再生聚酯均化增粘反应釜工艺过程的参数辨识方法

摘要

本发明涉及数据处理、识别领域，具体涉及一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法。获取每次反应完成后反应釜的历史工艺参数集合以及对应的产品效果；对参数进行排列组合得到多个子空间，获取每个标准模型对应的最优子空间；计算对应最优子空间的噪声符合系数；计算每个最优子空间的关注权重得到每个参数的综合关注权重；构建训练历史工艺参数集合，将训练历史工艺参数集合作为神经网络的数据，将产品效果作为神经网络的输出对神经网络进行训练，利用训练好的神经网络辨识反应釜工艺参数。本发明通过子空间对原历史工艺参数集合进行划分并获取各个参数的关注权重，从而进行神经网络的训练，实现了准确、适应性强的参数辨识。

说明书

技术领域

本发明涉及数据处理、识别领域，具体涉及一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法。

背景技术

聚酯再生是处理回收废弃PET等材料的主要处理手段，其本身的工艺即为均化增粘工艺，工艺反应过程即在进行过程中控制反应釜温度、压力、增粘剂添加量、反应时间等参数来保证产品的特性效果，现有工艺过程一般依赖人工经验的控制，存在依赖操作人员经验的问题，一旦操作人员变更会导致产品的特性效果不稳定，影响产品的质量。

为了解决上述问题，就需要一种反应釜工艺参数的辨识方法，通过参数辨识来实现反应釜工艺参数的设定错误识别，即实现反应釜工艺参数设定错误的预警，并为后续进一步的工艺参数自动控制提供数据支持，现有的利用参数辨识的方式一般利用模型拟合反应釜工作历史数据，通过对历史数据的拟合来实现参数辨识，并预测反应釜产品特性效果好坏。这种方式具有良好的准确性但其准确性依赖历史数据的采集精准性，实际采集反应釜工艺参数数据以及产品特性效果时会有各种各样因素的影响导致采集数据的偏差，而若这些偏差数据被用于模型的拟合就会使模型的预测效果变差，达不到参数辨识的目的。

因此本发明提供了一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，通过拓宽参数数目提高了数据维度以增强拟合准确性的同时，利用子空间数据特征对不同工艺参数数据维度进行识别筛选，避免了数据维数过高导致的维数灾难，使参数辨识过程具有更高的可拓展性与准确性，可适应工艺更新带来的工艺参数数目变化的情况。

发明内容

本发明提供一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，以解决现有的问题，包括：获取每次反应完成后反应釜的历史工艺参数集合以及对应的产品效果；对参数进行排列组合得到多个子空间，获取每个标准模型对应的最优子空间；计算对应最优子空间的噪声符合系数；计算每个最优子空间的关注权重得到每个参数的综合关注权重；构建训练历史工艺参数集合，将训练历史工艺参数集合作为神经网络的数据，将产品效果作为神经网络的输出对神经网络进行训练，利用训练好的神经网络辨识反应釜工艺参数。

根据本发明提出的技术手段，在拓宽参数数目，提高了数据维度以增强拟合准确性的同时，利用子空间数据特征对不同工艺参数数据维度进行识别筛选，通过子空间对原历史工艺参数集合的划分效果来对原历史工艺参数集合各数据维度的关注权重进行了设定，在提高了模型准确性的同时减小了高维数据维数灾难的影响，从而可以更准确的对反应釜的工艺参数异常状态、正常状态进行识别，并可对产品的特性效果进行预测，实现了准确、适应性强的参数辨识。

本发明采用如下技术方案，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，包括：

获取每次反应完成后反应釜的历史工艺参数集合及对应的产品效果。

对每个历史工艺参数集合中的参数进行排列组合得到多个子空间，将每个历史工艺参数集合的所有子空间输入监督神经网络，得到每个历史工艺参数集合中的最优子空间。

获取每个历史工艺参数集合中参数的信息熵，根据每个历史工艺参数集合的最优子空间中参数的信息熵和该参数集合的所有非最优子空间中参数的信息熵计算对应最优子空间的噪声符合系数。

根据每个最优子空间的噪声符合系数计算每个最优子空间的关注权重，将所述最优子空间的关注权重作为该最优子空间内每个参数的关注权重，根据每个历史工艺参数集合中各个参数在所有最优子空间中的关注权重之和，得到每个参数的综合关注权重。

利用每个参数的综合关注权重对每次反应完成后反应釜的历史工艺参数进行修正，将修正后的工艺参数作为训练历史工艺参数集合输入到神经网络中，将每次反应完成后反应釜的历史工艺参数对应的产品效果作为神经网络的输出对神经网络进行训练，利用训练好的神经网络辨识反应釜工艺参数。

进一步的，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，以所述历史工艺参数集合中不同数量的参数分别构建多个子空间的方法为：

所述历史工艺参数集合中参数的数量为K，设定子空间中参数的最大数量为B，对历史工艺参数集合中的参数进行排列组合，将排列组合后的参数投影到子空间的基向量中，得到的子空间个数为

进一步的，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，所述监督神经网络使用构建的损失函数，所述损失函数通过每个标准模型对子空间的拟合结果进行构建，表达式为：

其中，

进一步的，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，所述监督神经网络中还包括：

将监督神经网络的损失函数值最小时，该损失函数中第一损失项的结果作为每个最优子空间的拟合程度，所述第一损失项的表达式为：

其中，

进一步的，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，计算最优子空间的噪声符合系数的表达式为：

其中，Z

进一步的，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，计算每个最优子空间的关注权重的方法为：

根据所有最优子空间的噪声符合系数以及拟合程度获取所有子空间的划分特征值之和，根据划分特征值之和计算每个最优子空间的关注权重，计算划分特征值之和的表达式为：

计算所述最优子空间的关注权重的表达式为：

其中，W

进一步的，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，获取每个参数的关注权重的方法为：

将每个最优子空间的关注权重作为该最优子空间中每个参数的关注权重，计算各个历史工艺参数集合的每个参数在最优子空间中的关注权重之和，得到历史工艺参数集合中每个参数的综合关注权重。

进一步的，一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，对神经网络进行训练的方法为：

根据原历史工艺参数集合中的每个参数及其对应的综合关注权重构建训练历史工艺参数集合X′

训练好的神经网络的损失函数为：

其中，

本发明的有益效果是：根据本发明提出的技术手段，在拓宽参数数目，提高了数据维度以增强拟合准确性的同时，利用子空间数据特征对不同工艺参数数据维度进行识别筛选，通过子空间对原历史工艺参数集合的划分效果来对原历史工艺参数集合各数据维度的关注权重进行了设定，在提高了模型准确性的同时减小了高维数据维数灾难的影响，从而可以更准确的对反应釜的工艺参数异常状态、正常状态进行识别，并可对产品的特性效果进行预测，实现了准确、适应性强的参数辨识。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，给出了本发明实施例的一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法结构示意图，包括：

101.获取每次反应完成后反应釜的历史工艺参数集合及对应的产品效果。

本发明利用设定在反应釜上的传感器获取反应釜历史工艺参数数据，包括温度、压力、增粘剂用量、反应持续时间以及产品特性效果等数据。

将产品特性效果数据作为标签维度，其他每种工艺参数数据作为数据维度，构建多维历史工艺参数集合。

传感器获取的反应釜工艺参数数据表示为X

X

其中，每一个维度c均代表一种参数的值。

产品特性效果作为标签维度是一个单独的维度，即每一个X

102.对每个历史工艺参数集合中的参数进行排列组合得到多个子空间，将每个历史工艺参数集合的所有子空间输入监督神经网络，得到每个历史工艺参数集合中的最优子空间。

对于高维历史工艺参数集合，其存在多种维度的数据，这些不同维度的数据对于建立参数辨识的模型具有不同程度的影响，即有些维度的数据是重要的，有些则是对参数辨识模型影响较小，而高维数据在高维空间中并不一定是在全维度上分布均匀的，即存在着不同子空间中数据分布形式不同的状况，而对各种维度的数据进行重要性识别时，全部数据在多种子空间的分布是否符合标准参数模型就是一个重要依据，这是由于数据的分布若是可以用标准的参数模型进行很好的拟合，就越说明这些数据不是噪声，而是具有一定的分布规律的。

所述标准模型包括(多项式模型、多维混合高斯模型等一般可用于拟合高维数据的参数模型。)原历史工艺参数集合的子空间内数据越可以被标准模型拟合的好，说明改子空间划分的原历史工艺参数集合维度越重要，因此，利用自监督神经网络对标准模型拟合子空间内数据的效果进行最优子空间的划分，过程如下：

设定标准模型个数超参数A，以M

设定子空间维度限制超参数B(B≤K)，则各子空间内的数据均为原历史工艺参数集合在各子空间上的投影，子空间的数目最多有

以此子空间历史工艺参数集合作为训练数据输入自监督神经网络中，该自监督神经网络输出一个D

所述监督神经网络使用构建的损失函数，所述损失函数通过每个标准模型对子空间的拟合结果进行构建，表达式为：

其中，

以所述历史工艺参数集合中不同数量的参数分别构建多个子空间的方法为：

所述历史工艺参数集合中参数的数量为K，设定子空间中参数的最大数量为B，对历史工艺参数集合中的参数进行排列组合，将排列组合后的参数投影到子空间的基向量中，得到的子空间个数为

利用监督神经网络获取每个标准模型对应的最优子空间的方法为：

每个标准模型对应一个监督神经网络，将每个监督神经网络的损失函数最小时对应的子空间作为该标准模型的最优子空间。

对于标准模型M

103.获取每个历史工艺参数集合中参数的信息熵，根据每个历史工艺参数集合的最优子空间中参数的信息熵和该参数集合的所有非最优子空间中参数的信息熵计算对应最优子空间的噪声符合系数。

对于一个标准模型对应的最优子空间D

基于上述逻辑，对一个标准模型对应的最优子空间进行如下的相对噪声符合系数Z

其中，Z

Z

获取每个最优子空间的拟合程度的方法为：

对于一个标准模型M

其中，

104.根据每个最优子空间的噪声符合系数计算每个最优子空间的关注权重，将所述最优子空间的关注权重作为该最优子空间内每个参数的关注权重，根据每个历史工艺参数集合中各个参数在所有最优子空间中的关注权重之和，得到每个参数的综合关注权重。

计算每个最优子空间的关注权重的方法为：

根据所有最优子空间的噪声符合系数以及拟合程度获取所有子空间的划分特征值之和，根据所述划分特征值之和计算每个最优子空间的关注权重，计算所述划分特征值之和的表达式为：

其中T为所有最优子空间划分特征值之和，是一个中间表示量，仅为权重计算作用。

计算所述最优子空间的关注权重的表达式为：

其中，W

每个最优子空间本质上是一个原历史工艺参数集合维度的集合，则以W

值得说明的是，一个最优子空间可对应B个原历史工艺参数集合的维度，而每个原历史工艺参数集合的维度可最多同时属于A个最优子空间，每个原历史工艺参数集合的维度所占关注权重即可用其同时属于的最优子空间的关注权重之和表示，记为w

获取每个参数的综合关注权重的方法为：

将每个最优子空间的关注权重作为该最优子空间中每个参数的关注权重，计算历史工艺参数集合中每个参数在最优子空间中的关注权重之和，得到历史工艺参数集合中每个参数的综合关注权重。

至此，对于原历史工艺参数集合上的每个数据维度，均对应着一个综合关注权重w

105.利用每个参数的综合关注权重对每次反应完成后反应釜的历史工艺参数进行修正，将修正后的工艺参数作为训练历史工艺参数集合输入到神经网络中，将每次反应完成后反应釜的历史工艺参数对应的产品效果作为神经网络的输出对神经网络进行训练，利用训练好的神经网络辨识反应釜工艺参数。

所述参数辨识的目的即为利用模型以及历史数据对体系输出结果进行预测，而对于反应釜工艺参数来说，由于其参数过多，建立数学模型较为复杂，且需要多种模型混合构建，模型参数过多，拟合困难，因此就需要利用人工神经网络作为拟合反应釜工艺参数的模型，来提升对反应釜工艺参数数据的拟合能力，而人工神经网络易被噪声数据、错误数据干扰，因此在前述步骤中对反应釜的工艺参数数据进行了维度重要性的识别并同时设定了关注权重，基于此逻辑进行对反应釜工艺状态的识别。

根据原历史工艺参数集合的各个数据维度的综合关注权重w

对于原始工艺参数历史工艺参数集合以及标签历史工艺参数集合，根据获取到的原历史工艺参数集合每个维度的综合关注权重w

对FC神经网络进行训练的方法为：

根据原历史工艺参数集合中的每个参数及其对应的关注权重构建训练历史工艺参数集合X′

训练好的FC神经网络的损失函数为：

其中，

将网络训练好后，将其编入处理器中，可构建出一种电子设备进行处理，所述电子设备包括，传感器，处理器以及输出显示装置。

该电子设备用于识别反应釜的参数状态(标签值)即可利用传感器对反应釜的工艺参数进行采集或人工手动输入反应釜工艺参数，输入到所述电子设备的处理器中，所述处理器内编入的训练好的人工神经网络可输出一个反应釜工艺参数状态的标签，实现反应釜工艺过程的监控与参数辨识，进一步可为反应釜工艺参数的自动控制提供依据。

根据本发明提出的技术手段，在拓宽参数数目，提高了数据维度以增强拟合准确性的同时，利用子空间数据特征对不同工艺参数数据维度进行识别筛选，通过子空间对原历史工艺参数集合的划分效果来对原历史工艺参数集合各数据维度的关注权重进行了设定，在提高了模型准确性的同时减小了高维数据维数灾难的影响，从而可以更准确的对反应釜的工艺参数异常状态、正常状态进行识别，并可对产品的特性效果进行预测，实现了准确、适应性强的参数辨识

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。