[发明专利]一种基于非线性慢特征模型的聚丙烯熔融指数软测量方法

说明书

本发明公开一种基于非线性慢特征回归模型的聚丙烯熔融指数软测量方法。本发明方法首先使用核学习技巧将SFA扩展成核慢特征分析后，再使用遗传算法优化选择最佳的非线性慢特征建立其与聚丙烯熔融指数之间的回归模型，从而使用非线性慢特征回归模型实施聚丙烯熔融指数的软测量。首先使用基于核学习的非线性白化方法将原输入数据白化成特征矩阵，再对特征矩阵实施慢特征分析，实现了非线性慢特征的变换过程。此外，本发明方法通过遗传算法优化选择出最优的特征向量建立回归模型，并在此基础上实施聚丙烯熔融指数的软测量，从遗传算法最优的角度保证了软测量模型的精度。

技术领域

本发明涉及一种软测量技术，特别涉及一种基于非线性慢特征模型的聚丙烯熔融指数软测量方法。

背景技术

聚丙烯是一类非极性的塑料，具有很广的用途，上至航空航天等高科技领域，下至人们的日常生活用品，都离不开聚丙烯这种塑料材料。随着社会的不断进步和生活水平的逐步提升，人类对聚丙烯产品的需求量日益扩大，对相应的化工工业生产提出了更高的要求。工业上常用熔融指数来区分不同牌号的热塑性树脂，从而可以指导产品的估价，也可以决定产品的不同用途。在聚丙烯的化工生产流程中，熔融指数(Melt Index，缩写：MI)是反映塑料熔体流动性的一个重要指标，是衡量聚丙烯产品质量是否达标的重要参数。因此，在聚丙烯生产过程中，实时的测量熔融指数是非常重要的！

测量聚丙烯熔融指数不外乎两类方法技术，其一，直接使用仪器仪表设备测量聚丙烯的熔融指数；其二，使用间接测量方法(如软测量技术)来测量聚丙烯熔融指数。虽然直接使用仪器测量能得到较精准的MI数据，但是由于测量不同牌号的聚丙烯熔体时，在切换过程中会在测量仪器中有残留，处理残留物的耗时导致熔融指数的测量频率较低，使得熔融指数通过硬件方式测量时存在较大的局限性。相比之下，软测量技术利用易测量的诸如温度、压力、流量、液位等数据，直接预测相应的聚丙烯熔融指数，不用考虑处理牌号切换问题。近年来，聚丙烯熔融指数的软测量方法也得到了较多的研究与关注。

在现有科研文献与专利文件中，使用神经网络技术实施聚丙烯熔融指数的软测量已经得到了广泛的研究与应用。然而，神经网络技术的一个最大弊端就是过拟合问题，即：神经网络可以将不相关的数据信息用于聚丙烯熔融指数的软测量。因此，基于神经网络模型的聚丙烯熔融指数软测量方法所能实现的测量精度还有待商榷。另一类可拟合非线性关系的软测量方法是使用核学习的回归算法，如：核偏最小二乘回归(Kernel Partial LeastSquares Regression，缩写：KPLSR)。KPLSR是将统计学习领域的偏最小二乘算法通过核学习进行非线性扩展，是可以解决聚丙烯熔融指数软测量问题的。

一般而言，聚丙烯的生产过程变化平稳，可用于软测量聚丙烯熔融指数的输入数据信息通常变化较为缓慢。而在统计学习领域，慢特征分析(Slow Feature Analysis，缩写：SFA)可以用来分析提取数据中的缓慢变化特征，从而发现数据变化的本质驱动因素。不幸的是，SFA是一种线性的缓慢特征分析技术，无法直接而有效的应对聚丙烯过程数据的非线性。因此，如何将SFA扩展至非线性领域，是应用SFA解决聚丙烯熔融指数软测量问题的关键。

发明内容

本发明所要解决的主要技术问题是：如何建立非线性的慢特征分析模型，从而基于非线性慢特征回归预测聚丙烯熔融指数。具体来讲，本发明方法首先使用核学习技巧将SFA扩展成核慢特征分析(Kernel Slow Feature Analysis，缩写：KSFA)后，再使用遗传算法优化选择最佳的非线性慢特征建立其与聚丙烯熔融指数之间的回归模型，从而使用非线性慢特征回归模型实施聚丙烯熔融指数的软测量。

本发明方法解决上述问题所采用的技术方案为：一种基于非线性慢特征模型的聚丙烯熔融指数软测量方法，包括以下步骤：