基于高斯过程回归模型的高分子熔融指数软测量方法技术

本发明专利技术公开了一种基于主元分析和高斯过程回归模型的高分子工业生产过程熔融指数预测的软测量方法。该方法首先选取影响熔融指数变化的关键变量作为软测量模型的输入变量，用主元分析从输入变量中提取主要成分信息，消除变量间的相关性，降低输入变量的维数；再通过高斯过程回归模型建立输入变量(主要成分)和输出变量(熔融指数)之间的非线性关系；同时采用极大似然概率优化方法确定高斯过程回归软测量模型的最优参数；该模型能有效用于指导生产，提高聚丙烯生产过程熔融指数的预测精度，改善产品质量。改善产品质量。改善产品质量。

【技术实现步骤摘要】
基于高斯过程回归模型的高分子熔融指数软测量方法


[0001]本专利技术属于化工生产过程软测量建模和应用领域，特别涉及一种基于高斯过程回归模型的高分子生产过程熔融指数软测量建模和预测方法。

技术介绍

[0002]作为一种重要的材料，聚丙烯在很多工业中都有着非常广泛的应用，如化工行业、照明工业、医疗行业等等。聚丙烯生产过程中，一个很重要的指标是熔融指数，通常需要对其进行测量。但是，由于在实际过程中，该指标的测量及其困难，目前常用的方法是通过实验室离线测量得到。相比在线的实时测量方法，熔融指数的离线测量往往需要1
‑
2个小时的时间。对于聚丙烯过程的闭环质量控制来说，离线测量引入的时间滞后过大，所以，通常需要熔融指数的在线测量值。软测量方法是解决聚丙烯生产过程中熔融指数测量的一个有效手段。通过对过程中容易测量的变量和熔融指数之间的关系进行建模，利用软测量模型在线对熔融指数进行估计，实时获得熔融指数的软测量值，避免了离线分析方法大时滞的缺点。
[0003]但是，由于聚丙烯生产过程的复杂性，要建立过程其它变量与熔融指数之间的关系模型，采用传统的机理模型往往行不通。随着集散控制系统在工业过程中的广泛应用，大量的数据被保存在历史数据库中，如何利用这些历史数据进行对熔融指数进行估计为软测量建模开辟了一条新的路径。在基于数据驱动的软测量方法中，最流行的是基于偏最小二乘(PLS)的方法，该方法不仅能处理过程变量之间的互相关性，而且能在低维度空间里对产品的质量变量进行预测，目前已经用于聚丙烯过程的熔融指数软测量建模和在线估计。但是，在某些情况下，特别是过程的非线性特性比较明显的时候，传统的线性PLS方法对熔融指数的软测量难以达到满意的效果。虽然目前针对PLS方法有很多非线性的改进形式，但往往都是针对特定的过程特性设计的，因而使用范围受到一定的限制。
[0004]高斯过程回归模型是近年来发展起来的一种新型非线性回归建模技术，由于在建模方面的灵活性，使得该方法的应用范围非常广泛。

技术实现思路

[0005]本专利技术的目的在于针对聚丙烯生产过程熔融指数预测的难点，提供一种基于主元分析和高斯过程回归模型的软测量方法。
[0006]本专利技术利用该建模技术对高分子(比如聚丙烯)生产过程的熔融指数进行软测量建模。为了降低过程关键变量的维数，在高斯过程回归软测量模型建模之前，先利用主元分析模型对过程关键变量进行主元信息提取，保留过程数据的主要信息，并有效降低软测量模型输入变量的维数。然后再利用高斯过程回归模型建立熔融指数的软测量模型。针对实时过程数据，首先利用主元分析模型提取其对应的主元信息，再将其输入到建立的软测量模型中，在线计算得到熔融指数的估计值。
[0007]本专利技术的目的是通过以下技术方案来实现的：
[0008]一种基于高斯过程回归模型的高分子熔融指数软测量方法，包括：在线采集生产过程中的过程关键变量数据样本，并对该样本进行预处理和归一化处理；采用主元分析模型对处理后的样本提取其主元变量数据矩阵；将得到的满足贡献率要求的主元变量作为输入，利用构建的高斯过程回归软测量模型获得该过程关键变量样本对应的熔融指数值。
[0009]本专利技术中，所述主元变量数据矩阵由若干主元变量组成。
[0010]作为优选，构建高斯过程回归软测量模型时，在线采集正常生产过程中的过程关键变量数据样本，对该关键变量数据样本和其对应的熔融指数值进行预处理和归一化处理，构建训练集样本；利用主元分析模型提取训练集样本中过程关键变量数据样本的主元变量数据矩阵，以该满足贡献率要求的主元变量为输入，以训练集样本中的熔融指数为输出，构建所述高斯过程回归软测量模型。
[0011]实际计算过程中，可以利用现有的过集散控制系统和实时数据库系统收集聚丙烯生产过程各个关键变量的数据：X＝{x
i
∈R
m
}
i＝1,2,
…
,n
。其中，n为样本个数，m为关键变量个数。分别将这些数据存入历史数据库，并选取部分数据作为建模用样本。同时，在获取关键变量数据样本对应的熔融指数值时，可以通过离线分析获取历史数据库中用于建模的样本所对应的熔融指数值，作为软测量模型的输出y∈R
n
。
[0012]本专利技术通过所述预处理，可以剔除野值点和明显的粗糙误差数据。为了使得过程关键变量数据的尺度不会影响到监测的结果，本专利技术对不同变量的数据分别进行归一化处理，即各个变量的均值为零，方差为1。这样，不同过程变量的数据就处在相同的尺度之下，既而不会影响到后续的建模效果。这样通过预处理和归一化处理，使得各个过程关键变量和熔融指数的均值为零，方差为1，得到新的数据矩阵集为和
[0013]作为优选，利用训练集样本中关键变量数据样本求取所述主元分析模型的模型参数。本专利技术采用主元分析方法对过程关键变量进行信息提取，通过主元的累积贡献量方法进行排序和主元确定，降低软测量模型输入变量的维数，获得关键变量的主成分信息，即主元变量，将主元分析模型参数存入数据库中备用。
[0014]在进行主元(主成分)提取时，先计算原始数据的协方差矩阵；然后利用协方差矩阵，得到对应特征值矩阵；利用方差进行主元排序，然后再根据特征值计算累积贡献率(通常情况下可以选为85％
‑
90％)，最终确定对应的主元。同时将求得的负载矩阵和主元矩阵作为模型参数存入数据库。
[0015]具体讲，采用主元分析(PCA)方法对过程关键变量进行主成分提取，降低软测量模型输入变量的维数。通过PCA分析，可以得到数据矩阵的主成分矩阵(或主元变量数据矩阵)T∈R
n
×
k
，负载矩阵P∈R
m
×
k
以及残差矩阵如下：
[0016][0017]其中，k为提取出来的主成分个数，一般情况下，主成分个数远远小于关键变量的个数，即k＜m。
[0018]建模过程中，利用主成分矩阵T作为输入，进行高斯过程回归模型的构建；实际测量过程中，主成分矩阵T、负载矩阵P作为主元分析模型的模型参数，用于求取在线过程关键变量的主元成分，用于实现熔融指数的软测量。
[0019]进一步，基于提取出来的主元变量和离线分析所得的熔融指数，建立高斯过程回
归软测量模型，同时采用极大似然概率优化方法确定模型的最优参数，将该软测量模型参数存入数据库中备用。
[0020]具体讲，将所得的主成分数据矩阵T∈R
n
×
k
作为软测量模型的输入，熔融指数数据矩阵作为软测量模型的输出，建立如下的高斯过程回归非线性软测量模型：
[0021][0022]其中，“GP”代表高斯过程，C为一个n
×
n的协方差矩阵，协方差矩阵中的每一个元素C
ij
(其中i和j分别表示行和列)，通过如下核函数(其中i和j分别表示行和列)，通过如下核函数计算得到：
[0023][0024]t...

【技术保护点】

【技术特征摘要】
1.一种基于高斯过程回归模型的高分子熔融指数软测量方法，其特征在于，包括：在线采集生产过程中的过程关键变量数据样本，并对该样本进行预处理和归一化处理；采用主元分析模型对处理后的样本提取其主元变量；将得到的满足累积贡献率要求的主元变量作为输入，利用构建的高斯过程回归软测量模型获得该关键变量样本对应的熔融指数值。2.根据权利要求1所述的基于高斯过程回归模型的高分子熔融指数软测量方法，其特征在于，构建高斯过程回归软测量模型时，在线采集正常生产过程中的过程关键变量数据样本，对该关键变量数据样本和其对应的熔融指数值进行预处理和归一化处理，构建训练集样本；利用主元分析模型提取训练集样本中关键变量数据样本的主元变量数据矩阵，以满足累积贡献率要求的主元变量数据矩阵为输入，以训练集样本中的熔融指数为输出，构建所述高斯过程回归软测量模型。3.根据权利要求2所述的基于高斯过程回归模型的高分子熔融指数软测量方法，其特征在于，利用训练集样本中过程关键变量数据样本求取所述主元分析模型的模型参数。4.根据权利要求2所述的基于高斯过程回归模型的高分子熔融指数软测量方法，其特征在于，构建所述高斯过程回归软测量模型时，采用极大似然函数优化方法确定模型的最优参数。5.根据权利要求4所述的基于高斯过程回归模型的高...

【专利技术属性】
技术研发人员：郑俊华，周乐，宫英凯，吕玉婷，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：