一种基于非线性慢特征回归模型的聚丙烯熔融指数软测量方法技术

本发明专利技术公开一种基于非线性慢特征回归模型的聚丙烯熔融指数软测量方法。本发明专利技术方法首先使用核学习技巧将SFA扩展成核慢特征分析后，再使用遗传算法优化选择最佳的非线性慢特征建立其与聚丙烯熔融指数之间的回归模型，从而使用非线性慢特征回归模型实施聚丙烯熔融指数的软测量。首先使用基于核学习的非线性白化方法将原输入数据白化成特征矩阵，再对特征矩阵实施慢特征分析，实现了非线性慢特征的变换过程。此外，本发明专利技术方法通过遗传算法优化选择出最优的特征向量建立回归模型，并在此基础上实施聚丙烯熔融指数的软测量，从遗传算法最优的角度保证了软测量模型的精度。优的角度保证了软测量模型的精度。优的角度保证了软测量模型的精度。

【技术实现步骤摘要】
一种基于非线性慢特征回归模型的聚丙烯熔融指数软测量方法


[0001]本专利技术涉及一种软测量技术，特别涉及一种基于非线性慢特征回归模型的聚丙烯熔融指数软测量方法。

技术介绍

[0002]聚丙烯是一类非极性的塑料，具有很广的用途，上至航空航天等高科技领域，下至人们的日常生活用品，都离不开聚丙烯这种塑料材料。随着社会的不断进步和生活水平的逐步提升，人类对聚丙烯产品的需求量日益扩大，对相应的化工工业生产提出了更高的要求。工业上常用熔融指数来区分不同牌号的热塑性树脂，从而可以指导产品的估价，也可以决定产品的不同用途。在聚丙烯的化工生产流程中，熔融指数(Melt Index，缩写：MI)是反映塑料熔体流动性的一个重要指标，是衡量聚丙烯产品质量是否达标的重要参数。因此，在聚丙烯生产过程中，实时的测量熔融指数是非常重要的！
[0003]测量聚丙烯熔融指数不外乎两类方法技术，其一，直接使用仪器仪表设备测量聚丙烯的熔融指数；其二，使用间接测量方法(如软测量技术)来测量聚丙烯熔融指数。虽然直接使用仪器测量能得到较精准的MI数据，但是由于测量不同牌号的聚丙烯熔体时，在切换过程中会在测量仪器中有残留，处理残留物的耗时导致熔融指数的测量频率较低，使得熔融指数通过硬件方式测量时存在较大的局限性。相比之下，软测量技术利用易测量的诸如温度、压力、流量、液位等数据，直接预测相应的聚丙烯熔融指数，不用考虑处理牌号切换问题。近年来，聚丙烯熔融指数的软测量方法也得到了较多的研究与关注。
[0004]在现有科研文献与专利文件中，使用神经网络技术实施聚丙烯熔融指数的软测量已经得到了广泛的研究与应用。然而，神经网络技术的一个最大弊端就是过拟合问题，即：神经网络可以将不相关的数据信息用于聚丙烯熔融指数的软测量。因此，基于神经网络模型的聚丙烯熔融指数软测量方法所能实现的测量精度还有待商榷。另一类可拟合非线性关系的软测量方法是使用核学习的回归算法，如：核偏最小二乘回归(Kernel Partial Least Squares Regression，缩写：KPLSR)。KPLSR是将统计学习领域的偏最小二乘算法通过核学习进行非线性扩展，是可以解决聚丙烯熔融指数软测量问题的。
[0005]一般而言，聚丙烯的生产过程变化平稳，可用于软测量聚丙烯熔融指数的输入数据信息通常变化较为缓慢。而在统计学习领域，慢特征分析(Slow Feature Analysis，缩写：SFA)可以用来分析提取数据中的缓慢变化特征，从而发现数据变化的本质驱动因素。不幸的是，SFA是一种线性的缓慢特征分析技术，无法直接而有效的应对聚丙烯过程数据的非线性。因此，如何将SFA扩展至非线性领域，是应用SFA解决聚丙烯熔融指数软测量问题的关键。

技术实现思路

[0006]本专利技术所要解决的主要技术问题是：如何建立非线性的慢特征分析模型，从而基
于非线性慢特征回归预测聚丙烯熔融指数。具体来讲，本专利技术方法首先使用核学习技巧将SFA扩展成核慢特征分析(Kernel Slow Feature Analysis，缩写：KSFA)后，再使用遗传算法优化选择最佳的非线性慢特征建立其与聚丙烯熔融指数之间的回归模型，从而使用非线性慢特征回归模型实施聚丙烯熔融指数的软测量。
[0007]本专利技术方法解决上述问题所采用的技术方案为：一种基于非线性慢特征回归模型的聚丙烯熔融指数软测量方法，包括以下步骤：
[0008]步骤(1)：先确定聚丙烯过程的输入变量，具体包括12个输入变量，依次分别是：第一反应釜内温度，第一反应釜内压力，第一反应釜内液位，第一反应釜氢气进料流量，第一反应釜丙烯进料流量，第一反应釜催化剂进料流量，第二反应釜氢气进料流量，第二反应釜内温度，第二反应釜内压力，第二反应釜内液位，第二反应釜丙烯进料流量，第二反应釜催化剂进料流量；再将聚丙烯熔融指数确定为聚丙烯过程的输出变量。
[0009]步骤(2)：根据确定的输入变量与输出变量，连续采集n个采样时刻的样本数据后，将输入变量对应的样本数据存储为一个n
×
12维的数据矩阵X，并将输出变量对应的数据存储为n
×
1维的数据向量y。
[0010]步骤(3)：根据如下所示公式分别对X中的列向量z1，z2，...，z
12
以及数据向量y实施标准化处理，对应得到12个列向量以及输出向量并将列向量合并成输入矩阵并成输入矩阵
[0011]其中，μ
i
与δ
i
分别表示列向量z
i
中所有元素的均值与标准差，i∈{1，2，...，12}，μ
y
和δ
y
分别表示数据向量y中所有元素的均值与标准差。
[0012]步骤(4)：根据如下所示步骤(4.1)至步骤(4.6)对输入矩阵实施非线性白化处理，从而得到非线性白化后的特征矩阵Z。
[0013]步骤(4.1)：设置核函数参数β后，根据如下所示公式计算核矩阵K∈R
n
×
n
中的第a行第b列元素K(a，b)，从而得到核矩阵K：
[0014]其中，exp()表示以自然常数e为底的指数函数，||x
a
‑
x
b
||2＝(x
a
‑
x
b
)(x
a
‑
x
b
)
T
表示计算行向量x
a
与行向量x
b
之间的平方距离，a∈{1，2，...，n}，b∈{1，2，...，n}，x
a
与x
b
分别表示输入矩阵中的第a行与第b行的行向量，上标号T表示矩阵或向量的转置，R
n
×
n
表示n
×
n维的实数矩阵。
[0015]步骤(4.2)：根据如下所示公式对核矩阵K实施中心化处理，得到中心化后的核矩阵阵
[0016]其中，矩阵Θ∈R
n
×
n
中各元素都等于1。
[0017]步骤(4.3)：计算核矩阵所有非零特征值λ1，λ2，...，λ
N
所对应的特征向量v1，v2，...，v
N
后，再根据公式对v1，v2，...，v
N
实施归一化处理，得到归一化后
的特征向量其中，j∈{1，2，...，N}，N表示非零特征值的个数。
[0018]步骤(4.4)：根据公式计算特征矩阵Z∈R
n
×
N
；其中，
[0019]步骤(5)：根据如下所示步骤(5.1)至步骤(5.3)将特征矩阵Z变换成非线性慢特征矩阵S∈R
n
×
N
。
[0020]步骤(5.1)：根据公式计算一阶差分矩阵后，再计算协方差矩阵其中，Z2表示特征矩阵Z中第2行至第n行的行向量组成的矩阵，Z1表示特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非线性慢特征回归模型的聚丙烯熔融指数软测量方法，其特征在于，包括以下步骤：步骤(1)：先确定聚丙烯过程的输入变量，具体包括12个输入变量，依次分别是：第一反应釜内温度，第一反应釜内压力，第一反应釜内液位，第一反应釜氢气进料流量，第一反应釜丙烯进料流量，第一反应釜催化剂进料流量，第二反应釜氢气进料流量，第二反应釜内温度，第二反应釜内压力，第二反应釜内液位，第二反应釜丙烯进料流量，第二反应釜催化剂进料流量；再确定聚丙烯过程的输出变量，即：聚丙烯熔融指数；步骤(2)：根据确定的输入变量与输出变量，连续采集n个采样时刻的样本数据后，将输入变量对应的样本数据存储为一个n
×
12维的数据矩阵X，并将输出变量对应的数据存储为n
×
1维的数据向量y；步骤(3)：根据如下所示公式分别对X中的列向量z1，z2，
…
，z
12
以及数据向量y实施标准化处理，对应得到12个列向量以及输出向量并将列向量合并成输入矩阵入矩阵其中，μ
i
与δ
i
分别表示列向量z
i
中所有元素的均值与标准差，i∈{1，2，
…
，12}，μ
y
和δ
y
分别表示数据向量y中所有元素的均值与标准差；步骤(4)：根据如下所示步骤(4.1)至步骤(4.6)对输入矩阵实施非线性白化处理，从而得到非线性白化后的特征矩阵Z；步骤(4.1)：设置核函数参数β后，根据如下所示公式计算核矩阵K∈R
n
×
n
中的第a行第b列元素K(a，b)，从而得到核矩阵K：其中，exp()表示以自然常数e为底的指数函数，||x
a
‑
x
b
||2＝(x
a
‑
x
b
)(x
a
‑
x
b
)
T
表示计算行向量x
a
与行向量x
b
之间的平方距离，a∈{1，2，
…
，n}，b∈{1，2，
…
，n}，x
a
与x
b
分别表示输入矩阵中的第a行与第b行的行向量，上标号T表示矩阵或向量的转置，R
n
×
n
表示n
×
n维的实数矩阵；步骤(4.2)：根据如下所示公式对核矩阵K实施中心化处理，得到中心化后的核矩阵步骤(4.2)：根据如下所示公式对核矩阵K实施中心化处理，得到中心化后的核矩阵其中，矩阵Θ∈R
n
×
n
中各元素都等于1；步骤(4.3)：计算核矩阵所有非零特征值λ1，λ2，
…
，λ
N
所对应的特征向量v1，v2，
…
，v
N
后，再根据公式对v1，v2，
…
，v
N
实施归一化处理，得到归一化后的特征向量其中，j∈{1，2，
…
，N}，N表示非零特征值的个数；步骤(4.4)：根据公式计算特征矩阵Z∈R
n
×
N
；其中，步骤(5)：根据如下所示步骤(5.1)至步骤(5.3)将特征矩阵Z变换成非线性慢特征矩阵S∈R
n
×
N
；
步骤(5.1)：根据公式计算一阶差分矩阵后，再计算协方差矩阵其中，Z2表示特征矩阵Z中第2行至第n行的行向量组成的矩阵，Z1表示特征矩阵Z中第1行至第n
‑
1行的行向量组成的矩阵，R
(n
‑
1)
×
N
表示(n
‑
1)
×
N维的实数矩阵；步骤(5.2)：求解特征值问题中，N个特征值η1≤η2≤
…
≤η
N
对应的特征向量p1，p2，
…
，p
N
后，再根据公式计算得到变换向量步骤(5.3)：将变换向量组建成变换矩阵后，再将Z变换成非线性慢特征矩阵S＝ZP；步骤(6)：利用遗传算法优化得到二进制选择向量w∈R1×
N
和回归系数向量具体的实施过程如步骤(6.1)至步骤(6.6)所示；步骤(6.1)：初始化迭代次数g＝1，并设置遗传算法的参数，具体包括：种群个数H，交叉概率h，变异概率m，最大迭代次数G；步骤(6.2)：随机产生H个1
×
N维的二进制向量u1，u2，
…
，u
H
，每个二进制向量中的元素都是随机取值0或1；步骤(6.3)：分别计算二进制向量u1，u2，
…
，u
H
对应的适应度值F1，F2，
…
，F
H
；步骤(6.4)：将F1，F2，
…
，F
N
中最大值对应的二进制向量和回归系数向量分别记录为u
best
和θ
best
后，依次执行遗传算法的选择操作，交叉操作，和变异操作，得到更新后的H个二进制向量u1，u2，
…
，u
H
，再设置u
N
等于u
best
；步...

【专利技术属性】
技术研发人员：陈勇旗，陈杨，赵炜涛，
申请(专利权)人：宁波大学科学技术学院，
类型：发明
国别省市：