CN1916791A - 一种丙烯聚合工业生产熔融指数软测量方法 - Google Patents

Abstract

本发明公开了一种丙烯聚合工业生产熔融指数软测量方法，选取影响熔融指数变化的九个关键变量作为软测量模型的输入变量，用主元分析从输入变量中提取主要成分，消除变量间的相关性，再由径向基函数神经网络建立输入和输出之间的非线性模型，同时用混沌遗传算法对模型参数进行优选；该模型用于指导生产，提高了熔融指数预测精度，能使产品质量提高、产量增加。

Description

一种丙稀聚合工业生产熔融指数软测量方法

技术领域

本发明涉及化工过程控制领域的熔融指数软测量领域，特别地，涉及一种内稀聚合工业生产熔融指数软测量方法。

背景技术

聚内烯是以丙烯单体为主聚合而成的一种合成树脂，是塑料工业中的重要产品。在目前我国的聚烯烃树脂中，成为仅次于聚乙烯和聚氯乙烯的第三大塑料。在聚丙烯生产过程中，熔融指数(MI)是反映产品质量的一个重要指标。但MI只能离线检测，耗资而且耗时，使得MI的控制存在很大滞后。因此，建立实时反映MI的软测量模型并应用于生产过程中，则对平稳操作、提高产品质量均有益处。而且在此基础上，对产品牌号切换过程进行优化控制，可缩短牌号切换时间，减少过渡料，大大提高装置的经济效益。

利用工业实测数据，采用统计的方法建立熔融指数的软测量模型，避开了复杂的机理分析，模型对观测数据的拟和程度高，求解相对方便，是软测量建模的热点。常用的统计建模方法有系统辨识、回归分析、人工神经元网络、统计学习理论等。经文献检索发现，孔薇(“基于径向基神经网络的聚丙烯熔融指数预报”，《化工学报》，2003，54(8)，1160-1163)将主元分析(PCA)和径向基函数神经网络(RBF)相结合，得到较好的结果(泛化均方根误差0.1302)。但是模型的参数对模型的性能有着关键性的影响，却只能通过经验选取。

发明内容

本发明的目的是针对现有软测量方法的以上不足，提供一种丙稀聚合工业生产熔融指数软测量方法。

本发明是通过以下技术方案实现的：

1)从DCS中采集数据，并进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，输出矩阵Y。

2)主元分析提取主成分：寻找原变量体系X的少数几个线性组合F，并且这几个线性组合所构成的综合变量将尽可能多地保留原变量变异方面的信息；

3)建立径向基函数神经网络模型：采用正交最小二乘学习算法确定RBF中心，通过正交优选后得到最佳隐含层数目、网络输出权值；

4)用混沌遗传算法优化模型参数：对待优化参数进行二进制编码，用选择、交叉、变异等遗传算子进行全局寻优，并引入混沌算子进行局部寻优，得到模型的最优参数。

本发明的有益效果是，本发明给出的软测量方法用主元分析消除变量间的相关性，再用径向基函数神经网络逼近非线性模型，同时用混沌遗传算法对模型参数进行优选，由此建立的模型具有简洁、方便、易用，同时具有较高的预测精度。该模型用于指导生产，能使产品质量提高、产量增加。在此基础上对牌号切换过程进行优化，能缩短过渡时间，减少过渡料，提高装置的经济效益。

附图说明

图1是Hypol连续搅拌釜(CSTR)法生产聚丙烯的工艺流程图。

具体实施方式

下面详细说明本发明，本发明的目的和效果将更加明显。

1)从丙稀聚合生产过程的DCS中采集数据，并进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，输出矩阵Y。

计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}T{X}_i,$ $\stackrel{\‾}{\mathrm{TY}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{TY}...\left(1\right)$

计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T{X}_i-\stackrel{\‾}{\mathrm{TX}}),$ ${\mathrm{\σ}}_y^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\mathrm{TY}-\stackrel{\‾}{\mathrm{TY}})...\left(2\right)$

标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},$ $Y=\frac{\mathrm{TY}-\stackrel{\‾}{\mathrm{TY}}}{{\mathrm{\σ}}_Y}...\left(3\right)$

其中N为训练样本数。

标准化处理能消除各变量因为量纲不同造成的影响。

2)调用主元分析算法

计算X的协方差阵，记为∑_X。

对∑_X进行奇异值分解，得到特征根λ₁，λ₂，…，λ₀，其中λ₁≥λ2≥…λ_p，对应的特征向量矩阵为U。

计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k。

特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X。

很显然，分析系统在一个低维空间要比在一个高维空间容易得多。主元分析在力求数据信息丢失最少的原则下，对高维的变量空间降维，就是研究变量体系的少数几个线性组合，并且这几个线性组合所构成的综合变量将尽可能多地保留原变量变异方面的信息。

3)建立径向基函数神经网络模型

选取n输入m输出的径向基函数模型：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)...\left(4\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C_i∈Rⁿ(1≤i≤N)为RBF中心；ω_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数。

若函数形式中Φ(·)与中心矢量C_i都已确定，给定一组输入x_j(j＝1，2…M)及对应的输出f(x_j)，则ω_i(j＝0，1，2…N)可用线性最小二乘法得到，因此不存在局部最优问题，具有全局逼近性质，训练算法快速易行，非常适合于非线性系统的实时辩识和控制。

RBF网络的性能密切依赖于给定中心，线性参数的RBF展开是在Φ(·)与中心矢量C_i固定的前提下得到的，Φ(·)采用高斯函数：Φ(v)＝exp(-v²/α²)                          (5)

其中α为形状参数，可取实常数，也可以根据样本自适应地变化。本章选用高斯函数作为网络的激活函数，采用正交最小二乘学习算法确定RBF中心，正交优选后同时确定最佳隐含层数目和网络输出权值。

RBF网络不仅具有并行协同处理、高度容错、学习自适应的能力和可以逼近任意非线性过程等一般神经网络都具有的特点，而且训练算法快速易行，非常适合于非线性系统的实时辩识。

4)用混沌遗传算法优化模型参数。

遗传算法是一种模拟生命进化过程的并行的全局的解空间搜索方法。它可以解决传统辨识方法难于解决的非线性的参数辨识问题，而不需要先验知识。但是GA仍有许多缺陷，如无法保证收敛到全局最优解，群体中最好的染色体的丢失，进化过程的过早收敛等。

混沌是自然界中一种较为普遍的现象，具有“随机性”、“遍历性”及“规律性”等特点，在一定范围内能按其自身的“规律”不重复地遍历所有状态。在搜索小空间时混沌优化方法效果显著，但搜索大空间时几乎无能为力。

混沌遗传算法(CGA)的基本思想是将混沌状态引入到优化变量中，并把混沌运动的遍历范围“放大”到优化变量的取值范围，然后把得到的混沌变量进行编码，进行遗传算子操作，然后给混沌变量附加一混沌小扰动，通过一代代地不断进化，最后收敛到一个最适合环境的个体上，求得问题的最优解。

混沌遗传算法比一般遗传算法具有更好的寻优效果，同时能明显缩短收敛时间。

本发明实现流程如下：

步骤0  对待优化参数进行二进制编码，生成初始群体，计算每个个体的适应度值；

步骤1  根据选择概率pi＝fi/∑ifi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

步骤2  以交叉概率按适当的交叉方式对选中的多对个体交叉；

步骤3  以变异概率pm按适当的变异方式对选中的个体变异，经过计算机仿真表明：若算法迭代次数不多(50次以内)，有了混沌扰动，此步骤可以省略，从而可节约大量的时间；

步骤4  解码，计算各个体适应度值；

步骤5  对适应值较大的个体不做混沌扰动，只对其余的适应值较小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小。计算新个体的适应度值。混沌扰动按如下方法进行：

选用Logistic映射：

x_n+1＝4·x_n(1-x_n)                                           (6)

按照式(1)得到的混沌变量通过变换映射到要优化的变量，并要注意待优化变量的取值范围和约束条件，以免在不必要的空间搜索，变换公式如下：

x_i＝c_i+d_ix_i                                                 (7)

步骤6  重复步骤1至步骤5，直到终止条件得以满足。

下面结合附图和实施例对本发明进一步说明：

以聚丙烯生产HYPOL(釜式)工艺实际工业生产为例。图一给出了典型的Hypol连续搅拌釜(CSTR)法生产聚丙烯的工艺流程图，前2釜是CSTR反应器、后2釜是流化床反应器(FBR)。选取主催化剂流率、辅催化剂流率、三股丙稀进料流率、釜内流体温度、釜内流体压强、釜内液位、釜内氢气体积浓度九个易测操作变量作为模型的输入量，对应时刻样本的MI离线分析值作为模型输出变量。从生产过程的DCS系统中获取九个主要操作参数和对应的熔融指数离线分析值作为建模数据。其中，五十个样本点来自同一批次，作为训练集数据(TX，TY)，另二十个样本点来自另一不同批次，作为测试集数据(GX，GY)验证模型效果。

1)将训练样本进行标准化处理，得到输入矩阵X，输出矩阵Y；

2)调用主元分析算法得到主成分F；

3)以(F，Y)作为输入输出建立RBF模型，在[0.60 0.95]范围内随机选取RBF模型核参数，用正交最小二乘学习算法确定RBF中心，并通过正交优选后，确定最佳隐含层数目、网络输出权值；

4)混沌遗传算法优化RBF的核参数，其中初始种群大小选为50，最佳个体的选中概率为0.15，交叉概率0.6，变异概率0.02，对适应值最大的30％个体不做混沌扰动，只对其余的70％个体做混沌扰动；

最后得到的最优核参数为0.88。

建立熔融指数的PCA-CGA-RBF模型后，将泛化集数据(GX，GY)标准化处理后代入模型，得到泛化集对应的熔融指数预测值 这里以预测值 和分析值GY的均方根误差(RMSE)作为衡量模型符合实际程度的指标，和孔薇的文章里的结果作对比。

软测量方法	RMSE
		PCA-RBF	0.1302
PCA-CGA-RBF	0.0300

                         表1泛化效果比较

如表1所示，用混沌遗传算法对模型参数进行优化后，泛化集的均方根误差从0.1302减小到0.0300，说明模型的预测能力明显提高，用于聚丙烯生产过程控制能明显提高控制精度，提高装置经济效益。

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 (6)

1.一种丙稀聚合工业生产熔融指数软测量方法，其特征在于，包括以下步骤：

(1)从丙稀聚合生产过程的DCS系统中采集数据，并进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，输出矩阵Y。

(2)主元分析提取主成分：寻找原变量体系X的少数几个线性组合F，并且这几个线性组合所构成的综合变量将尽可能多地保留原变量变异方面的信息。

(3)建立径向基函数神经网络模型：采用正交最小二乘学习算法确定RBF中心，通过正交优选后得到最佳隐含层数目、网络输出权值。

(4)用混沌遗传算法优化模型参数：对待优化参数进行二进制编码，用选择、交叉、变异等遗传算子进行全局寻优，并引入混沌算子进行局部寻优，得到模型的最优参数。

2.根据权利要求1所述的丙稀聚合工业生产熔融指数软测量方法，其特征在于，所述步骤(1)中，选取九个操作变量作为软测量模型的输入量：主催化剂流率、辅催化剂流率、三股丙稀进料流率、釜内流体温度、釜内流体压强、釜内液位、釜内氢气体积浓度。

3.根据权利要求1所述的丙稀聚合工业生产熔融指数软测量方法，其特征在于，所述主元分析的总方差提取率大于80％，计算过程采用协方差奇异值分解的方法：

计算X的协方差阵，记为∑_X；

对∑_X进行奇异值分解，得到特征根λ₁，λ₂，…，λ_p，其中λ₁≥λ₂≥…λ_p，对应的特征向量矩阵为U；

计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X。

4.根据权利要求1所述的丙稀聚合工业生产熔融指数软测量方法，其特征在于，所述径向基函数神经网络的核参数范围为0.60-0.95，采用正交最小二乘学习算法确定RBF中心，通过正交优选后得到最佳隐含层数目、网络输出权值。

5.根据权利要求1所述的丙稀聚合工业生产熔融指数软测量方法，其特征在于，所述遗传算法的种群大小为50-100，最大代数100-300，选择方式采用正态分布概率选择，最佳个体选择概率为0.07-0.1；交叉方式为单点线性交叉，交叉概率为0.5-0.9；变异方式为均匀变异，变异概率为0.001-0.01；个体适应度选择模型的泛化均方根误差；终止条件为达到最大迭代代数或者连续五代最佳适应度不变。

6.根据权利要求1所述的丙稀聚合工业生产熔融指数软测量方法，其特征在于，所述在遗传算法迭代中对适应度较小的个体增加混沌扰动，混沌算子采用Logistic映射x_n+1＝4·x_n(1-x_n)。

Images