基于AI+机理模型的质量预测-大幅提升 SGPE 和 STPP 装置产品质量预测的准确性

聚烯烃产品质量直接影响到下游产品的性能和应用效果，G质量的聚烯烃能够确保制品的强度、耐久性和加工性，满足不同行业严格的标准要求。同时，稳定且优良的产品质量有助于提升企业竞争力，增强客户信任，促进市场的拓展和品牌的建立。中韩石化采用中石化自有工艺技术生产聚乙烯（SGPE）和聚丙烯（STPP）。为了确保产品质量的稳定性和可靠性，两套装置对各项参数进行严格化验和监控。目前，产品质量依赖于实验室人工化验，周期为 2 小时，不利于工艺和生产人员实时监控产品性能。生产人员通常通过关键过程参数的趋势和当前值，依据个人经验预估工况下的产品质量，从而进行操作或调整。基于中石化自有工艺技术，SGPE 和 STPP 装置的过程机理模型能够提供较为准确的预测结果，即使在数据不足的情况下，也能通过理论推导得出合理的预测。然而，这些模型包含大量未知参数，准确估计需要大量的实验数据和计算资源。此外，机理模型处理G度非线性问题和多尺度问题时，复杂性和求解难度较大。

AI 数据模型在质量预测中的应用是通过分析和挖掘历史数据，利用统计学、机器学习或深度学习等技术来预测未来的产品或过程质量。与机理模型不同，数据模型主要依赖于数据本身，而不是系统的物理或化学原理。通过分析大量的历史数据来识别模式和趋势，从而进行预测。不需要对系统有深入的理论理解，只要有足够的G质量数据，就可以构建有效的预测模型。且能够处理复杂的非线性关系和多变量交互作用，适用于各种不同的应用场景。在 SGPE 和 STPP 装置的AI 模型应用上也存在缺陷。首先，效果G度依赖于数据的质量和数量，缺失值、噪声和异常值都会影响模型的准确性。其次，数据模型（如深度学习）属于“黑箱”模型，难以解释其内部机制。且模型过于复杂或训练数据不足，可能会导致过拟合，即模型在训练集上表现很好，但在新数据上的泛化能力差。为了克服单一模型的局限，中韩石化采用机理和 AI 混合模型。该模型结合了机理模型的G解释性和 AI 模型 的数据挖掘能力，针对聚烯烃多牌号、非线性等特征，通过将关键过程工艺参数、催化剂等可信的历史数据与过程数据结合，使用神经网络对机理模型的数学表达式进行系数优化拟合。将机理模型中“假定”或“简化”的系数或常数项修正为变量，终得到更加准确的过程“AI+机理”混合模型。基于过程“AI+机理”混合模型的应用，大幅提升模型的精细化预测的能力，实时预测产品的物理、化学和机械性能的相关指标，从而为提G产品质量提供科学依据和有效指导。

通过结合机理模型和 AI 模型的优势，构建一个能够实时、准确预测聚烯烃产品质量的混合模型，提升生产过程的控制精度和效率，确保产品质量的稳定性和可靠性。

利用机理模型的G解释性和理论基础，结合 AI 模型的数据挖掘能力和处理复杂非线性关系的能力，实现对生产过程的实时监控和动态调整，适应不同工况和多牌号产品的需求。提G模型的稳定性和可靠性，同时保持一定的可解释性，便于操作人员理解和应用。

1)数据收集与预处理

数据是训练 AI 模型的基础，在收集数据时，需要从可靠的数据源获取数据，确保数据的准确性和完整性。收集数据需要中韩（武汉）石化 SGPE 和 STPP 装置检验数据以及相关生产数据。在收集数据之后，需要对数据进行清洗，包括去重、缺失值处理、异常值过滤等，以去除无关数据并确保数据的准确性和一致性。

2)机理模型简化

基于聚烯烃生产工艺的物理、化学和动力学原理，建立描述反应过程、传热传质等现象的机理模型。常用的模型包括反应动力学模型、流体力学模型、热力学模型等。通过实验数据或历史数据对机理模型中的未知参数进行估计，确保模型的准确性。使用优化算法（如小二乘法、遗传算法等）进行参数拟合。在不影响模型精度的前提下，对复杂的机理模型进行适当简化，减少计算复杂度。例如，忽略次要因素或采用近似表达式。

3)AI 模型选择与训练

在已经收集并清洗了数据之后，接下来是将其划分为训练、验证和测试集。训练数据集用于训练 AI 模型，而验证数据集用于优化和验证模型。测试数据集用于测试模型的性能。

留出法设置验证集、测试集的占比，剩下的为训练集（一般训练集应该尽量多）；样本分集顺序为验证集->测试集->训练集。验证集抽样方法分为前 x%，后 x%以及随机 x%测试集抽样方法分为随机 x%，间隔 x%(每隔 100 取前 x 个)。

“机理+AI”混合建模步骤：“AI+机理模型”采用嵌入式结构，将 AI 模型嵌入到机理模型中，用于修正机理模型中的不确定参数或误差项，对给定的机理模型表达式中的系数进行优化。根据过程机理特性给定机理模型的结构表达式，表达式中的系数在一定的阈值约束区间，为机理模型中的待优化项，后续引入神经网络将对这些系数进行优化拟合。

AI 算法采用神经网络算法。结合神经网络来对机理模型的系数进行优化拟合，首先需要定义优化拟合过程中的损失函数，用于衡量模型输出与目标值之间的差异。这里我们默认选择均方误差损失（MSE）或者根据实际调试情况自定义损失。

根据神经网络模型结构选择合适的神经网络优化器，这里我们默认选择 Adam，后续根据优化问题以及数据集需要也可以尝试 SGD（随机梯度下降）等其他优化器。通过小化损失函数来训练神经网络模型，在每个训练周期中调整拟合系数的值来使损失小化，从而得到更优的模型参数。

4)评估模型与验证

使用验证集或者测试集来评估模型性能，检查模型是否能准确地拟合机理模型的系数，并且具备一定的泛化能力。通过各种评估指标如准确度、准确度、召回率、F1 分数等来评估模型质量，终得到“机理+AI”的混合模型，实现 SGPE 和 STPP 装置生产过程参数与产品质量之间更准确的机理关联。

5)模型部署

按照“数据+平台+应用”的模式，依托云平台服务，在智能聚烯烃装置应用中部署和应用“AI+机理”混合模型，实现了 SGPE 和 STPP 装置的产品质量预测与预警。

6)模型应用与持续改进

通过云平台服务的模型管理功能，基于定期收集的数据，通过模型训练和优化，确保其始终处于佳状态。

中韩石化 SGPE 和 STPP 装置 AI+机理模型的应用，实现了产品质量熔融指数、密度等产品质量在线预测，在生产过程中产品质量预测预警，提G产品质量的管控能力，助力企业改进产品质量，提升市场竞争力。 通过构建“AI+机理”混合模型，中韩石化可以大幅提升 SGPE 和 STPP 装置产品质量预测的准确性，实现实时监控和优化控制，从而提G生产效率和产品质量，增强企业的市场竞争力。这种混合建模方法不仅发挥了各自的优势，还克服了各自的局限，为其他国产 SGPE 和 STPP 聚烯烃工艺的产品质量预测和优化提供了新的解决方案。

基于“机理+AI”混合建模技术，将机理模型的先验知识与 AI 模型的数据挖掘能力相结合，提G预测的准确性。机理模型可以捕捉反应的基本规律，而 AI 模型可以处理传感器数据中的细微变化，两者结合可以更准确地预测产品质量和生产效率。