基于Isomap-MPA-...的PVC聚合过程转化率预测_唐海红.pdf

第4 0卷第1期河 北 工 业 科 技V o l.4 0,N o.12 0 2 3年1月H e b e i J o u r n a l o f I n d u s t r i a l S c i e n c e a n d T e c h n o l o g yJ a n.2 0 2 3 文章编号:1 0 0 8-1 5 3 4(2 0 2 3)0 1-0 0 1 8-0 9基于I s o m a p-MP A-L S S VM软测量模型的P V C聚合过程转化率预测唐海红1,张 凯2(1.沈阳化工大学信息工程学院,辽宁沈阳 1 1 0 1 4 2;2.沈阳化工大学装备可靠性研究所,辽宁沈阳 1 1 0 1 4 2)摘 要:针对聚氯乙烯(P V C)聚合过程转化率难以实时获取,提出了一种基于I s o m a p-MP A-L S S-VM软测量模型预测氯乙烯单体(V CM)转化率的方法。首先,为消除数据间共线性,采用等度量映射(I s o m a p)算法对原始数据特征进行提取,得到模型的输入变量。其次,用海洋捕食者算法(MP A)优化最小二乘支持向量机(L S S VM)的参数,并建立模型。最后,进行仿真实验。结果表明,软测量模型相较于MP A-L S S VM与L S S VM模型,预测的平均绝对误差分别降低了4 3.0 3%和5 9.9 2%,均方根误差分别降低了3 0.2 7%和5 2.2 4%,显著提升了V CM转化率的预测精度。所提模型能精确预测V CM转化率,对提高P V C的产品质量具有重要参考意义。关键词:自动控制技术其他学科;P V C聚合过程;软测量;等度量映射;海洋捕食者算法;最小二乘支持向量机中图分类号:T P 2 7 3;T Q 3 2 5.3 文献标识码:A D O I:1 0.7 5 3 5/h b g y k j.2 0 2 3 y x 0 1 0 0 3收稿日期:2 0 2 2-0 7-2 7;修回日期:2 0 2 2-1 0-2 5;责任编辑:陈书欣基金项目:国家重点研发计划项目(2 0 1 9 Y F B 2 0 0 4 4 0 1);辽宁省教育厅重点计划项目(L J K Z 0 4 3 5);辽宁省特聘教授计划项目(2 0 1 83 5 3 3)第一作者简介:唐海红(1 9 9 6),男,安徽安庆人,硕士研究生,主要从事化工过程建模预测方面的研究。通信作者:张 凯副教授。E-m a i l:8 5 8 3 3 1 2 7 4q q.c o m唐海红,张凯.基于I s o m a p-MP A-L S S VM软测量模型的P V C聚合过程转化率预测J.河北工业科技,2 0 2 3,4 0(1):1 8-2 6.T AN G H a i h o n g,Z HAN G K a i.C o n v e r s i o n r a t e p r e d i c t i o n o f P V C p o l y m e r i z a t i o n p r o c e s s b a s e d o n I s o m a p-MP A-L S S VM s o f t-s e n s o r m o d e lJ.H e b e i J o u r n a l o f I n d u s t r i a l S c i e n c e a n d T e c h n o l o g y,2 0 2 3,4 0(1):1 8-2 6.C o n v e r s i o n r a t e p r e d i c t i o n o f P V C p o l y m e r i z a t i o n p r o c e s s b a s e d o n I s o m a p-MP A-L S S VM s o f t-s e n s o r m o d e l T ANG H a i h o n g1,Z HANG K a i2(1.C o l l e g e o f I n f o r m a t i o n E n g i n e e r i n g,S h e n y a n g U n i v e r s i t y o f C h e m i c a l T e c h n o l o g y,S h e n y a n g,L i a o n i n g 1 1 0 1 4 2,C h i n a;2.E q u i p m e n t R e l i a b i l i t y I n s t i t u t e,S h e n y a n g U n i v e r s i t y o f C h e m i c a l T e c h n o l o g y,S h e n y a n g,L i a o n i n g 1 1 0 1 4 2,C h i n a)A b s t r a c t:I n v i e w o f t h e d i f f i c u l t y i n o b t a i n i n g r e a l-t i m e c o n v e r s i o n r a t e o f p o l y v i n y l c h l o r i d e p o l y m e r i z a t i o n p r o c e s s,a s o f t s e n s i n g m o d e l b a s e d o n I s o m a p-MP A-L S S VM w a s p r o p o s e d t o p r e d i c t t h e c o n v e r s i o n r a t e o f v i n y l c h l o r i d e m o n o m e r.F i r s t l y,i n o r d e r t o e l i m i n a t e t h e c o l l i n e a r i t y b e t w e e n t h e d a t a,i s o m e t r i c m a p p i n g(I s o m a p)a l g o r i t h m w a s u s e d t o e x t r a c t f e a t u r e s f r o m o r i g i n a l d a t a a n d o b t a i n t h e i n p u t v a r i a b l e s o f t h e m o d e l.S e c o n d l y,m a r i n e p r e d a t o r s a l g o r i t h m(MP A)w a s u s e d t o o p t i m i z e t h e p a r a m e t e r s o f l e a s t s q u a r e s s u p p o r t v e c t o r m a c h i n e(L S S VM)t o e s t a b l i s h t h e m o d e l.F i n a l l y,t h e s i m u l a t i o n e x p e r i m e n t w a s c a r r i e d o u t.T h e r e s u l t s s h o w t h a t c o m p a r e d w i t h MP A-L S S VM a n d L S S VM m o d e l s,t h e m e a n a b s o l u t e e r r o r o f t h e 第1期唐海红,等:基于I s o m a p-MP A-L S S VM软测量模型的P V C聚合过程转化率预测p r o p o s e d s o f t-s e n s o r m o d e l d e c r e a s e s b y 4 3.0 3%a n d 5 9.9 2%,r e s p e c t i v e l y,a n d t h e r o o t m e a n s q u a r e e r r o r d e c r e a s e s b y 3 0.2 7%a n d 5 2.2 4%,r e s p e c t i v e l y,w h i c h s i g n i f i c a n t l y i m p r o v e s t h e p r e d i c t i o n a c c u r a c y o f V CM c o n v e r s i o n r a t e.T h e m o d e l c a n a c c u r a t e l y p r e d i c t t h e c o n v e r s i o n r a t e o f V CM,w h i c h p r o v i d e s a n i m p o r t a n t r e f e r e n c e f o r i m p r o v i n g t h e p r o d u c t q u a l i t y o f P V C p r o d u c t s.K e y w o r d s:o t h e r d i s c i p l i n e s o f a u t o m a t i c c o n t r o l t e c h n o l o g y;P V C p o l y m e r i z a t i o n p r o c e s s;s o f t s e n s o r;i s o m e t r i c m a p p i n g;m a r i n e p r e d a t o r s a l g o r i t h m;l e a s t s q u a r e s s u p p o r t v e c t o r m a c h i n e 在 复 杂 的 化 学 工 业 中,聚 氯 乙 烯(p o l y v i n y l c h l o r i d e,P V C)树脂在国民经济建设中占有非常重要的地位,由于本身具有良好的机械性能、耐腐蚀性和不易燃烧等特性,广泛用于工业、建筑、日常用品等领域1。P V C聚合方式主要有悬浮法、溶液法、乳液法和本体法等2,本文是以悬浮法作为研究背景,进行理论方法和应用研究。P V C是以氯乙烯单体(v i n y l c h l o r i d e m o n o m e r,V CM)为原料聚合而成的热塑性聚合物。传统的V CM转化率小于8 5%。不同的V CM转化率对P V C的分子量、孔隙率、增塑剂吸收率等质量指标有很大影响3。因此,V C M转化率的实时监测在实际生产中非常重要。但在复杂的工业过程中,受现场条件的限制和缺乏昂贵的精密检测设备等,很难实时获取V C M转化率,从而无法直接对质量形成闭环控制4。软测量技术的应用能够解决工业过程中难以测量的过程变量,通过建立软测量模型以实现V C M转化率的实时预测和监控,对提高P V C产品质量有重要意义。软测量是用非线性数据进行驱动的技术,由于化工过程的复杂性,基于物理或化学平衡原理的精确表达式很难建立,而如今伴随着数据的大量保存,使得数据驱动的方法能够有效解决现实中的非线性问题5。数据驱动的软测量方法更灵活、更便宜、响应更快。由于噪声数据的影响,以及数据本身之间也存在一定的共线性,因此,对工业过程收集的原始数据预处理至关重要,一些预处理方法被提出,如主成分分析(p r i n c i p a l c o m p o n e n t a n a l y s i s,P C A)6、核主成分 分 析(k e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i s,K P C A)7、多维尺度变换法(m u l t i d i m e n s i o n s c a l-i n g,MD S)8、等度量映射(i s o m e t r i c m a p p i n g,I s o-m a p)9等。其中P C A和MD S属于线性降维方法,存在局限性,不适合处理复杂的化工过程非线性数据,K P C A是在P C A基础上加入核函数思想的降维方法,但会丢失原始数据中的局部特征信息,降低原始数据该有的特性,而I s o m a p是在MD S基础上改进的,通过求测地距离的方式来计算数据间的距离,非常适合处理非线性数据,因此,本文采用I s o-m a p特 征 提 取 方 法,对 收 集 的 原 始 数 据 进 行 预处理。目前,在数据驱动的建模方法中,人工神经网络(a r t i f i c i a l n e u r a l n e t w o r k,A N N)1 0-1 1是常用的一类,但其收敛速度慢、全局寻优能力差,预测误差大。相较于A N N,支 持 向 量 机(s u p p o r t v e c t o r m a c h i n e,S VM)1 2-1 3运算量小,收敛速度较快,而最小二乘支持 向 量 机(l e a s t s q u a r e s s u p p o r t v e c t o r m a c h i n e,L S S VM)1 4-1 5是在S VM基础上进行改进,将二次优化问题转化为线性方程组求解,简化求解问题,速度显著提升。因此,本文用L S S VM建立软测量模型,而L S S VM中参数值的选取直接影响模型的预测精度。S O N G等1 6采用粒子群算法优化的L S S VM对水下滑翔机能耗进行预测。L I等1 7将改进的鸟群算法优化L S S VM来预测锂离子电池剩余寿命,从而提高了电池储能系统的安全性和可靠性。Z E N G等1 8采用鲸鱼优化算法寻找L S S VM合适的控制参数,来预测边坡安全系数。上述研究通过不同算法优化L S S VM都取得了不错的效果。本文拟采用一种新颖算法:海洋捕食者算法(m a r i n e p r e d a t o r s a l g o-r i t h m,MP A)。该算法具有独特的搜索方式以及良好的记忆功能,易于跳出局部最优,拥有很强的寻优能力,因此被广泛用于优化各种模型1 9-2 1。本文以P V C聚合过程为研究背景,收集聚合过程中易于测量并与V CM转化率相关的变量,作为辅助数据。为了消除数据间的共线性,降低模型复杂度,对收集的辅助数据以I s o m a p做降维处理,将处理后的数据作为 模型输入,再 通过MP A优化L S S VM模型,建立I s o m a p-MP A-L S S VM软测量模型。相较于其他模型,本文提出的模型对V CM转化率的预测精度明显提升,可以满足工业指标的精确要求。1 P V C聚合过程以聚合釜为反应装置,水为介质,依次加入各种原料和助剂,并在搅拌的作用下分散成小液滴。通过夹套热水使釜内物料温度升至预定值,最后加入91河 北 工 业 科 技第4 0卷引发剂进行聚合。在反应中,通过不断向反应釜的夹套和挡板通入冷却水移出反应热2 2。当V CM的转化率达到一定时,且出现一个适当的压降,加入终止剂结束反应出料2 3。P V C聚合釜系统如图1所示。本文提出了一种I s o m a p-MP A-L S S VM软测量模型来预测V CM转化率。软测量技术是通过容易测量的辅助变量构造数学映射估计无法直接测量的主导变量。相较于传统的传感器,软测量建模的方式不受实验环境和设备影响,只需对收集的数据进行研究,本质是软件编程的过程,因此更加的灵活方便。根据聚合釜工艺过程中采样的数据进行分析,确定了1 0个过程变量与V C M转化率最为相关,作为建模的辅助变量。变量的具体信息如表1所示。贮液罐出料口密封水分散剂、引发剂加料口冷却水蒸汽VCM加料高压水冲洗注入水终止剂、改性剂加料口图1 P V C聚合釜系统F i g.1 P V C p o l y m e r i z a t i o n k e t t l e s y s t e m表1 P V C聚合过程相关变量T a b.1 V a r i a b l e s r e l a t e d t o P V C p o l y m e r i z a t i o n p r o c e s s相关变量变量标记最大值最小值平均值标准偏差釜内温度/T I C-P 1 0 15 7.35 5.55 6.4 40.2 0釜内压力/MP aP I C-P 1 0 28.2 97.27.9 40.1 4挡板水流量/(m3h-1)F I C-P 1 0 11 5 303 5.8 32 8.6 7夹套水流量/(m3h-1)F I C-P 1 0 23 8 002 2 5.6 77 0.4 9注入水流量/(m3h-1)F I C-P 1 0 41.200.7 00.2 0密封水流量/(m3h-1)F I C-P 1 0 50.6 2 400.4 90.0 3冷却水进口温度/T I P-1 0 71 4.61 3.11 3.9 10.4 5夹套水出口温度/T I P-1 0 94 4.21 9.82 7.6 03.7 7挡板水出口温度/T I P-1 1 03 8.81 8.82 0.4 62.9 9注入水和密封水进口温度/T I C-WA 0 11 8.91 7.81 8.3 30.4 12 算法及主要计算过程2.1 等度量映射等度量映射(I s o m a p)算法是在MD S基础上改进的一种特征提取方法2 4,将高维数据映射到低维空间中,使数据在低维空间的距离与原本的高维空间近似,与MD S不同之处在于求数据点间的距离矩阵。在MD S中,数据被定义在欧氏空间中,通过求欧氏距离来判别数据之间的距离,然而在实际情况中,收集的非线性数据并不可能分布在欧氏空间中,而极大可能分布在一个流形体中,在I s o m a p算法中,通过这种流形体求解数据间的测地距离,更加反映数据点间的真实距离。以一个“瑞士卷”的流形体为例,数据分布在其上,如图2所示,当计算两点间的距离时,蓝色实线为两点的测地距离,即真实距离,而蓝色虚线是两点间的直线距离,即欧氏距离。可以表明,在高维空间下,计算数据间的距离不能通过简单的直线距离,而应采用测地距离更能真实反映数据间的内在联系。图2 欧氏距离与测地距离的区别F i g.2 D i f f e r e n c e b e t w e e n e u c l i d e a n d i s t a n c e a n d g e o d e s i c d i s t a n c e设高维数据集X=x1,x2,xi,i=1,2,n,xiRm,降维后数据为Y=y1,y2,yi,i=1,2,n,yiRh,其中n为样本数目,m和h分别为降维前后维度,I s o m a p算法的具体步骤如下。步骤1:构建邻域图G。计算样本间的欧氏距离,将样本点xi与其他点的欧氏距离比较,确定k个近邻点,如果xj是其近邻点,将这两样本点连接02第1期唐海红,等:基于I s o m a p-MP A-L S S VM软测量模型的P V C聚合过程转化率预测起来,其距离为d(xi,xj),以此对每个样本进行操作,得到邻域图G。步骤2:计算测地距离DG。用邻域图G上xi与xj之间最短路径表示测地距离dG(xi,xj),得到DG。步骤3:计算高维数据的低维嵌入。将测地距离矩阵DG代入MD S算法,由式(1)计算构造原始矩阵X的中心化内积矩阵B为 B=-12I-1nl*lT()DGI-1nl*lT(),(1)式中:I为n阶单位阵;l为n维单位列向量。步骤4:计算降维数据Y。设为矩阵B最大的d个特征值所构造的对角阵,a=(a1,a2,ad),其中a1,a2,ad为对应特征值所对应的特征向量,则降维后输出Y为Y=aT。(2)采用I s o m a p对收集的原始数据进行降维处理,得出维数与残差关系曲线图,如图3所示,根据残差曲线出现的拐点,将降维的维度确定为3。0.120.100.080.060.040.02012345678910维数残差图3 残差与降维维数曲线图F i g.3 R e s i d u a l a n d d i m e n s i o n a l i t y r e d u c t i o n g r a p h2.2 海洋捕食者算法(MP A)海洋捕食者算法是F A R AMA R Z I等2 5依据海洋适者生存理论于2 0 2 0年提出的元启发优化算法。捕食者在L e v y游走和布朗游走中选择最佳觅食策略,并且具有良好记忆功能,记忆成功觅食区域。算法过程如下。1)初始阶段 MP A随机在搜索空间内生成初始化猎物种群位置,如式(3)所示:Xi j=Xm i n+r a n d Xm a x-Xm i n()。(3)从而得到猎物矩阵P r e y:P r e y=X1,1X1,2X1,dX2,1X2,2X2,dX3,1X3,2X3,dXn,1Xn,2Xn,d|nd,(4)式中:Xm i n和Xm a x为搜索范围,r a n d()为0,1 的随机数;n为种群数目;d为个体维度。计算每个猎物个体适应度,将最优的个体XI复制n份构成精英矩阵E l i t e:E l i t e=XI1,1XI1,2XI1,dXI2,1XI2,2XI2,dXIn,1XIn,2XIn,d|nd。(5)2)优化阶段 MP A根据捕食者和猎物在生命周期不同的速度比,将优化过程分为3个阶段。在迭代 初 期,即 当ttm a x/3,捕 食 者 比 猎物速 度 慢 时,MP A采 用 勘 探 策 略,更 新 公 式如下:si=RB(E l i t ei-RBP r e yi),P r e yi=P r e yi+PRsi,i=1,2,n,(6)式中:t和tm a x表示当前和总迭代数;si表示移动步长;RB为正态分布的布朗游走随机向量;表示逐项乘法运算符;P为0.5;R为0,1 均匀分布的随机向量。在迭代中期,即当tm a x/3t2tm a x/3时,捕食者速度比猎物快,捕食者通过莱维分布移动,其更新公式如下:si=RL(RLE l i t ei-P r e yi),P r e yi=E l i t ei+PC Fsi,i=1,2,n。(9)3)F A D s效应或涡流 捕食者行为受环境因素影响,如涡流或者鱼类聚集装置(F A D s)效应,使捕食者能进行更长的跳跃,从而找到另外的猎物分布环境。运用这种策略,算法能有效跳出局部极值,其更新公式如下:12河 北 工 业 科 技第4 0卷P r e yi=P r e yi+C FXm i n+R(Xm a x-Xm i n)U,i f rF A D s,P r e yi+F A D s(1-r)+r(P r e yr1-P r e yr2),i f rF A D s,(1 0)式中:U是包含0和1的二进制向量;F A D s设为0.2,为影响概率;r为0,1 随机数,r1和r2是随机下标。2.3 最小二乘支持向量机(L S S VM)L S S VM是在S VM基础上提出的变形算法。L S S VM将S VM中的目标函数加入二范数并且改变其中的不等式约束条件为等式约束条件,从而将二次规划问题转化为线性方程求解问题,降低了计算复杂度,加快了运算速度2 6。其基本原理如下。给定样本数据xi,yi,i=1,2,n,xiRn,引入非线性映射函数(x),将数据映射到高维特征空间。L S S VM模型表示为y(x)=wT(x)+b,(1 1)式中:w为权向量;b为偏置量。m i n J(w,)=12wTw+12ni=1 2i,yi=wT(xi)+b+i,i=1,2,n,|(1 2)式中:为误差;为惩罚因子。对式(1 2)引用拉格朗日乘子,得:L(w,b)=J(w,)-ni=1iwT(xi)+b+i-yi。(1 3)对式(1 3)中各变量求偏导,即:Lw=0,Li=0,Li=0,Lb=0。(1 4)可得如下方程组:01111K(x1,x1)+-1K(x1,x2)K(x1,xn)1K(x2,x1)K(x2,x2)+-1K(x2,xn)1K(xn,x1)K(xn,x2)K(xn,xn)+-1|b12n|=0y1y2yn|,(1 5)式中:K(x,xi)=(x)T(xi)为核函数,是高维特征空间的内积。可得L S S VM的回归函数为y(x)=ni=1iK(x,x1)+b,(1 6)式中:n为样本数目;K()为核函数;i为拉格朗日乘子。选用径向基函数(r a d i a l b a s i s f u n c t i o n,R B F)作为L S S VM的核函数,对于L S S VM模型,只需要确定核 参 数和 惩 罚 因 子即 可,其 函 数 公 式如下:K(x,xi)=e x p(-x-xi2/(22)。(1 7)3 仿真分析3.1 I s o m a p-MP A-L S S VM软测量模型3.1.1 模型建立为了精确地预 测V CM转化 率,提出了一 种I s o m a p-MP A-L S S VM软 测 量 模 型。首 先,用I s o m a p算法对高维数据进行特征提取,其次,采用MP A算法优化L S S VM参数建立软测量模型。图4为该软测量模型的结构图,其算法流程图如图5所示。详细步骤如下。MPA优化算法在线校正预测值LSSVM软测量模型辅助变量Isomap特征提取聚合釜系统主导变量不直接可测变量直接可测变量转化率+-图4 基于I s o m a p-M P A-L S S VM软测量模型结构图F i g.4 S o f t s e n s o r s t r u c t u r e b a s e d o n I s o m a p-M P A-L S S VM S t e p 1:收集P V C聚合过程中与V CM转化率相关的变量,作为模型辅助变量数据。S t e p 2:为了消除不同量纲数据的影响,对数据进行归一化处理,其公式如下:z=x-xm i nxm a x-xm i n,(1 8)式中:x为样本数据的数值;xm i n和xm a x分别为该组数据的最小值和最大值;z为归一化后的样本值。S t e p 3:利用I s o m a p对归一化后的数据集进行降维处理,分配训练集和测试集。S t e p 4:设置适应度函数,根据训练集预测的均方根误差设为适应度函数:22第1期唐海红,等:基于I s o m a p-MP A-L S S VM软测量模型的P V C聚合过程转化率预测最优个体位置N结束预测结果LSSVM模型MPA寻优得到的与测试样本训练样本t2tmax/3tmax/3t2tmax/3ttmax/3图5 基于I s o m a p-MP A-L S S VM软测量模型的算法流程图F i g.5 A l g o r i t h m f l o w b a s e d o n I s o m a p-MP A-L S S VM s o f t s e n s o r m o d e lf(x)=1NNi=1(?yi-yi)2,(1 9)式中:N表示训练集样本数目;?yi和yi分别表示第i个样本的预测值和真实值。S t e p 5:初始化MP A种群和参数,根据式(3)式(5)计算猎物矩阵和精英矩阵。S t e p 6:若ttm a x/3,按式(6)更新猎物位置;若tm a x/3t2tm a x/3,按式(9)更新猎物位置。S t e p 7:基于F A D s效 应,按式(1 0)更 新 猎 物位置。S t e p 8:若算法达到迭代次数,输出精英矩阵个体。否则,重复步骤S t e p 6S t e p 8,按适应度值更新精英矩阵。S t e p 9:将MP A寻优的精英矩阵个体赋值给L S S VM的和。用测试集数据输入L S S VM模型进行预测,计算预测精度。3.1.2 模型验证方法为了验证模型性能和预测效果,通过3个指标进行评价分析:平均绝对误差(MA E)、均方根误差(RM S E)和决定系数(R2)。其中,MA E表示预测的真实误差,RM S E表示预测值与实际值的离散程度,这2个数值越接近于0,表明预测效果越好,R2表示拟合程度,其值越接近于1,表明拟合程度越好。3个评价指标函数表达式如下:MA E=1nni=1|?yi-yi|,(2 0)RMS E=1nni=1(?yi-yi)2,(2 1)R2=1-ni=1(?yi-yi)2ni=1(y-i-yi)2,(2 2)式中:y-i为实际值的平均值,即y-i=1nni=1yi。32河 北 工 业 科 技第4 0卷3.2 仿真实验以美国B F G公司的4万t/a P V C 生产装置的聚合工序为技术支持,对其过程进行了分析,得到了温度、压力和流量等1 0个相关变量,建立I s o m a p-MP A-L S S VM软测量模型对V CM转化率进行预测。根据收集的历史数据,选取具有代表性的5釜共1 5 0 0组数据,对该数据进行I s o m a p降维处理,将降维后数据中的1 2 0 0组作为训练集,后3 0 0组作为测试集,采用MP A优化L S S VM中参数,实现对转化率的预测。设定算法迭代次数为5 0,种群个数为2 0,L S S VM中惩罚因子与核参数的寻优范围分别为0.1,1 0 0 和0.0 1,1 0 0,迭代完成时,算法寻得的最优参数:=5 1.7 5,=0.0 1 5,赋值给L S S VM进行预测。为了验证所提软测量模型的有效性,引入了另外2种 模 型 进 行 比 较,分 别 为MP A-L S S VM和L S S VM模型。图6图8依次是L S S VM,MP A-L S S VM和I s o m a p-MP A-L S S VM模型对V CM转化率的预测结果,图9为3种模型的V CM转化率预测误差对比。9080706050403020100-10转化率/%050100150200250300真实值LSSVM预测值样本序列图6 L S S VM模型的V CM转化率预测结果F i g.6 P r e d i c t i o n r e s u l t s o f V CM c o n v e r s i o n r a t e b y L S S VM m o d e l80706050403020100转化率/%50100150200250300样本序列真实值MPA-LSSVM预测值图7 MP A-L S S VM模型的V CM转化率预测结果F i g.7 P r e d i c t i o n r e s u l t s o f V CM c o n v e r s i o n r a t e b y MP A-L S S VM m o d e l9080706050403020100-10转化率/%050100150200250300样本序列真实值Isomap-MPA-LSSVM预测值图8 I s o m a p-MP A-L S S VM模型的V CM转化率预测结果F i g.8 P r e d i c t i o n r e s u l t s o f V CM c o n v e r s i o n r a t e b y I s o m a p-MP A-L S S VM m o d e l151050-5-10-15转化率误差050100150200250300样本序列LSSVMMPA-LSSVMIsomap-MPA-LSSVM图9 3种模型的V CM转化率预测误差对比F i g.9 C o m p a r i s o n o f V CM c o n v e r s i o n r a t e p r e d i c t i o n e r r o r s o f t h e t h r e e m o d e l s从图6图8中能看出I s o m a p-MP A-L S S VM模型的预测结果整体更趋近于真实值,通过图9中3种模型预测误差对比,L S S VM和MP A-L S S VM模型预测的误差普遍在-1 0,1 0 和-6,6,而I s o m a p-MP A-L S S VM模 型 预 测 的 误 差 普 遍 在-4,4,说明该模型预测误差线段整体最靠近于0,预测误差最小,精度最高。表2为3种模型的性能比较结果,从表中可得,I s o m a p-MP A-L S S VM模型比MP A-L S S VM模型预测 的MA E降 低 了4 3.0 3%,RM S E降 低 了3 0.2 7%,R2值高了0.4 1%,比L S S VM模型预测的MA E降低了5 9.9 2%,RM S E降低了5 2.2 4%,R2值高了1.5%。因此,I s o m a p-MP A-L S S VM模型的拟合度较好,预测精度较高以及稳定性能较强,能更加准确地预测V CM转化率。表2 3种模型的性能比较T a b.2 P e r f o r m a n c e c o m p a r i s o n o f 3 m o d e l s模型MA ERM S ER2L S S VM2.4 0 1 83.4 0 8 40.9 8 0 5MP A-L S S VM1.6 8 9 52.3 3 4 70.9 9 1 4I s o m a p-MP A-L S S VM0.9 6 2 51.6 2 7 90.9 9 5 542第1期唐海红,等:基于I s o m a p-MP A-L S S VM软测量模型的P V C聚合过程转化率预测4 结 语本文鉴于P V C聚合过程中的V CM转化率难以获取,通过收集相关的辅助变量建立软测量模型方法,从而实现了V CM转化率精确预测,仿真实验结果验证了建立I s o m a p-MP A-L S S VM软测量模型的可行性。本文将I s o m a p,MP A和L S S VM三者结合,提出了一种基于I s o m a p-MP A-L S S VM的软测量模型来预测V CM转 化 率。首 先 对 收 集 的 数 据 进 行I s o m a p降维处理,有利于对高维特征内在关系的挖掘以及数据有效信息的提取,消除数据的共线性和降低模型复杂度,再通过MP A优化L S S VM参数,构造软测量模型,仿真结果表明,所提模型能够精准预测V CM转化率,满足了工业生产中的指标要求,对提高P V C树脂的产品质量和产能有重要意义。然而,用I s o m a p算法对原始样本数据进行预处理,可能会丢失一些样本重要信息,将来有待进一步研究。参考文献/R e f e r e n c e s:1 GAO S h u z h i,WAN G J i e s h e n g,GAO X i a n w e n.M o d e l i n g a n d a d v a n c e d c o n t r o l m e t h o d o f P V C p o l y m e r i z a t i o n p r o c e s sJ.J o u r n a l o f P r o c e s s C o n t r o l,2 0 1 3,2 3(5):6 6 4-6 8 1.2 S UN W e i z h e n,WAN G J i e s h e n g,GAO S h u z h i.S o f t-s e n s o r m o d e l i n g o f P V C p o l y m e r i z i n g p r o c e s s b a s e d o n F