遗传算法的聚丙烯熔融指数最优预报

摘要

熔融指数只能通过人工取样、离线化验分析获得，时间滞后大，难以满足实时控制的要求，其软测量预报意义很大。本文提出了一种基于遗传算法的聚丙烯熔融指数最优预报方法。径向基函数（RBF）神经网络用来拟合输入与输出之间的非线性关系，用遗传算法对RBF 神经网络权值进行优化。基于某石化企业聚丙烯生产过程采集的历史数据进行研究。根据反应机理以及流程工艺分析，将温度、压力、液位、氢气气相百分数、3 股丙烯进料流率、2 股催化剂进料流率等9个过程变量作为模型的输入。经过优化的预报模型的均方根误差从优化前的0.0107 减小为0.0057；平均绝对误差从原来的0.0392 减小为0.0220；平均相对误差从优化前的1.49%减小为0.94%，表明优化后模型精度大大提高。优化后的标准差从优化前的0.0496 减小为0.0271，表明优化后模型具有更好的预报稳定性。希尔不等系数从优化前的0.0096 减小为优化后的0.0051，表明优化后模型与实际过程具有更好的一致性。优化后的RBF 神经网络模型预测结果的各项指标都明显优于优化前的RBF 模型，表明遗传算法提高了原模型的预报准确性、稳定性和可靠性。