專利名稱：：基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于軟測(cè)量及軟儀表構(gòu)造的
技術(shù)領(lǐng)域：
，尤其是一種工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法。
背景技術(shù)：
：聚丙烯是以丙烯單體為主聚合而成的一種合成樹脂，是塑料工業(yè)中的重要產(chǎn)品。由于聚丙烯具有眾多優(yōu)良性能，因而被廣泛應(yīng)用于化工、建材、家電、包裝等領(lǐng)域。在聚丙烯生產(chǎn)過程中，如何實(shí)時(shí)監(jiān)控一些重要的質(zhì)量指標(biāo)，掌握影響產(chǎn)品質(zhì)量和反映關(guān)鍵操作狀態(tài)的重要變量，使生產(chǎn)過程能夠優(yōu)質(zhì)、高產(chǎn)、低耗地進(jìn)行，一直是研究的重點(diǎn)和難點(diǎn)問題。熔融指數(shù)反映了聚丙烯的流動(dòng)和加工性能，是衡量聚丙烯產(chǎn)品質(zhì)量的一個(gè)重要指標(biāo)。根據(jù)聚丙烯熔融指數(shù)的不同，工業(yè)上將其分成不同的牌號(hào)。通常根據(jù)生產(chǎn)牌號(hào)的不同，每lh或每2h離線檢測(cè)一次熔融指數(shù)，生產(chǎn)過程中熔融指數(shù)的調(diào)整要根據(jù)離線檢測(cè)得到的化驗(yàn)數(shù)據(jù)進(jìn)行，由于其分析的滯后已失去了直接指導(dǎo)生產(chǎn)的意義，從而導(dǎo)致工業(yè)化生產(chǎn)裝置的熔融指數(shù)總是處于波動(dòng)之中，特別是在產(chǎn)品牌號(hào)切換過程中會(huì)產(chǎn)生大量的不合格產(chǎn)品。因此，建立實(shí)時(shí)反映熔融指數(shù)的數(shù)學(xué)模型，對(duì)實(shí)現(xiàn)聚丙烯平穩(wěn)操作、提高產(chǎn)品質(zhì)量以及聚丙烯最優(yōu)牌號(hào)切換均具有重要的意義。由于丙烯聚合過程包含復(fù)雜的物理、化學(xué)反應(yīng)，工業(yè)生產(chǎn)裝置規(guī)模龐大、流程復(fù)雜，因此通過丙烯聚合過程機(jī)理建模的方法來建立實(shí)時(shí)反映熔融指數(shù)的數(shù)學(xué)模型是很難實(shí)現(xiàn)且非常復(fù)雜的。軟測(cè)量技術(shù)為解決此問題提供了一種可行的途徑。軟測(cè)量技術(shù)是建立被測(cè)參數(shù)與影響這些參數(shù)的其他操作參數(shù)之間的數(shù)學(xué)模型，用軟件實(shí)現(xiàn)一些難于用儀表直接測(cè)量的變量的在線估計(jì)。其基本思想是通過對(duì)生產(chǎn)過程的深入了解，根據(jù)某種最優(yōu)化準(zhǔn)則，利用易測(cè)的輔助變量與難以直接測(cè)量的待測(cè)過程變量之間的關(guān)系(軟測(cè)量模型)，通過各種數(shù)學(xué)計(jì)算和估算方法，實(shí)現(xiàn)對(duì)待測(cè)變量的測(cè)量。聚丙烯生產(chǎn)DCS控制系統(tǒng)數(shù)據(jù)庫(kù)積累了大量的生產(chǎn)數(shù)據(jù)，利用工業(yè)實(shí)測(cè)數(shù)據(jù)，通過經(jīng)驗(yàn)建模的方法建立熔融指數(shù)的軟測(cè)量模型，可以避開復(fù)雜的機(jī)理分析，從而實(shí)現(xiàn)工業(yè)聚丙烯生產(chǎn)熔融指數(shù)的在線估計(jì)。由于人工神經(jīng)網(wǎng)絡(luò)具有逼近復(fù)雜非線性函數(shù)的能力，因此它為工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量問題的解決提供了有力的手段，國(guó)內(nèi)外研究者對(duì)聚丙烯生產(chǎn)熔融指數(shù)神經(jīng)網(wǎng)絡(luò)建模開展了廣泛研力幾。
發(fā)明內(nèi)容為了克服已有的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法的預(yù)測(cè)性能較差、魯棒性較差的不足，本發(fā)明提供一種提高預(yù)測(cè)性能、具有較高魯棒性的基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法，所述軟測(cè)量方法包括以下步驟1)、以工業(yè)聚丙烯生產(chǎn)過程中的氫氣濃度、丙烯單體進(jìn)料量、催化劑進(jìn)料量、氫氣進(jìn)料量、反應(yīng)溫度和反應(yīng)壓力作為軟測(cè)量模型的輸入變量，并以工業(yè)聚丙烯生產(chǎn)熔融指數(shù)作為軟測(cè)量模型的輸出變量；2)、從工業(yè)聚丙烯生產(chǎn)過程的DCS中采集數(shù)據(jù)，以及通過熔融指數(shù)儀得到工業(yè)聚丙烯生產(chǎn)熔融指數(shù)的人工分析值，整理后得到原始數(shù)據(jù)集，對(duì)原始數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理；3)、將標(biāo)準(zhǔn)化后的原始數(shù)據(jù)集分成多組，對(duì)每一組數(shù)據(jù)集分別建立神經(jīng)網(wǎng)絡(luò)模型；4)、采用嶺回歸方法選擇組合權(quán)重，具體算式為(1):[1—a(Y二Y，+W)-'Y二y呻][a(Y;Y^+剛-Y]-'(Y;Y，+Y(1)其中，§是組合權(quán)重向量；Y^是"個(gè)單一神經(jīng)網(wǎng)絡(luò)中得到的預(yù)測(cè)輸出矩陣;/t是一個(gè)正常數(shù)，由嶺跡法計(jì)算得到；I是n維的單位矩陣；y^是軟測(cè)量模型的期望輸出向量；a是為分量全為1的n維行向量；5)、將步驟3)中所建立的多個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行組合，具體算式為(2):y=/(x)=^>,y;(x,)(2),'=1其中x為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)矩陣，/(qi為組合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，"為用于組合的單一神經(jīng)網(wǎng)絡(luò)數(shù)目，x=[Xlx2…x]，其中第/個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)矩陣為x,，/(q)為第/個(gè)單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，《為第/個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的組合權(quán)重；建立基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量模型。作為優(yōu)選的一種方案所述的軟測(cè)量方法還包括6)、每隔一段時(shí)間根據(jù)熔融指數(shù)儀所得到的人工分析值對(duì)軟測(cè)量模型進(jìn)行在線校正。進(jìn)一步，所述步驟2)中，標(biāo)準(zhǔn)化的算式為(3):=丄1>,'=丄￡^:，=、丄￡(《-7)2'=、丄￡("-)2其中X'為經(jīng)過標(biāo)準(zhǔn)化處理后的輸入樣本數(shù)據(jù)；Z為原始輸入樣本數(shù)據(jù)；7為原始輸入樣本數(shù)據(jù)的平均值；為原始輸入樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；y'為經(jīng)過標(biāo)準(zhǔn)化處理后的輸出樣本數(shù)據(jù)；；r為原始輸出樣本數(shù)據(jù)；P為原始輸出樣本數(shù)據(jù)的平均值；^為原始輸出樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；iV為輸入樣本數(shù)據(jù)的樣本數(shù)；X,為單個(gè)原始輸入樣本數(shù)據(jù)；K為單個(gè)原始輸出樣本數(shù)據(jù)。本發(fā)明的技術(shù)構(gòu)思為組合神經(jīng)網(wǎng)絡(luò)是將一些單一神經(jīng)網(wǎng)絡(luò)模型組合在一起，其中每個(gè)單一神經(jīng)網(wǎng)絡(luò)模型均由一組初始訓(xùn)練數(shù)據(jù)集建立，整個(gè)組合神經(jīng)網(wǎng)絡(luò)的總輸出是各個(gè)單一神經(jīng)網(wǎng)絡(luò)輸出的加權(quán)和，艮P:W(X)^柳,)(2)其中X為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)矩陣，/(Q)為組合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，"為用于組合的單一神經(jīng)網(wǎng)絡(luò)數(shù)目，X=[Xlx2…x]，其中第/個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)矩陣為x,，乂(qi為第/個(gè)單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，《為第/個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的組合權(quán)重。在建立組合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型過程中，合理選擇組合神經(jīng)網(wǎng)絡(luò)的組合權(quán)重，對(duì)于所建立的模型具有良好性能是非常有必要的。現(xiàn)在已經(jīng)提出了許多方法來進(jìn)行組合權(quán)重的合理選擇，其中一種方法是對(duì)每個(gè)神經(jīng)網(wǎng)絡(luò)均取相同權(quán)重，此方法雖然簡(jiǎn)單，但是效果并不理想。設(shè)用于建立組合祌經(jīng)網(wǎng)絡(luò)模型的單一神經(jīng)網(wǎng)絡(luò)有"個(gè)，y^為模型的期望輸出向量，y,為由第/個(gè)單一神經(jīng)網(wǎng)絡(luò)所得到的預(yù)測(cè)輸出向量，將從"個(gè)單一神經(jīng)網(wǎng)絡(luò)中得到的預(yù)測(cè)輸出向量置于矩陣Y"中，則Y，-[y,y2…y]，其中矩陣的每一列均對(duì)應(yīng)一個(gè)單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。令組合權(quán)重向量e-[《《…Af，當(dāng)約束條件為lt"《=1時(shí)，則由組合產(chǎn)l神經(jīng)網(wǎng)絡(luò)模型所得到的預(yù)測(cè)輸出向量y^^可表示如下y,一=Y戸e=《yi《y(4)當(dāng)以組合模型的預(yù)測(cè)值與真實(shí)的觀測(cè)值之誤差e,的平方和t《為最小作為最優(yōu)時(shí)，在此最優(yōu)之下可估計(jì)出權(quán)重向量e，按此思路可將權(quán)重向量e的確定化為條件極值問題。在條件^《=1之下，以2=1>2為最小來求參數(shù)《的估計(jì)值，為此建立條件極值的Lagrange函數(shù)為丄=1>,2+義(t《—d=(y呻—Y"0)r(y呻—U+雄6—"(5)戶iz=i其中a為分量全為1的n維行向量。根據(jù)Lagrange乘子法，可解得在誤差平方和最小時(shí)，組合權(quán)重向量e的估計(jì)式6=fYrYVY+v—V"1pre"1pre乂preJexp(6)L上preJexpJLtt\」Vpre"由于各單一神經(jīng)網(wǎng)絡(luò)均是對(duì)同一關(guān)系進(jìn)行建模，因此使各單一神經(jīng)網(wǎng)絡(luò)輸出之間存在著復(fù)共線性，從而使回歸信息矩陣(Y二Y^)為奇異或接近于奇異的，這種情況的存在將使最小二乘回歸估計(jì)產(chǎn)生以下不良的影響當(dāng)引入或剔除自變量時(shí)，將使其它自變量的回歸系數(shù)有較大的變化；或者當(dāng)引入或者去掉一組數(shù)據(jù)時(shí)，回歸系數(shù)的變化較大，這些都是估計(jì)值6不夠穩(wěn)定的表現(xiàn)。從直接設(shè)法減少回歸系數(shù)的均方誤差出發(fā)，可采用嶺回歸方法來改進(jìn)最小二乘回歸，則根據(jù)式(6)，組合權(quán)重向量e的估計(jì)值6改進(jìn)計(jì)算公式如下-'(Y;Y戸+M)-Y其中A是一個(gè)正常數(shù)，可采用嶺跡法得到。利用現(xiàn)有工業(yè)聚丙烯生產(chǎn)裝置的計(jì)算機(jī)集散控制系統(tǒng)(以下簡(jiǎn)稱DCS，即DistributedControlSystems),采用組合神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，大大提高了工業(yè)聚丙烯生產(chǎn)熔融指數(shù)的預(yù)測(cè)精度和魯棒性，為工業(yè)聚丙烯產(chǎn)品質(zhì)量控制提供有利的依據(jù)，對(duì)實(shí)現(xiàn)聚丙烯平穩(wěn)操作、聚丙烯最優(yōu)牌號(hào)切換均具有重要的意義。通過建立多個(gè)單一神經(jīng)網(wǎng)絡(luò)，并用嶺回歸方法選擇合適的組合權(quán)重，從而建立組合神經(jīng)網(wǎng)絡(luò)模型。所建立的模型具有較高的預(yù)測(cè)精度和魯棒性，在指導(dǎo)生產(chǎn)中能使聚丙烯的產(chǎn)品質(zhì)量提高，對(duì)實(shí)現(xiàn)聚丙烯平穩(wěn)操作、提高產(chǎn)品質(zhì)量以及聚丙烯最優(yōu)牌號(hào)切換均具有重要的意義。本發(fā)明的有益效果主要表現(xiàn)在提高預(yù)測(cè)性能、具有較高魯棒性。圖1是工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量建模的實(shí)現(xiàn)流程。圖2是工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟儀表中的軟測(cè)量模型示意圖，其中，X為祌經(jīng)網(wǎng)絡(luò)的輸入矩陣，Y為神經(jīng)網(wǎng)絡(luò)的輸出矩陣。具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。參照?qǐng)D1和圖2，一種基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法，所述軟測(cè)量方法包括以下步驟1)、以工業(yè)聚丙烯生產(chǎn)過程中的氫氣濃度、丙烯單體進(jìn)料量、催化劑進(jìn)料量、氫氣進(jìn)料量、反應(yīng)溫度和反應(yīng)壓力作為軟測(cè)量模型的輸入變量，并以工業(yè)聚丙烯生產(chǎn)熔融指數(shù)作為軟測(cè)量模型的輸出變量；2)、從工業(yè)聚丙烯生產(chǎn)過程的DCS中釆集數(shù)據(jù)，以及通過熔融指數(shù)儀得到工業(yè)聚丙烯生產(chǎn)熔融指數(shù)的人工分析值，整理后得到原始數(shù)據(jù)集，對(duì)原始數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理；3)、將標(biāo)準(zhǔn)化后的原始數(shù)據(jù)集分成多組，對(duì)每一組數(shù)據(jù)集分別建立神經(jīng)網(wǎng)絡(luò)模型；4)、采用嶺回歸方法選擇組合權(quán)重，具體算式為(1):[a(Y二Y戸Y]-'(Y二Y脾+M)-Y(1)其中，§是組合權(quán)重向量；Y^是n個(gè)單一神經(jīng)網(wǎng)絡(luò)中得到的預(yù)測(cè)輸出矩陣；yt是一個(gè)正常數(shù)，由嶺跡法計(jì)算得到；I是n維的單位矩陣；y^是軟測(cè)量模型的期望輸出向量；a是為分量全為1的"維行向量；5)、將步驟3)中所建立的多個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行組合，具體算式為(2):1^=順=力柳,)(2)其中X為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)矩陣，/(Q)為組合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，n為用于組合的單一神經(jīng)網(wǎng)絡(luò)數(shù)目，X=[Xlx2…x]，其中第/個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)矩陣為x,，乂(qi為第/個(gè)單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，《為第z個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的組合權(quán)重；建立基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量模型。本實(shí)施例首先根據(jù)工業(yè)聚丙烯的生產(chǎn)工藝，選擇影響工業(yè)聚丙烯生產(chǎn)熔融指數(shù)及其主要影響因素，并分別作為軟測(cè)量模型的輸出變量和輸入變量，建立基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量模型，然后采用工藝現(xiàn)場(chǎng)釆集和人工分析所得到的歷史數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后將該軟測(cè)量模型應(yīng)用于工業(yè)聚丙烯生產(chǎn)過程中，實(shí)現(xiàn)工業(yè)聚丙烯生產(chǎn)熔融指數(shù)的在線估計(jì)。以聚丙烯生產(chǎn)Spheripol工藝為具體實(shí)施例，具體實(shí)施過程如下(1)在Spheripol聚合工藝中，液相丙烯、催化劑、助催化劑進(jìn)入預(yù)聚合反應(yīng)器進(jìn)行預(yù)聚合后，與原料丙烯、分子量調(diào)整劑氫氣共同進(jìn)入到環(huán)管反應(yīng)器進(jìn)行聚合反應(yīng)，然后丙烯在反應(yīng)器內(nèi)停留約1.5h后與未反應(yīng)的丙烯共同進(jìn)入后系統(tǒng)，進(jìn)行氣相共聚及分離、干燥和/或造料，最終得到聚丙烯粉料或顆粒產(chǎn)品.根據(jù)工藝流程分析最終選取氫氣濃度、丙烯單體進(jìn)料量、催化劑進(jìn)料量、氫氣進(jìn)料量、反應(yīng)溫度和反應(yīng)壓力作為工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量模型的輸入變量，而采用熔融指數(shù)儀離線分析得到的熔融指數(shù)則作為軟測(cè)量模型的輸出變量；(2)從丙烯聚合生產(chǎn)過程的DCS系統(tǒng)中采集120組數(shù)據(jù)，并進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為o，方差為i，得到輸入矩陣;r，輸出矩陣;r，形成經(jīng)過處理后的原始樣本數(shù)據(jù)集。從樣本數(shù)據(jù)集中任意抽出部分?jǐn)?shù)據(jù)作為學(xué)習(xí)樣本建立軟測(cè)量模型，余下部分作為測(cè)試樣本以檢驗(yàn)軟測(cè)量模型的泛化能力；標(biāo)準(zhǔn)化其中7V=120，為訓(xùn)練樣本數(shù)。標(biāo)準(zhǔn)化處理能消除各變量因?yàn)榱烤V不同造成的影響。(3)將經(jīng)過處理后的原始數(shù)據(jù)集劃分為訓(xùn)練集、確認(rèn)集和測(cè)試集。將120組原始數(shù)據(jù)集分為3大組第1大組的75組數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集的作用主要是用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，建立神經(jīng)網(wǎng)絡(luò)模型，其中在建立組合神經(jīng)網(wǎng)絡(luò)模型時(shí)，用于組合的單一神經(jīng)網(wǎng)絡(luò)為3個(gè)；第2大組的27組數(shù)據(jù)作為測(cè)試集，測(cè)試集用于周期性測(cè)試網(wǎng)絡(luò)模型對(duì)未參與網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)的預(yù)估精度;第3大組的18組數(shù)據(jù)作為為確認(rèn)集，確認(rèn)集主要用于驗(yàn)證所建立的模型，觀察該模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)能力。(4)所有單一神經(jīng)網(wǎng)絡(luò)模型均采用BP標(biāo)準(zhǔn)算法，網(wǎng)絡(luò)結(jié)構(gòu)為6x7xl，其中隱含層為logsig型函數(shù)，輸出層為purelin型函數(shù)，訓(xùn)練的終止誤差為1xl(T3，采用Levenberg-Marquardt訓(xùn)練方法，通過訓(xùn)練確定各個(gè)單一神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值；(5)為了驗(yàn)證組合神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型的預(yù)測(cè)性能，同時(shí)也建立了單一神經(jīng)網(wǎng)絡(luò)模型，并將平均絕對(duì)預(yù)測(cè)誤差(MeanAbsolutePredictionError,簡(jiǎn)稱MAPE)、平均相對(duì)預(yù)測(cè)誤差(MeanRelativePredictionError,簡(jiǎn)稱MRPE)和均方誤差(RootMeanSquaredErrors,簡(jiǎn)稱RMSE)作為各軟測(cè)量模型的預(yù)測(cè)性能指標(biāo)。測(cè)試數(shù)據(jù)性能比較結(jié)果見表l。表l測(cè)試數(shù)據(jù)性能比較<table>tableseeoriginaldocumentpage11</column></row><table>如表1所示，采用組合神經(jīng)網(wǎng)絡(luò)后的本發(fā)明技術(shù)使得軟測(cè)量模型的預(yù)測(cè)性能有大幅度改善。這表明基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)具有更佳的預(yù)測(cè)精度和魯棒性。上述實(shí)例用來解釋說明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍。權(quán)利要求1、一種基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法，其特征在于所述軟測(cè)量方法包括以下步驟1)、以工業(yè)聚丙烯生產(chǎn)過程中的氫氣濃度、丙烯單體進(jìn)料量、催化劑進(jìn)料量、氫氣進(jìn)料量、反應(yīng)溫度和反應(yīng)壓力作為軟測(cè)量模型的輸入變量，并以工業(yè)聚丙烯生產(chǎn)熔融指數(shù)作為軟測(cè)量模型的輸出變量；2)、從工業(yè)聚丙烯生產(chǎn)過程的DCS中采集數(shù)據(jù)，以及通過熔融指數(shù)儀得到工業(yè)聚丙烯生產(chǎn)熔融指數(shù)的人工分析值，整理后得到原始數(shù)據(jù)集，對(duì)原始數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理；3)、將標(biāo)準(zhǔn)化后的原始數(shù)據(jù)集分成多組，對(duì)每一組數(shù)據(jù)集分別建立神經(jīng)網(wǎng)絡(luò)模型；4)、采用嶺回歸方法選擇組合權(quán)重，具體算式為(1)其中，是組合權(quán)重向量；Ypre是n個(gè)單一神經(jīng)網(wǎng)絡(luò)中得到的預(yù)測(cè)輸出矩陣；k是一個(gè)正常數(shù)，由嶺跡法計(jì)算得到；I是n維的單位矩陣；yexp是軟測(cè)量模型的期望輸出向量；a是為分量全為1的n維行向量；5)、將步驟3)中所建立的多個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行組合，具體算式為(2)其中X為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)矩陣，為組合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，n為用于組合的單一神經(jīng)網(wǎng)絡(luò)數(shù)目，X＝[x1x2…xn]，其中第i個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)矩陣為x1，為第i個(gè)單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，θ1為第i個(gè)單一神經(jīng)網(wǎng)絡(luò)模型的組合權(quán)重；建立基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量模型。2、如權(quán)利要求i所述的基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法，其特征在于所述的軟測(cè)量方法還包括6)、每隔一段時(shí)間根據(jù)熔融指數(shù)儀所得到的人工分析值對(duì)軟測(cè)量模型進(jìn)行在線校正。3、如權(quán)利要求1或2所述的基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法，其特征在于所述步驟2)中，標(biāo)準(zhǔn)化的算式為(3):<formula>formulaseeoriginaldocumentpage3</formula>其中<formula>formulaseeoriginaldocumentpage3</formula>其中I'為經(jīng)過標(biāo)準(zhǔn)化處理后的輸入樣本數(shù)據(jù)；X為原始輸入樣本數(shù)據(jù)；f為原始輸入樣本數(shù)據(jù)的平均值；為原始輸入樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；F為經(jīng)過標(biāo)準(zhǔn)化處理后的輸出樣本數(shù)據(jù)；；r為原始輸出樣本數(shù)據(jù)；P為原始輸出樣本數(shù)據(jù)的平均值；^為原始輸出樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；iV為輸入樣本數(shù)據(jù)的樣本數(shù)；X,為單個(gè)原始輸入樣本數(shù)據(jù)；K為單個(gè)原始輸出樣本數(shù)據(jù)。全文摘要一種基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量方法，包括以下步驟1)、以氫氣濃度、丙烯單體進(jìn)料量、催化劑進(jìn)料量、氫氣進(jìn)料量、反應(yīng)溫度和反應(yīng)壓力作為軟測(cè)量模型的輸入變量，并以工業(yè)聚丙烯生產(chǎn)熔融指數(shù)作為軟測(cè)量模型的輸出變量；2)、對(duì)原始數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理；3)、將標(biāo)準(zhǔn)化后的原始數(shù)據(jù)集分成多組，對(duì)每一組數(shù)據(jù)集分別建立神經(jīng)網(wǎng)絡(luò)模型；4)、采用嶺回歸方法選擇組合權(quán)重；5)、將步驟3)中所建立的多個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行組合，建立基于組合神經(jīng)網(wǎng)絡(luò)的工業(yè)聚丙烯生產(chǎn)熔融指數(shù)軟測(cè)量模型。本發(fā)明提高預(yù)測(cè)性能、具有較高魯棒性。文檔編號(hào)G05B19/048GK101458506SQ20091009540公開日2009年6月17日申請(qǐng)日期2009年1月8日優(yōu)先權(quán)日2009年1月8日發(fā)明者立俞,夏陸岳申請(qǐng)人:浙江工業(yè)大學(xué)