI_i(t)为找到第i个内涵模态后的余项，MI_i+1(t)为找到第i+1个内涵模态后的余项，回到步骤(2.2)，直到剩余的MI_i+1(t)无法继续分解，得到余差MI_i+1(t)。

进一步地，所述预报模型模块使用统计建模方法，通过误差函数最小化来完成输入参数到输出熔融指数预报值的高度非线性映射，映射中保持拓扑不变性：

其中Γ表示目标函数、w表示惯性权重、ξ表示误差、C表示惩罚因子、u表示权重系数、β表示核函数映射、b表示偏置、x为输入数据、y为输出数据，下标i表示第i个数据，n为输出变量总数，上标T表示矩阵的转置。

进一步地，所述在线校正模块采用在线校正策略对预报模型模块的参数进行实时校正，通过将预报误差较大的预报数据作为新的训练数据加入训练数据集，来实时修正模型误差：

(1)在线校正模块获取测量数据的校正值，使其既满足整个装置和单元设备的物料、能量平衡关系，同时又使其与测量值之差的加权平方和最小。

MI_p＝MI_a+ε (10)

其中，MI为熔融指数，MI_p为熔融指数测量值，MI_a为熔融指数真实值，ε为误差向量，

为校正值，U为预报模型参数向量，

为待估计参数向量，F为预报模型函数向量，表示丙烯聚合过程物料平衡、能量平衡、化学反应计量关系等化学和物理规律。Q为MI的(n×n)阶方差-协方差矩阵，可由仪表精度或测量样本估计。

(2)在线校正模块工作时，实时获取t时刻的分析值MI_a(t)和预报值MI_p(t)，计算分析值MI_a和预报值MI_p的偏差e_o(t)：

e_o(t)＝|MI_a(t)－MI_p(t)| (12)

如果e_o(t)大于一正的误差容限ε_o：

e_o(t)＞ε_o (13)

则将t时刻的分析值MI_a(t)和参数值x(t)作为新的训练数据{x(t),MI_a(t)}加入训练数据集中，并重新训练预报模型参数，进行预报模型的在线校正。否则，认为模型参数是准确的，无需进行在线校正。

(3)重新训练预报模型参数，对于训练过程模型

其中，E为预报结果的平方误差，U_L为待估计参数向量下界，U_U为待估计参数向量上界。该模型根据以下公式求解：

其中，▽E为E的雅可比矩阵，

为F关于

的雅可比矩阵，λ为Lagrange乘子，z_L为由束下界U_L决定的对偶变量，z_U为由束上界U_U决定的对偶变量，该方程等价于：

(U-U_L)z_L-μe_L＝0 (17)

(U_U-U)z_U-μe_U＝0 (18)

其中，μ是障碍参数，e_L为由z_L决定的约束下界U_L指示器，e_U为由z_U决定的约束上界U_U指示器。μ的更新方式为：

其中，下标q表示循环迭代计数，ε_tol为给定的误差容限，参数κ_μ∈(0,1)、θ_μ∈(1,2)。

本发明的有益效果主要表现在：1、由于采用了在线校正的技术手段，能够同时观察输入数据的频率和时间轴，以获取多尺度下的数据信息，充分利用丙烯生产过程的生产数据，从而能够提高预报精度；2、由于采用了自适应多尺度分析的技术手段，能够实时监测预报模型的预报精度，在预报模型出现失配而精度下降时，在线完成预报模型参数的校正，并且不需要预先分析数据，从而能够提高预报的抗干扰能力和预报效率。

附图说明

图1是在线校正的丙烯聚合生产过程自适应多尺度预报系统的基本结构示意图；

图2是在线校正的自适应多尺度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。

参照图2，一种在线校正的丙烯聚合生产过程自适应多尺度预报系统，用于对丙烯聚合过程1进行熔融指数预报，包括数据预处理模块7、多尺度分析模块8、预报模型模块9以及在线校正模块10。

进一步地，所述数据预处理模块7的输入为丙烯聚合生产过程1的9个变量

由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean为各变量的算术平均值，std为各变量的标准差，

为输入变量的值，下标r为第r次检测、s为第s维变量，x_rs为标准化后输入变量的值作为输入数据。标准化后的数据为S＝{x_r1,x_r2,...,x_r9}。

进一步地，所述自适应多尺度分析模块8将输入数据进行自适应多尺度分析处理，不需要预先分析和研究，自适应地以将输入数据序列分解为内涵模态分量，以获取高频和低频等多尺度下的数据信息：

(1)从i＝1开始，进行第i个内涵模态h_i的筛选，识别熔融指数数据序列MI(t)中的所有局部极值，将所有局部最大值通过三次样条插值作为上包络线m_Ui，再将所有局部最小值通过三次样条插值作为下包络线m_Li；

(2)提取第i个分量h_i如下：

m_i＝m_Ui-m_Li (2)

h_i＝MI(t)-m_i (3)

其中，m_i为上下包络线的均值，MI(t)为时刻t的熔融指数值。

(3)如果h_i满足：局部对称、所有局部最大值均为正、所有局部最小值均为负，以上三个条件，则继续下一步骤。否则，将h_i视为第i个内涵模态的原型h_i1，然后继续运算直到得到符合条件的h_in:

m_i1＝m_i (4)

h_i1＝h_i (5)

m_ik＝m_Uik-m_Lik,k＝2,3,...n (6)

h_i(k-1)-m_ik＝h_ik,k＝2,3,...n (7)

c_i＝h_ik,k＝2,3,...n (8)

其中，m_i1为h_i1的上下包络线包络线均值，k为第k次迭代，h_ik为第i个内涵模态第k次迭代时的函数，m_Uik为h_ik的上包络线，m_Lik为h_ik的下包络线，m_ik为上下包络线的均值，h_i(k-1)为第i个内涵模态第k-1次迭代时的函数，c_i为第i个内涵模态。

(4)令i＝i+1，MI_i+1(t)＝MI_i(t)-c_i，其中MI_i(t)为找到第i个内涵模态后的余项，MI_i+1(t)为找到第i+1个内涵模态后的余项，回到步骤(2.2)，直到剩余的MI_i+1(t)无法继续分解，得到余差MI_i+1(t)。

进一步地，所述预报模型模块9使用统计建模方法，通过误差函数最小化来完成输入参数到输出熔融指数预报值的高度非线性映射，映射中保持拓扑不变性：

其中Γ表示目标函数、w表示惯性权重、ξ表示误差、C表示惩罚因子、u表示权重系数、β表示核函数映射、b表示偏置、x为输入数据、y为输出数据，下标i表示第i个数据，n为输出变量总数，上标T表示矩阵的转置。

进一步地，所述在线校正模块10采用在线校正策略对预报模型模块9的参数进行实时校正，通过将预报误差较大的预报数据作为新的训练数据加入训练数据集，来实时修正模型误差：

(1)在线校正模块10获取测量数据的校正值，使其既满足整个装置和单元设备的物料、能量平衡关系，同时又使其与测量值之差的加权平方和最小。

MI_p＝MI_a+ε (10)

其中，MI为熔融指数，MI_p为熔融指数测量值，MI_a为熔融指数真实值，ε为误差向量，

为校正值，U为预报模型参数向量，

为待估计参数向量，F为预报模型函数向量，表示丙烯聚合过程物料平衡、能量平衡、化学反应计量关系等化学和物理规律。Q为MI的(n×n)阶方差-协方差矩阵，可由仪表精度或测量样本估计。

(2)在线校正模块10工作时，实时获取t时刻的分析值MI_a(t)和预报值MI_p(t)，计算分析值MI_a和预报值MI_p的偏差e_o(t)：

e_o(t)＝|MI_a(t)－MI_p(t)| (12)

如果e_o(t)大于一正的误差容限ε_o：

e_o(t)＞ε_o (13)

则将t时刻的分析值MI_a(t)和参数值x(t)作为新的训练数据{x(t),MI_a(t)}加入训练数据集中，并重新训练预报模型模块9的参数，进行预报模型的在线校正。否则，认为模型参数是准确的，无需进行在线校正。

(3)重新训练预报模型模块9参数，对于训练过程模型

其中，E为预报结果的平方误差，U_L为待估计参数向量下界，U_U为待估计参数向量上界。该模型根据以下公式求解：

其中，▽E为E的雅可比矩阵，

为F关于

的雅可比矩阵，λ为Lagrange乘子，z_L为由束下界U_L决定的对偶变量，z_U为由束上界U_U决定的对偶变量，该方程等价于：

(U-U_L)z_L-μe_L＝0 (17)

(U_U-U)z_U-μe_U＝0 (18)

其中，μ是障碍参数，e_L为由z_L决定的约束下界U_L指示器，e_U为由z_U决定的约束上界U_U指示器。μ的更新方式为：

其中，下标q表示循环迭代计数，ε_tol为给定的误差容限，参数κ_μ∈(0,1)、θ_μ∈(1,2)。

参照图1，现场智能仪表2及控制站3与丙烯聚合生产过程1相连，并且与数据库4相连；在线校正的自适应多尺度预报系统5与数据库4及预报结果显示仪6相连。现场智能仪表2测量丙烯聚合生产过程1的易测变量，将易测变量传输到数据库4；控制站3控制丙烯聚合生产过程1的操作变量，将操作变量传输到数据库4。数据库4中记录的变量数据作为在线校正的自适应多尺度预报系统5的输入，预报结果显示仪6用于显示在线校正的自适应多尺度预报系统5的输出，即预报结果。

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个因素，取实际生产过程中常用的九个操作变量和易测变量作为模型输入变量，包括：三股丙烯进料流率，主催化剂流率，辅催化剂流率，釜内温度、压强、液位，釜内氢气体积浓度等。

表1：在线校正的自适应多尺度预报系统5所需模型输入变量

表1列出了作为在线校正的自适应多尺度预报系统5输入的9个模型输入变量，分别为釜内温度(T)、釜内压强(p)、釜内液位(L)、釜内氢气体积浓度(X_v)、3股丙烯进料流率(第一股丙烯进料流率f1，第二股丙烯进料流率f2，第三股丙烯进料流率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通过人工取样、离线化验分析获得，每4小时分析采集一次。

本发明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 (1)

1.一种在线校正的丙烯聚合生产过程自适应多尺度预报系统，用于对丙烯聚合生产过程进行熔融指数预报，其特征在于：包括数据预处理模块、多尺度分析模块、预报模型模块以及在线校正模块；

所述数据预处理模块的输入为丙烯聚合生产过程的9个变量

由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean为各变量的算术平均值，std为各变量的标准差，

为输入变量的值，下标r为第r次检测、s为第s维变量，x_rs为标准化后输入变量的值作为输入数据；标准化后的数据为S＝{x_r1,x_r2,...,x_r9}；

所述自适应多尺度分析模块，用于将输入数据进行自适应多尺度分析处理，不需要预先分析和研究，自适应地以将输入数据序列分解为内涵模态分量，以获取高频和低频多尺度下的数据信息：

(1)从i＝1开始，进行第i个内涵模态h_i的筛选，识别熔融指数数据序列MI(t)中的所有局部极值，将所有局部最大值通过三次样条插值作为上包络线m_Ui，再将所有局部最小值通过三次样条插值作为下包络线m_Li；

(2)提取第i个分量hi如下：

m_i＝m_Ui-m_Li (2)

h_i＝MI(t)-m_i (3)

其中，m_i为上下包络线的均值，MI(t)为时刻t的熔融指数值；

(3)如果h_i满足：局部对称、所有局部最大值均为正、所有局部最小值均为负，以上三个条件，则继续下一步骤；否则，将h_i视为第i个内涵模态的原型h_i1，然后继续运算直到得到符合条件的h_in:

m_i1＝m_i (4)

h_i1＝h_i (5)

m_ik＝m_Uik-m_Lik,k＝2,3,…n (6)

h_i(k-1)-m_ik＝h_ik,k＝2,3,...n (7)

c_i＝h_ik,k＝2,3,...n (8)

其中，m_i1为h_i1的上下包络线包络线均值，k为第k次迭代，h_ik为第i个内涵模态第k次迭代时的函数，m_Uik为h_ik的上包络线，m_Lik为h_ik的下包络线，m_ik为上下包络线的均值，h_i(k-1)为第i个内涵模态第k-1次迭代时的函数，c_i为第i个内涵模态；

(4)令i＝i+1，MI_i+1(t)＝MI_i(t)-c_i，其中MI_i(t)为找到第i个内涵模态后的余项，MI_i+1(t)为找到第i+1个内涵模态后的余项，回到步骤(2)，直到剩余的MI_i+1(t)无法继续分解，得到余差MI_i+1(t)；

所述预报模型模块使用统计建模方法，通过误差函数最小化来完成输入参数到输出熔融指数预报值的高度非线性映射，映射中保持拓扑不变性：

其中Γ表示目标函数、w表示惯性权重、ξ表示误差、C表示惩罚因子、u表示权重系数、β表示核函数映射、b表示偏置、x为输入数据、y为输出数据，下标i表示第i个数据，n为输出变量总数，上标T表示矩阵的转置；

所述在线校正模块采用在线校正策略对预报模型模块的参数进行实时校正，通过将预报误差较大的预报数据作为新的训练数据加入训练数据集，来实时修正模型误差：

(1)在线校正模块获取测量数据的校正值，使其既满足整个装置和单元设备的物料、能量平衡关系，同时又使其与测量值之差的加权平方和最小；

MI_p＝MI_a+ε (10)

其中，MI为熔融指数，MI_p为熔融指数测量值，MI_a为熔融指数真实值，ε为误差向量，

为校正值，U为预报模型参数向量，

为待估计参数向量，F为预报模型函数向量，表示丙烯聚合过程物料平衡、能量平衡和化学反应计量关系；Q为MI的(n×n)阶方差-协方差矩阵，可由仪表精度或测量样本估计；

(2)在线校正模块工作时，实时获取t时刻的分析值MI_a(t)和预报值MI_p(t)，计算分析值MI_a和预报值MI_p的偏差e_o(t)：

e_o(t)＝|MI_a(t)－MI_p(t)| (12)

如果e_o(t)大于一正的误差容限ε_o：

e_o(t)＞ε_o (13)

则将t时刻的分析值MI_a(t)和参数值x(t)作为新的训练数据{x(t),MI_a(t)}加入训练数据集中，并重新训练预报模型参数，进行预报模型的在线校正；否则，认为模型参数是准确的，无需进行在线校正；

(3)重新训练预报模型参数，对于训练过程模型

其中，E为预报结果的平方误差，U_L为待估计参数向量下界，U_U为待估计参数向量上界；该模型根据以下公式求解：

其中，

为E的雅可比矩阵，

为F关于

的雅可比矩阵，λ为Lagrange乘子，z_L为由束下界U_L决定的对偶变量，z_U为由束上界U_U决定的对偶变量，该方程等价于：

(U-U_L)z_L-μe_L＝0 (17)

(U_U-U)z_U-μe_U＝0 (18)

其中，μ是障碍参数，e_L为由z_L决定的约束下界U_L指示器，e_U为由z_U决定的约束上界U_U指示器；μ的更新方式为：

其中，下标q表示循环迭代计数，ε_tol为给定的误差容限，参数κ_μ∈(0,1)、θ_μ∈(1,2)。

Images