[发明专利]一种聚合反应过程质量预测模型构建方法

说明书

一种聚合反应过程质量预测模型构建方法，属于化工过程中的软测量建模技术领域。它包括以下步骤：1、获取聚乙烯工业生产过程变量数据集；2、对获取的数据集进行数据标准化处理，使其变成无量纲数据集，然后划分为训练集和测试集；3、建立基于MCC的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、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。本发明是基于稳健长短期记忆网络的聚合反应过程质量预测方法，利用MCC作为损失函数，通过MCC对噪声或离群点表现得不敏感的特性，使得LSTM模型更加稳健精确。

技术领域

本发明属于化工过程中的软测量建模技术领域，具体涉及一种聚合反应过程质量预测模型构建方法。

背景技术

在化工过程工业中，过程数据之间存在很强的相关性与非线性，即过程数据是具有高度非线性与高度动态性的时间序列。递归神经网络(Recurrent Neural Network，RNN)通过将时序的概念引入到网络结构设计中，在时序数据分析中表现出更强的适应性，为提取时间序列特征提供了更好的解决方案。随着处理时间序列长度的增加，会使得网络训练期间容易产生梯度消失与梯度爆炸等问题，从而导致RNN网络预测精度不足。另外在开放环境下，由于数据采集环境的复杂性、采集设备性能的限制以及人为因素的影响，使得收集到的数据中含有大量的不确定性，如数据存在各种噪声与异常点等，极大地降低了数据的可用性。在回归建模中，常用的损失函数为最小二乘损失(MSE)。随着误差的增大，相应的损失呈平方增加。当训练数据中存在异常点时，异常点处的回归误差将主导整个损失函数值的增加或减小，从而导致此时训练得到的模型偏向于异常样本。

长短期记忆(Long-Short-Term Memory，LSTM)神经网络是在RNN结构的基础上，引入门控单元替代RNN隐层中的神经元，使其对较长时间序列上的信息能够选择性地通过和剔除，改善RNN在长时间序列上记忆能力不足、梯度消失和梯度爆炸的问题。

最大相关熵准则(Maximum Correntropy Criterion，MCC)最早用在信号的噪声处理领域，后经证明了在回归问题中，MCC在处理包含非高斯噪声或离群点的数据时表现出良好的性能。

本发明将MCC与LSTM进行结合，提出一种稳健MCC-LSTM质量预测方法。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种能够解决时间序列的梯度消失和梯度爆炸问题，且在参数求解过程中对异常点与噪声不敏感，使得模型更加精确可靠的聚合反应过程质量预测方法。

本发明提供如下技术方案：一种聚合反应过程质量预测模型构建方法，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。