一种聚合反应过程的质量模式监测方法技术

本发明专利技术提供一种聚合反应过程的质量模式监测方法，属于流程工业生产加工领域。该方法首先对初始数据进行采集并预处理，然后进行变量选择与变换，并利用变换后的综合特征构建质量模式指标；之后利用贝叶斯统计学习方法对构建的质量模式指标进行分类，最终实现聚合过程的质量监测。本发明专利技术利用快速智能判别和决策方法，将质量模式监测的概念引入到聚合反应过程，从传统的质量指标参数监测转化为质量模式监测，更能刻画聚合过程的运行工况，提高聚合反应过程质量监测的准确率，稳定地控制聚合反应装置，弥补了传统质量指标监测在建模复杂度及数据利用上的不足，将聚合过程运行在最优状态下，从而达到安全、节能、降耗的目的。

A quality mode monitoring method for polymerization process

The invention provides a quality mode monitoring method for polymerization reaction process, which belongs to the production and processing field of process industry. Firstly, the initial data is collected and pre-processed, then the variables are selected and transformed, and the quality model indexes are constructed by using the transformed comprehensive features; then the quality model indexes are classified by using Bayesian statistical learning method, and the quality monitoring of the aggregation process is finally realized. The invention introduces the concept of quality mode monitoring into polymerization reaction process by using fast intelligent discrimination and decision-making method, transforms the traditional quality index parameter monitoring into quality mode monitoring, can describe the operation condition of polymerization process, improve the accuracy of quality monitoring in polymerization reaction process, and control polymerization reaction stably. The device compensates for the shortcomings of traditional quality index monitoring in modeling complexity and data utilization, and runs the polymerization process in the optimal state so as to achieve the goal of safety, energy saving and consumption reduction.

【技术实现步骤摘要】
一种聚合反应过程的质量模式监测方法
本专利技术涉及一种聚合反应过程的质量模式监测方法，属于流程工业生产加工领域。
技术介绍
聚合反应过程复杂，聚合物的质量(如热稳定性、断裂强度、拉伸强度等)与聚合物的物性(如平均分子量及其分布、平均粒径及其分布、黏度、密度等)密切相关。为了使聚合反应釜处于最佳运行工况，提高聚合物的质量，传统手段是质量指标控制，即控制聚合物的物性参数或与聚合物物性参数相关的过程参数，如反应物浓度、聚合速率、转化率等。但影响聚合物质量指标的过程参数具有递进性、多元性、相关性等特点，且聚合物的质量指标由于缺乏可靠的在线仪表或限于使用、维护成本等原因，通常难以在线测量，一般采用人工离线分析得到，由于不能及时调整工艺参数，导致产品质量参差不齐，使得聚合反应过程的质量监控问题具有一定的挑战性。基于过程质量推断模型的质量监控技术是解决这一问题的有效手段。无论是最初的机理质量推断模型，还是基于数据驱动的经验质量模型，包括将机理建模、经验建模等结合在一起的混合质量模型，其框架下的质量监控效果均依赖于模型预测的精度。大数据背景下如何利用过程运行的数据监控聚合过程的产品质量，对聚合过程的质量监控研究提出了新的要求。近年来，随着数据挖掘和机器学习技术的不断发展，涌现出了很多新的快速智能判别和决策方法，因此本专利技术利用过程运行中的大量数据，提出一种聚合反应过程的质量模式监测方法，利用近几年涌现的新的快速智能判别和决策方法，将质量模式监测的概念引入到聚合反应过程中，从传统的质量指标参数监测转化为质量模式监测，弥补了传统质量指标监测在建模复杂度及数据利用上的不足。由于模式蕴含了更多的过程信息，从而更能刻画聚合过程的运行工况，提高聚合反应过程质量监测的准确率，稳定地控制聚合反应装置，将聚合过程运行在最优状态下，从而达到安全、节能、降耗的目的。
技术实现思路
本专利技术旨在提供一种聚合反应过程的质量模式监测方法。将质量模式监测的概念引入到聚合反应过程中，将观测空间数据的本质特征投影到低维空间，得到质量模式指标；然后，利用快速智能判别和决策方法对模式指标进行分类，区分聚合生产过程的不同质量模式。本专利技术采用的技术方案：一种聚合反应过程的质量模式监测方法，分为三个部分，第一部分是初始数据的采集与预处理，第二部分是质量模式指标的构建，第三部分是利用快速智能判别和决策方法对构建的质量模式指标进行分类；具体步骤如下：步骤一：初始数据的采集与预处理采集聚合反应过程中的原始特征信息，通过剔除异常数据、填充缺失数据、纠正错误数据和数据对齐的方式进行数据的预处理；采集聚合反应过程中的原始特征信息包括反应温度、引发剂浓度、蒸汽流量、压力、转化率、聚合速率等相关过程参数变量；步骤二：质量模式指标的构建(1)对步骤一中预处理之后的数据进行变量选择，挑选出有效的、能反映系统行为和过程状态的特征数据，同时剔除无效特征，以初步降低系统过程信息的特征空间维数；所述的变量选择，采用的方法可为穷举法、随机搜索法、启发式搜索法或Lasso正则化方法等方法；(2)利用变换技术将步骤(1)得到的特征数据进行变换，得到综合特征，并构建质量模式指标Y＝[Y1,Y2,…,Yp]，再次降低系统过程信息的特征空间维数，其中p个特征数据是线性无关的；所述的变换技术是指主元分析、K均值聚类、贝叶斯统计学习或势函数判别等技术；步骤三：利用贝叶斯统计学习方法对构建的质量模式指标进行分类(3)设有m个类C1,C2,…,Cm，针对质量模式指标Y，利用贝叶斯统计学习方法将未知的质量模式指标分配给类Ci，当且仅当：P(Ci|Y)>P(Cj|Y),1≤j≤m,j≠i(1)其中，P(Ci|Y)为后验概率，由公式(2)求取：式(2)中，P(Ci)＝si/s为先验概率，si是类Ci中的训练样本数，s是训练样本总数，为条件概率，P(Y1|Ci),P(Y2|Ci),…,P(Yp|Ci)由训练样本估值，k＝{1,2,…p}；(4)对质量模式指标Y进行判别，对于每个类Ci，计算P(YCi)P(Ci)，质量模式指标Y被指派到类Ci，当且仅当：P(Y|Ci)P(Ci)>P(Y|Cj)P(Cj),1≤j≤m,j≠i(3)；(5)定义C1为高质量模式，C2为低质量模式，计算当l12(Y)>θ12时，则聚合生产过程的运行状态处于高质量模式；当l12(Y)<θ12时，则聚合生产过程的运行状态处于低质量模式。所述步骤一中，剔除异常数据的方式为3σ准则，填充缺失数据的方式为均值填充法。所述步骤(2)中采用主元分析作为变换技术时，最低累计贡献率为T＝75％。本专利技术利用过程运行中的大量数据，提出一种聚合反应过程的质量模式监测方法，利用近几年涌现的新的快速智能判别和决策方法，将质量模式监测的概念引入到聚合反应过程，从传统的质量指标参数监测转化为质量模式监测，弥补了传统质量指标监测在建模复杂度及数据利用上的不足。由于模式蕴含了更多的过程信息，从而更能刻画聚合过程的运行工况，提高聚合反应过程质量监测的准确率，稳定地控制聚合反应装置，将聚合过程运行在最优状态下，从而达到安全、节能、降耗的目的。附图说明图1为实施步骤流程框图。图2为各主成分解释方差的帕累托图。图3为聚合反应过程基于模式指标的贝叶斯质量监测图。具体实施方式下面结合技术方案和附图对本专利技术的技术方案进行清楚描述。实施例1如图1所示，具体实施步骤和算法如下：步骤1：选定聚合反应生产过程中的反应温度、引发剂浓度、蒸汽流量、压力、转化率、聚合速率等38个相关变量作为与质量相关的过程参数信息，一共采集500个样本，其中有300个高质量样本，200个低质量样本。分别对高质量样本数据集和低质量样本数据集按照3σ准则进行异常值剔除预处理，剔除后产生的缺失值则按照均值填充法进行填充，最后对数据进行标准化处理。步骤2：对步骤1中预处理之后的数据进行主成分分析，设置最低累计贡献率T＝75％，选定前六个综合特征构成质量模式指标，各主成分解释方差的帕累托图如图2所示。步骤3：对已构建的质量模式指标Y＝[Y1,Y2,…,Yp]，利用贝叶斯分类将其分配给m个类C1,C2,…,Cm中的某类Ci，当且仅当P(Ci|Y)>P(Cj|Y),1≤j≤m,j≠i，其中，P(Ci|Y)为后验概率，其求取公式为其中P(Ci)＝si/s为先验概率，si是类Ci中的训练样本数，s是训练样本总数，为条件概率，P(Y1|Ci),P(Y2|Ci),…,P(Yp|Ci)可以由训练样本估值，k＝{1,2,…p}。步骤4：对质量模式指标Y进行判别，对于每个类Ci，计算P(YCi)P(Ci)，质量模式指标Y被指派到类Ci，当且仅当P(YCi)P(Ci)>P(YCj)P(Cj),1≤j≤m,j≠i。步骤5：定义C1为高质量模式，C2为低质量模式，当l12(Y)>θ12时，则聚合生产过程的运行状态处于高质量模式；当l12(Y)<θ12时，则聚合生产过程的运行状态处于低质量模式；图3是聚合反应过程基于模式指标的贝叶斯质量监测图。本文档来自技高网...

【技术保护点】
1.一种聚合反应过程的质量模式监测方法，其特征在于，步骤如下：步骤一：初始数据的采集与预处理采集聚合反应过程中的原始特征信息，通过剔除异常数据、填充缺失数据、纠正错误数据和数据对齐的方式进行数据的预处理；步骤二：质量模式指标的构建(1)对步骤一中预处理之后的数据进行变量选择，挑选出有效的、能反映系统行为和过程状态的特征数据，同时剔除无效特征，以初步降低系统过程信息的特征空间维数；(2)利用变换技术将步骤(1)得到的特征数据进行变换，得到综合特征，并构建质量模式指标Y＝[Y1,Y2,…,Yp]，再次降低系统过程信息的特征空间维数，其中p个特征数据是线性无关的；步骤三：利用贝叶斯统计学习方法对构建的质量模式指标进行分类(3)设有m个类C1,C2,…,Cm，针对质量模式指标Y，利用贝叶斯统计学习方法将未知的质量模式指标分配给类Ci，当且仅当：P(Ci|Y)>P(Cj|Y),1≤j≤m,j≠i    (1)其中，P(Ci|Y)为后验概率，由公式(2)求取：

【技术特征摘要】
1.一种聚合反应过程的质量模式监测方法，其特征在于，步骤如下：步骤一：初始数据的采集与预处理采集聚合反应过程中的原始特征信息，通过剔除异常数据、填充缺失数据、纠正错误数据和数据对齐的方式进行数据的预处理；步骤二：质量模式指标的构建(1)对步骤一中预处理之后的数据进行变量选择，挑选出有效的、能反映系统行为和过程状态的特征数据，同时剔除无效特征，以初步降低系统过程信息的特征空间维数；(2)利用变换技术将步骤(1)得到的特征数据进行变换，得到综合特征，并构建质量模式指标Y＝[Y1,Y2,…,Yp]，再次降低系统过程信息的特征空间维数，其中p个特征数据是线性无关的；步骤三：利用贝叶斯统计学习方法对构建的质量模式指标进行分类(3)设有m个类C1,C2,…,Cm，针对质量模式指标Y，利用贝叶斯统计学习方法将未知的质量模式指标分配给类Ci，当且仅当：P(Ci|Y)>P(Cj|Y),1≤j≤m,j≠i(1)其中，P(Ci|Y)为后验概率，由公式(2)求取：式(2)中，P(Ci)＝si/s为先验概率，si是类Ci中的训练样本数，s是训练样本总数，为条件概率，P(Y1|Ci),P(Y2|Ci),…,P(Yp|Ci)由训练样本估值，k＝{1,2,…p}；(4)对质量模式指标Y进行判别，对于每个类Ci，计算P(Y|Ci)P(Ci)，质量模式指标Y被指派到类Ci，当且仅当：P(Y|Ci)P(Ci)>P(Y|Cj)P(Cj),1≤j≤m,j≠i(3)；(5)定义C1为高质量模式，C2为低质量模式，...

【专利技术属性】
技术研发人员：栾小丽，高爽，郑年年，冯恩波，陈珺，刘飞，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32