基于分类和数据增强的熔融指数软测量方法、设备、介质
本发明涉及熔融指数软测量领域，尤其是涉及一种基于分类和数据增强的熔融指数软测量方法、设备、介质。
背景技术：
1、聚烯烃因其优良的特性而被广泛应用于汽车、电子、食品等行业中。熔融指数(mfi)是表征聚烯烃产品性能的关键技术指标之一，常被用于对中间过程和产品质量的监视和控制。实验室法是一种最常见的离线mfi测量方法，粒料和粉料都可以测试，但时间滞后长，不利于产品质量的实时控制。部分工厂安装mfi在线分析仪来提升mfi测量的时效性。然而，这不仅需要额外增加设备投资，而且还需要经常更换模具和重新校准。
2、软测量方法通过建立难测的关键变量(如产品质量)和易测的过程变量(如温度、压力等)之间的模型，为关键变量的实时监测提供有力支撑。软测量方法通常不需要或者很少添加额外的硬件、不影响生产工艺和过程，近年来得到产业界的广泛青睐。软测量方法可以分为“模型驱动型”和“数据驱动型”。“模型驱动型”主要是基于化学、物理特性构建的模型，对于聚烯烃而言，涉及使用微分方程描述单体浓度、物料扩散以及化学反应等过程。虽然这种模型是对实际过程的精确描述，但是由于实际情况非常复杂，因此模型经常难以建立、求解或泛化能力差。而“数据驱动型”软测量充分利用生产过程积累的历史数据，构建模型实时预测关键变量，显示出了巨大的潜力，得到工业界和学术界的广泛关注。
3、已有的熔融指数软测量方法存在如下问题：
4、(1)传感器的采样频率与离线表征数据(即实验室测得的mfi)不匹配，影响了模型的精度。
5、(2)没有充分考虑生产牌号和生产工艺变化对测量结果的影响。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分类和数据增强的熔融指数软测量方法、设备、介质，以解决或部分解决采样频率与离线表征数据不匹配，影响预测准确度的问题。
2、本发明的目的可以通过以下技术方案来实现：
3、本发明的一个方面，提供了一种基于分类和数据增强的熔融指数软测量方法，应用于挤压设备，所述熔融指数软测量方法包括如下步骤：
4、采集所述挤压设备的传感器数据和进料口的粉料熔融指数数据并输入分类模型中，得到预测的生产牌号；
5、将所述粉料熔融指数数据和所述传感器数据输入所述生产牌号对应的预测模型中，得到预测的挤压设备出料口的粒料熔融指数，实现熔融指数软测量，
6、其中，所述分类模型和所述预测模型的训练过程包括如下步骤：
7、计算最大的历史数据时间，基于历史数据时间长度内的传感器数据和粉料熔融指数构建样本间相互独立的样本集；
8、针对所述样本集，基于生产牌号划分为多个区间，通过训练得到各个区间对应的预测模型；
9、基于所述样本集训练分类模型；
10、通过减小所述历史数据时间，计算不同历史数据时间下的熔融指数软测量准确度指标，将测量准确度指标最佳的历史数据时间对应的分类模型和预测模型作为最终训练好的分类模型和预测模型。
11、作为优选的技术方案，所述的通过训练得到各个区间对应的预测模型的过程包括：
12、针对每一个区间，分别构建ann、gbdt和其它深度学习回归模型，基于当前区间的样本集数据，分别对ann、gbdt和其它深度学习回归模型进行训练，选取预测准确度指标最佳的模型作为当前区间对应的预测模型。
13、作为优选的技术方案，所述的最大的历史数据时间的计算过程包括：
14、基于所述挤压设备的有效体积和物料流速计算物料停留时间；
15、基于所述物料停留时间，通过正态分布估计，得到最大的历史数据时间。
16、作为优选的技术方案，所述的基于历史数据时间长度内的传感器数据和粉料熔融指数构建样本间相互独立的样本集的过程包括：
17、获取传感器数据时间序列、粉料熔融指数时间序列和粒料熔融指数时间序列；
18、针对所述粒料熔融指数时间序列，筛选数据点之间相互独立的子时间序列，所述子时间序列中任两个相邻粒料熔融指数对应时间点之间的时间长度大于或等于所述历史数据时间；
19、针对所述子时间序列中的每一个粒料熔融指数，选取当前粒料熔融指数对应时间点之前，所述历史数据时间长度范围内的传感器数据点和粉料熔融指数时间点，构成一个样本，重复本步骤得到多个样本，实现样本集的构建。
20、作为优选的技术方案，所述的分类模型为ann等模型。
21、作为优选的技术方案，所述的基于生产牌号划分为多个区间包括如下步骤：
22、通过构建所述样本集的粒料熔融指数分布直方图等方法，将所述样本集划分为多个区间。
23、作为优选的技术方案，所述的熔融指数软测量过程中，得到预测的挤压设备出料口的粒料熔融指数之后，还包括：
24、基于获取的实验室测量的粒料熔融指数以及所述预测的挤压设备出料口的粒料熔融指数，通过校正得到校正后的粒料熔融指数。
25、作为优选的技术方案，所述的传感器数据包括所述挤压设备马达扭矩和转速、齿轮泵扭矩和转速、粉料进料量以及过氧化物进料量、挤压机筒体内温度、挤压机筒体内压力、节流阀开度等。
26、本发明的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行前述基于分类和数据增强的熔融指数软测量方法的指令。
27、本发明的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行前述基于分类和数据增强的熔融指数软测量方法的指令。
28、与现有技术相比，本发明至少具有以下有益效果之一：
29、(1)克服采样频率与离线表征数据不匹配的问题：在训练过程中，计算最大的历史数据时间，基于历史数据时间长度内的传感器数据和粉料熔融指数构建样本间相互独立的样本集，基于样本集训练模型，通过逐步减小历史数据时间，计算不同历史数据时间下的熔融指数软测量准确度指标，将测量准确度指标最佳的历史数据时间对应的分类模型和预测模型作为最终训练好的分类模型和预测模型，通过这一方法，解决了建模过程中对时间参数估算的困难，无需模拟过程的时间特性。
30、(2)避免样本间相互干扰影响训练结果：在构建样本集的过程中，从粒料熔融指数时间序列中筛选数据点之间相互独立的子时间序列，并选取粒料熔融指数对应时间点之前，所述历史数据时间长度范围内的传感器数据点和粉料熔融指数时间点，构成一个样本，实现数据增强，从而保证各个样本间独立，改善了预测的准确度。
31、(3)计及生产牌号对预测结果的影响：通过设置分类模型预测产品牌号(即产品的类型)，并在基于产品牌号划分的不同区间内，分别训练预测模型，保证可靠性的同时改善预测的准确性。
技术特征：
1.一种基于分类和数据增强的熔融指数软测量方法，其特征在于，应用于挤压设备，所述熔融指数软测量方法包括如下步骤：
2.根据权利要求1所述的一种基于分类和数据增强的熔融指数软测量方法，其特征在于，所述的通过训练得到各个区间对应的预测模型的过程包括：
3.根据权利要求1所述的一种基于分类和数据增强的熔融指数软测量方法，其特征在于，所述的最大的历史数据时间的计算过程包括：
4.根据权利要求1所述的一种基于分类和数据增强的熔融指数软测量方法，其特征在于，所述的基于历史数据时间长度内的传感器数据和粉料熔融指数构建样本间相互独立的样本集的过程包括：
5.根据权利要求1所述的一种基于分类和数据增强的熔融指数软测量方法，其特征在于，所述的分类模型为ann模型。
6.根据权利要求1所述的一种基于分类和数据增强的熔融指数软测量方法，其特征在于，所述的基于生产牌号划分为多个区间包括如下步骤：
7.根据权利要求1所述的一种基于分类和数据增强的熔融指数软测量方法，其特征在于，所述的熔融指数软测量过程中，得到预测的挤压设备出料口的粒料熔融指数之后，还包括：
8.根据权利要求1所述的一种基于分类和数据增强的熔融指数软测量方法，其特征在于，所述的传感器数据包括所述挤压设备马达扭矩和转速、齿轮泵扭矩和转速、粉料进料量、过氧化物进料量、挤压机筒体内温度、挤压机筒体内压力和节流阀开度。
9.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于分类和数据增强的熔融指数软测量方法的指令。
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于分类和数据增强的熔融指数软测量方法的指令。
技术总结
本发明涉及一种基于分类和数据增强的熔融指数软测量方法、设备、介质，应用于挤压设备或其它过程性工业场景，方法包括如下步骤：采集挤压设备的传感器数据和进料口的粉料熔融指数数据并输入分类模型中，得到预测的生产牌号；将粉料熔融指数和传感器数据输入生产牌号对应的预测模型中，得到预测的挤压设备出料口的粒料熔融指数，实现熔融指数软测量。本发明针对采样频率与离线表征数据不匹配，影响预测准确度的问题，在训练过程中，计算最大的历史数据时间，基于历史数据时间长度内的传感器数据和粉料熔融指数数据构建样本间相互独立的样本集，基于样本集训练模型，通过逐步减小历史数据时间，实现参数优选，克服建模过程中对时间参数估算的困难。
技术研发人员：张正敏,侯燕曦,杨一鸣
受保护的技术使用者：复旦大学
技术研发日：
技术公布日：2024/9/23