CN110197031A - 一种用于高密度聚乙烯串级聚合反应的软测量方法 - Google Patents
一种用于高密度聚乙烯串级聚合反应的软测量方法 Download PDFInfo
- Publication number
- CN110197031A CN110197031A CN201910458861.7A CN201910458861A CN110197031A CN 110197031 A CN110197031 A CN 110197031A CN 201910458861 A CN201910458861 A CN 201910458861A CN 110197031 A CN110197031 A CN 110197031A
- Authority
- CN
- China
- Prior art keywords
- data
- neural networks
- density polyethylene
- hdpe
- training
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Polymerisation Methods In General (AREA)
Abstract
本发明公开了一种用于高密度聚乙烯串级聚合反应的软测量方法,使用数据校正技术和数据挖掘技术进行数据预处理,从生产数据与分析数据之中寻找规律,使用函数连接神经网络建立智能软测量模型和高密度聚乙烯产品单耗模型,使用正则化方法优化函数连接神经网络结构,提高函数连接神经网络的建模精度,最终形成高密度聚乙烯反应过程智能软测量方法。本发明提供的技术方案具有响应时间快、建模精度高的特点,为保证高密度聚乙烯生产的安全进行、提高聚合物产品质量、节约生产成本提供了帮助。本发明提供的基于正则化的函数连接神经网络,通过设置正则化参数优化权值,从而减少网络误差,提高建模精度和计算速度。
Description
技术领域
本发明涉及聚乙烯生产的技术领域,尤其涉及一种用于高密度聚乙烯串级聚合反应的软测量方法。
背景技术
随着高分子材料科学的技术进步,生产工艺的不断改进,在管道领域发生了一场技术革命,即“以塑代钢”。在这场技术革命中,高密度聚乙烯管道因其具有极高的机械强度和高速的加工性能而倍受青睐,目前已广泛运用于燃气输送、给水、排污、农业灌溉、矿山细颗粒固体输送,以及油田、化工和邮电通讯等领域,特别在燃气输送上得到了普遍的应用。但是由于高密度聚乙烯(High Density Polyethylene,HDPE)的生产系统具有复杂的工艺结构,采用过程建模与模拟技术、先进控制与优化技术、生产监控与安全技术成为了降低生产成本、提高生产操作水平、消除装置“瓶颈”成为提高企业经济效益的主要手段,其中应用过程建模、控制与优化技术以指导生产装置操作已成为我国聚乙烯生产企业的迫切需求。因此,研究应用先进技术进行HDPE生产过程参数的智能检测以及产品单耗的优化操作,具有重要的理论意义和实际应用价值。
人工神经网络是一种基于数据驱动的自适应方法,其根据过程所提供的数据,通过学习和训练,找出输入和输出之间的内在联系,从而在建模实现问题上有着极强的适应性和灵活性。人工神经网络不依靠过程的先验知识和规则,具有非线性逼近能力强的特点,被广泛用于化工过程中的参数估计、操作过程优化以及过程系统控制中。其中,函数连接神经网络(Functional Link Neural Network,FLNN)是一种无隐含层的前馈神经网络,该网络具有结构简单,非线性逼近能力强,训练精度高等特点。但是由于FLNN内部权值计算方法采用的是梯度下降法,该方法的缺点是收敛速度慢、容易陷入局部极值,使得FLNN网络的拟合精度降低。
发明内容
为解决现有技术存在的局限和缺陷,本发明提供一种用于高密度聚乙烯串级聚合反应的软测量方法,包括:
对现场采集的高密度聚乙烯反应数据中存在的缺失数据、异常数据和噪声数据进行处理;
将处理之后的数据作为二反应器熔融指数模型和聚乙烯产品单耗模型的训练数据;
将所述训练数据分为用于基于正则化的神经网络建模的训练样本和验证样本,其中,2/3的训练数据作为训练样本,1/3的训练数据作为验证样本;
根据扩展函数对训练样本集与验证样本集的数据进行扩展;
使用正则化方法替代函数连接神经网络中的梯度下降方法,通过设置正则化参数对所述函数连接神经网络的权值计算进行优化;
使用优化之后的函数连接神经网络对所述高密度聚乙烯反应建立函数连接神经网络模型;
使用所述函数连接神经网络模型进行所述高密度聚乙烯反应的软测量。
可选的,所述对现场采集的高密度聚乙烯反应数据中存在的缺失数据、异常数据和噪声数据进行处理的步骤之后包括:
使用固定均值算法进行数据融合,生成包含14组采样值和2组分析值的输出值vi(n)(i=1,2,K,16);
所述将处理之后的数据作为二反应器熔融指数模型和聚乙烯产品单耗模型的训练数据的步骤包括:
获得所述二反应器熔融指数模型的训练数据为:
Ω1={X,Y}={(Xn,Yn)|n=1,2,…,N;Yn=[yn1]T=[v15(n)]T;Xn=[xn1,xn2,…,xn,14]T
=[v1(n),v2(n),v3(n),v4(n),v5(n),v6(n),v7(n),v8(n),v9(n),v10(n),v11(n),v12(n),v13(n),v14(n)]T}
获得所述聚乙烯产品单耗模型的训练数据为:
Ω2={X,Y}={(Xn,Yn)|n=1,2,…,N;Yn=[yn1]T=[v16(n)]T;,Xn=[xn1,xn2,…xn,11]T
=[v3(n),v4(n),v5(n),v6(n),v7(n),v9(n),v10(n),v11(n),v12(n),v13(n),v14(n)]T}
其中,n为采样时刻。
可选的,所述将所述训练数据分为用于基于正则化的神经网络建模的训练样本和验证样本的步骤包括:
根据预设的数据格式对所述训练数据进行建模,所述数据格式为:
{X,Y}={(Xn,Yn)|n=1,2,…,N;Xn=[xn1,xn2,…,xnP]T∈RP;Yn=[yn1]T∈R1}
抽取2/3的训练数据作为训练样本,抽取1/3的训练数据作为验证样本。
可选的,所述根据扩展函数对训练样本集与验证样本集的数据进行扩展的步骤包括:
确定函数连接神经网络的层数为2层,分为输入层和输出层;
选择扩展函数
根据所述扩展函数对所述函数连接神经网络的训练数据{X,Y}进行扩展,使得扩展之后的训练样本集作为所述函数连接神经网络的输入和输出。
可选的,所述使用正则化方法替代函数连接神经网络中的梯度下降方法,通过设置正则化参数对所述函数连接神经网络的权值计算进行优化的步骤包括:
使用正则化方法计算所述函数连接神经网络的输入层与输出层之间的权值;
所述使用优化之后的函数连接神经网络对所述高密度聚乙烯反应建立函数连接神经网络模型的步骤之后包括:
根据输入的验证样本集和所述函数连接神经网络模型获得所述函数连接神经网络的输出;
将所述函数连接神经网络的输出与所述验证样本集的期望输出值进行比较,获得所述函数连接神经网络的相对误差与均方根误差;
根据所述函数连接神经网络的相对误差与均方根误差验证基于正则化的函数连接神经网络模型的性能。
本发明具有下述有益效果:
本发明提供一种用于高密度聚乙烯串级聚合反应的软测量方法,使用数据校正技术和数据挖掘技术进行数据预处理,从生产数据与分析数据之中寻找规律,使用函数连接神经网络建立智能软测量模型和高密度聚乙烯产品单耗模型,使用正则化方法优化函数连接神经网络结构,提高函数连接神经网络的建模精度,最终形成高密度聚乙烯反应过程智能软测量方法。本发明提供的技术方案具有响应时间快、建模精度高的特点,为保证高密度聚乙烯生产的安全进行、提高聚合物产品质量、节约生产成本提供了帮助。本发明提供的基于正则化的函数连接神经网络,通过设置正则化参数优化权值,从而减少网络误差,提高建模精度和计算速度。
附图说明
图1为本发明实施例一提供的高密度聚乙烯串级聚合反应流程图。
图2为本发明实施例一提供的函数连接神经网络的模型结构示意图。
图3为本发明实施例一提供的软测量方法的网络模型结构示意图。
图4为本发明实施例一提供的软测量方法的工作流程图。
图5为本发明实施例一提供的数据预处理过程的工作流程图。
图6为本发明实施例一提供的样本选取过程的工作流程图。
图7为本发明实施例一提供的基于正则化的函数连接神经网络建模过程的工作流程图。
其中,附图标记为:1、第一反应器;2、第二反应器;3、第三反应器;4、第四反应器;5、回收罐;6、催化剂制备装置。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的用于高密度聚乙烯串级聚合反应的软测量方法进行详细描述。
实施例一
正则化方法(Regularization Method)是一种对神经网络快速计算权值的优化方法,针对大多数神经网络学习算法存在着收敛速度慢、容易陷入局部极小等问题,本实施例使用正则化方法代替原始模型中的梯度下降方法,建立一个基于正则化的函数连接神经网络(Regularization based Functional Link Neural Network,RFLNN)模型。因此,本实施例使用正则化方法计算获得权值,将上述权值作为网络的最终连接权值,从而计算获得最后的输出。
本实施例克服高密度聚乙烯(High Density Polyethylene,HDPE)串级聚合反应生产过程缺乏在线测量手段、聚乙烯生产成本高的困难,将人工神经网络应用于工业领域,分别构建基于正则化的函数连接神经网络模型技术的二反应器熔融指数模型和聚乙烯产品单耗模型,提出方便、可靠、高效的HDPE过程优化操作方法,为企业提高生产效率、节约生产成本提供技术支持。
本实施例提供的软测量方法包括:数据预处理过程、样本选取过程、基于正则化的函数连接神经网络的建模过程。具体来说,所述的数据预处理过程为:对现场采集的HDPE聚合反应数据中存在的缺失数据、异常数据和噪声数据进行处理,将处理之后的数据作为二反应器熔融指数模型和聚乙烯产品单耗模型的训练数据。所述的样本选取过程为:将处理之后的训练数据分为用于基于正则化的神经网络建模的训练样本和验证样本,2/3训练数据作为训练样本,1/3的训练数据作为验证样本。所述的基于正则化的函数连接神经网络的建模过程为:选用函数连接神经网络用于建立HDPE反应模型,采用正则化方法替代原始FLNN中的梯度下降方法,对FLNN网络的权值计算进行优化,将基于正则化的函数连接神经网络用于对HDPE反应建立模型,通过设置正则化参数来优化权值,从而减少网络误差,提高建模精度和计算速度。
本实施例提供的基于正则化的函数连接神经网络只有输入层与输出层,没有隐含层。本实施例采用函数扩展的方式,对原始数据进行扩展,增强网络的非线性逼近能力,通过梯度下降算法来计算输入层与输出层之间的连接权值。与传统的BP神经网络、RBF神经网络相比,FLNN网络具有网络结构简单,学习速度快,拟合精度高等优良特性,为高密度聚乙烯生产过程的建模提供了新思路。
针对函数连接神经网络中使用的梯度下降算法带来的易陷入局部极值、过拟合、数据过多拟合速度慢等问题,本实施例通过使用正则化方法来优化权值计算的策略,通过使用正则化方法计算权值来代替原始的梯度下降方法,该权值计算方法避免了梯度下降法的计算迭代问题,大大提高了网络计算速度。本实施例提供的正则化方法通过自身正则化项的约束,使得网络一定程度上避免了陷入局部极值和过拟合问题,从而进一步提高网络的拟合精度。本实施例将基于正则化的函数连接神经网络应用于高密度聚乙烯生产过程中的参数智能检测和基于产品单耗的操作优化之中,不但可以实现参数的快速在线检测,而且也可以提高参数检测的准确率和产品的产率。
本实施例克服了HDPE生产中的关键质量变量缺乏在线测量手段的问题,节省了生产每吨合格的聚乙烯产品所消耗的乙烯量,并且通过开展基于正则化的函数连接神经网络(RFLNN)技术的应用研究,实现了聚乙烯产品的长周期稳定生产,从而提升了企业的经济效益增长。
图1为本发明实施例一提供的高密度聚乙烯串级聚合反应流程图。如图1所示,反应过程主要是由两个淤浆反应器组成,乙烯以气态通入,溶解于溶剂中并扩散至催化剂颗粒表面,通过搅拌加速反应形成聚乙烯颗粒,采用稀释剂干燥后产生高密度聚乙烯产品。本实施例生产的HDPE产品,目前已跃居成为世界需求量第三高的聚烯烃品种,广泛用于薄膜、吹塑、管材等。其中,工业上聚乙烯产品的规格主要根据二反应器熔融指数来区分,由于缺乏在线测量手段,实验室分析一次熔融指数需要花两个小时。显然这种频率存在很大滞后,当发现树脂质量不合格时,大量的废料已经产出,造成了无法挽回的经济损失。聚乙烯单耗是指每吨合格的聚乙烯产品所消耗的乙烯量,它是关系企业效益的一个重要参数,与产品产率成倒数关系。和二反应器熔融指数参数一样,聚乙烯单耗也不能由现场仪表进行实时测量。
图2为本发明实施例一提供的函数连接神经网络的模型结构示意图。如图2所示,训练数据分为训练样本集和验证样本集,本实施例将训练样本和验证样本通过扩展函数进行扩展,FLNN网络的训练样本集为{X,Y},其中X∈RN×P为神经网络的输入,Y∈RN×Q为神经网络的期望输出,N为训练样本的数目,P为输入变量的个数,Q为输出变量的个数。对于经过神经网络学习算法训练后,FLNN网络的实际输出分别为因此,FLNN网络的输出为:
本实施例中,FLNN网络的训练误差E为:
图3为本发明实施例一提供的软测量方法的网络模型结构示意图。如图3所示,为了减小FLNN神经网络的训练误差,改善网络易陷入局部极值和过拟合问题,同时为了保证训练速度足够快,本实施例采用正则化的方法来代替梯度下降法进行权值更新的求解。
图4为本发明实施例一提供的软测量方法的工作流程图。如图4所示,数据预处理过程主要是在神经网络集成建模之前进行,对现场采样数据中存在的缺失数据、异常数据和噪声数据进行处理,并以时间尺度对采样数据和分析数据(包括二反应器熔融指数、聚乙烯产品单耗)进行匹配。样本选取过程主要是将预处理后的训练数据分为训练样本集和验证样本集,通过扩展函数对训练样本集和验证样本集的数据进行扩展。RFLNN网络建模过程建立了一个只有输入层和输出层的前馈网络结构,通过正则化方法求得权值,对神经网络进行快速训练,并通过验证样本得出网络的最终输出,同时对实际输出与期望输出进行对比。
表1二反应器熔融指数软测量模型和聚乙烯产品单耗模型的输入输出变量
表1为二反应器熔融指数软测量模型和聚乙烯产品单耗模型的输入输出变量表。在高密度聚乙烯串联生产中,第二反应器中的聚合物实际上是经过“二次混合”的产物,即一部分是由第一反应器生产后移入第二反应器的聚合物,另一部分为第二反应器独自生产的聚合物。因此,影响二反应器熔融指数的因素不仅包括第二反应器自身的物理参数、进出物料的物性和速率,还包括第一反应器的物理参数、进出物料的物性和速率。对影响聚乙烯产品单耗的各种因素进行确定则需要以一段时间内的平均消耗为目标,以聚乙烯反应过程物料平衡和能量平衡方程为依据,再结合实际工程经验。
图5为本发明实施例一提供的数据预处理过程的工作流程图。如图5所示,在HDPE反应过程中,测量仪表的误差、设备故障以及操作过程失误等会造成数据缺失或数据误差超过一定范围。本实施例采用最近距离法处理缺失数据,采用绝对均值法修正异常数据,采用滑动均值法去除采集数据中存在的噪声。此外,对于v1-v14共14个现场测量点,每个现场测量点的采样间隔为1分钟,而对二反应器熔融指数和聚乙烯产品单耗的分析间隔为1小时,因此本实施例采用固定均值法以实现采样数据和分析数据的时间匹配。具体的预处理过程如下:
本实施例进行缺失数据填充,按照采样间隔读取当前时刻k在第i个测量点的现场采集值vi(k),判断当前测量值vi(k)是否缺失,如果存在缺失值,采用最近距离法补全缺失值,计算公式如下:
其中,vi(kp)和vi(kq)是第i个测量点的采集值中距离k时刻最近的非缺失值,分别对应的时刻为kp和kq。
本实施例进行异常数据修正,首先需要判定当前数据是否为异常数据:设定一个以当前时刻为终点且宽度固定为L的滑动窗口,并且计算窗口内所有采样值的均值,计算公式如下:
其中,为滑动窗口内采样值的均值,异常数据的判断如下:
其中,kp取经验值为4,若该式成立,表明测量点i在第k个时刻的采集值vi(k)为异常数据。当判定vi(k)为异常数据时,需采用上述代替当前时刻采样值vi(k)。
本实施例进行噪声数据滤波,对于现场采集数据中混有大量的噪声,采用滑动均值算法实现数据滤波去噪。本实施例采用滑动均值算法,首先设定了一个宽度固定的滑动窗口,该窗口沿着时间序列滑动,取窗口内数据的算术平均值作为滤波后的输出值。其中,滤波算法公式为:
其中,为数据滤波时所用的滑动窗口大小,v′i(k)为测量点i在第k个时刻滤波后的输出值。
本实施例进行采样数据融合。在HDPE过程中,14个现场测量点的采样间隔为1分钟,而二反应器熔融指数和乙烯产品单耗的分析间隔为1小时,为了从时间上匹配采样数据和分析数据,本实施例采用固定均值算法实现数据融合。假设n(n=1,2,…,N)为分析数据{v15(n)}和{v16(n)}对应的采样时刻,那么经过融合后n时刻对应的采样数据输出值为:
其中,vi(n)为融合后测量点i对应时刻n的输出值。
本实施例将经过数据预处理后的v1-v14共14组采样值和v15、v16两组分析值组成RFLNN网络的训练数据。其中,对于二反应器熔融指数模型,其训练数据为:
Ω1={X,Y}={(Xn,Yn)|n=1,2,…,N;Yn=[yn1]T=[v15(n)]T;Xn=[xn1,xn2,…,xn,14]T
=[v1(n),v2(n),v3(n),v4(n),v5(n),v6(n),v7(n),v8(n),v9(n),v10(n),v11(n),v12(n),v13(n),v14(n)]T}
对于聚乙烯产品单耗模型,其训练数据为:
Ω2={X,Y}={(Xn,Yn)|n=1,2,…,N;Yn=[yn1]T=[v16(n)]T;,Xn=[xn1,xn2,…xn,11]T
=[v3(n),v4(n),v5(n),v6(n),v7(n),v9(n),v10(n),v11(n),v12(n),v13(n),v14(n)]T}
图6为本发明实施例一提供的样本选取过程的工作流程图。如图6所示,本实施例将预处理后得到的二反应器熔融指数模型的训练数据Ω1和聚乙烯产品单耗模型的训练数据Ω2,统一按照训练数据{X,Y}={(Xn,Yn)|n=1,2,L,N;Xn=[xn1,xn2,L,xnP]T∈RP;Yn=[yn1]T∈R1}进行建模。在RFLNN网络模型中,训练数据分为训练样本集和验证样本集,同时对训练样本集和验证样本集进行函数的扩展。其中,训练样本集是用于对RFLNN网络进行训练,验证样本集是用于对所建RFLNN网络模型进行网络性能的好坏的判断,通过对比网络的实际输出与期望输出,以及网络的拟合速度,来验证RFLNN网络的有效性和可行性。
图7为本发明实施例一提供的基于正则化的函数连接神经网络建模过程的工作流程图。如图7所示,由于传统的FLNN网络采用的是梯度下降法进行权值的更新迭代,该方法的缺点是计算速度慢,易陷入局部极值,以及过拟合问题等,从而增大网络的训练误差。因此,本实施例提供通过使用正则化方法来代替梯度下降法来进行权值的更新。
本实施例对RFLNN网络进行训练,具体来说,首先确定RFLNN网络的结构。本实施例根据所述函数连接神经网络的训练样本{X',Y'}={(Xn,Yn)|n=1,2,L,N1;N1<N;Xn=[xn1,xn2,L,xnP]T∈RP;Yn=[yn1]T∈R1},可知函数连接神经网络的输入层神经元个数为P,输出层神经元个数为1。本实施例对训练样本集数据和验证样本集数据进行归一化处理,设定的归一化范围为(0.1,0.9),归一化函数为:
若则xij=-1。
公式(8)之中,i=1,2,...,n,j=1,2,...,p,p为变量个数。
本实施例选择扩展函数对归一化后的训练样本集和验证样本集进行函数扩展,增强数据的非线性,本实施例选用的扩展函数为:正弦函数g1(×)、余弦函数g2(×)、Sigmoid函数g3(×)。通过扩展,提高数据维度,扩展后的数据变为K维向量:
g(0={g1(xi),g2(xi),g3(xi)}(i=1,2,...,n) (9)
本实施例提供的训练样本集变为:
{X”,Y”}={(Xn,Yn)|n=1,2,L,K1;Xn=[xn1,xn2,L,xnP]T∈RP;Yn=[yn1]T∈R1};
本实施例提供的验证样本集变为:
{X”',Y”'}={(Xn,Yn)|n=1,2,L,K2;Xn=[xn1,xn2,L,xnP]T∈RP;Yn=[yn1]T∈R1};
其中,K1+K2=K。
本实施例以扩展后的训练样本{X”,Y”}作为输入层的输入和输出层的输出,通过正则化方法求解出输入层与输出层之间的连接权值:
W=(X’TX’+λI)-1X’TY’ (10)
其中,λ为正则化参数,取0到1之间的常数,I为K1维单位向量。
本实施例对RFLNN模型进行训练,计算网络训练的输出值y=f(WX'),其中,f(·)为输出层神经元的激活函数。输出值构成的输出矩阵y为:
对输出值进行反归一化,反归一化公式为:
其中,i=1,2,...,K1,j=1,2,...,P,P为变量个数。同时,本实施例计算实际输出与期望输出的相对误差与均方根误差RMSE,均方根误差计算公式为:
本实施例利用泛化样本集对训练好的RFLNN网络进行验证,对比实际输出与期望输出之间的相对误差和均方差,验证网络性能,同时比较RFLNN网络与传统FLNN网络的计算速度和拟合精度。
综上所述,依次经过数据预处理、样本选取、基于正则化的函数连接神经网络建模三个过程,本实施例实现了HDPE过程关键质量变量的在线测量以及聚乙烯产品单耗的在线估计。
本实施例提供一种用于高密度聚乙烯串级聚合反应的软测量方法,使用数据校正技术和数据挖掘技术进行数据预处理,从生产数据与分析数据之中寻找规律,使用函数连接神经网络建立智能软测量仪表和高密度聚乙烯产品单耗模型,使用正则化方法优化函数连接神经网络结构,提高函数连接神经网络的建模精度,最终形成高密度聚乙烯反应过程智能软测量方法。本实施例提供的技术方案具有响应时间快、建模精度高的特点,为保证高密度聚乙烯生产的安全进行、提高聚合物产品质量、节约生产成本提供了帮助。本实施例提供的基于正则化的函数连接神经网络,通过设置正则化参数优化权值,从而减少网络误差,提高建模精度和计算速度。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (5)
1.一种用于高密度聚乙烯串级聚合反应的软测量方法,其特征在于,包括:
对现场采集的高密度聚乙烯反应数据中存在的缺失数据、异常数据和噪声数据进行处理;
将处理之后的数据作为二反应器熔融指数模型和聚乙烯产品单耗模型的训练数据;
将所述训练数据分为用于基于正则化的神经网络建模的训练样本和验证样本,其中,2/3的训练数据作为训练样本,1/3的训练数据作为验证样本;
根据扩展函数对训练样本集与验证样本集的数据进行扩展;
使用正则化方法替代函数连接神经网络中的梯度下降方法,通过设置正则化参数对所述函数连接神经网络的权值计算进行优化;
使用优化之后的函数连接神经网络对所述高密度聚乙烯反应建立函数连接神经网络模型;
使用所述函数连接神经网络模型进行所述高密度聚乙烯反应的软测量。
2.根据权利要求1所述的用于高密度聚乙烯串级聚合反应的软测量方法,其特征在于,所述对现场采集的高密度聚乙烯反应数据中存在的缺失数据、异常数据和噪声数据进行处理的步骤之后包括:
使用固定均值算法进行数据融合,生成包含14组采样值和2组分析值的输出值vi(n)(i=1,2,K,16);
所述将处理之后的数据作为二反应器熔融指数模型和聚乙烯产品单耗模型的训练数据的步骤包括:
获得所述二反应器熔融指数模型的训练数据为:
Ω1={X,Y}={(Xn,Yn)|n=1,2,…,N;Yn=[yn1]T=[v15(n)]T;Xn=[xn1,xn2,…,xn,14]T
=[v1(n),v2(n),v3(n),v4(n),v5(n),v6(n),v7(n),v8(n),v9(n),v10(n),v11(n),v12(n),v13(n),v14(n)]T}
获得所述聚乙烯产品单耗模型的训练数据为:
Ω2={X,Y}={(Xn,Yn)|n=1,2,…,N;Yn=[yn1]T=[v16(n)]T;Xn=[xn1,xn2,…,xn,11]T
=[v3(n),v4(n),v5(n),v6(n),v7(n),v9(n),n10(n),v11(n),v12(n),v13(n),v14(n)]T}
其中,n为采样时刻。
3.根据权利要求1所述的用于高密度聚乙烯串级聚合反应的软测量方法,其特征在于,所述将所述训练数据分为用于基于正则化的神经网络建模的训练样本和验证样本的步骤包括:
根据预设的数据格式对所述训练数据进行建模,所述数据格式为:
{X,Y}={(Xn,Yn)|n=1,2,…,N;Xn=[xn1,xn2,…,xnP]T∈RP;Yn=[yn1]T∈R1}
抽取2/3的训练数据作为训练样本,抽取1/3的训练数据作为验证样本。
4.根据权利要求1所述的用于高密度聚乙烯串级聚合反应的软测量方法,其特征在于,所述根据扩展函数对训练样本集与验证样本集的数据进行扩展的步骤包括:
确定函数连接神经网络的层数为2层,分为输入层和输出层;
选择扩展函数
根据所述扩展函数对所述函数连接神经网络的训练数据{X,Y}进行扩展,使得扩展之后的训练样本集作为所述函数连接神经网络的输入和输出。
5.根据权利要求1所述的用于高密度聚乙烯串级聚合反应的软测量方法,其特征在于,所述使用正则化方法替代函数连接神经网络中的梯度下降方法,通过设置正则化参数对所述函数连接神经网络的权值计算进行优化的步骤包括:
使用正则化方法计算所述函数连接神经网络的输入层与输出层之间的权值;
所述使用优化之后的函数连接神经网络对所述高密度聚乙烯反应建立函数连接神经网络模型的步骤之后包括:
根据输入的验证样本集和所述函数连接神经网络模型获得所述函数连接神经网络的输出;
将所述函数连接神经网络的输出与所述验证样本集的期望输出值进行比较,获得所述函数连接神经网络的相对误差与均方根误差;
根据所述函数连接神经网络的相对误差与均方根误差验证基于正则化的函数连接神经网络模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458861.7A CN110197031B (zh) | 2019-05-29 | 2019-05-29 | 一种用于高密度聚乙烯串级聚合反应的软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458861.7A CN110197031B (zh) | 2019-05-29 | 2019-05-29 | 一种用于高密度聚乙烯串级聚合反应的软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197031A true CN110197031A (zh) | 2019-09-03 |
CN110197031B CN110197031B (zh) | 2021-03-26 |
Family
ID=67753509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910458861.7A Active CN110197031B (zh) | 2019-05-29 | 2019-05-29 | 一种用于高密度聚乙烯串级聚合反应的软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197031B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110739030A (zh) * | 2019-09-16 | 2020-01-31 | 北京化工大学 | 一种乙烯生产过程小样本的软测量方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4979126A (en) * | 1988-03-30 | 1990-12-18 | Ai Ware Incorporated | Neural network with non-linear transformations |
CN101017373A (zh) * | 2006-12-28 | 2007-08-15 | 浙江大学 | 工业过程多分辨率软测量仪表及方法 |
CN102141455A (zh) * | 2010-12-10 | 2011-08-03 | 北京航空航天大学 | 一种非介入式压力测量方法 |
CN102759602A (zh) * | 2012-06-29 | 2012-10-31 | 北京化工大学 | 高密度聚乙烯串级聚合反应过程故障预测方法 |
CN103226728A (zh) * | 2013-04-07 | 2013-07-31 | 北京化工大学 | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 |
CN107609637A (zh) * | 2017-09-27 | 2018-01-19 | 北京师范大学 | 一种结合数据表示与伪逆学习自编码器的提高模式识别精度的方法 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
CN109492760A (zh) * | 2018-12-21 | 2019-03-19 | 北京航空航天大学 | 基于深度模糊认知图模型的可解释预测方法 |
-
2019
- 2019-05-29 CN CN201910458861.7A patent/CN110197031B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4979126A (en) * | 1988-03-30 | 1990-12-18 | Ai Ware Incorporated | Neural network with non-linear transformations |
CN101017373A (zh) * | 2006-12-28 | 2007-08-15 | 浙江大学 | 工业过程多分辨率软测量仪表及方法 |
CN102141455A (zh) * | 2010-12-10 | 2011-08-03 | 北京航空航天大学 | 一种非介入式压力测量方法 |
CN102759602A (zh) * | 2012-06-29 | 2012-10-31 | 北京化工大学 | 高密度聚乙烯串级聚合反应过程故障预测方法 |
CN103226728A (zh) * | 2013-04-07 | 2013-07-31 | 北京化工大学 | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 |
CN107609637A (zh) * | 2017-09-27 | 2018-01-19 | 北京师范大学 | 一种结合数据表示与伪逆学习自编码器的提高模式识别精度的方法 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
CN109492760A (zh) * | 2018-12-21 | 2019-03-19 | 北京航空航天大学 | 基于深度模糊认知图模型的可解释预测方法 |
Non-Patent Citations (2)
Title |
---|
葛家理 等著: "《复杂渗流系统的应用于实验流体力学》", 31 August 1998, 石油大学出版社 * |
郭庆春 著: "《人工神经网络应用研究》", 31 October 2016, 吉林大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110739030A (zh) * | 2019-09-16 | 2020-01-31 | 北京化工大学 | 一种乙烯生产过程小样本的软测量方法 |
CN110739030B (zh) * | 2019-09-16 | 2023-09-01 | 北京化工大学 | 一种乙烯生产过程小样本的软测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110197031B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101315557B (zh) | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 | |
CN101382801B (zh) | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 | |
CN103226728B (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN102880908B (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
CN108021773B (zh) | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN110197031A (zh) | 一种用于高密度聚乙烯串级聚合反应的软测量方法 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN117052457A (zh) | 隧道施工粉尘治理控制方法、系统、设备及介质 | |
CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
CN115049627B (zh) | 基于域自适应深度迁移网络的钢表面缺陷检测方法及系统 | |
CN110795891A (zh) | 一种耙吸式挖泥船操作参数的学习方法 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN107944552A (zh) | 一种基于Elman神经网络的工业物联网参数预测方法 | |
CN113764048A (zh) | 一种聚丙烯生产质量在线测量系统 | |
CN113377075A (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
CN109783875A (zh) | 一种海洋重力数据的自我迭代更新优化算法 | |
CN111222283B (zh) | 一种结晶过程粒度分布建模与控制方法 | |
CN113569898B (zh) | 基于bp神经网络的水质模型参数反演分析方法及系统 | |
CN110210724B (zh) | 一种同时耦合多种先验概率分布的供水管网节点需水量校核方法 | |
CN111612665B (zh) | 用于打地基学习的监督和校正系统与方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |