[发明专利]一种不饱和聚酯树脂反应釜中反应物浓度软测量方法

说明书

技术领域

本发明涉及工业过程控制软测量领域，具体涉及一种在间歇反应过程中不饱和聚酯树脂反应釜中反应物浓度的软测量方法。

背景技术

不饱和聚酯树脂(UPR，Unsaturated Polyester Resins)一般指分子链上具有碳-碳不饱和键(如双键)的聚酯，由不饱和二元酸、饱和二元酸、饱和二元醇和多元醇通过缩聚反应而制成。由于UPR优良的工艺性能、电性能、耐腐蚀及力学性能等，UPR已经被广泛应用于建筑、化工、电器、医药等领域中的各个方面，其中最具有代表性的是玻璃纤维增强材料(俗称玻璃钢)，玻璃钢中的聚酯需量占总量的70～80％，并形成多种商品品种有通用型树脂、耐热型树脂、高强度型树脂等。

为了适应现代市场的需要，过程工业正逐渐趋向于间歇过程发展。由于间歇式反应釜有投资少、生产灵活、附加值高的优点，广泛应用于药品生产、精细化工等领域。但是就目前的应用现状来说，间歇生产的自动化水平相对连续生产还是发展缓慢，主要原因主要有：对一些参数如反应物或产物浓度等参数，缺少经济可靠的传感器对它们在线检测与测量，即使一些传感器已经被研发出来，不但成本昂贵而且实用性与可靠性十分有限，无法满足实际工业要求。因此，有必要对不饱和聚酯树脂生产中反应釜反应物浓度建立在线实时软测量模型，以满足实际工业生产要求。

近年来，对软测量技术的研究已成为关注热点。软测量模型是软测量技术的核心，主要是通过辅助变量来对主导变量进行最佳精度估计，目前软测量建模方法主要有如下几种方法：机理分析方法、回归分析方法、状态估计方法、人工神经网络方法。机理分析方法是建立在对过程对象工艺机理深刻了解的基础上，模型的专用性使得模型的可移植性差；建模难度大，需要从反应本征动力学、传热传质方程等出发；求解由代数方程组、微分方程组所组成的复杂模型较为困难。回归分析方法对于一般用于只有较少辅助变量时，而且精度较低。

基于人工神经网络方法(ANN，Artificial Neural Network)的软测量技术是今年来研究最多，应用领域最广的一种软测量方法。ANN方法以简单非线性神经元为基本单元，通过大规模的连接组成分布式非线性网络系统，凭借其联想记忆、自学习、非线性逼近等功能特点，使之在解决严重不确定性和非线性系统的控制方面具有一定优势。由于工业过程机理非常复杂，存在高度非线性及不确定性特点，难以用传统方法建立较为准确的软测量模型。在不具备对象先验知识的情况下，采用ANN方法可将辅助变量作为ANN的输入，将主导变量作为输出，通过网络的学习就可建立软测量模型，即使建模对象特性不断改变，ANN软测量模型也可以通过学习及时得到修正，故而ANN已成为软测量的主要手段和方法，为解决复杂工业过程参数的软测量难点问题提供了一条有效的方法。

在软测量建模中最常使用的是当属BP网络，具体来说，主要是运用了ANN的最强大应用功能之一的函数逼近功能。虽然BP网络已被广泛应用于诸多方面，但其也存在着不足：首先，由于其学习率是恒定不变的，要花费较长的训练时间而造成敛速度较慢；其次，BP算法采用梯度下降法只能得到局部最优值，不能误差得到全局最小值；再次，网络拓扑结构只能依靠经验或者基于反复多次实验才能确定。而遗传算法(GA，Genetic Algorithm)是一种全局寻优算法，能够有效克服BP上述不足，从这点看来，遗传算法正好是BP神经网络缺点的克星，因此将两者结合起来，用遗传算法优化神经网络就成为自然而然的选择。本发明使用遗传算法优化BP神经网络权值的方法，提出一种基于改进型自适应遗传算法(IAGA，Improved Adaptive Genetic Algorithm)建立的软测量模型，精度较高，速度更快，完全可以较好地应用于软测量工作。

发明内容

为了克服BP网络在软测量存在的不足：学习率是恒定不变的，要花费较长的训练时间而造成敛速度较慢；只能得到局部最优值；网络拓扑结构只能依靠经验确定。本发明将遗传算法优化BP神经网络权值，提出一种基于改进型自适应遗传算法建立的软测量模型方法，用于在间歇反应过程中不饱和聚酯树脂反应釜中反应物浓度的测量。

本发明解决其技术问题所采用的技术方案是：