基于混合寻优的丙烯聚合生产过程最优软测量系统和方法技术方案

本发明专利技术公开了一种基于混合寻优的丙烯聚合生产过程最优软测量系统，包括丙烯聚合生产过程、现场智能仪表、控制站、存放数据的DCS数据库、基于混合寻优的最优软测量系统以及熔融指数软测量值显示仪。现场智能仪表及控制站与丙烯聚合生产过程相连，与DCS数据库相连；最优软测量系统与DCS数据库及软测量值显示仪相连。所述的基于混合寻优的最优软测量系统包括模型更新模块、数据预处理模块、PCA主成分分析模块、神经网络模型模块以及混合寻优优化模块。以及提供了一种用软测量系统实现的软测量方法。本发明专利技术实现在线测量、在线参数优化、软测量速度快、模型自动更新、抗干扰能力强、精度高。

Optimal soft sensing system and method for propylene polymerization process based on hybrid optimization

The invention discloses a process of polymerization of propylene mixed optimal soft measurement system based on optimization, including propylene polymerization production process, intelligent instrument, control station, data stored in DCS database, hybrid optimization and optimal soft measurement system based on soft melt index measuring value display instrument. The field intelligent instrument and control station is connected with the propylene polymerization process, and is connected with the DCS database. The optimum soft measuring system is connected with the DCS database and the soft measuring value display device. The optimal soft sensing system based on hybrid optimization includes model updating module, data preprocessing module, PCA principal component analysis module, neural network model module, and hybrid optimization module. And provides a soft measurement method implemented by soft sensing system. The invention realizes on-line measurement, on-line parameter optimization, soft measurement speed, automatic model updating, strong anti-interference ability and high precision.

【技术实现步骤摘要】

本专利技术涉及一种最优软测量系统及方法，具体是一种基于混合寻优的丙烯聚合生产过程最优软测量系统及方法。
技术介绍
聚丙烯是由丙烯聚合而制得的一种热塑性树脂，丙烯最重要的下游产品，世界丙烯的50%，我国丙烯的65%都是用来制聚丙烯，是五大通用塑料之一，与我们的日常生活密切相关。聚丙烯是世界上增长最快的通用热塑性树脂，总量仅仅次于聚乙烯和聚氯乙烯。为使我国聚丙烯产品具有市场竞争力，开发刚性、韧性、流动性平衡好的抗冲共聚产品、无规共聚产品、BOPP和CPP薄膜料、纤维、无纺布料，及开发聚丙烯在汽车和家电领域的应用，都是今后重要的研究课题。熔融指数是聚丙烯产品确定产品牌号的重要质量指标之一，它决定了产品的不同用途，对熔融指数的测量是聚丙烯生产中产品质量控制的一个重要环节，对生产和科研，都有非常重要的作用和指导意义。然而，熔融指数的在线分析测量目前很难做到，一方面是在线熔融指数分析仪的缺乏，另一方面是现有的在线分析仪由于经常会堵塞而测量不准甚至无法正常使用所导致的使用上的困难。因此，目前工业生产中MI的测量，主要是通过人工取样、离线化验分析获得，而且一般每2-4小时只能分析一次，时间滞后大，给丙烯聚合生产的质量控制带来了困难，成为生产中急需解决的一个瓶颈问题。聚丙烯熔融指数的在线软测量系统及方法研究，从而成为学术界和工业界的一个前沿和热点。
技术实现思路
为了克服目前已有的丙烯聚合生产过程的测量精度不高、易受人为因素的影响的不足，本专利技术的目的在于提供一种在线测量、在线参数优化、软测量速度快、模型自动更新、抗干扰能力强、精度高的基于混合寻优的的丙烯聚合生产过程熔融指数最优软测量系统及方法。本专利技术解决其技术问题所采用的技术方案是：一种基于混合寻优的的丙烯聚合生产过程最优软测量系统，包括丙烯聚合生产过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库、基于混合寻优的最优软测量系统以及熔融指数软测量显示仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、控制站与DCS数据库连接，所述DCS数据库与基于混合寻优的最优软测量系统的输入端连接，所述基于混合寻优的最优软测量系统的输出端与熔融指数软测量显示仪连接，其特征在于：所述基于混合寻优的最优软测量系统包括：（1）、数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值；再进行归一化处理，即除以变量值的变化区间；（2）、PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C=MU得到，其中M为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由M=CUT计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，M=CUT+E，其中E为残差矩阵；（3）、神经网络模型模块，用于采用RBF神经网络、通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；（4）、混合寻优优化模块，用于采用基于HPSO-SA算法的优化模块对神经网络进行优化，包括：（4.1）算法初始化，根据待优化的RBF神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN)，初始移动速度V=(v1,v2,…,vN)，初始的各粒子历代最优值OP=(p1,x2,…,pN)和全局最优值pg；（4.2）通过下式执行HPSO算法，让粒子群收敛：xk+1i=xki+vk+1i---(1)]]>vk+1i=wkvki+c1r1(pki-xki)+c2r2(plg-xki)---(2)]]>式中x为粒子的位置向量，i为粒子的序号，k为算法迭代代数，v为粒子速度，p表示初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg的最优值集合。vki为第k次迭代代数中第i个粒子的速度；xki第k次迭代代数中第i个粒子的位置向量；pki为第k次迭代代数中第i个粒子的历代最优位置，pi为第i个粒子的历代最优解，w为速度权重系数，c1、c2分别为粒子历代最优解和群体最优解的吸引系数，r1、r2分别为随机数。（4.3）待粒子群收敛到合适的程度时，开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法，得到的最优解作为算法的最后结果返回。作为优选的一种方案，所述基于混合寻优的的最优软测量模型还包括：模型更新模块，用于模型的在线更新，将定期将离线化验数据输入到训练集中，更新神经网络模型。作为优选的再一种方案：在PCA主成分分析模块中，PCA方法实现输入变量的预白化处理，能够简化神经网络模型的输入变量，进而提高模型的性能。一种基于混合寻优的的聚丙烯生产过程最优软测量系统实现的软测量方法，所述软测量方法具体实现步骤如下：（1）对丙烯聚合生产过程对象，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入，操作变量和易测变量由DCS数据库获得；（2）对样本数据进行预处理，对输入变量中心化，即减去变量的平均值；再进行归一化处理，即除以变量值的变化区间；（3）PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C=xU得到，其中x为输入变量，P为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由x=CUT计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，x=CUT+E，其中E为残差矩阵；（4）基于模型输入、输出数据建立初始神经网络模型，采用RBF神经网络，通过误差最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；（5）采用基于HPSO-SA算法的优化模块对神经网络进行优化，包括：（5.1）算法初始化，根据待优化的RBF神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN)，初始移动速度V=(v1,v2,…,vN)，初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg；（5.2）通过下式执行HPSO算法，让粒子群收敛：xk+1i=xki+vk+1i---(1)]]>vk+1i=wkvki+c1r1(pki-xki)+c2r2(plg-xki)---(2)]]>式中x为粒子的位置向量，i为粒子的序号，k为算法迭代代数，v为粒子速度，p表示初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg的最优值...

【技术保护点】
1.一种基于混合寻优的丙烯聚合生产过程最优软测量系统，包括丙烯聚合生产过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库、基于混合寻优的最优软测量系统以及熔融指数软测量显示仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、控制站与DCS数据库连接，所述DCS数据库与基于混合寻优的的最优软测量模型的输入端连接，所述基于混合寻优的最优软测量系统的输出端与熔融指数软测量显示仪连接，其特征在于：所述基于混合寻优的最优软测量系统包括：（1）、数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值；再进行归一化处理，即除以变量值的变化区间；（2）、PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过对输入变量施加一个线性变换实现，即主成分由C=MU得到，其中M为输入变量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由M=CUT计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时，M=CUT+E，其中E为残差矩阵；（3）、神经网络模型模块，用于采用RBF神经网络、通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；（4）、混合寻优优化模块，用于采用基于粒子群-模拟退火（HPSO-SA）混合算法的优化模块对神经网络进行优化，包括：（4.1）算法初始化，根据待优化的RBF神经网络结构构造出初始的粒子群体X=(x1,x2,…,xN)，初始移动速度V=(v1,v2,…,vN)，初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg；（4.2）通过下式执行HPSO算法，让粒子群收敛：xk+1i=xki+vk+1i---(1)]]>vk+1i=wkvki+c1r1(pki-xki)+c2r2(plg-xki)---(2)]]>式中x为粒子的位置向量，i为粒子的序号，k为算法迭代代数，v为粒子速度，p表示初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg的最优值集合。vki为第k次迭代代数中第i个粒子的速度；xki第k次迭代代数中第i个粒子的位置向量；pki为第k次迭代代数中第i个粒子的历代最优位置，pi为第i个粒子的历代最优解，w为速度权重系数，c1、c2分别为粒子历代最优解和群体最优解的吸引系数，r1、r2分别为随机数。（4.3）待粒子群收敛到合适的程度时，开始对各个粒子的历代最优解组成的集合(best1,best2,…,bestN)执行SA算法，得到的最优解作为算法的最后结果返回。所述基于混合寻优的最优软测量系统还包括：模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。所述的基于混合寻优的的丙烯聚合生产过程最优软测量系统，其特征在于：PCA主成分分析模块中，PCA方法实现输入变量的预白化处理，能够简化神经网络模型的输入变量，进而提高模型的性能。...

【技术特征摘要】
1.一种基于混合寻优的丙烯聚合生产过程最优软测量系统，包括丙烯聚合生产
过程、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放
数据的DCS数据库、基于混合寻优的最优软测量系统以及熔融指数软测量显示
仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、
控制站与DCS数据库连接，所述DCS数据库与基于混合寻优的的最优软测量模
型的输入端连接，所述基于混合寻优的最优软测量系统的输出端与熔融指数软
测量显示仪连接，其特征在于：所述基于混合寻优的最优软测量系统包括：
（1）、数据预处理模块，用于将从DCS数据库输入的模型输入变量进行预处理，
对输入变量中心化，即减去变量的平均值；再进行归一化处理，即除以变量值
的变化区间；
（2）、PCA主成分分析模块，用于将输入变量预白化处理及变量去相关，通过
对输入变量施加一个线性变换实现，即主成分由C=MU得到，其中M为输入变
量，C为主成分得分矩阵，U为载荷矩阵。若对原始数据进行重构，可由M=CUT计算，其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量
个数时，M=CUT+E，其中E为残差矩阵；
（3）、神经网络模型模块，用于采用RBF神经网络、通过误差函数最小化来完
成输入到输出的一种高度非线性映射，映射中保持拓扑不变性；
（4）、混合寻优优化模块，用于采用基于粒子群-模拟退火（HPSO-SA）混合算
法的优化模块对神经网络进行优化，包括：
（4.1）算法初始化，根据待优化的RBF神经网络结构构造出初始的粒子群体
X=(x1,x2,…,xN)，初始移动速度V=(v1,v2,…,vN)，初始的各粒子历代最优值
OP=(p1,p2,…,pN)和全局最优值pg；
（4.2）通过下式执行HPSO算法，让粒子群收敛：
xk+1i=xki+vk+1i---(1)]]>vk+1i=wkvki+c1r1(pki-xki)+c2r2(plg-xki)---(2)]]>式中x为粒子的位置向量，i为粒子的序号，k为算法迭代代数，v为粒子速
度，p表示初始的各粒子历代最优值OP=(p1,p2,…,pN)和全局最优值pg的最优值
集合。vki为第k次迭代代数中第i个粒子的速度；xki第k次迭代代数中第i个粒
子的位置向量；pki为第k次迭代代数中第i个粒子的历代最优位置，pi为第i
个粒子的历代最优解，w为速度权重系数，c1、c2分别为粒子历代最优解和群体
最优解的吸引系数，r1、r2分别为随机数。
（4.3）待粒子群收敛到合适的程度时，开始对各个粒子的历代最优解组成的集
合(best1,best2,…,bestN)执行SA算法，得到的最优解作为算法的最后结果返回。
所述基于混合寻优的最优软测量系统还包括：模型更新模块，用于模型的
在线更新，定期将离线化验数据输入到训练集中，更新神经网络模型。
所述的基于混合寻优的的丙烯聚合生产过程最优软测量系统，其特征在于：
P...

【专利技术属性】
技术研发人员：刘兴高，李九宝，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33