本发明专利技术涉及聚丙烯生产技术领域，具体而言，涉及一种聚丙烯产量与性质的预测方法、装置和设备及介质，所述方法包括：构建全流程模拟模型，并将多个第一输入变量数据带入所述全流程模拟模型中，计算得到多个训练数据；构建神经网络模型，并通过多个所述训练数据优化所述神经网络模型，得到优化后的神经网络模型；获取当前待考察的输入变量，并将其带入所述第一神经网络模型，计算得到对应的聚丙烯产量及性质的结果数据，本发明专利技术通过先构建全流程模拟模型，并通过其计算得到多个训练数据，在将该数据用于优化神经网络模型，进而得到第一神经网络模型，然后输入当前待考察的生产数据即当前待考察的输入变量，进而快速得到聚丙烯产量及性质的结果数据。及性质的结果数据。及性质的结果数据。
【技术实现步骤摘要】
一种聚丙烯产量与性质的预测方法、装置、设备及介质
[0001]本专利技术涉及聚丙烯生产
，具体而言，涉及一种聚丙烯产量与性质的预测方法、装置和设备及介质。
技术介绍
[0002]聚丙烯(简称PP)是世界五大通用热塑性合成树脂之一，具有良好的物理机械性能，可作为工程塑料使用，可制成注塑和挤出制品、纤维和薄膜等，广泛应用于汽车、电器、日用品、家具和包装等领域。
[0003]聚合流程的全流程模拟在优化装置生产、降低能耗、以及开发新牌号起到指导作用，但流程循环多，不易收敛，在实际运行过程中，物料输入和操作条件发生频繁变化时无法做到快速预测聚丙烯产量及性质变化。因此建立聚丙烯产量及性质的快速准确预测方法对聚丙烯工艺的实际运行至关重要。
技术实现思路
[0004]本专利技术的目的在于提供一种聚丙烯产量与性质的预测方法、装置、设备及介质，以改善上述问题。
[0005]为了实现上述目的，本申请实施例提供了如下技术方案：
[0006]一方面，本申请实施例提供了一种聚丙烯产量与性质的预测方法，所述方法包括：构建全流程模拟模型，并将多个第一输入变量数据带入所述全流程模拟模型中，计算得到多个训练数据，所述全流程模拟模型为用于模拟生产聚丙烯全过程的数字模型；构建神经网络模型，并通过多个所述训练数据优化所述神经网络模型，得到优化后的神经网络模型，记为第一神经网络模型，所述神经网络模型为用于快速计算聚丙烯产量和性质的数据模型；获取当前待考察的输入变量，并将其带入所述第一神经网络模型，计算得到对应的聚丙烯产量及性质的结果数据。
[0007]可选地，所述构建全流程模拟模型，包括：
[0008]构建流程模拟的聚合物物性模型和反应动力学模型；
[0009]根据聚丙烯的生产流程选择多个设备模拟模块，构成模拟流程模型；
[0010]将所述聚合物物性模型和所述反应动力学模型嵌入所述模拟流程模型，并输入初始参数，进而得到所述全流程模拟模型。
[0011]可选地，所述多个设备模拟模块包括用于模拟反应器的全混流反应器模型、模拟塔的严格精馏模型、模拟罐的闪蒸模型、模拟换热器的模型和泵模型。
[0012]可选地，所述将多个第一输入变量数据带入所述全流程模拟模型中，计算得到多个训练数据，包括：
[0013]获取多个所述第一输入变量数据，并分别代入所述全流程模拟模型中，分别计算得到每个所述第一输入变量数据对应的第一输出结果数据；
[0014]将一个所述第一输入变量数据和与其对应的一个所述第一输出结果数据封装为
一个所述训练数据，进而得到多个所述训练数据。
[0015]可选地，所述构建神经网络模型，并通过多个所述训练数据优化所述神经网络模型，得到优化后的神经网络模型，包括：
[0016]根据所述训练数据中的输入变量数据和输出变量数据分别构建所述神经网络模型中的输入层和输出层；
[0017]获取多个所述训练数据，并将多个所述训练数据划分为优化数据集、检验数据集和测试数据集，所述优化数据集为用于优化所述神经网络模型的所述训练数据，所述检验数据集为用于检验优化后的所述神经网络模型的所述训练数据，所述测试数据集为用于最后测试所述神经网络模型的精度的所述训练数据；
[0018]构建神经网络模型中的隐含层，并通过所述优化数据集、所述检验数据集和所述测试数据集分别对所述隐含层进行优化、检测和测试操作，得到所述第一神经网络模型。
[0019]可选地，所述优化数据集、检验数据集和测试数据集中的训练数据的数量占比为70：15：15。
[0020]第二方面，本实施例公开了一种聚丙烯产量与性质的预测装置，所述装置包括：
[0021]第一计算模块，用于构建全流程模拟模型，并将多个第一输入变量数据带入所述全流程模拟模型中，计算得到多个训练数据，所述全流程模拟模型为用于模拟生产聚丙烯全过程的数字模型；
[0022]第二计算模块，用于构建神经网络模型，并通过多个所述训练数据优化所述神经网络模型，得到优化后的神经网络模型，记为第一神经网络模型，所述神经网络模型为用于快速计算聚丙烯产量和性质的数据模型；
[0023]第三计算模块，用于获取当前待考察的输入变量，并将其带入所述第一神经网络模型，计算得到对应的聚丙烯产量及性质的结果数据。
[0024]可选地，所述第一计算模块，包括：
[0025]第一计算单元，用于构建流程模拟的聚合物物性模型和反应动力学模型；
[0026]第二计算单元，用于根据聚丙烯的生产流程选择多个设备模拟模块，构成模拟流程模型；
[0027]第三计算单元，用于将所述聚合物物性模型和所述反应动力学模型嵌入所述模拟流程模型，并输入初始参数，进而得到所述全流程模拟模型。
[0028]可选地，所述第一计算模块，还包括：
[0029]第四计算单元，用于获取多个所述第一输入变量数据，并分别代入所述全流程模拟模型中，分别计算得到每个所述第一输入变量数据对应的第一输出结果数据；
[0030]第五计算单元，用于将一个所述第一输入变量数据和与其对应的一个所述第一输出结果数据封装为一个所述训练数据，进而得到多个所述训练数据。
[0031]可选地，所述第二计算模块，包括：
[0032]第六计算单元，用于根据所述训练数据中的输入变量数据和输出变量数据分别构建所述神经网络模型中的输入层和输出层；
[0033]第七计算单元，用于获取多个所述训练数据，并将多个所述训练数据划分为优化数据集、检验数据集和测试数据集，所述优化数据集为用于优化所述神经网络模型的所述训练数据，所述检验数据集为用于检验优化后的所述神经网络模型的所述训练数据，所述
测试数据集为用于最后测试所述神经网络模型的精度的所述训练数据；
[0034]第八计算单元，用于构建神经网络模型中的隐含层，并通过所述优化数据集、所述检验数据集和所述测试数据集分别对所述隐含层进行优化、检测和测试操作，得到所述第一神经网络模型。
[0035]第三方面，本申请实施例提供了一种聚丙烯产量与性质的预测设备，所述设备包括存储器和处理器。
[0036]存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述聚丙烯产量与性质的预测方法的步骤。
[0037]第四方面，本申请实施例提供了一种介质，所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述聚丙烯产量与性质的预测方法的步骤。
[0038]本专利技术的有益效果为：
[0039]本专利技术通过先构建全流程模拟模型，并通过全流程模拟模型计算得到多个不同生产状态对应的训练数据，并将该数据用于训练优化神经网络模型，进而得到优化后的第一神经网络模型，然后根据生产需要适时输入待考察的生产数据即当前待考察的输入变量，进而快速得到对应的聚丙烯产量及性质的结果数据，极大地缩短了获取聚丙烯产量及性质的结果数据的时间。
[0040]本专利技术的其他特征和优点将在随后的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种聚丙烯产量与性质的预测方法，其特征在于，所述方法包括：构建全流程模拟模型，并将多个第一输入变量数据带入所述全流程模拟模型中，计算得到多个训练数据，所述全流程模拟模型为用于模拟生产聚丙烯全过程的数字模型；构建神经网络模型，并通过多个所述训练数据优化所述神经网络模型，得到优化后的神经网络模型，记为第一神经网络模型，所述神经网络模型为用于快速计算聚丙烯产量和性质的数据模型；获取当前待考察的输入变量，并将其带入所述第一神经网络模型，计算得到对应的聚丙烯产量及性质的结果数据。2.根据权利要求1所述的聚丙烯产量与性质的预测方法，其特征在于，所述构建全流程模拟模型，包括：构建流程模拟的聚合物物性模型和反应动力学模型；根据聚丙烯的生产流程选择多个设备模拟模块，构成模拟流程模型；将所述聚合物物性模型和所述反应动力学模型嵌入所述模拟流程模型，并输入初始参数，进而得到所述全流程模拟模型。3.根据权利要求2所述的聚丙烯产量与性质的预测方法，其特征在于，所述多个设备模拟模块包括用于模拟反应器的全混流反应器模型、模拟塔的严格精馏模型、模拟罐的闪蒸模型、模拟换热器的模型和泵模型。4.根据权利要求1所述的聚丙烯产量与性质的预测方法，其特征在于，所述将多个第一输入变量数据带入所述全流程模拟模型中，计算得到多个训练数据，包括：获取多个所述第一输入变量数据，并分别代入所述全流程模拟模型中，分别计算得到每个所述第一输入变量数据对应的第一输出结果数据；将一个所述第一输入变量数据和与其对应的一个所述第一输出结果数据封装为一个所述训练数据，进而得到多个所述训练数据。5.根据权利要求1所述的聚丙烯产量与性质的预测方法，其特征在于，所述构建神经网络模型，并通过多个所述训练数据优化所述神经网络模型，得到优化后的神经网络模型，包括：根据所述训练数据中的输入变量数据和输出变量数据分别构建所述神经网络模型中的输入层和输出层；获取多个所述训练数据，并将多个所述训练数据划分为优化数据集、检验数据集和测试数据集，所述优化数据集为用于优化所述神经网络模型的所述训练数据，所述检验数据集为用于检验优化后的所述神经网络模型的所述训练数据，所述测试数据集为用于最后测试所述神经网络模型的精度的所述训练数据；构建神经网络模型中的隐含层，并通过所述优化数据集、所述检验数据集和所述测试数据集分别对所述隐含层进行优化、检测和测试操作，得到所述第一神经网络模型。6.根据权利要求5所述的聚丙烯产量与性质的预测方法，其特征在于，所述优化数据集、检验数据集和测试数据集中的训练数据的数量占比为70∶15∶15。7.一种聚丙烯产量与性质的预测装置，其特征在...
【专利技术属性】
技术研发人员：黄莺，孙淑兰，刘灿刚，孙长庚，何京涛，孙文强，
申请(专利权)人：中国寰球工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。