聚烯烴產(chǎn)品質(zhì)量直接影響到下游產(chǎn)品的性能和應用效果，G質(zhì)量的聚烯烴能夠確保制品的強度、耐久性和加工性，滿(mǎn)足不同行業(yè)嚴格的標準要求。同時(shí)，穩定且優(yōu)良的產(chǎn)品質(zhì)量有助于提升企業(yè)競爭力，增強客戶(hù)信任，促進(jìn)市場(chǎng)的拓展和品牌的建立。中韓石化采用中石化自有工藝技術(shù)生產(chǎn)聚乙烯（SGPE）和聚丙烯（STPP）。為了確保產(chǎn)品質(zhì)量的穩定性和可靠性，兩套裝置對各項參數進(jìn)行嚴格化驗和監控。目前，產(chǎn)品質(zhì)量依賴(lài)于實(shí)驗室人工化驗，周期為 2 小時(shí)，不利于工藝和生產(chǎn)人員實(shí)時(shí)監控產(chǎn)品性能。生產(chǎn)人員通常通過(guò)關(guān)鍵過(guò)程參數的趨勢和當前值，依據個(gè)人經(jīng)驗預估工況下的產(chǎn)品質(zhì)量，從而進(jìn)行操作或調整�；�于中石化自有工藝技術(shù)，SGPE 和 STPP 裝置的過(guò)程機理模型能夠提供較為準確的預測結果，即使在數據不足的情況下，也能通過(guò)理論推導得出合理的預測。然而，這些模型包含大量未知參數，準確估計需要大量的實(shí)驗數據和計算資源。此外，機理模型處理G度非線(xiàn)性問(wèn)題和多尺度問(wèn)題時(shí)，復雜性和求解難度較大。

AI 數據模型在質(zhì)量預測中的應用是通過(guò)分析和挖掘歷史數據，利用統計學(xué)、機器學(xué)習或深度學(xué)習等技術(shù)來(lái)預測未來(lái)的產(chǎn)品或過(guò)程質(zhì)量。與機理模型不同，數據模型主要依賴(lài)于數據本身，而不是系統的物理或化學(xué)原理。通過(guò)分析大量的歷史數據來(lái)識別模式和趨勢，從而進(jìn)行預測。不需要對系統有深入的理論理解，只要有足夠的G質(zhì)量數據，就可以構建有效的預測模型。且能夠處理復雜的非線(xiàn)性關(guān)系和多變量交互作用，適用于各種不同的應用場(chǎng)景。在 SGPE 和 STPP 裝置的AI 模型應用上也存在缺陷。首先，效果G度依賴(lài)于數據的質(zhì)量和數量，缺失值、噪聲和異常值都會(huì )影響模型的準確性。其次，數據模型（如深度學(xué)習）屬于“黑箱”模型，難以解釋其內部機制。且模型過(guò)于復雜或訓練數據不足，可能會(huì )導致過(guò)擬合，即模型在訓練集上表現很好，但在新數據上的泛化能力差。為了克服單一模型的局限，中韓石化采用機理和 AI 混合模型。該模型結合了機理模型的G解釋性和 AI 模型 的數據挖掘能力，針對聚烯烴多牌號、非線(xiàn)性等特征，通過(guò)將關(guān)鍵過(guò)程工藝參數、催化劑等可信的歷史數據與過(guò)程數據結合，使用神經(jīng)網(wǎng)絡(luò )對機理模型的數學(xué)表達式進(jìn)行系數優(yōu)化擬合。將機理模型中“假定”或“簡(jiǎn)化”的系數或常數項修正為變量，終得到更加準確的過(guò)程“AI+機理”混合模型�；�于過(guò)程“AI+機理”混合模型的應用，大幅提升模型的精細化預測的能力，實(shí)時(shí)預測產(chǎn)品的物理、化學(xué)和機械性能的相關(guān)指標，從而為提G產(chǎn)品質(zhì)量提供科學(xué)依據和有效指導。

通過(guò)結合機理模型和 AI 模型的優(yōu)勢，構建一個(gè)能夠實(shí)時(shí)、準確預測聚烯烴產(chǎn)品質(zhì)量的混合模型，提升生產(chǎn)過(guò)程的控制精度和效率，確保產(chǎn)品質(zhì)量的穩定性和可靠性。

利用機理模型的G解釋性和理論基礎，結合 AI 模型的數據挖掘能力和處理復雜非線(xiàn)性關(guān)系的能力，實(shí)現對生產(chǎn)過(guò)程的實(shí)時(shí)監控和動(dòng)態(tài)調整，適應不同工況和多牌號產(chǎn)品的需求。提G模型的穩定性和可靠性，同時(shí)保持一定的可解釋性，便于操作人員理解和應用。

1)數據收集與預處理

數據是訓練 AI 模型的基礎，在收集數據時(shí)，需要從可靠的數據源獲取數據，確保數據的準確性和完整性。收集數據需要中韓（武漢）石化 SGPE 和 STPP 裝置檢驗數據以及相關(guān)生產(chǎn)數據。在收集數據之后，需要對數據進(jìn)行清洗，包括去重、缺失值處理、異常值過(guò)濾等，以去除無(wú)關(guān)數據并確保數據的準確性和一致性。

2)機理模型簡(jiǎn)化

基于聚烯烴生產(chǎn)工藝的物理、化學(xué)和動(dòng)力學(xué)原理，建立描述反應過(guò)程、傳熱傳質(zhì)等現象的機理模型。常用的模型包括反應動(dòng)力學(xué)模型、流體力學(xué)模型、熱力學(xué)模型等。通過(guò)實(shí)驗數據或歷史數據對機理模型中的未知參數進(jìn)行估計，確保模型的準確性。使用優(yōu)化算法（如小二乘法、遺傳算法等）進(jìn)行參數擬合。在不影響模型精度的前提下，對復雜的機理模型進(jìn)行適當簡(jiǎn)化，減少計算復雜度。例如，忽略次要因素或采用近似表達式。

3)AI 模型選擇與訓練

在已經(jīng)收集并清洗了數據之后，接下來(lái)是將其劃分為訓練、驗證和測試集。訓練數據集用于訓練 AI 模型，而驗證數據集用于優(yōu)化和驗證模型。測試數據集用于測試模型的性能。

留出法設置驗證集、測試集的占比，剩下的為訓練集（一般訓練集應該盡量多）；樣本分集順序為驗證集->測試集->訓練集。驗證集抽樣方法分為前 x%，后 x%以及隨機 x%測試集抽樣方法分為隨機 x%，間隔 x%(每隔 100 取前 x 個(gè))。

“機理+AI”混合建模步驟：“AI+機理模型”采用嵌入式結構，將 AI 模型嵌入到機理模型中，用于修正機理模型中的不確定參數或誤差項，對給定的機理模型表達式中的系數進(jìn)行優(yōu)化。根據過(guò)程機理特性給定機理模型的結構表達式，表達式中的系數在一定的閾值約束區間，為機理模型中的待優(yōu)化項，后續引入神經(jīng)網(wǎng)絡(luò )將對這些系數進(jìn)行優(yōu)化擬合。

AI 算法采用神經(jīng)網(wǎng)絡(luò )算法。結合神經(jīng)網(wǎng)絡(luò )來(lái)對機理模型的系數進(jìn)行優(yōu)化擬合，首先需要定義優(yōu)化擬合過(guò)程中的損失函數，用于衡量模型輸出與目標值之間的差異。這里我們默認選擇均方誤差損失（MSE）或者根據實(shí)際調試情況自定義損失。

根據神經(jīng)網(wǎng)絡(luò )模型結構選擇合適的神經(jīng)網(wǎng)絡(luò )優(yōu)化器，這里我們默認選擇 Adam，后續根據優(yōu)化問(wèn)題以及數據集需要也可以嘗試 SGD（隨機梯度下降）等其他優(yōu)化器。通過(guò)小化損失函數來(lái)訓練神經(jīng)網(wǎng)絡(luò )模型，在每個(gè)訓練周期中調整擬合系數的值來(lái)使損失小化，從而得到更優(yōu)的模型參數。

4)評估模型與驗證

使用驗證集或者測試集來(lái)評估模型性能，檢查模型是否能準確地擬合機理模型的系數，并且具備一定的泛化能力。通過(guò)各種評估指標如準確度、準確度、召回率、F1 分數等來(lái)評估模型質(zhì)量，終得到“機理+AI”的混合模型，實(shí)現 SGPE 和 STPP 裝置生產(chǎn)過(guò)程參數與產(chǎn)品質(zhì)量之間更準確的機理關(guān)聯(lián)。

5)模型部署

按照“數據+平臺+應用”的模式，依托云平臺服務(wù)，在智能聚烯烴裝置應用中部署和應用“AI+機理”混合模型，實(shí)現了 SGPE 和 STPP 裝置的產(chǎn)品質(zhì)量預測與預警。

6)模型應用與持續改進(jìn)

通過(guò)云平臺服務(wù)的模型管理功能，基于定期收集的數據，通過(guò)模型訓練和優(yōu)化，確保其始終處于佳狀態(tài)。

中韓石化 SGPE 和 STPP 裝置 AI+機理模型的應用，實(shí)現了產(chǎn)品質(zhì)量熔融指數、密度等產(chǎn)品質(zhì)量在線(xiàn)預測，在生產(chǎn)過(guò)程中產(chǎn)品質(zhì)量預測預警，提G產(chǎn)品質(zhì)量的管控能力，助力企業(yè)改進(jìn)產(chǎn)品質(zhì)量，提升市場(chǎng)競爭力。 通過(guò)構建“AI+機理”混合模型，中韓石化可以大幅提升 SGPE 和 STPP 裝置產(chǎn)品質(zhì)量預測的準確性，實(shí)現實(shí)時(shí)監控和優(yōu)化控制，從而提G生產(chǎn)效率和產(chǎn)品質(zhì)量，增強企業(yè)的市場(chǎng)競爭力。這種混合建模方法不僅發(fā)揮了各自的優(yōu)勢，還克服了各自的局限，為其他國產(chǎn) SGPE 和 STPP 聚烯烴工藝的產(chǎn)品質(zhì)量預測和優(yōu)化提供了新的解決方案。

基于“機理+AI”混合建模技術(shù)，將機理模型的先驗知識與 AI 模型的數據挖掘能力相結合，提G預測的準確性。機理模型可以捕捉反應的基本規律，而 AI 模型可以處理傳感器數據中的細微變化，兩者結合可以更準確地預測產(chǎn)品質(zhì)量和生產(chǎn)效率。