一种基于双层相关特征分析的聚丙烯产品质量异常检测方法技术

本发明专利技术公开一种基于双层相关特征分析的聚丙烯产品质量异常检测方法，旨在实现聚丙烯产品质量是否异常的间接检测目的。具体来讲，本发明专利技术方法通过双层相关特征分析技术获取与聚丙烯产品质量相关的特征变量和成分，间接的实施异常检测。本发明专利技术方法在实施聚丙烯产品质量异常检测时，不依赖于直接测量聚丙烯熔融指数这种测量周期长且严重滞后的技术手段，转而经近邻成分分析算法和典型相关分析算法这种双层相关特征分析，从而得到的与聚丙烯熔融指数最相关的特征变量或成分来间接检测异常。因此本发明专利技术方法可实时的按照测量变量的采样频率来及时检测聚丙烯产品质量是否出现异常，克服了传统方法滞后性问题。

【技术实现步骤摘要】
一种基于双层相关特征分析的聚丙烯产品质量异常检测方法
本专利技术涉及一种异常检测方法，特别涉及一种基于双层相关特征分析的聚丙烯产品质量异常检测方法。
技术介绍
聚丙烯是以丙烯为单体聚合而成的一种热塑性树脂，具有密度小、生产成本低、透明度高、化学稳定性好、无毒、易加工、抗冲击强度高、抗挠曲性及电绝缘性好等优点，是最广泛使用的五大塑料之一，其在塑料容器、办公用品、电子等方面已经得到了广泛的应用。工业上聚丙烯产品的牌号常用熔融指数值来划分，不同牌号的聚丙烯产品有着不同的用途。从这个角度上讲，聚丙烯产品质量是直接跟聚丙烯熔融指数关联的。实时监测聚丙烯产品的质量就是实时监测聚丙烯的熔融指数。因此，最简单最直接的监测方式莫过于直接实时测量聚丙烯熔融指数。当前测量聚丙烯熔融指数的方法都是使用线上取样和线下化验，即通过在生产现场对要软测量控制的聚丙烯样本进行直接取样，接下来在实验室化验2～4小时之后得到所需要的熔融指数值，由于这个方法时滞性太长，很难用来实时监测聚丙烯产品的质量是否合乎要求。事实上，从聚丙烯的生产流程来看，从原材料到最终产品需要经过四个生产环节。每个生产环节运行在期望状态下才可能保障最终产品质量的稳定性。因此，实时监测聚丙烯产品质量是否出现异常，是可以通过监测四个生产单元的运行状态来间接实现的。然而，间接监测聚丙烯产品质量是否异常还需注意区分质量相关与不相关的异常。这主要是因为：四个生产环节的异常不一定都会影响到最终聚丙烯产品的质量。在某些情况下，聚丙烯的四个生产环节出现了些许异常问题，但是不会影响到最终的聚丙烯熔融指数。因此，通过监测原材料到最终产品的四个生产环节的运行状态来实现间接检测聚丙烯产品质量异常还需要有效区分产品质量相关与不相关的特征。
技术实现思路
本专利技术所要解决的主要技术问题是：如何区分聚丙烯生产过程从原材料到最终产品的四个生产单元中与聚丙烯产品相关的特征变量和特征成分，从而实现聚丙烯产品质量是否异常的间接检测目的。具体来讲，本专利技术方法通过双层相关特征分析技术获取与聚丙烯产品质量相关的特征变量和成分，间接的实施异常检测。所谓的双层特征分析，即首先通过近邻成分分析区分出与聚丙烯熔融指数直接相关的特征变量，然后再利用典型相关分析区分出与聚丙烯熔融指数间接相关的特征成分。本专利技术方法解决上述问题所采用的技术方案为：一种基于双层相关特征分析的聚丙烯产品质量异常检测方法，包括以下步骤：步骤(1)：确定聚丙烯生产过程的测量变量，具体包括四个反应器的28个测量变量；其中，第一反应器和第二反应器是液相连续搅拌反应器，第三反应器和第四反应器是气相流化床反应器，每个反应器涉及的7个测量变量依次是：反应器温度，反应器压力，反应器液位，氢气进料流量，丙烯进料流量，催化剂进料流量，和回流流量。步骤(2)：根据确定的测量变量，连续采集N个采样时刻的样本数据；与此同时，每间隔2小时采样分析得到第四反应器聚丙烯产品的熔融指数；再将测量变量对应的样本数据存储为一个N×28维的数据矩阵X，并将熔融指数对应的n个数据存储为一个n×1维的数据向量y。步骤(3)：按照如下所示公式对数据向量y进行元素填充，从而得到列向量Y∈RN×1：其中，y1，y2，…，yn表示数据向量y中的第一个至第n个元素，f等于测量变量与熔融指数的采样频率之比，RN×1表示N×1维的实数向量，R表示实数集，上标号T表示矩阵或向量的转置。步骤(4)：根据如下所示公式分别对X中的列向量x1，x2，…，x28以及列向量Y实施标准化处理，对应得到输入矩阵以及输出向量其中，xk和分别表示X和中第k列的列向量，k∈{1，2，…，28}，μk与δk分别表示列向量xk∈RN×1中所有元素的平均值与标准差，μY和δY分别表示列向量Y中所有元素的均值与标准差。步骤(5)：根据如下所示步骤(5.1)至步骤(5.6)优化得到权重向量w0∈R28×1，从而得到直接相关特征矩阵X1∈RN×m和不相关特征矩阵X2∈RN×(28-m)；其中，m表示直接相关特征变量的个数，RN×(28-m)表示N×(28-m)维的实数矩阵，RN×m表示N×m维的实数矩阵。步骤(5.1)：初始化迭代次数g＝1，确定差分进化算法的参数，具体包括：种群个数H，缩放因子c1，交叉概率c2，最大迭代次数G。步骤(5.2)：随机产生H个1×28维的权重向量w1，w2，…，wH，每个权重向量中的元素都按照均匀分布随机取值于区间[-1，1]。步骤(5.3)：分别计算权重向量w1，w2，…，wH对应的目标函数值F1，F2，…，FH；其中，计算第h个权重向量wh对应的目标函数Fh的具体实施过程如步骤(A)至步骤(D)所示，h∈{1，2，…，H}。步骤(A)：根据如下所示公式计算输入矩阵中第i行向量βi与第j行向量βj之间的加权距离Dh(βi，βj)：Dh(βi，βj)＝||(βi-βj)diag{wh}||③其中，i∈{1，2，…，N}，j∈{1，2，…，N}，diag{wh}表示将权重向量wh转变为一个对角矩阵，符号||||表示计算向量的长度，h∈{1，2，…，H}。步骤(B)：根据如下所示公式计算βi与βj之间的相近概率pij：上式中，exp()表示以自然常数e为底数的指数函数。步骤(C)：根据如下所示公式计算输出概率误差p1，p2，…，pN：上式中，和分别表示输出向量中的第i个元素与第j个元素。步骤(D)：计算第h个权重向量wh对应的目标函数值Fh＝p1+p2+…+pN。步骤(5.4)：将F1，F2，…，FH中的最小值对应的权重向量记录为w0后，执行差分进化算法的更新操作，得到更新后的H个权重向量w1，w2，…，wH及其对应的目标函数值F1，F2，…，FH；其中，差分进化算法的更新操作的具体实施过程如步骤(5.4-1)至步骤(5.4-4)所示。步骤(5.4-1)：根据如下所示公式为权重向量wh产生一个对应的变异向量vh：vh＝wh+c1×(w0-wh)+c1×(wa-wb)⑥上式中，下标号a与b是从区间[1，H]中随机产生的2个互不相等的整数；步骤(5.4-2)：按照如下所示公式对变异向量vh进行修正：上式中，vh(k)表示变异向量vh中的第k个元素，k∈{1，2，…，28}；步骤(5.4-3)：根据如下所示公式产生H个尝试向量u1，u2，…，uH：其中，uh(k)与wh(k)分别为uh与wh中的第k个元素，rk表示0至1之间的随机数；步骤(5.4-4)：分别将u1，u2，…，uH当成权重向量，并执行与步骤(A)至步骤(D)中相同实施过程，从而计算得到相应的目标函数值步骤(5.4-5)：根据如下所示公式分别更新H个权重向量w1，w2，…，wH及其对应的目标函数值F1，F2，…，FH：步骤(5.5)：判断是否满足条件g＞G；若否，则设置g＝g+1本文档来自技高网...

【技术保护点】
1.一种基于双层相关特征分析的聚丙烯产品质量异常检测方法，其特征在于，包括以下步骤：/n步骤(1)：确定聚丙烯生产过程的测量变量，具体包括四个反应器的28个测量变量；其中，第一反应器和第二反应器是液相连续搅拌反应器，第三反应器和第四反应器是气相流化床反应器，每个反应器涉及的7个测量变量依次是：反应器温度，反应器压力，反应器液位，氢气进料流量，丙烯进料流量，催化剂进料流量，和回流流量；/n步骤(2)：根据确定的测量变量，连续采集N个采样时刻的样本数据；与此同时，每间隔2小时采样分析得到第四反应器聚丙烯产品的熔融指数；再将测量变量对应的样本数据存储为一个N×28维的数据矩阵X，并将熔融指数对应的n个数据存储为一个n×1维的数据向量y；步骤(3)：按照如下所示公式对数据向量y进行元素填充，从而得到列向量Y∈R

【技术特征摘要】
1.一种基于双层相关特征分析的聚丙烯产品质量异常检测方法，其特征在于，包括以下步骤：
步骤(1)：确定聚丙烯生产过程的测量变量，具体包括四个反应器的28个测量变量；其中，第一反应器和第二反应器是液相连续搅拌反应器，第三反应器和第四反应器是气相流化床反应器，每个反应器涉及的7个测量变量依次是：反应器温度，反应器压力，反应器液位，氢气进料流量，丙烯进料流量，催化剂进料流量，和回流流量；
步骤(2)：根据确定的测量变量，连续采集N个采样时刻的样本数据；与此同时，每间隔2小时采样分析得到第四反应器聚丙烯产品的熔融指数；再将测量变量对应的样本数据存储为一个N×28维的数据矩阵X，并将熔融指数对应的n个数据存储为一个n×1维的数据向量y；步骤(3)：按照如下所示公式对数据向量y进行元素填充，从而得到列向量Y∈RN×1：



其中，y1，y2，…，yn表示数据向量y中的第一个至第n个元素，f等于测量变量与熔融指数的采样频率之比，RN×1表示N×1维的实数向量，R表示实数集，上标号T表示矩阵或向量的转置；
步骤(4)：根据如下所示公式分别对X中的列向量x1，x2，…，x28以及列向量Y实施标准化处理，对应得到输入矩阵以及输出向量



其中，xk和分别表示X和中第k列的列向量，k∈{1，2，…，28}，μk与δk分别表示列向量xk∈RN×1中所有元素的平均值与标准差，μY和δY分别表示列向量Y中所有元素的均值与标准差；
步骤(5)：根据如下所示步骤(5.1)至步骤(5.6)优化得到权重向量w0∈R28×1，从而得到直接相关特征矩阵X1∈RN×m和不相关特征矩阵X2∈RN×(28-m)；其中，m表示直接相关特征变量的个数，RN×(28-m)表示N×(28-m)维的实数矩阵，RN×m表示N×m维的实数矩阵，R表示实数集；
步骤(5.1)：初始化迭代次数g＝1，确定差分进化算法的参数，具体包括：种群个数H，缩放因子c1，交叉概率c2，最大迭代次数G；
步骤(5.2)：随机产生H个1×28维的权重向量w1，w2，…，wH，每个权重向量中的元素都按照均匀分布随机取值于区间[-1，1]；
步骤(5.3)：分别计算权重向量w1，w2，…，wH对应的目标函数值F1，F2，…，FH；
步骤(5.4)：将F1，F2，…，FH中的最小值对应的权重向量记录为w0后，执行差分进化算法的更新操作，得到更新后的H个权重向量w1，w2，…，wH及其对应的目标函数值F1，F2，…，FH；
步骤(5.5)：判断是否满足条件g＞G；若否，则设置g＝g+1后返回步骤(5.4)；若是，则得到最优的权重向量w0；
步骤(5.6)：确定出权重向量w0∈R1×28中最大的m个元素，并根据这m个元素所在的列，对应的将输入矩阵中相同列的列向量组成直接相关特征矩阵X1∈RN×m，而中其余28-m列的列向量则组建成不相关特征矩阵X2∈RN×(28-m)；
步骤(6)：先求解广义特征值问题中最大特征值η对应的特征向量β，再根据计算相关投影向量q∈R(28-m)×1后，根据公式计算间接相关特征向量
步骤(7)将X1与合并成一个输入相关特征矩阵后，执行如下所示步骤(7.1)至步骤(7.4)确定出异常检测指标的控制上限Dlim；
步骤(7.1)：初始化i＝1；
步骤(7.2)：求解广义特征值问题中最大特征值λ所对应的特征向量α后，再根据公式对α实施归一化处理；其中，zi表示Z中第i行的行向量，Zi是由Z中除zi之外的行向量组成的矩阵；
步骤(7.3)：根据公式D(i)＝(ziα)2计算异常检测指标向量D中的第i个元素D(i)；
步骤(7.4)：判断是否满足条件：i＜N；若是，则设置i＝i+1后返回步骤(7.2)；若否，则将Dlim设置成等于异常检测指标向量D中元素的最大值；
...

【专利技术属性】
技术研发人员：赵炜涛，陈杨，虞飞宇，
申请(专利权)人：宁波大学科学技术学院，
类型：发明
国别省市：浙江;33