聚烯(xi)(xi)(xi)烴產(chan)(chan)品(pin)質量(liang)直接影響到下游產(chan)(chan)品(pin)的(de)(de)(de)(de)性(xing)(xing)能(neng)(neng)和(he)(he)應用效果，高質量(liang)的(de)(de)(de)(de)聚烯(xi)(xi)(xi)烴能(neng)(neng)夠(gou)確(que)保制品(pin)的(de)(de)(de)(de)強度(du)、耐(nai)久性(xing)(xing)和(he)(he)加工(gong)(gong)(gong)性(xing)(xing)，滿足不(bu)同行(xing)業嚴(yan)格的(de)(de)(de)(de)標準要求。同時，穩定且優良的(de)(de)(de)(de)產(chan)(chan)品(pin)質量(liang)有(you)(you)助于(yu)提升企業競爭(zheng)力，增強客(ke)戶信任，促進市場的(de)(de)(de)(de)拓展和(he)(he)品(pin)牌的(de)(de)(de)(de)建立。中(zhong)韓石化(hua)(hua)(hua)(hua)采用中(zhong)石化(hua)(hua)(hua)(hua)自有(you)(you)工(gong)(gong)(gong)藝技術(shu)生產(chan)(chan)聚乙烯(xi)(xi)(xi)（SGPE）和(he)(he)聚丙烯(xi)(xi)(xi)（STPP）。為(wei)了確(que)保產(chan)(chan)品(pin)質量(liang)的(de)(de)(de)(de)穩定性(xing)(xing)和(he)(he)可靠性(xing)(xing)，兩套裝(zhuang)置(zhi)對各項參數(shu)(shu)進行(xing)嚴(yan)格化(hua)(hua)(hua)(hua)驗(yan)(yan)和(he)(he)監控(kong)。目前(qian)，產(chan)(chan)品(pin)質量(liang)依賴于(yu)實驗(yan)(yan)室人(ren)工(gong)(gong)(gong)化(hua)(hua)(hua)(hua)驗(yan)(yan)，周期為(wei) 2 小時，不(bu)利于(yu)工(gong)(gong)(gong)藝和(he)(he)生產(chan)(chan)人(ren)員(yuan)實時監控(kong)產(chan)(chan)品(pin)性(xing)(xing)能(neng)(neng)。生產(chan)(chan)人(ren)員(yuan)通常通過(guo)(guo)關鍵(jian)過(guo)(guo)程參數(shu)(shu)的(de)(de)(de)(de)趨勢和(he)(he)當前(qian)值，依據個(ge)人(ren)經驗(yan)(yan)預估工(gong)(gong)(gong)況(kuang)下的(de)(de)(de)(de)產(chan)(chan)品(pin)質量(liang)，從而(er)(er)進行(xing)操作或調整。基于(yu)中(zhong)石化(hua)(hua)(hua)(hua)自有(you)(you)工(gong)(gong)(gong)藝技術(shu)，SGPE 和(he)(he) STPP 裝(zhuang)置(zhi)的(de)(de)(de)(de)過(guo)(guo)程機理模型(xing)能(neng)(neng)夠(gou)提供較為(wei)準確(que)的(de)(de)(de)(de)預測結果，即使在數(shu)(shu)據不(bu)足的(de)(de)(de)(de)情(qing)況(kuang)下，也能(neng)(neng)通過(guo)(guo)理論推導得出合理的(de)(de)(de)(de)預測。然而(er)(er)，這些模型(xing)包含大(da)量(liang)未知(zhi)參數(shu)(shu)，準確(que)估計需要大(da)量(liang)的(de)(de)(de)(de)實驗(yan)(yan)數(shu)(shu)據和(he)(he)計算資源。此外，機理模型(xing)處理高度(du)非線性(xing)(xing)問題和(he)(he)多尺度(du)問題時，復雜性(xing)(xing)和(he)(he)求解難度(du)較大(da)。

AI 數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)模(mo)(mo)(mo)型(xing)(xing)(xing)在質(zhi)(zhi)量(liang)(liang)預測(ce)(ce)中的(de)(de)應(ying)(ying)用(yong)(yong)是(shi)通(tong)過(guo)分(fen)析(xi)和(he)(he)(he)挖(wa)掘(jue)歷(li)(li)史數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)，利用(yong)(yong)統(tong)計學(xue)(xue)(xue)、機(ji)(ji)(ji)(ji)(ji)器學(xue)(xue)(xue)習或(huo)深度(du)(du)(du)學(xue)(xue)(xue)習等(deng)技術(shu)來預測(ce)(ce)未來的(de)(de)產(chan)品或(huo)過(guo)程質(zhi)(zhi)量(liang)(liang)。與機(ji)(ji)(ji)(ji)(ji)理(li)(li)(li)模(mo)(mo)(mo)型(xing)(xing)(xing)不同(tong)，數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)模(mo)(mo)(mo)型(xing)(xing)(xing)主要依(yi)賴于(yu)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)本身(shen)，而(er)不是(shi)系統(tong)的(de)(de)物(wu)理(li)(li)(li)或(huo)化(hua)學(xue)(xue)(xue)原理(li)(li)(li)。通(tong)過(guo)分(fen)析(xi)大量(liang)(liang)的(de)(de)歷(li)(li)史數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)來識別模(mo)(mo)(mo)式(shi)和(he)(he)(he)趨(qu)勢(shi)，從而(er)進行(xing)預測(ce)(ce)。不需要對(dui)系統(tong)有深入的(de)(de)理(li)(li)(li)論理(li)(li)(li)解(jie)(jie)，只要有足夠的(de)(de)高(gao)質(zhi)(zhi)量(liang)(liang)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)，就可以(yi)構建有效(xiao)的(de)(de)預測(ce)(ce)模(mo)(mo)(mo)型(xing)(xing)(xing)。且能(neng)夠處(chu)理(li)(li)(li)復雜(za)的(de)(de)非(fei)線性(xing)(xing)關(guan)系和(he)(he)(he)多變(bian)量(liang)(liang)交(jiao)互作用(yong)(yong)，適用(yong)(yong)于(yu)各種不同(tong)的(de)(de)應(ying)(ying)用(yong)(yong)場景。在 SGPE 和(he)(he)(he) STPP 裝置的(de)(de)AI 模(mo)(mo)(mo)型(xing)(xing)(xing)應(ying)(ying)用(yong)(yong)上也存在缺陷。首先，效(xiao)果高(gao)度(du)(du)(du)依(yi)賴于(yu)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)的(de)(de)質(zhi)(zhi)量(liang)(liang)和(he)(he)(he)數(shu)(shu)(shu)量(liang)(liang)，缺失(shi)值(zhi)、噪聲和(he)(he)(he)異(yi)常值(zhi)都(dou)會影響(xiang)模(mo)(mo)(mo)型(xing)(xing)(xing)的(de)(de)準確性(xing)(xing)。其次(ci)，數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)模(mo)(mo)(mo)型(xing)(xing)(xing)（如深度(du)(du)(du)學(xue)(xue)(xue)習）屬于(yu)“黑箱(xiang)”模(mo)(mo)(mo)型(xing)(xing)(xing)，難以(yi)解(jie)(jie)釋(shi)其內部機(ji)(ji)(ji)(ji)(ji)制(zhi)。且模(mo)(mo)(mo)型(xing)(xing)(xing)過(guo)于(yu)復雜(za)或(huo)訓練數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)不足，可能(neng)會導致過(guo)擬(ni)合，即(ji)模(mo)(mo)(mo)型(xing)(xing)(xing)在訓練集上表(biao)(biao)現很好，但在新數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)上的(de)(de)泛(fan)化(hua)能(neng)力差(cha)。為(wei)了(le)克服單一(yi)模(mo)(mo)(mo)型(xing)(xing)(xing)的(de)(de)局(ju)限，中韓石(shi)化(hua)采用(yong)(yong)機(ji)(ji)(ji)(ji)(ji)理(li)(li)(li)和(he)(he)(he) AI 混(hun)(hun)(hun)合模(mo)(mo)(mo)型(xing)(xing)(xing)。該模(mo)(mo)(mo)型(xing)(xing)(xing)結(jie)合了(le)機(ji)(ji)(ji)(ji)(ji)理(li)(li)(li)模(mo)(mo)(mo)型(xing)(xing)(xing)的(de)(de)高(gao)解(jie)(jie)釋(shi)性(xing)(xing)和(he)(he)(he) AI 模(mo)(mo)(mo)型(xing)(xing)(xing) 的(de)(de)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)挖(wa)掘(jue)能(neng)力，針對(dui)聚烯(xi)烴多牌號、非(fei)線性(xing)(xing)等(deng)特征，通(tong)過(guo)將(jiang)關(guan)鍵(jian)過(guo)程工(gong)藝參數(shu)(shu)(shu)、催化(hua)劑等(deng)可信(xin)的(de)(de)歷(li)(li)史數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)與過(guo)程數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)(ju)結(jie)合，使用(yong)(yong)神經網絡對(dui)機(ji)(ji)(ji)(ji)(ji)理(li)(li)(li)模(mo)(mo)(mo)型(xing)(xing)(xing)的(de)(de)數(shu)(shu)(shu)學(xue)(xue)(xue)表(biao)(biao)達式(shi)進行(xing)系數(shu)(shu)(shu)優化(hua)擬(ni)合。將(jiang)機(ji)(ji)(ji)(ji)(ji)理(li)(li)(li)模(mo)(mo)(mo)型(xing)(xing)(xing)中“假定(ding)”或(huo)“簡(jian)化(hua)”的(de)(de)系數(shu)(shu)(shu)或(huo)常數(shu)(shu)(shu)項(xiang)修(xiu)正為(wei)變(bian)量(liang)(liang)，最終得到(dao)更加精(jing)確的(de)(de)過(guo)程“AI+機(ji)(ji)(ji)(ji)(ji)理(li)(li)(li)”混(hun)(hun)(hun)合模(mo)(mo)(mo)型(xing)(xing)(xing)。基于(yu)過(guo)程“AI+機(ji)(ji)(ji)(ji)(ji)理(li)(li)(li)”混(hun)(hun)(hun)合模(mo)(mo)(mo)型(xing)(xing)(xing)的(de)(de)應(ying)(ying)用(yong)(yong)，大幅提(ti)升模(mo)(mo)(mo)型(xing)(xing)(xing)的(de)(de)精(jing)細化(hua)預測(ce)(ce)的(de)(de)能(neng)力，實時預測(ce)(ce)產(chan)品的(de)(de)物(wu)理(li)(li)(li)、化(hua)學(xue)(xue)(xue)和(he)(he)(he)機(ji)(ji)(ji)(ji)(ji)械(xie)性(xing)(xing)能(neng)的(de)(de)相關(guan)指標，從而(er)為(wei)提(ti)高(gao)產(chan)品質(zhi)(zhi)量(liang)(liang)提(ti)供科(ke)學(xue)(xue)(xue)依(yi)據(ju)(ju)(ju)(ju)(ju)和(he)(he)(he)有效(xiao)指導。

通過結合機理模(mo)(mo)型和(he) AI 模(mo)(mo)型的(de)優勢，構建(jian)一個(ge)能夠(gou)實(shi)時(shi)、準確(que)預測聚烯烴產品質量(liang)的(de)混合模(mo)(mo)型，提升生產過程的(de)控(kong)制精度和(he)效(xiao)率，確(que)保產品質量(liang)的(de)穩定(ding)性和(he)可(ke)靠(kao)性。

利用機(ji)理模(mo)(mo)型(xing)的(de)(de)高(gao)解釋性(xing)和(he)(he)理論基礎，結合 AI 模(mo)(mo)型(xing)的(de)(de)數據挖掘能(neng)力和(he)(he)處理復雜非線性(xing)關(guan)系(xi)的(de)(de)能(neng)力，實現對生產(chan)(chan)過程的(de)(de)實時監控(kong)和(he)(he)動態調(diao)整(zheng)，適應(ying)不同(tong)工況和(he)(he)多牌號產(chan)(chan)品的(de)(de)需(xu)求。提高(gao)模(mo)(mo)型(xing)的(de)(de)穩定(ding)性(xing)和(he)(he)可(ke)靠性(xing)，同(tong)時保(bao)持一定(ding)的(de)(de)可(ke)解釋性(xing)，便于操作(zuo)人(ren)員理解和(he)(he)應(ying)用。

1)數(shu)據收集與預處(chu)理

數(shu)(shu)(shu)據(ju)是(shi)訓練 AI 模(mo)型的基礎，在(zai)收(shou)集數(shu)(shu)(shu)據(ju)時，需(xu)要從可(ke)靠的數(shu)(shu)(shu)據(ju)源獲取數(shu)(shu)(shu)據(ju)，確(que)保數(shu)(shu)(shu)據(ju)的準確(que)性(xing)(xing)和完整性(xing)(xing)。收(shou)集數(shu)(shu)(shu)據(ju)需(xu)要中韓（武(wu)漢）石化 SGPE 和 STPP 裝置檢驗數(shu)(shu)(shu)據(ju)以及相(xiang)關生產數(shu)(shu)(shu)據(ju)。在(zai)收(shou)集數(shu)(shu)(shu)據(ju)之(zhi)后，需(xu)要對數(shu)(shu)(shu)據(ju)進行清洗，包括去重、缺失(shi)值處理、異常值過濾等，以去除無關數(shu)(shu)(shu)據(ju)并(bing)確(que)保數(shu)(shu)(shu)據(ju)的準確(que)性(xing)(xing)和一致性(xing)(xing)。

2)機理模(mo)型簡化

基于聚烯烴生產工藝(yi)的物理(li)(li)、化學和動力學原理(li)(li)，建立描述反(fan)(fan)應過(guo)程、傳熱(re)傳質等(deng)現(xian)象(xiang)的機(ji)理(li)(li)模(mo)(mo)型(xing)(xing)(xing)。常用(yong)的模(mo)(mo)型(xing)(xing)(xing)包括(kuo)反(fan)(fan)應動力學模(mo)(mo)型(xing)(xing)(xing)、流體力學模(mo)(mo)型(xing)(xing)(xing)、熱(re)力學模(mo)(mo)型(xing)(xing)(xing)等(deng)。通過(guo)實驗數(shu)據(ju)或(huo)歷(li)史數(shu)據(ju)對(dui)機(ji)理(li)(li)模(mo)(mo)型(xing)(xing)(xing)中的未知參(can)數(shu)進(jin)(jin)行估計(ji)，確保模(mo)(mo)型(xing)(xing)(xing)的準確性。使(shi)用(yong)優(you)化算法（如(ru)最小二(er)乘法、遺傳算法等(deng)）進(jin)(jin)行參(can)數(shu)擬合。在不影響模(mo)(mo)型(xing)(xing)(xing)精度的前提(ti)下，對(dui)復雜(za)的機(ji)理(li)(li)模(mo)(mo)型(xing)(xing)(xing)進(jin)(jin)行適當簡(jian)化，減少計(ji)算復雜(za)度。例如(ru)，忽略次(ci)要因素或(huo)采用(yong)近似表(biao)達式。

3)AI 模(mo)型選擇與訓練

在已(yi)經收集并清洗了數據(ju)(ju)之后，接下(xia)來是將(jiang)其劃分(fen)為訓練(lian)(lian)、驗(yan)(yan)證和(he)測試(shi)集。訓練(lian)(lian)數據(ju)(ju)集用(yong)于(yu)(yu)訓練(lian)(lian) AI 模(mo)型，而驗(yan)(yan)證數據(ju)(ju)集用(yong)于(yu)(yu)優化和(he)驗(yan)(yan)證模(mo)型。測試(shi)數據(ju)(ju)集用(yong)于(yu)(yu)測試(shi)模(mo)型的性能。

留出法(fa)設置驗(yan)證集(ji)、測試(shi)集(ji)的(de)占比，剩(sheng)下的(de)為(wei)訓練集(ji)（一般訓練集(ji)應該盡(jin)量多(duo)）；樣(yang)本分集(ji)順序為(wei)驗(yan)證集(ji)->測試(shi)集(ji)->訓練集(ji)。驗(yan)證集(ji)抽樣(yang)方法(fa)分為(wei)前(qian) x%，后 x%以及隨機(ji) x%測試(shi)集(ji)抽樣(yang)方法(fa)分為(wei)隨機(ji) x%，間隔 x%(每隔 100 取前(qian) x 個(ge))。

“機(ji)理(li)+AI”混(hun)合建模步驟：“AI+機(ji)理(li)模型(xing)”采(cai)用嵌入(ru)式結構，將 AI 模型(xing)嵌入(ru)到機(ji)理(li)模型(xing)中，用于修正機(ji)理(li)模型(xing)中的不確定(ding)參數或誤(wu)差(cha)項(xiang)，對(dui)給(gei)(gei)定(ding)的機(ji)理(li)模型(xing)表(biao)達式中的系(xi)數進(jin)行優化(hua)(hua)。根據過程機(ji)理(li)特性給(gei)(gei)定(ding)機(ji)理(li)模型(xing)的結構表(biao)達式，表(biao)達式中的系(xi)數在一(yi)定(ding)的閾值(zhi)約束區間，為(wei)機(ji)理(li)模型(xing)中的待優化(hua)(hua)項(xiang)，后續引入(ru)神經(jing)網絡將對(dui)這些(xie)系(xi)數進(jin)行優化(hua)(hua)擬(ni)合。

AI 算(suan)法采用神經網絡(luo)(luo)算(suan)法。結(jie)合(he)神經網絡(luo)(luo)來對機理模型的系數(shu)進行(xing)優化(hua)(hua)擬(ni)合(he)，首先需(xu)要(yao)定(ding)義(yi)優化(hua)(hua)擬(ni)合(he)過程(cheng)中的損(sun)失函數(shu)，用于(yu)衡量(liang)模型輸出與目標值之間的差異。這(zhe)里我們默認選擇均方誤差損(sun)失（MSE）或者根據實際調試情況自定(ding)義(yi)損(sun)失。

根據神經網絡模(mo)(mo)型結構(gou)選擇合適的神經網絡優(you)(you)(you)化(hua)器(qi)，這里我們(men)默認(ren)選擇 Adam，后續根據優(you)(you)(you)化(hua)問題(ti)以及數(shu)據集需要也可以嘗試 SGD（隨機梯度下降）等其他優(you)(you)(you)化(hua)器(qi)。通過最小(xiao)化(hua)損(sun)失(shi)函數(shu)來訓(xun)練(lian)神經網絡模(mo)(mo)型，在每個訓(xun)練(lian)周(zhou)期中調(diao)整(zheng)擬合系數(shu)的值來使(shi)損(sun)失(shi)最小(xiao)化(hua)，從而得(de)到更優(you)(you)(you)的模(mo)(mo)型參數(shu)。

4)評估模型與驗證

使用驗(yan)證(zheng)集或者測試集來評(ping)估模(mo)型(xing)(xing)性能(neng)，檢查模(mo)型(xing)(xing)是否能(neng)準(zhun)確地擬合機(ji)理模(mo)型(xing)(xing)的系數(shu)，并且具備(bei)一定的泛化能(neng)力。通過各(ge)種評(ping)估指標(biao)如(ru)準(zhun)確度(du)、精(jing)(jing)確度(du)、召(zhao)回率、F1 分數(shu)等來評(ping)估模(mo)型(xing)(xing)質量，最終(zhong)得到“機(ji)理+AI”的混合模(mo)型(xing)(xing)，實現 SGPE 和(he) STPP 裝置生產(chan)過程參數(shu)與(yu)產(chan)品質量之間(jian)更精(jing)(jing)確的機(ji)理關聯。

5)模型部署

按照“數據+平臺+應用”的(de)(de)模式，依托云平臺服(fu)務，在智能聚(ju)烯烴裝(zhuang)置應用中部署和應用“AI+機理”混合模型，實(shi)現了 SGPE 和 STPP 裝(zhuang)置的(de)(de)產品質量預測(ce)與預警。

6)模型應用與持(chi)續改進

通(tong)過云平臺服務的模(mo)型管理功能，基于定期收集的數(shu)據，通(tong)過模(mo)型訓練和(he)優化，確保其(qi)始終處于最佳狀態。

中韓(han)石化(hua) SGPE 和(he) STPP 裝置 AI+機理(li)模型的應用，實(shi)(shi)現了(le)(le)產品(pin)質(zhi)量(liang)熔融指數、密度等產品(pin)質(zhi)量(liang)在(zai)線預(yu)測(ce)，在(zai)生產過程(cheng)中產品(pin)質(zhi)量(liang)預(yu)測(ce)預(yu)警，提(ti)高(gao)產品(pin)質(zhi)量(liang)的管控能力(li)(li)，助力(li)(li)企業改(gai)進產品(pin)質(zhi)量(liang)，提(ti)升(sheng)市(shi)場競爭(zheng)力(li)(li)。 通過構建(jian)“AI+機理(li)”混合(he)模型，中韓(han)石化(hua)可以大(da)幅提(ti)升(sheng) SGPE 和(he) STPP 裝置產品(pin)質(zhi)量(liang)預(yu)測(ce)的準(zhun)確性，實(shi)(shi)現實(shi)(shi)時(shi)監控和(he)優化(hua)控制，從而提(ti)高(gao)生產效率和(he)產品(pin)質(zhi)量(liang)，增強企業的市(shi)場競爭(zheng)力(li)(li)。這種(zhong)混合(he)建(jian)模方法(fa)不(bu)僅發揮了(le)(le)各自的優勢，還克服了(le)(le)各自的局限(xian)，為(wei)其他國產 SGPE 和(he) STPP 聚(ju)烯烴工藝(yi)的產品(pin)質(zhi)量(liang)預(yu)測(ce)和(he)優化(hua)提(ti)供了(le)(le)新的解決方案。

基于“機(ji)理(li)+AI”混合建模(mo)技術，將機(ji)理(li)模(mo)型的(de)(de)先驗知(zhi)識與(yu) AI 模(mo)型的(de)(de)數據挖掘能力相結合，提高預測(ce)的(de)(de)準確性。機(ji)理(li)模(mo)型可以(yi)捕捉(zhuo)反應的(de)(de)基本規律，而 AI 模(mo)型可以(yi)處理(li)傳感器數據中的(de)(de)細微(wei)變化，兩者(zhe)結合可以(yi)更準確地預測(ce)產(chan)品(pin)質量(liang)和生產(chan)效率。