人工智能与大数据：工业聚丙烯智能制造

本书系统阐述了烯烃聚合智能制造的自动化与智能化核心瓶颈生产难题与科学前沿问题——熔融指数预报的机理建模与数据驱动建模方法。从人工智能与数据解析的角度，针对聚丙烯工业生产的MI预报实际问题和实际生产数据，系统阐述了该领域国内外研究现状，特别是笔者二十多年来所指导的数十名硕士生、博士生、博士后从事该领域实际生产研究的相关方法、思路与成果，使读者近距离全面了解人工智能与数据解析方法在智能制造中的实际应用情况。
本书可作为高等院校自动化、控制科学与工程、控制系统工程、计算机科学与技术、数学与应用数学、化工工程、材料科学与技术等相关专业的教材，也可作为有关研究人员和工程技术人员的参考书。

本书有以下特点： 1.突出实践性。该书的内容紧密结合工业制造实践，提供了大量的案例和应用场景，能够帮助读者更好地理解人工智能在制造业的应用。 2.着重讲解数据处理和机器学习技术，具有热点性。该书详细介绍了数据预处理、特征工程、模型训练和评估等方面的技术，涵盖了从传统的统计学方法到深度学习模型的应用。 3.强调实验设计和结果分析，专业性强。该书提供了大量的实验数据和分析结果，能够帮助读者深入理解模型的性能和应用效果。 4.强调数据质量和数据可视化，直观显示度强。该书在介绍数据处理和特征工程技术时，特别强调了数据质量和数据可视化的重要性。它提供了许多实用的技巧和方法，帮助读者处理和清洗数据，并将数据可视化以更好地理解数据。

制造业，作为国民经济的主体，乃立国之本、兴国之器、强国之基，在国家经济与军事等诸多领域承担着不可或缺的作用。开启工业文明四百多年来，中华民族的奋斗史、世界强国的兴衰史一再证明：没有强大的制造业，就没有国家和民族的强盛。打造世界一流的制造业，是提升综合国力、保障国家安全、建设世界强国的必由之路。新中国成立后，我国制造业持续快速发展，在改革开放后更是步入了高速成长时期，逐渐形成了门类比较齐全、相对独立、相对完整的产业体系。然而，我国制造业一直大而不强，与世界先进水平相比，在自主创新能力、资源利用效率、产业结构水平、信息化特别是智能化程度、生产品质效益等方面差距明显，迫切需要转型升级，实现跨越发展。随着世界产业竞争格局的不断演进，我国在新一轮产业发展中面临巨大挑战。为了抵消国际金融危机造成的不良影响，发达国家纷纷实施“再工业化”战略，重塑制造业竞争新优势，加速推进新一轮全球贸易投资新格局。而部分发展中国家也在加快谋划和布局，积极参与全球产业再分工，承接产业及资本转移，拓展国际市场空间。面对发达国家和其他发展中国家“双向挤压”的冲击，我国制造业放眼全球、加紧战略部署、着眼建设制造强国，固本培元、化挑战为机遇、抢占制造业新一轮竞争制高点，迫在眉睫、刻不容缓。
其中，作为石化制造龙头产品之一的聚丙烯，是五种通用树脂之一，已广泛应用于家用电器、汽车工业、电子产品、包装、建材以及其他领域。聚丙烯是热塑性塑料的后起之秀，自1957年在意大利首次工业化生产以来，在通用热塑性塑料中的历史最短、发展最快，已成为世界支柱产业之一。大型聚丙烯生产装置是一个复杂的聚合反应生产系统，具有强的非线性、不确定性、大的纯滞后性，以及时变、分布参数和混合系统特性。熔融指数（MI）定义为每隔10min在一定温度和压力下流经标准孔径的热塑性塑料的质量，是聚丙烯生产产品质量控制最重要的质量指标，也是确定产品不同等级的最重要的质量指标。但是，MI通常是在线取样然后在实验室中通过离线分析的手段得到，既昂贵又费时（2～4h），使得聚丙烯生产质量控制十分困难，往往导致产品不合格或产品品质下降，成为国际上聚丙烯智能制造长期以来的生产瓶颈与难点、研究前沿与热点。因此，开发MI在线估计模型具有重要意义，它不仅是聚丙烯智能制造的MI在线传感器，而且可以作为聚丙烯智能制造的预测系统，对于控制聚丙烯产品品质、缩短不同产品牌号间的切换时间从而减少过渡废料提升生产效益、反向设计与开发新颖的高附加值产品牌号都起着决定性作用。因此，国际上3万多名科学家、行业专家都投入到该前沿热点问题的研究中。包括机理建模、数据驱动建模以及二者的混合建模等在内的众多人工智能与数据解析方法被提出来，用以解决熔融指数预报这类烯烃聚合智能制造的自动化与智能化核心瓶颈生产难题与科学前沿问题。本智能制造专著，从人工智能与数据解析的角度，针对聚丙烯工业生产的MI预报实际问题和实际生产数据，系统阐述介绍了该领域国内外研究现状，特别是著者二十多年来所指导的数十名硕士生、博士生、博士后从事该领域实际生产研究的相关方法、思路与成果，作为中国制造2050的引玉之砖。
全书分为10章。第1章介绍了丙烯聚合工业及其建模的研究现状与研究难点；第2章从机理建模的角度，介绍了课题组从多尺度建模角度在国际上提出的MPMGM丙烯聚合分子量分布预报模型与之前国际四大分子量分布模型首位的PMGM模型预报结果的比较研究情况；第3章从人工智能与数据解析的角度，介绍了国内外包括课题组在MI预报研究上的整体情况、相关分支与原理基础；第4章介绍神经网络理论及其在MI预报上的应用研究情况，并与PCA方法相结合；第5章介绍了SVM、LSSVM、WeightedLSSVM、RVM理论及其在MI预报上的应用情况；第6章介绍了模糊理论及其在MI预报上的应用情况；第7章介绍了混沌理论及其在MI预报上的应用研究情况，课题组在国际上首次发现并证明了MI序列是混沌的，也基于混沌律在国际上开展了MI高精度预报的先河；第8章介绍了MS、EMD理论及其在MI预报上的应用研究情况；第9章将前面8章的监督学习方法，尝试应用到MI的半监督或无监督学习中，以应对丙烯聚合不同的生产实际需求；第10章从群智能优化的角度，将前面8章的研究结果进一步提升，以解决机理或数据模型结构或模型参数选择上的人为因素影响，用自动寻优来取代目前AI领域普遍采用的调参师人为调参环节，进一步使得人工智能与数据解析方法走向自动化、智能化与最优化，进一步提升聚丙烯熔融指数预报智能制造水平。
本书是著者二十多年来从事烯烃聚合控制方面研究工作的一个结晶。博士生刘昭然、田子健、陈欣杰、曹艺之、郭文杰、李寅龙，硕士生黄雨昕、郑贤泽、宋怡晨、何群山、邝思威等参与了本书的编辑整理工作，在此一并致谢。由于著者水平有限，书中难免存在不当之处，敬请读者批评指正。

刘兴高
2022年12月于浙江大学求是园

第1章 绪论001～014
1.1丙烯聚合工业介绍002
1.1.1聚丙烯及其熔融指数002
1.1.2现代聚丙烯工艺004
1.2过程建模005
1.2.1建模对象过程介绍005
1.2.2聚丙烯生产工艺流程及装置006
1.2.3建模变量的确定008
1.3研究现状010
1.3.1基于线性统计理论的预测模型010
1.3.2基于智能理论的预测模型011
1.3.3基于非线性理论的预测模型012
1.4研究难点012
思考题014
 
第2章 机理模型015～053
2.1丙烯聚合机理模型017
2.1.1微观尺度模型018
2.1.2介观尺度模型019
2.1.3宏观尺度模型020
2.2丙烯聚合反应的动力学021
2.3单粒子增长模型025
2.3.1改进的单粒子模型的建立028
2.3.2CSA基本思想034
2.3.3模型结果与分析036
2.4聚丙烯反应器模型041
2.4.1聚丙烯生产过程建模的主要困难041
2.4.2反应机理的简化及其反应动力学042
2.4.3模型求解步骤047
2.4.4反应动力学参数的确定048
2.4.5模型参数在线自动校正050
2.4.6模型运行结果分析051
本章小结052
思考题053
 
第3章 数据驱动方法054～074
3.1统计学习理论基本概念056
3.1.1最小化期望风险的准则057
3.1.2建立有用预测变量的规则059
3.2常用统计学习方法061
3.2.1统计分析061
3.2.2NNs063
3.2.3支持向量机068
3.2.4混沌072
3.2.5半监督073
本章小结073
思考题074
 
第4章 神经网络075～094
4.1人工神经网络介绍076
4.1.1人工神经网络的发展077
4.1.2人工神经网络的基本功能079
4.1.3人工神经网络的优缺点080
4.2PCA-RBF神经网络模型的建立081
4.2.1RBF神经网络方法081
4.2.2结构原理082
4.2.3RBF神经网络与BP神经网络的比较083
4.3主元分析法084
4.3.1问题的提出085
4.3.2多维推广086
4.3.3贡献率和累积贡献率088
4.4PCA-RBF神经网络模型在MI预报中的应用089
4.4.1过程变量的确定及建模数据的采集089
4.4.2MI预报的PCA-RBF神经网络建模090
4.4.3仿真结果与分析091
本章小结094
思考题094
 
第5章 支持向量机095～116
5.1支持向量机简介096
5.1.1支持向量分类机096
5.1.2支持向量回归机099
5.2支持向量机理论102
5.2.1SVM非线性回归原理103
5.2.2最小二乘支持向量机106
5.2.3加权最小二乘支持向量机107
5.2.4相关向量机108
5.2.5相关向量机的基本理论108
5.2.6相关向量机模型基本原理109
5.3SVM在聚丙烯熔融指数预报中的应用111
5.3.1过程数据及其预处理111
5.3.2模型性能比较112
本章小结115
思考题115 

第6章 模糊理论117～131
6.1模糊神经网络介绍118
6.1.1模糊理论介绍118
6.1.2模糊集合119
6.1.3模糊理论的特点122
6.2模糊神经网络介绍123
6.3模糊神经网络在熔融指数软测量中的应用分析126
本章小结130
思考题131
 
第7章 混沌理论132～172
7.1混沌理论基本介绍133
7.1.1混沌理论的发展133
7.1.2混沌的定义135
7.1.3典型混沌时间序列136
7.2混沌时间序列预测的研究现状139
7.3时间序列的混沌特性识别研究141
7.3.1平稳性分析141
7.3.2非线性检验143
7.3.3相空间重构144
7.3.4关联维数147
7.3.5Lyapunov指数148
7.3.6Kolmogorov熵150
7.4熔融指数时间序列的混沌特性分析151
7.4.1平稳性分析151
7.4.2非线性检验151
7.4.3相空间重构151
7.5基于FWNN的熔融指数混沌预报研究156
7.5.1小波神经网络简介156
7.5.2模糊小波神经网络158
7.5.3网络学习算法160
7.5.4基于FWNN的熔融指数混沌预报模型165
7.6实例验证168
本章小结170
思考题172
 
第8章 多尺度173～191
8.1基于多尺度分析的熔融指数组合预测研究174
8.1.1小波变换174
8.1.2经验模态分解176
8.2熔融指数时间序列的多尺度分析178
8.2.1小波分解与经验模态分解的结果分析与比较178
8.2.2对分解序列的混沌特性分析180
8.3基于多尺度分析的熔融指数组合预测模型185
8.3.1组合预测方法185
8.3.2基于多尺度分析的熔融指数组合预测模型186
8.4实例验证187
本章小结190
思考题191
 
第9章 半监督192～205
9.1基于核密度估计的稀疏贝叶斯半监督回归194
9.2基于KDSBSR的熔融指数预报模型198
9.3实例验证200
9.3.1不同熔融指数标签采样率下KDSBSR模型预报效果考察200
9.3.2不同半监督模型预报性能对比研究202
本章小结205
思考题205
 
第10章 群智能206～222
10.1基于ACO算法模型优化研究207
10.1.1ACO算法介绍207
10.1.2ACO算法优化D-FNN参数209
10.1.3自适应ACO算法优化D-FNN参数211
10.1.4ACO算法优化效果分析212
10.2基于PSO算法模型优化研究215
10.2.1PSO-D-FNN优化模型215
10.2.2混沌GA/PSO优化模型216
10.2.3PSO算法优化效果分析219
本章小结222
思考题222
 
参考文献223 

图索引239 

表索引243