CN108549903B - 一种聚合反应过程的质量模式监测方法 - Google Patents

一种聚合反应过程的质量模式监测方法 Download PDF

Info

Publication number
CN108549903B
CN108549903B CN201810258345.5A CN201810258345A CN108549903B CN 108549903 B CN108549903 B CN 108549903B CN 201810258345 A CN201810258345 A CN 201810258345A CN 108549903 B CN108549903 B CN 108549903B
Authority
CN
China
Prior art keywords
quality
quality mode
data
polymerization
monitoring
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.)
Active
Application number
CN201810258345.5A
Other languages
English (en)
Other versions
CN108549903A (zh
Inventor
栾小丽
高爽
郑年年
冯恩波
陈珺
刘飞
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN201810258345.5A priority Critical patent/CN108549903B/zh
Publication of CN108549903A publication Critical patent/CN108549903A/zh
Application granted granted Critical
Publication of CN108549903B publication Critical patent/CN108549903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Polymerisation Methods In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种聚合反应过程的质量模式监测方法，属于流程工业生产加工领域。该方法首先对初始数据进行采集并预处理，然后进行变量选择与变换，并利用变换后的综合特征构建质量模式指标；之后利用贝叶斯统计学习方法对构建的质量模式指标进行分类，最终实现聚合过程的质量监测。本发明利用快速智能判别和决策方法，将质量模式监测的概念引入到聚合反应过程，从传统的质量指标参数监测转化为质量模式监测，更能刻画聚合过程的运行工况，提高聚合反应过程质量监测的准确率，稳定地控制聚合反应装置，弥补了传统质量指标监测在建模复杂度及数据利用上的不足，将聚合过程运行在最优状态下，从而达到安全、节能、降耗的目的。

Description

一种聚合反应过程的质量模式监测方法
技术领域
本发明涉及一种聚合反应过程的质量模式监测方法，属于流程工业生产加工领域。
背景技术
聚合反应过程复杂，聚合物的质量(如热稳定性、断裂强度、拉伸强度等)与聚合物的物性(如平均分子量及其分布、平均粒径及其分布、黏度、密度等)密切相关。为了使聚合反应釜处于最佳运行工况，提高聚合物的质量，传统手段是质量指标控制，即控制聚合物的物性参数或与聚合物物性参数相关的过程参数，如反应物浓度、聚合速率、转化率等。
但影响聚合物质量指标的过程参数具有递进性、多元性、相关性等特点，且聚合物的质量指标由于缺乏可靠的在线仪表或限于使用、维护成本等原因，通常难以在线测量，一般采用人工离线分析得到，由于不能及时调整工艺参数，导致产品质量参差不齐，使得聚合反应过程的质量监控问题具有一定的挑战性。
基于过程质量推断模型的质量监控技术是解决这一问题的有效手段。无论是最初的机理质量推断模型，还是基于数据驱动的经验质量模型，包括将机理建模、经验建模等结合在一起的混合质量模型，其框架下的质量监控效果均依赖于模型预测的精度。大数据背景下如何利用过程运行的数据监控聚合过程的产品质量，对聚合过程的质量监控研究提出了新的要求。
近年来，随着数据挖掘和机器学习技术的不断发展，涌现出了很多新的快速智能判别和决策方法，因此本发明利用过程运行中的大量数据，提出一种聚合反应过程的质量模式监测方法，利用近几年涌现的新的快速智能判别和决策方法，将质量模式监测的概念引入到聚合反应过程中，从传统的质量指标参数监测转化为质量模式监测，弥补了传统质量指标监测在建模复杂度及数据利用上的不足。由于模式蕴含了更多的过程信息，从而更能刻画聚合过程的运行工况，提高聚合反应过程质量监测的准确率，稳定地控制聚合反应装置，将聚合过程运行在最优状态下，从而达到安全、节能、降耗的目的。
发明内容
本发明旨在提供一种聚合反应过程的质量模式监测方法。将质量模式监测的概念引入到聚合反应过程中，将观测空间数据的本质特征投影到低维空间，得到质量模式指标；然后，利用快速智能判别和决策方法对模式指标进行分类，区分聚合生产过程的不同质量模式。
本发明采用的技术方案：
一种聚合反应过程的质量模式监测方法，分为三个部分，第一部分是初始数据的采集与预处理，第二部分是质量模式指标的构建，第三部分是利用快速智能判别和决策方法对构建的质量模式指标进行分类；具体步骤如下：
步骤一：初始数据的采集与预处理
采集聚合反应过程中的原始特征信息，通过剔除异常数据、填充缺失数据、纠正错误数据和数据对齐的方式进行数据的预处理；采集聚合反应过程中的原始特征信息包括反应温度、引发剂浓度、蒸汽流量、压力、转化率、聚合速率等相关过程参数变量；
步骤二：质量模式指标的构建
(1)对步骤一中预处理之后的数据进行变量选择，挑选出有效的、能反映***行为和过程状态的特征数据，同时剔除无效特征，以初步降低***过程信息的特征空间维数；所述的变量选择，采用的方法可为穷举法、随机搜索法、启发式搜索法或Lasso正则化方法等方法；
(2)利用变换技术将步骤(1)得到的特征数据进行变换，得到综合特征，并构建质量模式指标Y＝[Y1,Y2,…,Yp]，再次降低***过程信息的特征空间维数，其中p个特征数据是线性无关的；所述的变换技术是指主元分析、K均值聚类、贝叶斯统计学习或势函数判别等技术；
步骤三：利用贝叶斯统计学习方法对构建的质量模式指标进行分类
(3)设有m个类C1,C2,…,Cm，针对质量模式指标Y，利用贝叶斯统计学习方法将未知的质量模式指标分配给类Ci，当且仅当：
P(Ci|Y)>P(Cj|Y),1≤j≤m,j≠i (1)
其中，P(Ci|Y)为后验概率，由公式(2)求取：
Figure BDA0001609578060000021
式(2)中，P(Ci)＝si/s为先验概率，si是类Ci中的训练样本数，s是训练样本总数，
Figure BDA0001609578060000022
为条件概率，P(Y1|Ci),P(Y2|Ci),…,P(Yp|Ci)由训练样本估值，k＝{1,2,…p}；
(4)对质量模式指标Y进行判别，对于每个类Ci，计算P(YCi)P(Ci)，质量模式指标Y被指派到类Ci，当且仅当：
P(Y|Ci)P(Ci)>P(Y|Cj)P(Cj),1≤j≤m,j≠i (3)；
(5)定义C1为高质量模式，C2为低质量模式，计算
Figure BDA0001609578060000023
当l12(Y)>θ12时，则聚合生产过程的运行状态处于高质量模式；
当l12(Y)<θ12时，则聚合生产过程的运行状态处于低质量模式。
所述步骤一中，剔除异常数据的方式为3σ准则，填充缺失数据的方式为均值填充法。
所述步骤(2)中采用主元分析作为变换技术时，最低累计贡献率为T＝75％。
本发明利用过程运行中的大量数据，提出一种聚合反应过程的质量模式监测方法，利用近几年涌现的新的快速智能判别和决策方法，将质量模式监测的概念引入到聚合反应过程，从传统的质量指标参数监测转化为质量模式监测，弥补了传统质量指标监测在建模复杂度及数据利用上的不足。由于模式蕴含了更多的过程信息，从而更能刻画聚合过程的运行工况，提高聚合反应过程质量监测的准确率，稳定地控制聚合反应装置，将聚合过程运行在最优状态下，从而达到安全、节能、降耗的目的。
附图说明
图1为实施步骤流程框图。
图2为各主成分解释方差的帕累托图。
图3为聚合反应过程基于模式指标的贝叶斯质量监测图。
具体实施方式
下面结合技术方案和附图对本发明的技术方案进行清楚描述。
实施例1
如图1所示，具体实施步骤和算法如下：
步骤1：选定聚合反应生产过程中的反应温度、引发剂浓度、蒸汽流量、压力、转化率、聚合速率等38个相关变量作为与质量相关的过程参数信息，一共采集500个样本，其中有300个高质量样本，200个低质量样本。分别对高质量样本数据集和低质量样本数据集按照3σ准则进行异常值剔除预处理，剔除后产生的缺失值则按照均值填充法进行填充，最后对数据进行标准化处理。
步骤2：对步骤1中预处理之后的数据进行主成分分析，设置最低累计贡献率T＝75％，选定前六个综合特征构成质量模式指标，各主成分解释方差的帕累托图如图2所示。
步骤3：对已构建的质量模式指标Y＝[Y1,Y2,…,Yp]，利用贝叶斯分类将其分配给m个类C1,C2,…,Cm中的某类Ci，当且仅当P(Ci|Y)>P(Cj|Y),1≤j≤m,j≠i，其中，P(Ci|Y)为后验概率，其求取公式为
Figure BDA0001609578060000031
其中P(Ci)＝si/s为先验概率，si是类Ci中的训练样本数，s是训练样本总数，
Figure BDA0001609578060000041
为条件概率，P(Y1|Ci),P(Y2|Ci),…,P(Yp|Ci)可以由训练样本估值，k＝{1,2,…p}。
步骤4：对质量模式指标Y进行判别，对于每个类Ci，计算P(YCi)P(Ci)，质量模式指标Y被指派到类Ci，当且仅当P(YCi)P(Ci)>P(YCj)P(Cj),1≤j≤m,j≠i。
步骤5：定义C1为高质量模式，C2为低质量模式，
Figure BDA0001609578060000042
当l12(Y)>θ12时，则聚合生产过程的运行状态处于高质量模式；当l12(Y)<θ12时，则聚合生产过程的运行状态处于低质量模式；图3是聚合反应过程基于模式指标的贝叶斯质量监测图。

Claims (10)

1.一种聚合反应过程的质量模式监测方法，其特征在于，步骤如下：
步骤一：初始数据的采集与预处理
采集聚合反应过程中的原始特征信息，通过剔除异常数据、填充缺失数据、纠正错误数据和数据对齐的方式进行数据的预处理；
步骤二：质量模式指标的构建
(1)对步骤一中预处理之后的数据进行变量选择，挑选出有效的、能反映***行为和过程状态的特征数据，同时剔除无效特征，以初步降低***过程信息的特征空间维数；
(2)利用变换技术将步骤(1)得到的特征数据进行变换，得到综合特征，并构建质量模式指标Y＝[Y1,Y2,L,Yp]，再次降低***过程信息的特征空间维数，其中Y中的p个特征数据是线性无关的；
步骤三：利用贝叶斯统计学习方法对构建的质量模式指标进行分类
(3)设有m个类C1,C2,L,Cm，针对质量模式指标Y，利用贝叶斯统计学习方法将未知的质量模式指标分配给类Ci，当且仅当：
P(Ci|Y)＞P(Cj|Y),1≤j≤m,j≠i (1)
其中，P(Ci|Y)为后验概率，由公式(2)求取：
Figure FDA0003487184450000011
式(2)中，P(Ci)＝si/s为先验概率，si是类Ci中的训练样本数，s是训练样本总数，
Figure FDA0003487184450000012
为条件概率，P(Y1|Ci),P(Y2|Ci),L,P(Yp|Ci)由训练样本估值，k＝{1,2,L p}；
(4)对质量模式指标Y进行判别，对于每个类Ci，计算P(Y|Ci)P(Ci)，质量模式指标Y被指派到类Ci，当且仅当：
P(Y|Ci)P(Ci)＞P(Y|Cj)P(Cj),1≤j≤m,j≠i (3)；
(5)定义C1为高质量模式，C2为低质量模式，计算
Figure FDA0003487184450000013
当l12(Y)＞θ12时，则聚合生产过程的运行状态处于高质量模式；
当l12(Y)＜θ12时，则聚合生产过程的运行状态处于低质量模式。
2.根据权利要求1所述的质量模式监测方法，其特征在于，所述的采集聚合反应过程中的原始特征信息包括反应温度、引发剂浓度、蒸汽流量、压力、转化率、聚合速率。
3.根据权利要求1或2所述的质量模式监测方法，其特征在于，所述剔除异常数据的方式为3σ准则，填充缺失数据的方式为均值填充法。
4.根据权利要求1或2所述的质量模式监测方法，其特征在于，所述的变量选择，采用的方法为穷举法、随机搜索法、启发式搜索法或Lasso正则化方法。
5.根据权利要求3所述的质量模式监测方法，其特征在于，所述的变量选择，采用的方法为穷举法、随机搜索法、启发式搜索法或Lasso正则化方法。
6.根据权利要求1、2或5所述的质量模式监测方法，其特征在于，所述的变换技术是指主元分析、K均值聚类、贝叶斯统计学习或势函数判别。
7.根据权利要求3所述的质量模式监测方法，其特征在于，所述的变换技术是指主元分析、K均值聚类、贝叶斯统计学习或势函数判别。
8.根据权利要求4所述的质量模式监测方法，其特征在于，所述的变换技术是指主元分析、K均值聚类、贝叶斯统计学习或势函数判别。
9.根据权利要求6所述的质量模式监测方法，其特征在于，采用主元分析作为变换技术时，最低累计贡献率为T＝75％。
10.根据权利要求7或8所述的质量模式监测方法，其特征在于，采用主元分析作为变换技术时，最低累计贡献率为T＝75％。
CN201810258345.5A 2018-03-27 2018-03-27 一种聚合反应过程的质量模式监测方法 Active CN108549903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810258345.5A CN108549903B (zh) 2018-03-27 2018-03-27 一种聚合反应过程的质量模式监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810258345.5A CN108549903B (zh) 2018-03-27 2018-03-27 一种聚合反应过程的质量模式监测方法

Publications (2)

Publication Number Publication Date
CN108549903A CN108549903A (zh) 2018-09-18
CN108549903B true CN108549903B (zh) 2022-04-05

Family

ID=63517288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810258345.5A Active CN108549903B (zh) 2018-03-27 2018-03-27 一种聚合反应过程的质量模式监测方法

Country Status (1)

Country Link
CN (1) CN108549903B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240163B (zh) * 2018-09-25 2024-01-02 南京信息工程大学 用于工业化制造的智能节点及其控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377316A (zh) * 2013-07-15 2013-10-30 浙江大学 基于统计分析和贝叶斯集成的青霉素生产过程监测方法
CN104199961A (zh) * 2014-09-19 2014-12-10 北京建筑技术发展有限责任公司 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法
CN104408667A (zh) * 2014-11-20 2015-03-11 深圳供电局有限公司 一种电能质量综合评估的方法和***
CN106649789A (zh) * 2016-12-28 2017-05-10 浙江大学 一种基于集成半监督费舍尔判别的工业过程故障分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9964967B2 (en) * 2012-02-28 2018-05-08 Chevron U.S.A. Inc. System and method for control performance monitoring

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377316A (zh) * 2013-07-15 2013-10-30 浙江大学 基于统计分析和贝叶斯集成的青霉素生产过程监测方法
CN104199961A (zh) * 2014-09-19 2014-12-10 北京建筑技术发展有限责任公司 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法
CN104408667A (zh) * 2014-11-20 2015-03-11 深圳供电局有限公司 一种电能质量综合评估的方法和***
CN106649789A (zh) * 2016-12-28 2017-05-10 浙江大学 一种基于集成半监督费舍尔判别的工业过程故障分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Data-Driven Optimized Distributed Dynamic PCA for Efficient Monitoring of Large-Scale Dynamic Processes;Yang Wang 等;《IEEE Access》;20170531;第2169-3536页 *
Performance-Driven Distributed PCA Process Monitoring Based on Fault-Relevant Variable Selection and Bayesian Inference;Qingchao Jiang 等;《IEEE Transactions on Industrial Electronics》;20160131;第377-386页 *

Also Published As

Publication number Publication date
CN108549903A (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN106371427B (zh) 基于层次分析法和模糊融合的工业过程故障分类方法
CN106355030B (zh) 一种基于层次分析法和加权投票决策融合的故障检测方法
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN105700518B (zh) 一种工业过程故障诊断方法
CN103914064B (zh) 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
Han et al. Online fault diagnosis for sucker rod pumping well by optimized density peak clustering
Tian et al. Identification of abnormal conditions in high-dimensional chemical process based on feature selection and deep learning
CN108182445A (zh) 基于大数据智能核独立元分析的过程故障识别方法
CN103901880A (zh) 基于多分类器和d-s证据融合的工业过程故障检测方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN111237988A (zh) 地铁车载空调机组控制方法及***
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及***
CN113052271B (zh) 基于深度神经网络的生物发酵数据预测方法
CN113485863B (zh) 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN105955214A (zh) 基于样本时序和近邻相似性信息的间歇过程故障检测方法
CN114077876A (zh) 一种带钢热连轧多模态过程监测方法及装置
Liu et al. Model fusion and multiscale feature learning for fault diagnosis of industrial processes
CN114754973A (zh) 基于机器学习的风洞测力试验数据智能诊断与分析方法
CN108549903B (zh) 一种聚合反应过程的质量模式监测方法
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
CN111932081A (zh) 一种电力信息***运行状态评估方法及***
CN111062848A (zh) 一种消防工程异常状态监测的智能监控方法
CN117633688A (zh) 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant