[发明专利]一种聚合反应过程质量预测模型构建方法

权利要求书

1.一种聚合反应过程质量预测模型构建方法，其特征在于，包括以下步骤：

(1)获取聚乙烯工业生产过程变量数据集：

获取聚乙烯工业生产过程变量，取聚乙烯生产过程中的一个反应器内的一组变量为输入变量，该反应器的产品质量变量记为MI，所述MI为输出变量，所述过程变量数据集包括输入变量和输出变量；

(2)数据集的预处理以及数据集划分：

对步骤(1)中获取的聚乙烯工业生产过程变量数据集进行数据标准化处理，使其变成无量纲数据集，然后，将标准化处理后的无量纲数据集按设定比例划分为训练集和测试集；

(3)建立MCC-LSTM神经网络模型并训练：

建立基于最大相关熵准则MCC的长短期记忆LSTM神经网络，将训练集输入到建立的MCC-LSTM神经网络中进行训练；

(4)对MCC-LSTM神经网络训练所建立的模型进行性能评估：

采用均方根误差RMSE与最大相关熵误差CE评价指标对模型进行评估，验证MCC-LSTM神经网络的性能。

2.根据权利要求1所述的一种聚合反应过程质量预测模型构建方法，其特征在于，所述步骤(2)的具体过程如下：

步骤2.1：为消除过程变量之间因量纲带来的差异性，对数据进行归一化处理，公式如下：

其中：x′为标准化处理后的数据集，x为所采集的原始数据集；x_min为原始过程变量数据的最小值，x_max为原始过程变量数据的最大值；

步骤2.2：归一化处理后将数据集划分为测试集与训练集，其中测试集占样本总数的25％，训练集占总数的75％。

3.根据权利要求1或2所述的一种聚合反应过程质量预测模型构建方法，其特征在于，所述步骤(3)的具体过程如下：

步骤3.1：建立基于最大相关熵准则MCC的长短期记忆LSTM神经网络：

3.1.1、构建长短期记忆LSTM神经网络模型，然后基于最大相关熵准则MCC构建以高斯核函数为核心的损失函数，来提高长短期记忆LSTM神经网络模型的鲁棒性，并通过Adam优化算法进行模型参数求解，整个网络采用最大相关熵准则MCC作为损失函数进行训练；

3.1.2、对步骤(2)中标准化处理后的数据集进行重构，然后将重构后的训练集数据输入步骤3.1.1中构建的MCC-LSTM神经网络模型，其中，数据重构公式如下所示：

x_t＝[[A_t-n,B_t-n,···,L_t-n],···,[A_t-1,B_t-1,···,L_t-1],[A_t,B_t,···,L_t]]

其中：A、B···L分别表示聚乙烯工业生产的过程变量，t表示时刻，n表示时间滑动窗口；

步骤3.2：网络参数设置：

在MCC-LSTM神经网络中，通过网格选择的方式设置需要的超参数，并采用自适应矩估计算法优化器对网络参数进行训练，为防止模型过拟合，在MCC-LSTM神经网络中添加dropout层；

步骤3.3：利用自适应矩估计算法训练模型：

利用自适应矩估计算法优化模型参数，首先定义α表示初始学习率、定义β₁表示一阶矩估计指数衰减率、定义β₂表示二阶矩估计指数衰减率、定义m表示梯度的一阶矩、定义n表示梯度的二阶矩、定义t表示时间步，自适应矩估计算法的优化流程如下：

S1)初始化相关参数，不断优化θ，直到目标函数f(θ)满足求解要求；

S2)更新一阶矩和二阶矩：在任意时刻，只要目标函数f(θ)不满足求解要求，就会在下一时刻更新一阶矩和二阶矩，具体公式如下：

通过上面两个公式分别对一阶矩和二阶矩进行偏差校正，其中：和分别是校正后的一阶矩和二阶矩，m_t、v_t分别表示更新前的一阶矩和二阶矩，m_t、v_t的具体公式如下：

m_t＝β₁·m_t-1+(1-β₁)·g_t

其中，g_t是t时刻权值的梯度，是求梯度符号，θ_t-1是t-1时刻的权值矩阵；

S3)更新网络参数，具体公式如下所示：

其中：θ_t是t时刻更新后的权值矩阵，θ_t-1是t-1时刻待更新的权值矩阵，ε为经验参数；若θ_t满足求解要求，则停止优化并输出结果，否则返回至步骤S2)中继续优化。