KR100829706B1 - 고분자 제품의 물성 예측 방법 - Google Patents

고분자 제품의 물성 예측 방법 Download PDF

Info

Publication number
KR100829706B1
KR100829706B1 KR1020070052021A KR20070052021A KR100829706B1 KR 100829706 B1 KR100829706 B1 KR 100829706B1 KR 1020070052021 A KR1020070052021 A KR 1020070052021A KR 20070052021 A KR20070052021 A KR 20070052021A KR 100829706 B1 KR100829706 B1 KR 100829706B1
Authority
KR
South Korea
Prior art keywords
process variable
properties
reactor
value
physical properties
Prior art date
Application number
KR1020070052021A
Other languages
English (en)
Inventor
이원욱
김상훈
이철
김정훈
박성화
최병열
Original Assignee
호남석유화학 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 호남석유화학 주식회사 filed Critical 호남석유화학 주식회사
Priority to KR1020070052021A priority Critical patent/KR100829706B1/ko
Application granted granted Critical
Publication of KR100829706B1 publication Critical patent/KR100829706B1/ko

Links

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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating 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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00049—Controlling or regulating processes
    • B01J2219/00243—Mathematical modelling
    • 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

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Organic Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Addition Polymer Or Copolymer, Post-Treatments, Or Chemical Modifications (AREA)
  • Polymerisation Methods In General (AREA)

Abstract

본 발명은 고분자 제품의 물성 예측 방법에 관한 것으로서, 보다 구체적으로는, 루프 반응기(loop reactor) 상에서 체류시간 분포를 반영한 고분자 제품의 물성 예측 방법에 관한 것이다.
본 발명에 따른 고분자 제품의 물성 예측 방법은 반응기로부터 획득한 공정 변수를 이동 평균 필터를 사용하여 필터링하는 단계; 상기 필터링된 공정 변수를 신경망 이론식 물성 예측 모델에 입력하여 고분자 제품의 순간 물성을 산출하는 단계; 및 순간 물성 예측 값과 과거 누적 물성 예측 값을 기초로 현재 누적 물성 예측 값을 산출하는 혼합 법칙을 사용하여, 상기 산출된 순간 물성으로부터 고분자 제품의 누적 물성을 산출하는 단계를 포함하는 특징이 있다.
고분자 제품, 물성 예측, 폴리프로필렌, 필터링, 신경망 이론식

Description

고분자 제품의 물성 예측 방법{method of predicting properties of polymer product}
도 1은 본 발명에 따른 물성 예측 방법의 일례를 나타내는 절차 흐름도이다.
도 2는 본 실시예에 따라 필터링(Filtering)된 공정 변수를 시간의 경과에 따라 도시한 도면이다.
도 3은 본 실시예에 따라 에측한 용융지수의 누적 예측값과 실제 용융지수 분석 값을 도시한 도면이다.
도 4 내지 도 7은 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 건조기(Dryer) 출구에서의 중간 제품에 대한 용융지수(Melt Index), 입체규칙, 에틸렌(Ethylene) 및 1-부텐(1-Butene) 예측 값을 시간의 경과에 따라서 도시한 도면이다.
도 8 내지 도 10은 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 제립기(Pelletizer) 출구에서의 최종 제품에 대한 용융 지수(Melt Index), 에틸렌(Ethylene) 및 1-부텐(1-Butene)의 예측 값을 시간의 경과에 따라서 도시한 도면이다.
본 발명은 고분자 제품의 물성 예측 방법에 관한 것으로서, 보다 구체적으로는, 루프 반응기(loop reactor) 상에서 체류시간 분포를 반영한 고분자 제품의 물성 예측 방법에 관한 것이다.
종래에 다양한 종류의 고분자 제품의 생산 방법이 제안되었다. 이하 설명의 편의를 위하여, 다양한 고분자 제품의 생산 방법 중에서 폴리프로필렌의 생산에 관하여 설명한다.
폴리프로필렌(Polypropylene) 제품의 생산에서 용융지수(Melt Index), 입체규칙성(Xylene Solubility), 코-모노머(Co-Monomer)(예를 들어, Ethylene, 1-Butene 등)의 함량과 같은 고분자의 물성을 원하는 범위 내에서 적절하게 유지하는 것은 매우 중요하다. 폴리프로필렌(Polypropylene) 생산자들은 고분자의 물성을 적절하게 유지하기 위해 건조기, 제립기로부터 샘플을 추출하고 정기적으로 물성을 측정하는 방법을 사용했다. 그러나, 고분자 제품의 물성 분석 방법에는 분석 시간 지연이 존재하기 때문에 운전에 큰 도움이 되지 못해 대부분 숙련된 운전원의 경험에 의존하는 것이 일반적이었다.
특히 생산 제품의 종류가 변경되는 제품 변경 운전(Grade Transition Operation) 중에는 짧은 시간에 제품의 물성이 더욱 크게 변화하기 때문에 운전원의 경험에 따라 고분자 제품의 물성과 원하는 규격을 맞추지 못한 오프 스펙(Off Spec) 제품의 생산의 변화가 크게 나타난다.
동일 제품에 대한 고분자 물성의 변화는 제품 품질의 저하로 연결되어 향후 품질 관리 비용의 증가를 초래하는 문제가 있으며, 오프 스펙 제품의 증가는 경제적인 손실을 발생시키는 문제가 있다.
따라서, 이러한 경제적인 손실문제를 최소화하기 위해서는 공정 변수로부터 빠른 시간 안에 정확히 고분자의 물성을 예측할 수 있는 기술이 필요하다. 또한, 고객의 다양한 요구를 충족시키기 위해 폴리프로필렌(Polypropylene) 생산자가 제품의 종류를 증가시키고 있는 현실을 감안한다면 고분자의 물성을 효율적으로 예측할 수 있는 기술이 필요하다
종래에는 고분자 제품의 물성 예측을 위해서 공정 변수에 경험 상관식(Empirical Correlation), 신경망 이론식(Neural Network), PLS(Partial Least Square) 모델을 직접 적용하는 통계학적 방법이 주로 사용되어 왔다. 그리고, 최근에는 공정 변수에 체류시간 분포를 반영하여 연속 교반식 탱크 반응기(CSTR, Continuous Stirred Tank Reactor) 타입(type)의 고밀도 폴리에틸렌(HDPE, High Density Polyethylene) 제품의 반응기에 대한 용융지수(Melt Index)를 예측하는 방법도 제안되었다. 공개특허 2002-0016086는 공정변수에 체류시간분포를 반영하는 고분자 제품물성예측방법에 관한 것으로 공정 내의 제품 포함량과 배출량을 이론적으로 결정한 후 각 공정변수를 가상의 물질로 간주하여 가상 물질 수지식을 푸는 방법을 통하여 상기 공정변수에 체류시간분포를 반영하는 고분자 물성 예측 방법을 제안하였다.
그러나, 종래의 상관식을 활용한 방법은 공정 변수가 안정되게 유지되는 정상상태에서는 무리 없이 활용될 수 있지만 공정 변수의 유동이 심한 비정상상태나 제품 변경(Grade Change)시에는 실제 분석값과 큰 차이를 보이는 경우가 많은 문제점이 있다.
또한, 공정 변수에 체류시간 분포를 반영하는 방법은 연속 교반식 탱크 반응기(CSTR, Continuous Stirred Tank Reactor) 타입에 적합하도록 고안된 것이어서 연속 교반식 탱크 반응기 타입의 고밀도 폴리에틸렌(HDPE, High Density Polyethylene) 제품의 반응기에 대한 용융지수(Melt Index) 예측에는 유용하나, 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 제품의 건조기(Dryer) 및 제립기(Pelletizer)에 대한 용융지수(Melt Index), 입체규칙성(Xylene Solubility), Co-Monomer(Ethylene, 1-Butene)함량 예측에는 적용하기 어려운 문제점이 있다.
본 발명은 종래 기술의 문제점을 해결하기 위해 제안된 것으로, 본 발명의 목적은 공정 변수의 변화 여부에 상관없이 고분자 제품의 물성을 정확하게 예측하는 방법을 제안하는 것이다.
본 발명의 또 다른 목적은 루프 반응기 타입 폴리프로필렌 제품의 물성을 정확하게 예측하는 방법을 제안하는 것이다.
본 발명에 따른 방법은 상술한 목적을 달성하기 위하여 반응기로부터 획득한 공정 변수를 이동 평균 필터를 사용하여 필터링하는 단계; 상기 필터링된 공정 변수를 신경망 이론식 물성 예측 모델에 입력하여 고분자 제품의 순간 물성을 산출하는 단계; 및 순간 물성 예측 값과 과거 누적 물성 예측 값을 기초로 현재 누적 물성 예측 값을 산출하는 혼합 법칙을 사용하여, 상기 산출된 순간 물성으로부터 고분자 제품의 누적 물성을 산출하는 단계를 포함한다.
바람직하게, 상기 필터링하는 단계와 순간 물성을 산출하는 단계 및 고분자 제품의 누적 물성을 산출하는 단계를 반복하여 수행하는 단계가 더 포함된다.
바람직하게, 상기 반응기는 단일 고분자 반응기 또는 다단 고분자 반응기인 것을 특징으로 한다.
본 발명에 따른 물성 예측 방법은 단순하게 공정 변수의 현재 상태의 값으로부터 고분자 제품의 물성을 예측지 않고, 고분자 생산 과정 중의 체류시간 분포를 반영하여 고분자 제품의 물성을 예측한다.
본 발명의 구체적인 동작 및 특징은 이하에서 설명하는 본 발명의 일 실시예에 의해 더욱 구체화될 것이다. 이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 설명한다.
도 1은 본 발명에 따른 물성 예측 방법의 일례를 나타내는 절차 흐름도이다. 도 1에 따른 방법은 루프 반응기 타입의 폴리프로필렌 제품의 물성 예측에 적용되는 것이 바람직하다. 도 1에 따른 방법은, 공정 변수를 획득하여 읽어드리는 단계(S101)와, 읽어드린 공정 변수를 필터링(filtering)하는 단계(S102)와, 신경망 이론식에 입력하여 순간 물성을 산출하는 단계(S103)와 반응기 내의 여러 물성 계산 값을 혼합하여 누적 물성, 즉 최종 물성 값을 산출하는 단계(S104, 105)를 개시 한다.
이하, 상술한 각 단계를 구체적으로 설명한다.
우선 본 실시예는 다양한 종류의 공정 변수를 획득하여 읽어드리는 단계를 수행한다. 상기 공정 변수는 폴리프로필렌과 같은 고분자 제품을 생산에 관계된 다양한 반응 조건 및 수치를 나타내는 것으로, 고분자 제품(예를 들어, 폴리프로필렌)의 생산 시에 투입되는 수소(Hydrogen)량, 에틸렌(Ethylene)량, 프로필렌(Propylene)량, 1-부텐(1-Butene)량, 촉매량, 조촉매량, 개질제(Reformer)량, 반응기 온도, 반응기 압력, 제립기 온도 등의 다양한 데이터를 나타낸다. 상기 공정 변수는, 공정 데이터 또는 공정 태그(Tag) 데이터 또는 원시 데이터(Raw data)등의 다양한 명칭으로 불릴 수 있다.
공정 변수를 읽어드리는 단계가 수행되면, 공정 변수에 대한 필터링이 수행된다. 종래 기술의 경우, 읽어 드린 공정 변수에 데이터의 불연속이 존재하거나 잘못된 데이터가 존재할 수 있다. 이 경우, 단순하게 공정 변수의 현재 상태의 값으로부터 고분자 제품의 물성을 예측하면 종래 기술에서의 문제점이 발생할 수 있다. 상술한 데이터의 불연속이나 잘못된 데이터의 경우, 공정 운전 조건의 변화에 따른 것이라기 보다는 단순히 계기의 오작동일 가능성이 크기 때문에 정확한 물성 예측을 위해서는 데이터의 불연속이 있거나 오류가 있는 공정 변수에 대한 필터링을 수행하는 것이 바람직하다.
필터링은 불연속하거나 오류가 있는 변수의 영향을 감소시키는 데이터 처리로서, 본 실시예는 하기 수학식 1과 같은 기법에 따라 필터링을 할 것을 제안한 다.
Figure 112007039305023-pat00001
상기 수학식 1은 이동 평균 필터(Moving Average Filter)에 관한 것으로, 현재의 공정 데이터와 과거의 공정 데이터가 소정의 필터링 계수에 따라 합산되어 새로운 공정 데이터를 만들게 되므로 데이터의 불연속이나 오류가 있는 공정 변수에 대한 영향을 감소시킬 수 있다.
상기 수식에서, FilterDatanow는 현재 공정 변수를 필터링한 데이터이고, FilterDatapast는 과거 공정 변수를 필터링한 데이터이고, RawDatanow는 현재 획득한 공정 변수의 원본 데이터를 나타내고, FilterCoeff는 필터링에 사용되는 계수를 나타낸다.
상술한 필터링이 수행된 이후, 필터링된 공정 변수를 통해 순간 물성을 산출한다. 순간 물성에 대한 산출은 신경망 이론식에 의해 수행되는것이 바람직하며, 본 실시예에 따른 신경망 이론식은 하기 수학식 2와 같다. 상기 신경망 이론식 물성 예측 모델은 신경망 이론식 물성 예측 모델 등의 다양한 명칭으로 불릴 수 있다.
Figure 112007039305023-pat00002
상기 수식에서 PropertyPredk , inst는 k번째 반응기의 순간 물성 예측값, outWj는 최종 공정 변수 계수, inWj ,i는 공정 변수 계수, Tagi는 현재 공정 변수값, Mi는 공정 변수 평균값, fM은 최종 공정 변수 평균값, σi는 공정 변수 표준편차값, fσ는 최종 공정 변수 표준편차값, Bj는 공정 변수 편차 계수, fB는 최종 공정 변수 편차값, m은 신경망 이론식 변수(node) 개수, n은 물성 예측에 필요한 공정 변수 개수를 나타내고, j 및 i는 각각 신경망 이론식 변수를 나타내는 임시 변수와 물성 예측에 필요한 공정 변수를 나타내는 임시 변수이다.
상기 PropertyPredk , inst는 상기 수학식 2에 입력되는 공정 변수 값에 따라 계산되는 순간 물성 값이다. 상기 수학식 2를 사용하면 용융 지수(Melt Index), 코-모노머 함량(Ethylene 함량, 1-Butene 함량), 입체 규칙성(Xylene Solubility) 등의 순간 물성을 예측할 수 있다.
상기 outWj과 inWj ,i는 각각 최종 공정 변수 계수와 공정 변수 계수로서, 신경망 이론식 상에서 인가되는 가중치를 나타낸다. 신경망 이론식 상에서는 입력 변수(input) 또는 각 뉴런(neuron)에 특정한 가중치가 인가될 수 있는바, 상기 inWj ,i는 공정변수(Tagi)가 스케일링된 값(공정 변수(Tagi)에서 공정 변수 평균값(Mi)을 빼고 공정 변수 표준편차값(σi)을 나눈 값) 각각에 부가되는 가중치이고, 상기 outWj는 물성 예측에 필요한 개수 만큼의 공정 변수에 인가되는 가중치이다.
상기 Tagi는 현재 공정 변수값으로서, 상기 수학식 1에 의해 계산된 필터링된 값이다.
상기 Mi는 개별적인 공정 변수의 평균값을 나타내고, 상기 fM은 개별적인 공정 변수들에 일정한 계수를 곱하여 더하는 방식으로 계산한 하나의 최종 공정 변수에 대한 평균값을 나타낸다. 상기 신경망 이론식에서는 서로 다른 범위를 갖는 다수의 공정 변수가 입력되기 때문에 각 공정 변수에 대한 스케일링이 수행되며, 각 공정 변수에 대한 스케일링 시에 각 공정 변수에서 Mi를 빼는 계산이 수행된다. 이렇게 스케일링 된 값을 다시 구하고자 하는 예측 값으로 환원(unscaling)하기 위해서는 상기 fM를 합산하는 계산을 수행한다.
상기 σi는 개별적인 공정 변수의 표준편차값을 나타내고, 상기 fσ는 개별적인 공정 변수들에 일정한 계수를 곱하여 더하는 방식으로 계산한 하나의 최종 공정 변수에 대한 표준편차값을 나타낸다.
상기 Bj는 개별적인 공정 변수의 편차(bias)를 의미하고, fB는개별적인 공정 변수들에 일정한 계수를 곱하여 더하는 방식으로 계산한 하나의 최종 공정 변수에 대한 편차를 나타낸다.
상기 m은 신경망 이론식 변수(node) 개수를 나타내는 것으로, 신경망 이론식에서 있어서 변수(node)의 개수가 많은 경우, 예측 모델의 민감도가 지나치게 높아져서 정확한 물성예측이 어려운 문제가 있다. 상기 변수의 개수는 예측 모델의 정 확도를 적정하게 유지하는 수준에서 결정되는 것이 바람직하며, 구체적으로 4~5개로 결정되는 것이 더욱 바람직하다.
상기 n은 물성 예측에 필요한 공정 변수 개수를 나타낸다. 일반적으로 특정한 물성을 예측하기 위해서는 그에 상응하는 공정 변수를 입력하는 것이 바람직하다. 이 경우, 입력하는 공정 변수와 예측되는 물성 간의 사상(mapping) 관계는 고정적이지 않다. 즉, 제품 생산 시에 모든 공정 변수를 소정의 데이터 베이스에 저장을 하고, 저장된 공정 변수와 예측하려는 물성 값과의 회귀분석을 수행하여 입력하는 공정 변수와 예측하려는 물성 간의 상관 관계를 찾는 것이 바람직하다. 특정한 공정 변수와 물성 간에 상관 관계가 높은 경우, 해당 물성을 예측하는 경우에는 상관 관계가 높은 공정 변수를 상기 수학식 2에 입력하여 물성을 정확하게 예측할 수 있다.
상기 수학식 2에 따른 신경망 이론식은 폴리프로필렌의 용융지수(Melt Index), 입체규칙성(Xylene Solubility), Co-Monomer(Ethylene, 1-Butene)함량을 공정 상의 온도, 압력, 각 성분의 조성비 등에 기초하는 함수 형태로 표시한 일례이다. 즉, 수학식 2 이외의 수학식을 사용하여 예측하려는 물성과 공정 간의 관계를 함수 형태로 나타낼 수 있다.
순간 물성에 대한 예측 계산 값이 구해지면 반응기 내의 여러 물성 계산 값을 혼합하여 누적 물성, 즉 최종 물성 값을 산출하는 단계를 수행한다. 달리 표현하면, 순간 물성에 대한 예측 계산 값이 구해지면 혼합 법칙(mixing rule)을 적용하여 누적 물성을 계산한다. 혼합 법칙은 순간 물성 예측 값과 과거 누적 물성 예 측 값을 기초로 현재 누적 물성 예측 값을 산출하는 식으로, 각 반응기의 생성된 폴리머 량(Wk)과 투입된 모노머 량(Mk)등을 이용하여 누적 예측 값을 산출한다.
본 실시예에 따른 혼합 법칙은 하기 수학식 3에 의하는 것이 바람직하다.
Figure 112007039305023-pat00003
상기 수식에서, PropertyPredk , now는 k번째 반응기의 현재 누적 물성 예측값, PropertyPredk, inst는 k번째 반응기의 현재 순간 물성 예측값, PropertyPredk , past는 k번째 반응기의 과거 누적 물성 예측값, Wk는 k번째 반응기의 생성된 폴리머(Polymer)량, Mk는 k번째 반응기의 투입된 모노머(Monomer)량, α(alpha)는 혼합 법칙 매개변수(Mixing Rule Parameter), k는 반응기를 구별하는 임시 변수를 나타낸다.
위의 실시예에서는 수학식 2에 따라 구해진 값이 수학식 3의 현재 순간 물성 예측 값으로 입력되어 최종 예측 값인 현재 누적 물성 예측 값으로 계산된다.
상술한 방법들에 의하면 루프 반응기 타입의 폴리프로필렌 생산 공정에서 제품의 물성을 쉽고 정확하게 예측하거나 모니터링할 수 있다.
이하, 상술한 실시예에 따른 물성 예측이 수행된 결과를 첨부된 도면을 참조하여 설명한다.
도 2는 폴리프로필렌(Polypropylene) 공정 운전 상의 여러 가지 중요 인자 중 하나인 프로필렌(Propylene) 투입량의 원시(Raw) 공정 변수와 필터링(Filtering)된 공정 변수를 시간의 경과에 따라 도시한 것이다.
도면에 나타난 바와 같이 원시(Raw) 공정 변수와는 달리 필터링(Filtering)된 공정 변수는 데이터의 끊김이나 데이터가 잘못 표시되는 것이 없음을 알 수 있다. 따라서, 이러한 공정 변수의 필터링(Filtering) 작업을 통해 물성예측 값의 끊김을 방지하고, 예측 오차를 줄일 수 있다.
도 3은 용융지수의 순간 예측값과 용융지수의 누적 예측값과 실제 용융지수 분석값을 도시한 것이다. 도 3을 보면 필터링(Filtering)된 공정변수를 신경망 이론식 물성 예측 모델에 입력하여 순간 물성을 계산하고, 혼합법칙(Mixing Rule)을 적용하여 누적 물성을 계산하는 방법이 용융지수를 좀더 정확하게 예측할 수 있음을 알 수 있다.도 3에서 임의의 순간 t에서 생산되는 제품의 물성은 그 시각 t에서의 공정변수 값으로 예측된 값이 아니라, 그 시점부터 과거 어느 시점까지 일정한 무게인자(Weight Factor)를 순간 예측값에 곱한 후 이를 모두 더한 값이 된다.
도 4 내지 도 10의 도면은 본 실시예가 적용된 결과를 도시한다. 도 4 내지 도 10의 결과는 2개의 루프 반응기(Loop Reactor)가 직렬로 연결된 폴리프로필렌(Polypropylene) 생산 공정에 본 실시예가 적용된 결과이다. 도 4 내지 도 10의 결과를 보면 본 실시예가 루프 반응기 상에서 정확하게 물성을 예측하는 것을 확인할 수 있다. 도 4 내지 도 10의 결과는 본 실시예의 일례에 불과하므로 본 발명이 이에 한정되지 아니한다.
도 4는 본 실시예에 의한 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 건조기(Dryer) 출구에서의 중간 제품에 대한 용융지수(Melt Index) 예측 값을 시간의 경과에 따라서 도시한 도면이다. 도시된 바와 같이, 본 실시예에 따른 예측 값과 실제 분석 값은 매우 근접하다.
도 5는 본 실시예에 의한 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene)생산 공정 건조기(Dryer) 출구에서의 중간 제품에 대한 입체규칙성(Xylene Solubility) 예측 값을 시간의 경과에 따라서 도시한 도면이다. 도시된 바와 같이, 본 실시예에 따른 예측 값과 실제 분석 값은 매우 근접하다.
도 6은 본 실시예에 의한 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 건조기(Dryer) 출구에서의 중간 제품에 대한 에틸렌(Ethylene) 예측 값을 시간의 경과에 따라서 도시한 도면이다. 도시된 바와 같이, 본 실시예에 따른 예측 값과 실제 분석 값은 매우 근접하다.
도 7은 본 실시예에 의한 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 건조기(Dryer) 출구에서의 중간 제품에 대한 1-부텐(1-Butene) 예측 값을 시간의 경과에 따라서 도시한 도면이다. 도시된 바와 같이, 본 실시예에 따른 예측 값과 실제 분석 값은 매우 근접하다.
도 8은 본 실시예에 의한 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 제립기(Pelletizer) 출구에서의 최종 제품에 대한 용융지수(Melt Index) 예측 값을 시간의 경과에 따라서 도시한 도면이다. 도시된 바와 같이, 본 실시예에 따른 예측 값과 실제 분석 값은 매우 근접하다.
도 9는 본 실시예에 의한 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 제립기(Pelletizer) 출구에서의 최종 제품에 대한 에틸렌(Ethylene) 예측 값을 시간의 경과에 따라서 도시한 도면이다. 도시된 바와 같이, 본 실시예에 따른 예측 값과 실제 분석 값은 매우 근접하다.
도 10은 본 실시예에 의한 루프 반응기 타입 폴리프로필렌(Loop Reactor Type Polypropylene) 생산 공정 제립기(Pelletizer) 출구에서의 최종 제품에 대한 1-부텐(1-Butene) 예측 값을 시간의 경과에 따라서 도시한 도면이다. 도시된 바와 같이, 본 실시예에 따른 예측 값과 실제 분석 값은 매우 근접하다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위내는 첨부된 청구항의 합리적인 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
본 발명에 따라 누적 물성을 계산하여 제품의 물성을 예측하는 경우 공정 변수의 변화 여부에 상관없이 고분자 제품의 물성을 정확하게 예측할 수 있다. 또한, 번 발명에 따라 제품의 물성을 예측하는 경우, 루프 반응기 타입 폴리프로필렌 제품의 물성을 정확하게 예측하는 효과가 있다.

Claims (6)

  1. 반응기로부터 획득한 공정 변수를 이동 평균 필터를 사용하여 필터링하는 단계;
    상기 필터링된 공정 변수를 신경망 이론식 물성 예측 모델에 입력하여 고분자 제품의 순간 물성을 산출하는 단계; 및
    순간 물성 예측 값과 과거 누적 물성 예측 값을 기초로 현재 누적 물성 예측 값을 산출하는 혼합 법칙을 사용하여, 상기 산출된 순간 물성으로부터 고분자 제품의 누적 물성을 산출하는 단계를 포함하는 고분자 제품의 물성 예측 방법.
  2. 제1항에 있어서,
    상기 이동 평균 필터는 하기 수학식 1과 같이 표현되는 것을 특징으로 하는 고분자 제품의 물성 예측 방법:
    [수학식 1]
    Figure 112007039305023-pat00004
    상기 식에서 FilterDatanow, FilterDatapast, RawDatanow 및 FilterCoeff는 각각 필터링된 공정 변수, 과거 공정 변수를 필터링한 결과, 현재 공정 변수 및 필터링 계수를 나타낸다.
  3. 제1항에 있어서,
    상기 신경망 이론식 물성 예측 모델은 하기 수학식 2인 것을 특징으로 하는 고분자 제품의 물성 예측 방법:
    [수학식 2]
    Figure 112007039305023-pat00005
    상기 식에서 PropertyPredk , inst, OutWj, inWj ,i, Tagi, Mi, fM, σi, fσ, Bj, fB, m, n, i 및 j는 각각 k 번째 반응기의 순간 물성 예측 값, 최종 공정 변수 계수, 공정 변수 계수, 현재 공정 변수 값, 공정 변수 평균값, 최종 공정 변수 평균값, 최종 공정 변수 표준 편차값, 최종 공정 변수 표준 편차값, 공정 변수 편차 계수, 최종 공정 변수 편차값, 신경망 이론식 변수(node) 개수, 물성 예측에 필요한 공정 변수 개수, 공정 변수를 나타내는 임시 변수 및 신경망 이론식 변수(node)를 나타내는 임시 변수를 나타낸다.
  4. 제1항에 있어서,
    상기 혼합 법칙은 하기 수학식 3인 것을 특징으로 하는 고분자 제품의 물성 예측 방법:
    [수학식 3]
    Figure 112007039305023-pat00006
    상기 식에서 PropertyPredk , now, PropertyPredk , inst, PropertyPredk , past, Wk, Mk, α및 k는 각각 k 번째 반응기의 현재 누적 물성 예측 값, k 번째 반응기의 현재 순간 물성 예측 값, k 번째 반응기의 과거 누적 물성 예측 값, k 번째 반응기의 생성된 폴리머(polymer)량, k번째 반응기의 투입된 모노머(Monomer)량, 혼합 법칙 매개변수 및 반응기를 나타내는 임시 변수를 나타낸다.
  5. 제1항에 있어서,
    상기 필터링하는 단계와 순간 물성을 산출하는 단계 및 고분자 제품의 누적 물성을 산출하는 단계를 반복하여 수행하는 단계를 더 포함하는 고분자 제품의 물성 예측 방법.
  6. 제1항에 있어서,
    상기 반응기는 단일 고분자 반응기 또는 다단 고분자 반응기인 것을 특징으로 하는 고분자 제품의 물성 예측 방법.
KR1020070052021A 2007-05-29 2007-05-29 고분자 제품의 물성 예측 방법 KR100829706B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070052021A KR100829706B1 (ko) 2007-05-29 2007-05-29 고분자 제품의 물성 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070052021A KR100829706B1 (ko) 2007-05-29 2007-05-29 고분자 제품의 물성 예측 방법

Publications (1)

Publication Number Publication Date
KR100829706B1 true KR100829706B1 (ko) 2008-05-14

Family

ID=39650420

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070052021A KR100829706B1 (ko) 2007-05-29 2007-05-29 고분자 제품의 물성 예측 방법

Country Status (1)

Country Link
KR (1) KR100829706B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823369A (zh) * 2013-12-09 2014-05-28 浙江大学 基于bp多模网络的丙烯聚合生产过程预报系统和方法
CN103838206A (zh) * 2013-12-09 2014-06-04 浙江大学 最优bp多模丙烯聚合生产过程最优软测量仪表和方法
WO2016099069A1 (ko) * 2014-12-16 2016-06-23 주식회사 엘지화학 고분자의 동일성 평가 방법 및 이를 이용한 시스템
KR101722438B1 (ko) * 2016-03-04 2017-04-03 한양대학교 산학협력단 물성 균질성 판단 장치 및 방법
WO2017171416A1 (ko) * 2016-03-31 2017-10-05 주식회사 엘지화학 고분자 구조의 정량 분석방법 및 분석장치
WO2019236940A3 (en) * 2018-06-08 2020-08-20 Covestro Llc System, method, and computer program product for predicting properties of a polymer
KR20200116770A (ko) * 2019-04-02 2020-10-13 주식회사 엘지화학 고흡수성 수지의 물성 예측 방법
CN113759103A (zh) * 2020-06-05 2021-12-07 中国石油天然气股份有限公司 一种丙烯聚合质量在线测量系统
KR20230156589A (ko) 2022-05-06 2023-11-14 부산대학교 산학협력단 고강도 에폭시 접착제의 접착강도 예측을 위한 전산모사 기반 데이터베이스 구축 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020016086A (ko) * 2000-08-24 2002-03-04 유현식 고분자 제품의 물성예측방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020016086A (ko) * 2000-08-24 2002-03-04 유현식 고분자 제품의 물성예측방법

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823369A (zh) * 2013-12-09 2014-05-28 浙江大学 基于bp多模网络的丙烯聚合生产过程预报系统和方法
CN103838206A (zh) * 2013-12-09 2014-06-04 浙江大学 最优bp多模丙烯聚合生产过程最优软测量仪表和方法
CN103823369B (zh) * 2013-12-09 2016-02-24 浙江大学 基于bp多模网络的丙烯聚合生产过程预报系统和方法
WO2016099069A1 (ko) * 2014-12-16 2016-06-23 주식회사 엘지화학 고분자의 동일성 평가 방법 및 이를 이용한 시스템
KR101748013B1 (ko) 2014-12-16 2017-06-15 주식회사 엘지화학 고분자의 동일성 평가 방법 및 이를 이용한 시스템
US11029305B2 (en) 2014-12-16 2021-06-08 Lg Chem, Ltd. Method for evaluating identity of polymers and system using same
KR101722438B1 (ko) * 2016-03-04 2017-04-03 한양대학교 산학협력단 물성 균질성 판단 장치 및 방법
KR102001610B1 (ko) 2016-03-31 2019-10-01 주식회사 엘지화학 고분자 구조의 정량 분석방법 및 분석장치
KR20170112184A (ko) * 2016-03-31 2017-10-12 주식회사 엘지화학 고분자 구조의 정량 분석방법 및 분석장치
WO2017171416A1 (ko) * 2016-03-31 2017-10-05 주식회사 엘지화학 고분자 구조의 정량 분석방법 및 분석장치
US11169066B2 (en) 2016-03-31 2021-11-09 Lg Chem, Ltd. Method for quantitative analysis of polymer structure and analyzer
WO2019236940A3 (en) * 2018-06-08 2020-08-20 Covestro Llc System, method, and computer program product for predicting properties of a polymer
KR20200116770A (ko) * 2019-04-02 2020-10-13 주식회사 엘지화학 고흡수성 수지의 물성 예측 방법
KR102653916B1 (ko) 2019-04-02 2024-04-01 주식회사 엘지화학 고흡수성 수지의 물성 예측 방법
CN113759103A (zh) * 2020-06-05 2021-12-07 中国石油天然气股份有限公司 一种丙烯聚合质量在线测量系统
KR20230156589A (ko) 2022-05-06 2023-11-14 부산대학교 산학협력단 고강도 에폭시 접착제의 접착강도 예측을 위한 전산모사 기반 데이터베이스 구축 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체

Similar Documents

Publication Publication Date Title
KR100829706B1 (ko) 고분자 제품의 물성 예측 방법
CN111508216B (zh) 一种大坝安全监测数据智能预警方法
Sharmin et al. Inferential sensors for estimation of polymer quality parameters: Industrial application of a PLS-based soft sensor for a LDPE plant
US7275018B2 (en) Method of condition monitoring
EP3125057B1 (en) System-analyzing device, analysis-model generation method, system analysis method, and system-analyzing program
US20070250214A1 (en) Method and apparatus for fuzzy logic control enhancing advanced process control performance
CA2648221A1 (en) Process monitoring technique and related actions
JP2004532476A (ja) プロセス装置の監視プログラム
Zhou et al. A study of polynomial fit-based methods for qualitative trend analysis
CN104462808A (zh) 安全水平位移与水位的滑动可变窗口动态数据拟合方法
RU2753513C2 (ru) Способ и система управления установкой по непрерывному производству полимера
CN117556366B (zh) 基于数据筛选的数据异常检测系统及方法
KR100586728B1 (ko) 고분자 제품의 물성예측방법
US11250349B2 (en) System for generating learning data
CN110517731A (zh) 基因检测质量监控数据处理方法和系统
KR101538548B1 (ko) 컴퓨터가 수행하는 극소불량률 관리 방법
CN106371419B (zh) 用于监视控制回路的运行的诊断装置和诊断方法
KR100827744B1 (ko) 고분자 제품의 물성 예측 방법
CN114118844A (zh) 一种汽车零部件质量分析系统
CN117273553B (zh) 一种基于糖浆浓度检测的生产异常监测系统
CN115796058B (zh) 一种cvd设备的设备数据分析方法及系统
JPH05204407A (ja) プロセスの特性予測方法ならびにその予測方法を用いたプロセスの監視方法およびプロセスの制御方法
Shardt et al. Advanced Soft-Sensor Systems for Process Monitoring, Control, Optimisation, and Fault Diagnosis
Maki et al. The methods of soft sensor modeling for polyolefin quality
WO2021157670A1 (ja) 予測装置、予測方法及びプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130325

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20140324

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20160322

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20180427

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20190502

Year of fee payment: 12