CN113759103A - 一种丙烯聚合质量在线测量系统 - Google Patents
一种丙烯聚合质量在线测量系统 Download PDFInfo
- Publication number
- CN113759103A CN113759103A CN202010509946.6A CN202010509946A CN113759103A CN 113759103 A CN113759103 A CN 113759103A CN 202010509946 A CN202010509946 A CN 202010509946A CN 113759103 A CN113759103 A CN 113759103A
- Authority
- CN
- China
- Prior art keywords
- propylene polymerization
- measurement
- chaotic
- gabor
- function
- 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
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 title claims abstract description 98
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 title claims abstract description 98
- 238000006116 polymerization reaction Methods 0.000 title claims abstract description 79
- 238000005259 measurement Methods 0.000 claims abstract description 90
- 230000000739 chaotic effect Effects 0.000 claims abstract description 54
- -1 polypropylene Polymers 0.000 claims abstract description 28
- 239000004743 Polypropylene Substances 0.000 claims abstract description 27
- 229920001155 polypropylene Polymers 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- 239000000126 substance Substances 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 73
- 235000012907 honey Nutrition 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 33
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 239000003054 catalyst Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000010187 selection method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 239000001257 hydrogen Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003534 oscillatory effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 239000000155 melt Substances 0.000 description 11
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000007334 copolymerization reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920005992 thermoplastic resin Polymers 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011127 biaxially oriented polypropylene Substances 0.000 description 1
- 229920006378 biaxially oriented polypropylene Polymers 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/44—Resins; Plastics; Rubber; Leather
- G01N33/442—Resins; Plastics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Polymerisation Methods In General (AREA)
Abstract
本发明涉及一种丙烯聚合质量在线测量系统,包括:混沌重构模块,将丙烯聚合过程的操作参数依据其混沌特性进行重构得到输入变量;Gabor小波分析模块,用于将输入变量以频率为基准分析其小波特性,通过Gabor核函数对变量进行重构,表征输入变量在不同频率下各尺度各方向的局部纹理信息,得到输入特征信号;极端随机树测量模型模块,以聚丙烯产品样本集和先验知识作为依据,将所述输入特征信号转化后输出对应的聚丙烯产品的软测量值。本发明克服传统的化工仪表测量时间滞后,测量精度低的缺点,能够实现系统在线维护、结合聚合过程混沌特性提高测量准确度,测量系统鲁棒性强、置信水平高、可靠性强。
Description
技术领域
本发明涉及聚合过程测量仪表领域、机器学习领域、智能优化领域和模型维护领域,尤其涉及一种混沌群智能最优的丙烯聚合质量在线测量系统。
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。
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实现系统在线维护、结合聚合过程混沌特性提高测量准确度,测量系统鲁棒性强、置信水平高、可靠性强的在线校正混沌重构人工蜂群智能优化极端随机树的丙烯聚合过程质量在线测量系统。
为此,本发明提供一种丙烯聚合质量在线测量系统,用于对聚丙烯产品进行质量检测,包括:
混沌重构模块,将丙烯聚合过程的操作参数依据其混沌特性进行重构得到输入变量;
Gabor小波分析模块,用于将输入变量以频率为基准分析其小波特性,通过Gabor核函数对变量进行重构,表征输入变量在不同频率下各尺度各方向的局部纹理信息,得到输入特征信号;
极端随机树测量模型模块,以聚丙烯产品样本集和先验知识作为依据,将所述输入特征信号转化后输出对应的聚丙烯产品的软测量值。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,所述操作参数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。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,所述操作参数的混沌系统表达为z(n)=[s(n),s(n+T1),s(n+T2),...,s(n+Td-1)],其中s(n)为丙烯聚合过程的第n个采样点信号,T1,T2,...,Td-1分别为第n个采样点之后的采样时刻;在混沌系统中,延迟时间满足Tm=mτ条件,其中τ为延迟时间,Tm表示第m个采样时刻,丙烯聚合过程的输入信号由嵌入维数和延迟时间重构为动态混沌系统信号z(n)=[s(n),s(n+τ),s(n+2τ),...,s(n+(d-1)τ)],其中,z(n)为第n时刻的混沌重构信号,τ是延迟时间,d为输入信号的嵌入维数。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,所述延迟时间和所述嵌入维数分别由互信息法和伪最邻近法得到。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,所述Gabor核函数定义如下:
其中,z表示重构变量的坐标信息,u表示Gabor滤波器的方向,v表示Gabor滤波器的尺度,i为复数符号,exp(iku,vz)为复指数形式的震荡函数,σ2为核函数宽度,ku,v表示Gabor滤波器在各个尺度各个方向上的响应。Gabor核函数的部分函数作用如下:ku,v 2z2/2σ2是一个高斯包络函数,ku,v 2/σ2用以补偿能量谱衰弱,包络函数通常通过加窗的方法可以限制震荡函数的范围,保持波的局部性,抽取坐标附近的特征信息,exp(iku,vz)是震荡函数,它的实部是余弦函数为偶对称,虚部是正弦函数为奇对称。exp(-σ2/2)表示滤波的直流分量,[exp(iku,vz)-exp(-σ2/2)]运算的目的是消除直流分量对滤波效果的影响,核函数宽度σ2用以确定Gabor滤波器的带宽尺寸,ku,v表示Gabor滤波器在各个尺度各个方向上的响应,每个ku,v都代表一个Gabor滤波器,所以当选用多个不同的ku,v时,可以得到多个不同的滤波器组。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,所述输入特征信号由所述Gabor核函数卷积得到,表达式如下:
Gu,v(Z)=f(z)*ψu,v(Z) (2)
其中,Gu,v(z)表示坐标z附近对应尺度v和方向u的卷积函数,ψ为Gabor核函数,利用Gabor函数对输入变量分析得到复数形式的输入特征信号:
Gu,v(z)=Re(Gu,v(z))+j Im(Gu,v(z)) (3)
Gabor特征信号的幅值与相位分别为:
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,所述极端随机树测量模型模块,采用极端随机树、基于集成学习框架来完成输入到输出的映射建模。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,所述极端随机树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。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,还包括混沌人工蜂群优化模块,所述混沌人工蜂群优化模块采用混沌人工蜂群算法对测量系统的分叉阈值参数进行优化,采用如下过程完成:
(5.1)初始化人工蜂群算法的参数,设蜜源数P,最大迭代数itermax,初始搜索空间的最小值和最大值Ld和Ud;蜜源的位置表示问题的可行解,在测量系统中pi的维度为2维,置初始迭代次数iter=0;
(5.2)为蜜源pi分配一只引领蜂,基于混沌映射产生新蜜源Vi;
(5.3)计算Vi的适应度值,根据贪婪选择的方法确定保留的蜜源;
(5.4)计算引领蜂找到的蜜源被更随的概率;
(5.5)跟随蜂采用与引领蜂相同的方式进行搜索,根据贪婪选择的方法确定保留的蜜源;
(5.6)判断蜜源Vi是否满足被放弃的条件,如满足,对应的引领蜂角色变为侦察蜂,否则直接转到(5.8);
(5.7)侦察蜂随机产生新蜜源;
(5.8)iter=iter+1,判断是否已经达到最大迭代次数,若满足则输出最优参数,选取适应度值最优的解作为算法的最优解,否则转到步骤(5.2),
其中,蜜源数为100,初始搜索空间的最小值和最大值0和100,最大迭代次数100。
本发明所述的丙烯聚合质量在线测量系统,其中优选的是,还包括在线校正模块,利用实时生产数据,在线对测量系统进行维护修正,实现步骤如下:
(6.1)在系统运行过程中,t时刻采集得到的丙烯聚合熔融指数分析值在未来的t+n时刻得到,由此可以判断t时刻所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统预报值的准确性;
(6.2)将误差大于阈值的聚丙烯生产数据作为失配样本点加入新的测量训练集;
(6.3)新训练集以线性递减的权重和历史数据一同输入到智能参数优化模块中修正系统参数;
(6.4)智能参数优化模块在线训练并更新粒子群知识库状态,最终得到优化后的所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统的参数;
(6.5)步骤(6.4)的参数,输入到测量系统得到维护后修正的测量结果,实现失配系统的在线校正。
具体的,本发明的技术方案如下:
本发明的丙烯聚合质量在线测量系统包括混沌重构模块、Gabor小波分析模块、极端随机树测量模型模块、在线校正模块、混沌人工蜂群优化模块。其中:
(1)混沌重构模块:用于将从DCS数据库输入的输入变量依据其混沌特性进行重构。丙烯聚合过程质量在线测量系统的输入信号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。其输入信号的混沌系统表达为z(n)=[s(n),s(n+T1),s(n+T2),...,s(n+Td-1)],其中s(n)为丙烯聚合过程的第n个采样点信号,T1,T2,...,Td-1分别为第n个采样点之后的采样时刻。在混沌系统中,延迟时间满足Tm=mτ条件,其中τ为延迟时间,Tm表示第m个采样时刻,因此,丙烯过程输入信号可以由嵌入维数和延迟时间重构为动态混沌系统信号z(n)=[s(n),s(n+τ),s(n+2τ),...,s(n+(d-1)τ)],其中,z(n)为第n时刻的混沌重构信号,τ是延迟时间,d为输入信号的嵌入维数。混沌重构的延迟时间和嵌入维数分别由互信息法和伪最邻近法得到。
(2)Gabor小波分析模块:用于将混沌重构后的输入变量以频率为基准分析其多尺度特性,通过Gabor核函数对变量进行多尺度重构,实现提取输入变量在不同频率下各尺度各方向的局部纹理特征信息,Gabor核函数定义如下:
其中,z表示重构变量的坐标信息,u表示Gabor滤波器的方向,v表示Gabor滤波器的尺度,i为复数符号,exp(iku,vz)为复指数形式的震荡函数,σ2为核函数宽度,ku,v表示Gabor滤波器在各个尺度各个方向上的响应。Gabor核函数的部分函数作用如下:ku,v 2z2/2σ2是一个高斯包络函数,ku,v 2/σ2用以补偿能量谱衰弱,包络函数通常通过加窗的方法可以限制震荡函数的范围,保持波的局部性,抽取坐标附近的特征信息。exp(iku,vz)是震荡函数,它的实部是余弦函数为偶对称,虚部是正弦函数为奇对称。exp(-σ2/2)表示滤波的直流分量,[exp(iku,vz)-exp(-σ2/2)]运算的目的是消除直流分量对滤波效果的影响,核函数宽度σ2用以确定Gabor滤波器的带宽尺寸。ku,v表示Gabor滤波器在各个尺度各个方向上的响应,每个ku,v都代表一个Gabor滤波器,所以当选用多个不同的ku,v时,可以得到多个不同的滤波器组。
Gabor特征由核函数卷积得到,表达式如下:
Gu,v(z)=f(z)*ψu,v(z) (2)
其中,Gu,v(z)表示坐标z附近对应尺度v和方向u的卷积函数,ψ为Gabor核函数。利用Gabor函数对输入变量分析得到复数形式的输入特征信号:
Gu,v(z)=Re(Gu,v(z))+j Im(Gu,v(z)) (3)
Gabor特征信号的幅值与相位分别为:
(3)极端随机树测量模型模块:用于建立丙烯聚合过程测量系统,采用极端随机树、基于集成学习框架来完成输入到输出的映射建模。极端随机树训练分裂规则,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聚丙烯熔融指数输出。
(4)混沌人工蜂群优化模块:采用混沌人工蜂群算法对测量系统的参数进行优化,采用如下过程完成:
(4.1)初始化人工蜂群算法的参数,设蜜源数P,最大迭代数itermax,初始搜索空间的最小值和最大值Ld和Ud;蜜源的位置表示问题的可行解,在测量系统中pi的维度为2维,置初始迭代次数iter=0;
(4.2)为蜜源pi分配一只引领蜂,基于混沌映射产生新蜜源Vi;
(4.3)计算Vi的适应度值,根据贪婪选择的方法确定保留的蜜源;
(4.4)计算引领蜂找到的蜜源被更随的概率;
(4.5)跟随蜂采用与引领蜂相同的方式进行搜索,根据贪婪选择的方法确定保留的蜜源;
(4.6)判断蜜源Vi是否满足被放弃的条件,如满足,对应的引领蜂角色变为侦察蜂,否则直接转到(4.8);
(4.7)侦察蜂随机产生新蜜源;
(4.8)iter=iter+1,判断是否已经达到最大迭代次数,若满足则输出最优参数,选取适应度值最优的解作为算法的最优解,否则转到步骤(4.2)。
其中,蜜源数为100,初始搜索空间的最小值和最大值0和100,最大迭代次数100。
(5)在线校正模块:利用实时生产数据,在线对测量系统进行维护修正,实现步骤如下:
(5.1)在系统运行过程中,t时刻采集得到的丙烯聚合熔融指数分析值在未来的t+n时刻得到,由此可以判断t时刻所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统预报值的准确性;
(5.2)将误差大于阈值的聚丙烯生产数据作为失配样本点加入新的测量训练集;
(5.3)新训练集以线性递减的权重和历史数据一同输入到智能参数优化模块中修正系统参数;
(5.4)智能参数优化模块在线训练并更新粒子群知识库状态,最终得到优化后的所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统的参数;
(5.5)步骤(5.4)的参数,输入到测量系统得到维护后修正的测量结果,实现失配系统的在线校正。
本发明的技术构思为:对丙烯聚合过程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、非线性特征提取不足,引入混沌相空间重构进行特征提取与序列重构,引入智能化方法不需要人为经验或多次测试来调整系统参数,从而得到在线校正的丙烯聚合生产过程混沌群智能最优测量仪表。
本发明的有益效果主要表现在:1、在线校正实现了系统在线维护解决系统失配问题,提升模型的鲁棒性与可靠性;2、丙烯聚合生产过程群智能参数优化实现了系统参数自适应整定提高了测量系统的测量准确度。
综上所述,本发明丙烯聚合质量在线测量系统对丙烯聚合过程重要质量指标熔融指数进行在线测量,克服传统的化工仪表测量时间滞后、测量精度低的缺点,能够实现系统在线维护、结合聚合过程混沌特性提高测量准确度,测量系统鲁棒性强、置信水平高、可靠性强。
附图说明
图1为本发明实施例1的丙烯聚合过程质量在线测量系统的整体架构图;
图2为本发明丙烯聚合过程质量在线测量系统的功能结构图。
具体实施方式
以下对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例,下列实施例中未注明具体条件的实验方法,通常按照常规条件。
实施例1
参考图1和图2,图1为本发明丙烯聚合过程质量在线测量系统的整体架构图;图2为本发明丙烯聚合过程质量在线测量系统的功能结构图。
本发明的聚丙烯生产质量检测系统在检测过程中涉及丙烯聚合生产过程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以及熔融指数软测量值显示仪6,现场智能仪表2、控制站3与丙烯聚合生产过程1连接,现场智能仪表2、控制站3与DCS数据库4连接,DCS数据库4与丙烯聚合质量在线测量系统5的输入端连接,丙烯聚合质量在线测量系统5的输出端与熔融指数软测量值显示仪6连接。上述易测变量和操作变量均为丙烯聚合生产过程中的操作参数。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参数作为建模变量,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列出了作为在线校正混沌群智能最优丙烯聚合过程质量在线测量系统所需的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)。熔融指数离线化验值作为丙烯聚合过程质量在线测量系统5的校验值,用于计算预报误差来评价聚丙烯生产质量检测系统5的预报精度。预报误差选用均方根误差(Root Mean Square Error,RMSE),其计算公式为其中,为聚丙烯生产质量检测系统5输出值,yi为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。
表1在线校正混沌群智能最优丙烯聚合过程质量在线测量系统所需建模变量
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 |
根据图2所示,丙烯聚合过程质量在线测量系统的功能结构包括:
(1)混沌重构模块7,用于将从DCS数据库输入的模型输入变量依据其混沌特性进行重构,
丙烯聚合生产过程输入信号的混沌系统表达为z(n)=[s(n),s(n+T1),s(n+T2),...,s(n+Td-1)],其中s(n)为丙烯聚合过程的第n个采样点信号,T1,T2,...,Td-1分别为第n个采样点之后的采样时刻。在混沌系统中,延迟时间满足Tm=mτ条件,其中τ为延迟时间,Tm表示第m个采样时刻,因此,丙烯过程输入信号可以由嵌入维数和延迟时间重构为动态混沌系统信号z(n)=[s(n),s(n+τ),s(n+2τ),...,s(n+(d-1)τ)],其中,z(n)为第n时刻的混沌重构信号,τ是延迟时间,d为输入信号的嵌入维数。混沌重构的延迟时间和嵌入维数分别由互信息法和伪最邻近法得到。
(2)Gabor小波分析模块8,用于将输入变量以频率为基准分析其小波特性,通过Gabor核函数对变量进行重构实现,表征输入变量在不同频率下各尺度各方向的局部纹理信息,Gabor核函数定义如下:
其中,z表示重构变量的坐标信息,u表示Gabor滤波器的方向,v表示Gabor滤波器的尺度,i为复数符号,exp(iku,vz)为复指数形式的震荡函数,σ2为核函数宽度,ku,v表示Gabor滤波器在各个尺度各个方向上的响应。Gabor核函数的部分函数作用如下:ku,v 2z2/2σ2是一个高斯包络函数,ku,v 2/σ2用以补偿能量谱衰弱,包络函数通常通过加窗的方法可以限制震荡函数的范围,保持波的局部性,抽取坐标附近的特征信息。exp(iku,vz)是震荡函数,它的实部是余弦函数为偶对称,虚部是正弦函数为奇对称。exp(-σ2/2)表示滤波的直流分量,[exp(iku,vz)-exp(-σ2/2)]运算的目的是消除直流分量对滤波效果的影响,核函数宽度σ2用以确定Gabor滤波器的带宽尺寸。ku,v表示Gabor滤波器在各个尺度各个方向上的响应,每个ku,v都代表一个Gabor滤波器,所以当选用多个不同的ku,v时,可以得到多个不同的滤波器组。
Gabor特征由核函数卷积得到,表达式如下:
Gu,v(z)=f(z)*ψu,v(z) (2)
其中,Gu,v(z)表示坐标z附近对应尺度v和方向u的卷积函数,ψ为Gabor核函数。利用Gabor函数对输入变量分析得到复数形式的输入特征信号:
Gu,v(z)=Re(Gu,v(z))+jIm(Gu,v(z)) (3)
Gabor特征信号的幅值与相位分别为:
(3)极端随机树模块9,用于采用极端随机树、基于集成学习框架来完成输入到输出的映射建模。极端随机树训练分裂规则,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聚丙烯熔融指数输出。
(4)混沌人工蜂群优化模块10,采用混沌人工蜂群算法对测量系统的参数进行优化,采用如下过程完成:
(4.1)初始化人工蜂群算法的参数,设蜜源数P,最大迭代数itermax,初始搜索空间的最小值和最大值Ld和Ud;蜜源的位置表示问题的可行解,在测量系统中pi的维度为2维,置初始迭代次数iter=0;
(4.2)为蜜源pi分配一只引领蜂,基于混沌映射产生新蜜源Vi;
(4.3)计算Vi的适应度值,根据贪婪选择的方法确定保留的蜜源;
(4.4)计算引领蜂找到的蜜源被更随的概率;
(4.5)跟随蜂采用与引领蜂相同的方式进行搜索,根据贪婪选择的方法确定保留的蜜源;
(4.6)判断蜜源Vi是否满足被放弃的条件,如满足,对应的引领蜂角色变为侦察蜂,否则直接转到(4.8);
(4.7)侦察蜂随机产生新蜜源;
(4.8)iter=iter+1,判断是否已经达到最大迭代次数,若满足则输出最优参数,选取适应度值最优的解作为算法的最优解,否则转到步骤(4.2)。
其中,蜜源数为100,初始搜索空间的最小值和最大值0和100,最大迭代次数100。
(5)在线校正模块11,利用实时生产数据,在线对测量系统进行维护修正,实现步骤如下:
(5.1)在系统运行过程中,t时刻采集得到的丙烯聚合熔融指数分析值在未来的t+n时刻得到,由此可以判断t时刻所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统预报值的准确性;
(5.2)将误差大于阈值的聚丙烯生产数据作为失配样本点加入新的测量训练集;
(5.3)新训练集以线性递减的权重和历史数据一同输入到智能参数优化模块中修正系统参数;
(5.4)智能参数优化模块在线训练并更新粒子群知识库状态,最终得到优化后的所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统的参数;
(5.5)步骤(5.4)的参数,输入到测量系统得到维护后修正的测量结果,实现失配系统的在线校正。
以具体数据为例:本实施例提取DCS系统中采集的所需的9个建模变量,得到变量输入矩阵:
将数据输入丙烯聚合过程测量仪表5,混沌群智能检测模块得到熔融指数预报值为[2.5448,2.5063,2.5177,2.5249,2.5480]。熔融指数离线化验值[2.53,2.49,2.50,2.52,2.56]作为丙烯聚合过程测量仪表5的校验值,用于计算预报误差来评价丙烯聚合过程测量仪表5的预报精度,预报误差选用均方根误差(Root Mean Square Error,RMSE),其计算公式为其中,为丙烯聚合过程测量仪表5输出值,yi为熔融指数离线化验值,则丙烯聚合过程测量仪表5的预报偏差为[0.0148,0.0163,0.0177,0.0049,-0.012],其均方根误差为0.0148,得到测量仪表的熔融指数预报值与其预报精度。
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的保护范围。
Claims (10)
1.一种丙烯聚合质量在线测量系统,用于对聚丙烯产品进行质量检测,其特征在于,包括:
混沌重构模块,将丙烯聚合过程的操作参数依据其混沌特性进行重构得到输入变量;
Gabor小波分析模块,用于将输入变量以频率为基准分析其小波特性,通过Gabor核函数对变量进行重构,表征输入变量在不同频率下各尺度各方向的局部纹理信息,得到输入特征信号;
极端随机树测量模型模块,以聚丙烯产品样本集和先验知识作为依据,将所述输入特征信号转化后输出对应的聚丙烯产品的软测量值。
2.根据权利要求1所述的丙烯聚合质量在线测量系统,其特征在于,所述操作参数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。
3.根据权利要求1所述的丙烯聚合质量在线测量系统,其特征在于,所述操作参数的混沌系统表达为z(n)=[s(n),s(n+T1),s(n+T2),...,s(n+Td-1)],其中s(n)为丙烯聚合过程的第n个采样点信号,T1,T2,...,Td-1分别为第n个采样点之后的采样时刻;在混沌系统中,延迟时间满足Tm=mτ条件,其中τ为延迟时间,Tm表示第m个采样时刻,丙烯聚合过程的输入信号由嵌入维数和延迟时间重构为动态混沌系统信号z(n)=[s(n),s(n+τ),s(n+2τ),...,s(n+(d-1)τ)],其中,z(n)为第n时刻的混沌重构信号,τ是延迟时间,d为输入信号的嵌入维数。
4.根据权利要求3所述的丙烯聚合质量在线测量系统,其特征在于,所述延迟时间和所述嵌入维数分别由互信息法和伪最邻近法得到。
5.根据权利要求1所述的丙烯聚合质量在线测量系统,其特征在于,所述Gabor核函数定义如下:
其中,z表示重构变量的坐标信息,u表示Gabor滤波器的方向,v表示Gabor滤波器的尺度,i为复数符号,exp(iku,vz)为复指数形式的震荡函数,σ2为核函数宽度,ku,v表示Gabor滤波器在各个尺度各个方向上的响应。Gabor核函数的部分函数作用如下:ku,v 2z2/2σ2是一个高斯包络函数,ku,v 2/σ2用以补偿能量谱衰弱,包络函数通常通过加窗的方法可以限制震荡函数的范围,保持波的局部性,抽取坐标附近的特征信息,exp(iku,vz)是震荡函数,它的实部是余弦函数为偶对称,虚部是正弦函数为奇对称。exp(-σ2/2)表示滤波的直流分量,[exp(iku,vz)-exp(-σ2/2)]运算的目的是消除直流分量对滤波效果的影响,核函数宽度σ2用以确定Gabor滤波器的带宽尺寸,ku,v表示Gabor滤波器在各个尺度各个方向上的响应,每个ku,v都代表一个Gabor滤波器,所以当选用多个不同的ku,v时,可以得到多个不同的滤波器组。
7.根据权利要求1所述的丙烯聚合质量在线测量系统,其特征在于,所述极端随机树测量模型模块,采用极端随机树、基于集成学习框架来完成输入到输出的映射建模。
8.根据权利要求1所述的丙烯聚合质量在线测量系统,其特征在于,所述极端随机树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。
9.根据权利要求1所述的丙烯聚合质量在线测量系统,其特征在于,还包括混沌人工蜂群优化模块,所述混沌人工蜂群优化模块采用混沌人工蜂群算法对测量系统的分叉阈值参数进行优化,采用如下过程完成:
(5.1)初始化人工蜂群算法的参数,设蜜源数P,最大迭代数itermax,初始搜索空间的最小值和最大值Ld和Ud;蜜源的位置表示问题的可行解,在测量系统中pi的维度为2维,置初始迭代次数iter=0;
(5.2)为蜜源pi分配一只引领蜂,基于混沌映射产生新蜜源Vi;
(5.3)计算Vi的适应度值,根据贪婪选择的方法确定保留的蜜源;
(5.4)计算引领蜂找到的蜜源被更随的概率;
(5.5)跟随蜂采用与引领蜂相同的方式进行搜索,根据贪婪选择的方法确定保留的蜜源;
(5.6)判断蜜源Vi是否满足被放弃的条件,如满足,对应的引领蜂角色变为侦察蜂,否则直接转到(5.8);
(5.7)侦察蜂随机产生新蜜源;
(5.8)iter=iter+1,判断是否已经达到最大迭代次数,若满足则输出最优参数,选取适应度值最优的解作为算法的最优解,否则转到步骤(5.2),
其中,蜜源数为100,初始搜索空间的最小值和最大值0和100,最大迭代次数100。
10.根据权利要求1所述的丙烯聚合质量在线测量系统,其特征在于,还包括在线校正模块,利用实时生产数据,在线对测量系统进行维护修正,实现步骤如下:
(6.1)在系统运行过程中,t时刻采集得到的丙烯聚合熔融指数分析值在未来的t+n时刻得到,由此可以判断t时刻所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统预报值的准确性;
(6.2)将误差大于阈值的聚丙烯生产数据作为失配样本点加入新的测量训练集;
(6.3)新训练集以线性递减的权重和历史数据一同输入到智能参数优化模块中修正系统参数;
(6.4)智能参数优化模块在线训练并更新粒子群知识库状态,最终得到优化后的所述一种在线校正混沌群智能最优丙烯聚合过程质量在线测量系统的参数;
(6.5)步骤(6.4)的参数,输入到测量系统得到维护后修正的测量结果,实现失配系统的在线校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509946.6A CN113759103A (zh) | 2020-06-05 | 2020-06-05 | 一种丙烯聚合质量在线测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509946.6A CN113759103A (zh) | 2020-06-05 | 2020-06-05 | 一种丙烯聚合质量在线测量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113759103A true CN113759103A (zh) | 2021-12-07 |
Family
ID=78785266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010509946.6A Pending CN113759103A (zh) | 2020-06-05 | 2020-06-05 | 一种丙烯聚合质量在线测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759103A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1302821A (fr) * | 1960-10-07 | 1962-08-31 | Monsanto Chemicals | Procédé et appareil pour mesurer l'indice de fusion de matières polymères |
US5715372A (en) * | 1995-01-10 | 1998-02-03 | Lucent Technologies Inc. | Method and apparatus for characterizing an input signal |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN1916613A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种基于小波分析的工业聚丙烯生产熔融指数软测量方法 |
KR100829706B1 (ko) * | 2007-05-29 | 2008-05-14 | 호남석유화학 주식회사 | 고분자 제품의 물성 예측 방법 |
CN105719266A (zh) * | 2014-12-02 | 2016-06-29 | 马鞍山森格电子科技有限公司 | 基于纹理特征聚类的磁瓦表面缺陷检测方法 |
CN108803525A (zh) * | 2018-06-28 | 2018-11-13 | 浙江大学 | 一种混沌敏捷高精度的丙烯聚合生产过程最优软测量仪表 |
CN108982576A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种混沌高精度的丙烯聚合生产过程最优软测量仪表 |
-
2020
- 2020-06-05 CN CN202010509946.6A patent/CN113759103A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1302821A (fr) * | 1960-10-07 | 1962-08-31 | Monsanto Chemicals | Procédé et appareil pour mesurer l'indice de fusion de matières polymères |
US5715372A (en) * | 1995-01-10 | 1998-02-03 | Lucent Technologies Inc. | Method and apparatus for characterizing an input signal |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN1916613A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种基于小波分析的工业聚丙烯生产熔融指数软测量方法 |
KR100829706B1 (ko) * | 2007-05-29 | 2008-05-14 | 호남석유화학 주식회사 | 고분자 제품의 물성 예측 방법 |
CN105719266A (zh) * | 2014-12-02 | 2016-06-29 | 马鞍山森格电子科技有限公司 | 基于纹理特征聚类的磁瓦表面缺陷检测方法 |
CN108803525A (zh) * | 2018-06-28 | 2018-11-13 | 浙江大学 | 一种混沌敏捷高精度的丙烯聚合生产过程最优软测量仪表 |
CN108982576A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种混沌高精度的丙烯聚合生产过程最优软测量仪表 |
Non-Patent Citations (2)
Title |
---|
张志猛等: "遗传算法的聚丙烯熔融指数最优预报", 计算机与应用化学, no. 07, pages 843 - 846 * |
张艳: "基于Gabor滤波器的纹理特征提取研究及应用_张艳基于Gabor滤波器的纹理特征提取研究及应用", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, pages 138 - 2495 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408389A (zh) | 一种基于深度学习的代码缺陷检测方法及装置 | |
CN113792825A (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
CN112288021B (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
CN106897775A (zh) | 基于贝叶斯集成学习的软测量建模方法 | |
CN1996190A (zh) | 一种基于小波分析的工业生产过程故障诊断系统及方法 | |
CN109507888B (zh) | 基于集成学习的丙烯聚合生产过程最优在线预报系统 | |
CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN116451142A (zh) | 一种基于机器学习算法的水质传感器故障检测方法 | |
CN109333159A (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及系统 | |
Tveten et al. | Scalable change-point and anomaly detection in cross-correlated data with an application to condition monitoring | |
CN114700587A (zh) | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 | |
CN109145685A (zh) | 基于集成学习的果蔬高光谱品质检测方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN113759834A (zh) | 一种混沌多尺度智能最优丙烯聚合过程测量仪表 | |
CN113764048A (zh) | 一种聚丙烯生产质量在线测量系统 | |
CN109445398B (zh) | 基于加权组合学习的丙烯聚合生产过程最优在线预报系统 | |
CN113759103A (zh) | 一种丙烯聚合质量在线测量系统 | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
CN105787507A (zh) | 基于预算支持向量集的LS-SVMs在线学习方法 | |
CN109856971A (zh) | 基于群智寻优的丙烯聚合生产过程最优在线预报系统 | |
CN113764047A (zh) | 一种丙烯聚合质量在线检测系统 | |
CN103678953A (zh) | 基于贝叶斯组合神经网络的生物发酵产量在线预报方法 | |
CN110705373B (zh) | 一种基于小波包分析和残差网络的槽电压信号分类方法 | |
CN113764049A (zh) | 一种聚丙烯生产质量检测系统 |
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 |