基于动态变分自编码回归器的聚丙烯熔融指数预测模型

技术领域

本发明涉及聚丙烯生产技术领域，尤其涉及一种基于动态变分自编码回归器的聚丙烯熔融指数预测模型。

背景技术

丙烯聚合生成过程作为石油化工行业龙头之一，其精细化高质量生产是保障国计民生的关键。图1为本发明实施例一提供的聚丙烯生产装置流程图。如图1所示，1代表产品净化仓，2代表乙烯，3代表氢气，4代表新鲜丙烯，5代表再生丙烯，6代表催化剂，7代表净化气体。工业聚丙烯产品的牌号以熔融指数(Melt Index，MI)数值来划分，丙烯聚合过程熔融指数的快速准确预报，对聚丙烯生产装置的产品质量控制、牌号转换、新产品开发、大幅度减少过渡料等均发挥重要的作用。目前，常用的MI检测手段是人工取样，化验室离线分析，无法满足工业生产实时控制的要求，给生产质量监控与控制带来了很大困难。工业现场质量控制主要依赖于操作人员的经验，导致生产过程不稳定、产品质量不高、经济效益第等问题。国际上针对烯烃聚合装置的先进控制优化软件价格极其昂贵，后期服务难以保证，熔融指数预报的精度难以满足工业流程“安、稳、长、满、优”高质量生产的要求。因此，丙烯聚合过程高精度高鲁棒性在线熔融指数预报方法研究具有重要意义。

软测量可分为过程机理模型和数据驱动模型两类。过程机理模型需要对工业过程内部反应机理有深刻认识，通过建立热量平衡、能量平衡、物料平衡等高阶微分方程，采用如有限元分析法迭代求解。机理模型是一种理想的软测量模型，其优点是能直接反映过程内部各变量之间的相互关系，可解释性强。但建立机理模型，不要大量假设条件，然而实际过程却截然不同。由于原料来源多，原材料成分波动大，造成模型初试条件不稳定，并且许多关键工艺参数，在实际生产中无法准确获取，造成机理建模的局限性。基于数据驱动的软测量是软测量技术研究的主流。随着信息科学的不断发展，以及分布式控制系统(Distributed Control System，DCS)在企业应用，工业现场收集和存储了海量数据，为建立基于数据的软测量提供了可靠的基础。不同于过程机理模型，基于数据的软测量方法仅仅依赖工业数据，不需要任何先验条件和复杂的专家知识，只需要选择合适的算法，捕捉易测的辅助变量与难以测量的目标输出间的非线性关系。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于动态变分自编码回归器的聚丙烯熔融指数预测模型，包括：

获取具有连续时间的聚丙烯数据集

将所述聚丙烯数据集按照预设的时间窗进行切分得到数据集

其中N是数据集的样本数量，T是时间窗；

所述动态变分自编码的编码器使用动态图注意力提取辅助变量的空间交互特征，表达式如下；

A

其中，

是t时刻的局部交互关系矩阵，U

是可学习的参数，A

所述动态变分自编码的编码器使用卷积神经网络提取辅助变量的时间交互特征，表达式如下：

其中，

使用相加的方法将所述时间交互特征和所述动态空间交互特征进行拼接，所述动态变分自编码的解码器使用反卷积重构输入数据为动态时空交互特征学习一个鲁棒的高斯隐特征表示空间；

所述回归器使用动态线性门注意力学习所述动态时空交互特征与输出变量的动态关系，通过全连接层输出所述聚丙烯熔融指数的预测值，表达式如下：

Attention(Q,K,V)＝relu(QK

MultiHead(Q,K,V)＝Concat(head

其中，Q是查询，K是键，V是值，relu是激活函数，Concat是向量拼接函数，W

可选的，所述聚丙烯熔融指数预测模型的损失函数具有三个损失项，所述损失项的表达式如下：

其中，

本发明具有下述有益效果：

本发明提供一种基于动态变分自编码回归器的聚丙烯熔融指数预测模型。首先，该模型的编码器通过多尺度动态图注意力和线性门注意力提取聚丙烯生产过程数据的动态时空交互特征。然后，该模型的解码器通过反卷积重构输入数据为动态时空交互特征学习一个鲁棒的高斯隐特征表示空间。最后，该模型的回归器学习动态时空交互特征与输出变量的动态关系，通过全连接层输出聚丙烯熔融指数预测值。本发明提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型提高了聚丙烯熔融指数的预测精度，对实现石化产品高性能牌号开发和质量监测具有重要意义。

附图说明

图1为本发明实施例一提供的聚丙烯生产装置流程图。

图2为本发明实施例一提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型的流程图。

图3为本发明实施例一提供的聚丙烯熔融指数的真实值与预测值的对比示意图。

图4a-4b为本发明实施例一提供的输入数据与重建数据的对比示意图。

其中，附图标记为：1代表产品净化仓，2代表乙烯，3代表氢气，4代表新鲜丙烯，5代表再生丙烯，6代表催化剂，7代表净化气体。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型进行详细描述。

实施例一

针对聚丙烯生产过程数据超多维、非线性、时间动态性的问题。首先，该基于动态变分自编码器(Dynamical Variational Auto-Encoder，DVAE)回归器的聚丙烯熔融指数预测模型的编码器采用动态门机制自适应的融合辅助变量的全局趋势交互特征和局部空间交互特征，得到多尺度的空间交互特征。然后，通过放射变换和线性注意力代替原有的softmax来提取聚丙烯化工数据的时间交互特征，能有效的降低计算复杂度。同时，将时间多尺度空间交互特征和时间交互特征融合，得到时空交互特征。其次，该基于动态变分自编码回归器的聚丙烯熔融指数预测模型的解码器通过反卷积重构输入数据为动态时空交互特征学习一个鲁棒的高斯隐特征表示空间。最后，动态回归器学习动态时空交互特征与输出变量的动态关系，通过全连接层输出预测值。本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型提高了软测量预测的精度，对实现石化产品高性能牌号开发和质量监测具有重要意义。

本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型采用动态门机制自适应的融合辅助变量的全局趋势交互特征和局部空间交互特征，得到多尺度的空间交互特征。

本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型用放射变换和线性注意力代替原有的softmax来提取复杂化工数据的时间交互特征，能有效的降低计算复杂度。同时，将时间多尺度空间交互特征和时间交互特征融合，得到时空交互特征。

本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型首先用动态变分自编码提取辅助变量在高斯隐空间下的动态时空交互特征，然后动态回归器通过动态时空交互特征预测关键指标。本实施例选用一段连续时间的聚丙烯数据集

A

其中，A

本实施例提供的卷积神经网络提取时间交互特征的计算公式如下：

其中，

本实施例提供的回归器采用动态线性门注意力学习动态时空交互特征与输出变量的动态关系，通过全连接层输出预测值，表达式如下：

Attention(Q,K,V)＝relu(QK

MultiHead(Q,K,V)＝Concat(head

其中，Q、K和V分别是查询、键和值，d

为了同时约束基于动态变分自编码回归器的聚丙烯熔融指数预测模型的编码器，解码器和回归器。本实施例为聚丙烯熔融指数预测模型的损失函数提供了三个损失项，表达式如下：

其中，

图2为本发明实施例一提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型的流程图。如图2所示，动态变分自编码的编码器由动态图注意力和卷积神经网络构成。动态图注意力利用时间门控线性单元提取辅助变量的多尺度空间交互特征。卷积神经网络提取辅助变量系列的时间交互特征。合并层将时间和空间交互特征相加以获得时空交互特征。动态图注意力、卷积神经网络和合并层共同构成时空模块，同时编码器最后一层的动态图注意力将最后一个时空模块提取的时空特征映射到高斯潜在表示空间中。动态变分自编码的解码器是通过转置卷积建立的，对输入数据进行重构，可以为时空特征学习鲁棒的高斯隐藏表示空间。回归器通过动态线性门注意力学习提取的时空特征与输出变量之间的动态关系，利用全连接层预测关键指标。本实施例提出的基于动态变分自编码回归器的聚丙烯熔融指数预测模型由4个时空模块，4个反卷积模块和4个动态线性门注意力模块构成。

图3为本发明实施例一提供的聚丙烯熔融指数的真实值与预测值的对比示意图。如图3所示。本实施例提出的基于动态变分自编码回归器的聚丙烯熔融指数预测模型不仅能够准确的预测关键指标，而且能为每一个预测值提供一个置信度，为相关操作提供参考。图4a-4b为本发明实施例一提供的输入数据与重建数据的对比示意图。重建数据和原始数据的分布几乎无法区分，这表明提出的模型以GL作为优化项可以在高斯潜表示空间学习鲁棒的时空特征。

本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型学习时空交互特征与输出变量的动态关系，并将预测结果映射到高斯子空间，然后将高斯损失函数作为优化目标，为每个预测结果提供一个预测自信度。通过关键指标的预测结果与自信度，达到产品在线质量监测与控制的目的。

本实施例通过聚丙烯熔融指数软测量来验证基于动态变分自编码回归器的聚丙烯熔融指数预测模型的有效性。本实施例提出的基于动态变分自编码回归器的聚丙烯熔融指数预测模型的输入辅助变量如表1所示。

表1辅助变量列表

为了验证本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型的有效性，本实施例使用RMSE、MAE、RSE、MAPE、CORR这5个评价指标来评估基于动态变分自编码回归器的聚丙烯熔融指数预测模型的预测效果，对比结果如表2所示。

表2基于动态变分自编码回归器的聚丙烯熔融指数预测模型的对比结果

本实施例提供的ELM和MLP是传统的浅层神经网络。与最好的浅层神经网络模型MLP相比，最差的深度学习模型LSTM的RMSE下降了16％。因此，深度学习模型优于软传感器中的浅层神经网络模型。与CNN+LSTM相比，CIVAE的RMSE下降了6％，这证明了VAE优于一般的深度学习模型。与CIVAE相比，本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型达到了最先进的结果，而且显示RMSE下降了15％。

将本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型的不同的模块删减后进一步探索提出模型各个模块对关键指标预测结果的影响，结果如表3所示。

表3消融实验结果

通过表3可以看出，当消融时空模块、高斯损失、变分自编后，本实施例提供的基于动态变分自编码回归器的聚丙烯熔融指数预测模型的RMSE分别升高了50％、13％和25％。因此，时空模块对基于动态变分自编码回归器的聚丙烯熔融指数预测模型结果的影响最大。时空特征反应了聚丙烯生产数据的本真特征，对关键指标预测效果的提升具有重要意义。

本实施例验证了基于动态变分自编码回归器的聚丙烯熔融指数预测模型对聚丙烯生产熔融指数预测的有效性及准确性。丙烯聚合过程熔融指数的快速准确预测，对聚丙烯生产装置的产品质量控制、牌号转换、新产品开发、大幅度减少过渡料等均发挥重要的作用。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。