论文部分内容阅读
颗粒特性是影响聚氯乙烯加工性能和使用性能的重要因素。氯乙烯悬浮聚合过程具有强非线性、强耦合性的特点,导致难以采用机理建模方法建立精确的聚氯乙烯颗粒特性预测模型。将基于数据的智能建模方法应用于聚氯乙烯颗粒特性预测建模研究中,并针对常规动态模糊神经网络所存在的不足,提出了一种基于粗糙集-动态模糊神经网络的建模方法,并用于聚氯乙烯平均粒径软测量研究中。本文的主要研究工作如下：(1)介绍了智能建模技术产生的背景及基本要点,以及在化工过程中常见的建模、优化与控制中应用,包括主元分析、偏最小二乘法、神经网络、支持向量机和粗糙集理论等；(2)在分析模糊神经网络三种常见模糊神经元的基础上,针对模糊神经网络所存在的不足,分析建立了一种动态模糊神经网络,对动态模糊神经网络的基本结构以及计算流程进行了叙述；(3)针对在分析动态模糊神经网络过程确定模糊规则数需要经过大量时间和预测结果的不确定性等问题。将粗糙集理论与动态模糊神经网络相结合,提出了一种基于粗糙集-动态模糊神经网络的建模方法,利用粗糙集理论中的知识简约对决策表进行知识简约,在动态模糊神经网络训练过程中,用粗糙集隶属函数对各个辅助变量进行分析比较,得到最简的辅助变量个数。此外针对常规BP训练算法所存在的不足,提出了一种基于模拟退火法的权值优化训练算法；(4)将粗糙集-动态模糊神经网络建模方法应用于聚氯乙烯平均粒径软测量。在分析聚氯乙烯平均粒径的影响因素基础上,采用粗糙集隶属函数来确定软测量模型的辅助变量,对样本数据进行预处理,然后对样本数据进行三等分离散,用知识简约方法确定模糊规则数,最后建立了基于粗糙集-动态模糊神经网络的聚氯乙烯平均粒径软测量模型。应用结果表明,与常规动态模糊神经网络相比,基于粗糙集-动态模糊神经网络的软测量模型具有更佳的预测精度。本文将粗糙集与神经网络技术相结合应用于聚氯乙烯颗粒特性预测模型建模方法研究中,研究结果为聚氯乙烯生产过程质量控制提供了有价值指导,有助于提高生产操作水平。