CN103198178A - 一种pvc聚合过程的软测量建模方法 - Google Patents

一种pvc聚合过程的软测量建模方法 Download PDF

Info

Publication number
CN103198178A
CN103198178A CN2013100771669A CN201310077166A CN103198178A CN 103198178 A CN103198178 A CN 103198178A CN 2013100771669 A CN2013100771669 A CN 2013100771669A CN 201310077166 A CN201310077166 A CN 201310077166A CN 103198178 A CN103198178 A CN 103198178A
Authority
CN
China
Prior art keywords
soft
polymerization process
pvc
soft measurement
modeling method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013100771669A
Other languages
English (en)
Inventor
高淑芝
赵娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN2013100771669A priority Critical patent/CN103198178A/zh
Publication of CN103198178A publication Critical patent/CN103198178A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Polymerisation Methods In General (AREA)

Abstract

一种PVC聚合过程的软测量建模方法，涉及一种化工聚合过程的软测量建模方法，包括以下过程：首先根据聚合反应工艺特点，采集与VCM转化率和转化速率相关的10个过程变量作为软测量建模的辅助变量；然后对数据进行处理，采用FCM聚类算法对数据进行分类，将分成的若干类建立基于T-S模糊神经网络的若干个子模型；然后采用PCA对T-S模型高维输入向量进行模型降维；对由软测量模型的输入组成的历史数据进行主元分析，确定主元个数；最后基于和声搜索优化T-S模糊神经网络。本发明能显著提高PVC聚合过程中经济技术指标预测的精度和鲁棒性，满足聚合釜生产过程的实时控制要求。

Description

一种PVC聚合过程的软测量建模方法
技术领域
本发明涉及一种化工聚合过程的软测量建模方法，特别是涉及一种PVC聚合过程的软测量建模方法。
背景技术
以氯乙烯单体(vinyl chloride monomer，VCM) 为原料，采用悬浮法聚合工艺生产聚氯乙烯(polyvinylchlorid，PVC) 树脂是一种典型的间歇式化工生产过程。由于现场条件限制和缺乏成熟的检测装置，在实际生产过程中氯乙烯转化率和转化速率很难实时获取，难以实现质量闭环控制。因此，如何对聚氯乙烯的转化率和转化速率进行预测一直是人们研究的重点。
发明内容
本发明的目的在于提供一种PVC聚合过程的软测量建模方法，本发明根据多个模型相加可以提高整体预测精度和鲁棒性的思想，提出一种基于模糊 C 均值聚类算法的多 T-S 模糊神经网络模型对聚氯乙烯聚合生产过程中的氯乙烯转化率和转化速率进行预测，通过仿真结果表明该模型能够显著提高 PVC 聚合过程中经济技术指标预测的精度和鲁棒性，满足聚合釜生产过程的实时控制要求。
本发明的目的是通过以下技术方案实现的：
一种PVC聚合过程的软测量建模方法，所述方法包括以下过程：首先根据聚合反应工艺特点，采集与 VCM 转化率和转化速率相关的 10 个过程变量作为软测量建模的辅助变量；然后对数据进行处理，采用FCM聚类算法对数据进行分类，将分成的若干类建立基于 T-S 模糊神经网络的若干个子模型；然后采用 PCA对 T-S 模型高维输入向量进行模型降维；对由软测量模型的输入组成的历史数据进行主元分析，确定主元个数；最后基于和声搜索优化 T-S 模糊神经网络。
所述的一种PVC聚合过程的软测量建模方法，所述过程变量分别是釜内温度、釜内压力、挡板水流量、夹套水流量、注入水流量 、密封水流量、冷却水进口温度、夹套水出口温度 、档板水出口温度 、注入水和密封水进口温度，即冷水槽出口温度。
本发明的优点与效果是：
本发明根据多个模型相加可以提高整体预测精度和鲁棒性的思想，提出一种基于模糊 C 均值聚类算法的多 T-S 模糊神经网络模型对聚氯乙烯聚合生产过程中的氯乙烯转化率和转化速率进行预测。采用主元分析来对软测量模型的辅助变量进行选择以降低模型维数，并提出和声搜索和最小二乘法相结合的混合优化算法来优化 T-S 模糊神经网络子模型的结构参数。最后通过仿真结果表明该模型能够显著提高 PVC 聚合过程中经济技术指标预测的精度和鲁棒性，可以满足聚合釜生产过程的实时控制要求。
具体实施方式
下面结合实施例对本发明进行详细说明。
本发明包括以下步骤：
步骤一：根据聚合反应工艺特点，采集与 VCM 转化率和转化速率相关的 10 个过程变量作为软测量建模的辅助变量，分别是釜内温度( TIC-P101) 、釜内压力( PIC-P102) 、挡板水流量( FIC-P101) 、夹套水流量( FIC-P102) 、注入水流量( FIC-P104) 、密封水流量( FIC-P105) 、冷却水进口温度、夹套水出口温度( TI-P109) 、档板水出口温度( TI-P110) 、注入水和密封水进口温度( 即冷水槽出口温度，TIC-WA01) 。
步骤二：对数据进行处理，采用FCM聚类算法对数据进行分类，将分成的若干类，建立基于 T-S 模糊神经网络的若干个子模型。
步骤三：采用 PCA对 T-S 模型高维输入向量进行模型降维。对由软测量模型的输入组成的历史数据进行主元分析，确定主元个数。
步骤四：基于和声搜索优化 T-S 模糊神经网络。
实施例：
1 初始化种群大小 m ，搜索空间维数 D ( 前提参数个数) ，和声记忆库 HMS ，记忆库选择概率                                                
Figure 417645DEST_PATH_IMAGE002
，音调调节概率 Ppar和循环迭代次数 n ; 循环迭代次数 n =1 ，在搜索空间随机初始化种群个体，第 i 个个体向量为
。
2 将种群中每个个体向量依次作为 T-S 模糊神经网络的前提参数，计算出所有规则的激励强度和归一化激励强度，然后采用最小二乘法辩识出结论参数; 最后
根据下式 计算出该个体所对应的模型均方根误差( RMSE) ，作为该个体的适应度值 
Figure 429036DEST_PATH_IMAGE006
，其中：
Figure 11196DEST_PATH_IMAGE008
。
3 选取原和声库个体和种群中( 新陈代谢方式) 适应度值前 HMS 个个体初始化如以下公式所示的和声记忆库 HM 矩阵:
  
Figure DEST_PATH_IMAGE009
4  产生一个新的和声: 首先产生一个新解向量
Figure DEST_PATH_IMAGE011
 ，对每一个向量分量 
Figure DEST_PATH_IMAGE013
: 以概率 
Figure 448738DEST_PATH_IMAGE002
从和声库中选取分量 
Figure DEST_PATH_IMAGE015
; 以概率从变量范围中选取随机量; 然后进行调节和声，即对每一分量
Figure 33839DEST_PATH_IMAGE011
 ，以概率 
Figure 419690DEST_PATH_IMAGE019
对
Figure DEST_PATH_IMAGE020
进行微调 
Figure DEST_PATH_IMAGE022
 以概率
Figure DEST_PATH_IMAGE024
 保留
Figure 836371DEST_PATH_IMAGE011
分量。
5步骤5: 更新和声搜索记忆库: 如 
Figure DEST_PATH_IMAGE026
比和声记忆库中最差个体 
Figure DEST_PATH_IMAGE028
好，则用 
Figure DEST_PATH_IMAGE030
替换 ; n = n + 1 ，返回 2直至最大循环迭代次数。

Claims (2)

1.一种PVC聚合过程的软测量建模方法，其特征在于，所述方法包括以下过程：首先根据聚合反应工艺特点，采集与 VCM 转化率和转化速率相关的 10 个过程变量作为软测量建模的辅助变量；然后对数据进行处理，采用FCM聚类算法对数据进行分类，将分成的若干类建立基于 T-S 模糊神经网络的若干个子模型；然后采用 PCA对 T-S 模型高维输入向量进行模型降维；对由软测量模型的输入组成的历史数据进行主元分析，确定主元个数；最后基于和声搜索优化 T-S 模糊神经网络。
2.根据权利要求1所述的一种PVC聚合过程的软测量建模方法，其特征在于，所述过程变量分别是釜内温度、釜内压力、挡板水流量、夹套水流量、注入水流量 、密封水流量、冷却水进口温度、夹套水出口温度 、档板水出口温度 、注入水和密封水进口温度，即冷水槽出口温度。
CN2013100771669A 2013-03-12 2013-03-12 一种pvc聚合过程的软测量建模方法 Pending CN103198178A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100771669A CN103198178A (zh) 2013-03-12 2013-03-12 一种pvc聚合过程的软测量建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100771669A CN103198178A (zh) 2013-03-12 2013-03-12 一种pvc聚合过程的软测量建模方法

Publications (1)

Publication Number Publication Date
CN103198178A true CN103198178A (zh) 2013-07-10

Family

ID=48720733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100771669A Pending CN103198178A (zh) 2013-03-12 2013-03-12 一种pvc聚合过程的软测量建模方法

Country Status (1)

Country Link
CN (1) CN103198178A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363302A (zh) * 2018-02-13 2018-08-03 集美大学 一种基于和声搜索的船舶动力定位底层推进器控制方法
CN109643085A (zh) * 2016-08-23 2019-04-16 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冯磊华 等: "基于一种改进灰关联分析的双进双出钢球磨制粉出力软测量建模", 《仪器仪表学报 》 *
张颖: "改进的T-S模糊神经网络在化工软测量中的应用", 《电子测量与仪器学报》 *
高淑芝 等: "基于和声搜索优化多T-S模糊神经网络的聚合釜过程软测量建模", 《仪器仪表学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109643085A (zh) * 2016-08-23 2019-04-16 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化
US11264121B2 (en) 2016-08-23 2022-03-01 Accenture Global Solutions Limited Real-time industrial plant production prediction and operation optimization
CN109643085B (zh) * 2016-08-23 2022-05-10 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化
CN108363302A (zh) * 2018-02-13 2018-08-03 集美大学 一种基于和声搜索的船舶动力定位底层推进器控制方法
CN108363302B (zh) * 2018-02-13 2020-09-11 集美大学 一种基于和声搜索的船舶动力定位底层推进器控制方法

Similar Documents

Publication Publication Date Title
CN108959728B (zh) 基于深度学习的射频器件参数优化方法
Deb et al. An integrated approach to automated innovization for discovering useful design principles: Case studies from engineering
CN111427750B (zh) 一种计算机平台的gpu功耗估计方法、***及介质
CN102831269A (zh) 一种流程工业过程工艺参数的确定方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
CN113408648A (zh) 一种结合深度学习的机组组合计算方法
WO2021103675A1 (zh) 神经网络的训练及人脸检测方法、装置、设备和存储介质
CN103745273A (zh) 一种半导体制造过程的多性能预测方法
CN106600001B (zh) 基于混合高斯分布相关学习机的玻璃窑炉温度预报方法
CN103226728B (zh) 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法
CN105676814A (zh) 基于sfla-svm的数字化水岛在线加药控制方法
Sorsa et al. Real-coded genetic algorithms and nonlinear parameter identification
CN116109458A (zh) 一种水库泄洪闸门调度方法、***、存储介质及计算设备
CN102129242A (zh) 基于两层混合智能优化的批处理生产过程产品质量控制方法
CN111898867A (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN113103535A (zh) 一种基于ga-elm-ga的注塑件模具参数优化方法
CN109447336B (zh) 一种上游水库与其反调节水库坝间水位优化控制方法
CN106502093B (zh) 基于ga‑svr的水岛加药在线控制方法
CN103198178A (zh) 一种pvc聚合过程的软测量建模方法
CN113420508B (zh) 一种基于lstm的机组组合计算方法
CN114743617A (zh) 一种高效的MOFs材料搜索与生成方法
CN113656707A (zh) 一种理财产品推荐方法、***、存储介质及设备
Chan et al. Modelling and optimization of fluid dispensing for electronic packaging using neural fuzzy networks and genetic algorithms
CN117531438A (zh) 用于提高聚甲醛产品稳定性的控制方法及***
CN111369072A (zh) 一种基于稀疏化方法的核最小均方时间序列在线预测模型

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20130710