一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法技术

一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法，首先将原始样本数据集划分为训练样本集和评估样本集，采用随机重采样方法建立多个训练样本子集，训练各子集建立极限学习机子模型，然后利用评估样本集评估各子模型性能，筛选得到用于集成的子模型，最后通过计算各子模型的权重系数，得到待预测样本的聚丙烯熔融指数预测值。本发明专利技术具有预测精度高、泛化能力强的特点。根据本发明专利技术所得到的软测量结果，能够较好地跟踪聚丙烯生产过程的熔融指数变化趋势，为聚丙烯生产过程操作优化与质量控制提供有效的技术支持。

【技术实现步骤摘要】
一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法
本专利技术属于聚丙烯生产过程软测量方法研究与应用领域，尤其涉及一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法。
技术介绍
聚丙烯产品因具有价格低廉、易于成型和性能优良等特点，被广泛应用于生产日用品、食品包装、电气元件和机械配件等。产品质量控制是聚丙烯工业生产过程控制的关键环节，产品质量的好坏不仅直接关系到产品的加工性能，甚至将影响到聚合生产装置能否正常运行以及原料消耗、生产成本等经济指标。熔融指数(MeltIndex，简称MI)是区分不同牌号聚丙烯产品的质量指标，不同牌号的产品对应着一定范围内的MI值，所以在生产特定牌号聚丙烯产品时，要严格控制熔融MI数值分布在要求的区间内。目前聚丙烯工业生产中，通常采用定期在线取样、离线化验的方法获取熔融指数。然而该方法存在时滞较大的缺点，离线化验值难以有效指导生产过程，无法达到实时控制质量的要求。因此，有必要将软测量技术引入到聚丙烯生产过程中，通过建立可靠的软测量模型实现对熔融指数的间接估计。近年来，众多学者开展了大量聚丙烯熔融指数软测量建模与应用研究，通过构建聚丙烯生产过程易测量数据与熔融指数的关系模型，有效实现聚丙烯熔融指数的间接估计。当丙烯聚合过程牌号频繁切换、工况波动较大时，单一模型无法充分挖掘和学习所有过程信息，许多有效的知识无法用于指导聚丙烯熔融指数软测量，在描述聚丙烯生产过程的全局特性上也存在较大的局限性，难以满足准确预报聚丙烯熔融指数的要求。2002年，周志华提出采用一定策略对全集成子模型进行筛选后建立选择性集成模型，其预测性能要优于全集成模型。可将选择性集成建模策略引入聚丙烯生产过程质量控制研究中，提出一种新的聚丙烯熔融指数软测量方法，以提高聚丙烯熔融指数模型的预测精度和泛化性能，为实现聚丙烯生产过程质量监控和先进控制提供一种有效的技术手段。
技术实现思路
本专利技术的目的：为了克服现有的聚丙烯熔融指数软测量模型无法保证全局范围内的预测精度、模型稳定性不强等不足，提供一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法。本专利技术的技术解决方案：首先将原始样本数据集划分为训练样本集和评估样本集，采用随机重复采样方法建立多个训练样本子集，通过训练各子集建立极限学习机子模型，然后根据子模型在评估样本集上的输出，采用FCM聚类算法分类筛选得到用于集成的子模型，最后利用熵权法计算各子模型的权值系数，得到待测试样本的聚丙烯熔融指数预测值。一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法的具体实施步骤下：(1)选择辅助变量和主导变量。辅助变量包括第一环管氢气浓度u1(ppm)、第二环管氢气浓度u2(ppm)、催化剂流率u3(kg/h)、第一环管丙烯单体流量u4(t/h)、第二环管丙烯单体流量u5(t/h)、第一环管反应器温度u6(℃)、第二环管反应器温度u7(℃)、第一环管夹层水温u8(℃)、第二环管夹层水温u9(℃)。主导变量为聚丙烯熔融指数MI。通过DCS集散控制系统和实时数据库采集生产现场数据建立软测量模型的原始样本数据集；(2)采用莱依特准则剔除步骤1获取的原始样本集中异常数据，采用滤波方法消除数据中的随机误差，并进行数据归一化处理，消除数据量纲和大小差异对模型训练带来的影响；(3)按照合适比例，将步骤2预处理后的原始样本数据集S划分为训练样本集SM和评估样本集SK；(4)确定训练样本抽取率p和重采样次数c，采用Bagging算法对训练样本进行随机重复采样，建立若干个训练样本子集{S1，S2，S3，…，Sc}；(5)设置ELM训练参数，基于各样本子集对模型进行训练，建立若干个ELM子模型；(6)输入评估样本SK对各子模型性能进行评估，通过FCM聚类算法筛选得到选择性集成子模型；(7)在模型应用阶段，利用熵权法计算各子模型权重系数，得到待预测样本的聚丙烯熔融指数预测值。本专利技术的有益效果主要表现在：1、集成学习使聚丙烯熔融指数软测量模型强化了对样本的学习，提高了模型的预测精度和稳定性；2、模糊聚类算法为选择性集成模型的个体优选环节提供了一种新的解决思路，将筛选个体子模型问题变换为样本聚类问题，选择每一类中最佳个体子模型代表整个类别，可以排除部分冗余个体，使选择性模型网络达到最优化，改善了模型泛化性能；3、采用极限学习机建立熔融指数子模型，并对子模型进行选择性集成，不仅可以进一步增强集成模型的预测性能，而且能够减少运算成本；4、根据本专利技术所建立的聚丙烯熔融指数软测量模型，能较好地跟踪生产过程的熔融指数变化趋势，具有较好的预测性能和泛化能力，将为聚丙烯生产操作优化提供有效的技术支持，有效实现聚丙烯生产过程的质量控制。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例共同用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是某石化企业双环管聚丙烯生产单元工艺示意图图2是极限学习机网络结构图图3是Bagging-ELM集成模型结构图图4是单一极限学习机模型(A)和平均加权全集成模型(B)的聚丙烯熔融指数软测量模型预测结果比较图(牌号I)图5是平均加权选择性集成模型(C)和本专利技术方法(D)的聚丙烯熔融指数软测量模型预测结果比较图(牌号I)图6是单一极限学习机模型(A)和平均加权全集成模型(B)的聚丙烯熔融指数软测量模型预测结果比较图(牌号II)图7是平均加权选择性集成模型(C)和本专利技术方法(D)的聚丙烯熔融指数软测量模型预测结果比较图(牌号II)具体实施方式下面结合附图和实施例对本专利技术的实施方式作进一步说明，借此对本专利技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据此实施。本专利技术所采用的技术方案的主要步骤如下：(1)某石化企业双环管聚丙烯生产单元工艺示意如图1所示，在详细分析丙烯聚合动力学和Spheripol双环管工艺特点的基础上，选择合适的辅助变量，聚丙烯熔融指数软测量模型的辅助变量包括第一环管氢气浓度u1(ppm)、第二环管氢气浓度u2(ppm)、催化剂流率u3(kg/h)、第一环管丙烯单体流量u4(t/h)、第二环管丙烯单体流量u5(t/h)、第一环管反应器温度u6(℃)、第二环管反应器温度u7(℃)、第一环管夹层水温u8(℃)、第二环管夹层水温u9(℃)，主导变量为聚丙烯熔融指数MI。通过DCS平台采集两个聚丙烯牌号(I和II)的辅助变量数据，与主导变量离线分析值构成原始样本集S；(2)分别采用莱依特准则剔除步骤1获取的原始样本集S中异常数据，采用滤波方法消除数据中的随机误差，并进行数据归一化处理，消除数据量纲和大小差异对模型训练带来的影响；(3)按照合适比例，将步骤2预处理后的原始样本数据集S划分为训练样本集SM、评估样本集SK与待预测样本集SL。在两个牌号聚丙烯数据样本中各抽取100组，其中训练样本50组、评估样本15组，剩下35组作为待预测样本；(4)设置抽取率p＝80％、重复抽取次数c＝12，依据抽取率p，从训练样本集中抽取k个样本记为S1，将子集S1放回训练样本中，重复执行12次，得到训练样本子集{S1，S2，S3，…，S12}；(5)通过独立训练建立12个极限学习机子模型，其中极限学习机网络结构如图2所示。具体实施步骤本文档来自技高网...

【技术保护点】
1.一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法，包括以下步骤：1)选择辅助变量和主导变量。辅助变量包括第一环管氢气浓度u1(ppm)、第二环管氢气浓度u2(ppm)、催化剂流率u3(kg/h)、第一环管丙烯单体流量u4(t/h)、第二环管丙烯单体流量u5(t/h)、第一环管反应器温度u6(℃)、第二环管反应器温度u7(℃)、第一环管夹层水温u8(℃)、第二环管夹层水温u9(℃)。主导变量是聚丙烯熔融指数MI。通过DCS集散控制系统和实时数据库采集生产现场数据，建立原始样本数据集S；2)采用莱依特准则剔除步骤1获取的原始样本集S中异常数据，采用滤波方法消除数据中的随机误差，并进行数据归一化处理，消除数据量纲和大小差异对模型训练带来的影响；3)按照合适比例，将步骤2预处理后的原始样本数据集S划分为训练样本集SM和评估样本集SK；4)确定抽取率p和重采样次数c，采用Bagging算法对训练样本集SM进行随机重复采样，建立若干个训练样本子集{S1，S2，S3，…，Sc}；5)设置极限学习机(ELM)的训练参数，基于各样本子集对模型进行训练，建立若干个ELM子模型；6)根据评估样本集SK对各子模型性能进行评估，采用FCM聚类算法筛选得到用于集成的子模型；7)在模型应用阶段，利用熵权法计算各子模型的权重系数，得到待预测样本的聚丙烯熔融指数预测值。...

【技术特征摘要】
1.一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法，包括以下步骤：1)选择辅助变量和主导变量。辅助变量包括第一环管氢气浓度u1(ppm)、第二环管氢气浓度u2(ppm)、催化剂流率u3(kg/h)、第一环管丙烯单体流量u4(t/h)、第二环管丙烯单体流量u5(t/h)、第一环管反应器温度u6(℃)、第二环管反应器温度u7(℃)、第一环管夹层水温u8(℃)、第二环管夹层水温u9(℃)。主导变量是聚丙烯熔融指数MI。通过DCS集散控制系统和实时数据库采集生产现场数据，建立原始样本数据集S；2)采用莱依特准则剔除步骤1获取的原始样本集S中异常数据，采用滤波方法消除数据中的随机误差，并进行数据归一化处理，消除数据量纲和大小差异对模型训练带来的影响；3)按照合适比例，将步骤2预处理后的原始样本数据集S划分为训练样本集SM和评估样本集SK；4)确定抽取率p和重采样次数c，采用Bagging算法对训练样本集SM进行随机重复采样，建立若干个训练样本子集{S1，S2，S3，…，Sc}；5)设置极限学习机(ELM)的训练参数，基于各样本子集对模型进行训练，建立若干个ELM子模型；6)根据评估样本集SK对各子模型性能进行评估，采用FCM聚类算法筛选得到用于集成的子模型；7)在模型应用阶段，利用熵权法计算各子模型的权重系数，得到待预测样本的聚丙烯熔融指数预测值。2.根据权利要求1所述一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法，其特征在于，所述步骤5具体为：51)给出训练样本子集{S1，S2，S3，…，Sc}，隐含层节点依次取3+a，a＝1,2,…c/2，依次取sigmoid函数、正弦函数作为激活函数；...

【专利技术属性】
技术研发人员：夏陆岳，李卓，潘海天，蔡亦军，张洪德，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33