[发明专利]一种基于集成神经网络的聚丙烯熔融指数混合建模方法

权利要求书

1.一种基于集成神经网络的聚丙烯熔融指数混合建模方法，包括以下步骤：

1)通过集散控制系统和实时数据库系统采集聚丙烯生产过程各个关键过程变量的数据，并将这些数据存入历史数据库，作为软测量模型的输入样本数据集；

2)通过离线化学分析获取历史数据库中用于建模的样本所对应的熔融指数离线分析值，作为软测量模型的输出样本数据集；

3)分别对步骤1获取的关键过程变量数据集和步骤2获取的熔融指数数据集进行预处理，建立训练样本数据集；

4)基于预处理后的训练样本数据集，建立聚丙烯熔融指数简化机理模型，将该机理模型参数存入数据库中备用，同时得到简化机理模型的训练值；

5)由步骤2获取的熔融指数离线分析值减去步骤4的简化机理模型训练值得到机理模型预测误差，并将步骤1获取的关键过程变量和机理模型预测误差分别作为模型输入和输出，建立基于集成神经网络的机理模型预测误差补偿模型，将该误差补偿模型参数存入数据库中备用；

6)将预处理后的新实时数据直接输入到步骤4的简化机理模型和步骤5的误差补偿模型中，将两个模型的输出值相加，可获得该实时数据对应的聚丙烯熔融指数预测值。

2.根据权利要求1所述基于集成神经网络的聚丙烯熔融指数混合建模方法，其特征在于，所述步骤1中，聚丙烯生产过程关键变量包括第一环管氢气浓度u₁(ppm)、第二环管氢气浓度u₂(ppm)、催化剂TEAL流率u₃(kg/h)、第一环管丙烯单体流量u₄(t/h)、第二环管丙烯单体流量u₅(t/h)、第一环管反应器温度u₆(ppm)、第二环管反应器温度u₇(℃)、第一环管夹层水温u₈(℃)、第二环管夹层水温u₉(℃)。

3.根据权利要求1所述基于集成神经网络的聚丙烯熔融指数混合建模方法，其特征在于，所述步骤3中，数据预处理内容包括采用莱以特准则剔除异常数据和数据标准化，具体实施步骤如下：

31)采用莱以特准则剔除异常数据

对于样本数据集x₁,x₂,…x_n，判断样本数据x_i是否满足下面的条件，若满足，则认为x_i是异常数据，应予以剔除；否则保留该样本数据：

其中，为所有样本数据的算术平均值，δ为所有样本数据的方差。

32)标准化处理

对于样本数据集x₁,x₂,…x_n，样本数据x_i的标准化处理计算公式为：

其中，x_i、分别表示第i个原始数据、标准化处理后的数据。样本数据经过标准化处理，使得样本数据处于[-1,1]之间。

4.根据权利要求1所述基于集成神经网络的聚丙烯熔融指数混合建模方法，其特征在于，所述步骤4中，建立熔融指数简化机理模型的具体步骤为：首先通过分析聚丙烯生产过程的机理知识，建立简化机理模型，然后采用最速下降法辨识得到未知模型参数，其中简化机理模型的结构为：

其中，MI_mech为熔融指数(g/10min)，k_i(i＝1,2,3,4)均为待辨识的模型参数，[H]为氢气浓度(ppm)，[M]为丙烯单体流量(kg/h)，T为反应器温度(K)，下标11、22分别表示第一环管、第二环管。

5.根据权利要求1所述基于集成神经网络的聚丙烯熔融指数混合建模方法，其特征在于，所述步骤5中，建立机理模型预测误差补偿模型的具体实施步骤为：

51)构建训练样本数据集

将步骤1获取的关键过程变量作为误差补偿模型的输入；将步骤2获取的聚丙烯熔融指数离线分析值MI_real减去步骤4获取的简化机理模型训练值MI_mech，可得到机理模型的预测偏差E，并作为误差补偿模型的输出；

52)数据重采样建立多个样本数据子集

首先给定原始样本集X，设置提取率p、轮数n，然后对X进行放回式随机采样得到多个训练输入样本集X_i(i＝1,2,…n)；

53)训练神经网络子模型

选择BP神经网络作为子模型结构，网络结构为9×6×1，其中隐含层为tansig型函数，输出层为purelin型函数。采用Levenberg-Marquardt训练算法对n个训练输入输出样本集{X_i，E_i}(i＝1,2,…n)进行训练，得到n个BP神经网络子模型{NN₁,…,NN_n}。

54)采用信息熵法求取各子模型的组合权重

用于求解各子模型组合权重的多目标优化模型为：

目标函数1：最大化所有组合权重的信息熵

目标函数2：最小化集成模型的平均值与实际输出的平均值之差

minμ_ens-μ_real

目标函数3：最小化预测标准差与实际输出的标准差之差

minσ_ens-σ_real

约束条件：

其中，H为信息熵，α_i为第i个神经网络的集成权重，n为神经网络子模型的个数，μ_ens为集成神经网络的输出均值，μ_real为实际输出均值，σ_ens为集成神经网络输出的标准差，σ_real为实际输出标准差。

55)建立误差补偿模型

通过求解本实施步骤4中的多目标优化模型，可得到组合权重α_i(i＝1,2,…,n)，则集成神经网络的预测输出为：

E_comp＝α₁E₁+α₂E₂+…+α_nE_n

其中，E_i为第i个BP神经网络子模型的预测输出。