基于人工智能优化算法的聚丙烯熔融指数预报建模优化研究

聚丙烯在生产生活中的重要地位对聚丙烯生产过程中的产品质量控制提出了更高的要求,其中熔融指数（Melt Index, MI）预报显得尤为关键。本文研究了丙烯聚合生产过程中的MI软测量预报问题,针对生产过程的高度非线性和复杂性采用径向基函数（RBF）神经网络进行建模,然后使用人工智能优化算法进行模型结构优化；本文提出了若干改进的人工智能优化算法,算法有效的改善了模型结构、提高了模型的预报性能；得到的模型都能成功的应用于实际工业数据的预报工作,为实际生产中的MI软测量预报提供了诸多选择。 全文主要工作及贡献如下： （1）针对丙烯聚合生产过程进行变量提取,利用RBF神经网络建立起MI软测量模型；随后引入主元分析方法（PCA）,对模型输入变量进行简化处理后再建立MI预报RBF神经网络模型。研究结果表明了RBF预报模型的有效性和PCA方法在简化模型、提高模型性能方面的积极作用。 （2）基于粒子群（PSO）算法和模拟退火（SA）算法,根据两者各自在全局搜索和局部搜索方面的优劣特点,提出了一种MPSOSA算法用于MI预报RBF神经网络模型结构优化,得到的MPSOSA-RBF模型具有很好的预报效果与推广泛化能力。研究结果证明了PSO算法与SA算法结合的有效性和MPSO SA-RBF模型在实际生产中的良好预报效果。 （3）基于蚁群（ACO）算法提出了一种自适应ACO算法用于MI预报RBF神经网络模型结构优化,优化后的模型具有很好的性能；考虑到单一RBF神经网络模型中人工智能优化算法的随机性和网络学习过拟合问题,本文又利用ACO算法训练的RBF神经网络进行了组合建模,组合策略分别采用了取平均值策略和自适应分配权重系数策略。在实际生产数据的基础上进行实验研究,证明了自适应ACO算法对模型结构具有很好的优化效果,同时组合RBF神经网络建模方法则进一步大幅度地提高了模型的预报准确性,其中自适应分配权重系数组合策略的优势尤为突出；得到的诸多模型都能够用于实际生产数据的预报工作。