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，高質(zhì)量的聚烯烴能夠確保制品的強度、耐久性和加工性，滿足不同行業(yè)嚴格的標準要求。同時，穩(wěn)定且優(yōu)良的產(chǎn)品質(zhì)量有助于提升企業(yè)競爭力，增強客戶信任，促進市場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(wěn)定性和可靠性，兩套裝置對各項參數(shù)進行嚴格化驗和監(jiān)控。目前，產(chǎn)品質(zhì)量依賴于實驗室人工化驗，周期為 2 小時，不利于工藝和生產(chǎn)人員實時監(jiān)控產(chǎn)品性能。生產(chǎn)人員通常通過關鍵過程參數(shù)的趨勢和當前值，依據(jù)個人經(jīng)驗預估工況下的產(chǎn)品質(zhì)量，從而進行操作或調(diào)整�；�于中石化自有工藝技術(shù)，SGPE 和 STPP 裝置的過程機理模型能夠提供較為準確的預測結(jié)果，即使在數(shù)據(jù)不足的情況下，也能通過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(shù)，準確估計需要大量的實驗數(shù)據(jù)和計算資源。此外，機理模型處理高度非線性問題和多尺度問題時，復雜性和求解難度較大。

AI 數(shù)據(jù)模型在質(zhì)量預測中的應用是通過分析和挖掘歷史數(shù)據(jù)，利用統(tǒng)計學、機器學習或深度學習等技術(shù)來預測未來的產(chǎn)品或過程質(zhì)量。與機理模型不同，數(shù)據(jù)模型主要依賴于數(shù)據(jù)本身，而不是系統(tǒng)的物理或化學原理。通過分析大量的歷史數(shù)據(jù)來識別模式和趨勢，從而進行預測。不需要對系統(tǒng)有深入的理論理解，只要有足夠的高質(zhì)量數(shù)據(jù)，就可以構(gòu)建有效的預測模型。且能夠處理復雜的非線性關系和多變量交互作用，適用于各種不同的應用場景。在 SGPE 和 STPP 裝置的AI 模型應用上也存在缺陷。首先，效果高度依賴于數(shù)據(jù)的質(zhì)量和數(shù)量，缺失值、噪聲和異常值都會影響模型的準確性。其次，數(shù)據(jù)模型（如深度學習）屬于“黑箱”模型，難以解釋其內(nèi)部機制。且模型過于復雜或訓練數(shù)據(jù)不足，可能會導致過擬合，即模型在訓練集上表現(xiàn)很好，但在新數(shù)據(jù)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(jié)合了機理模型的高解釋性和 AI 模型 的數(shù)據(jù)挖掘能力，針對聚烯烴多牌號、非線性等特征，通過將關鍵過程工藝參數(shù)、催化劑等可信的歷史數(shù)據(jù)與過程數(shù)據(jù)結(jié)合，使用神經(jīng)網(wǎng)絡對機理模型的數(shù)學表達式進行系數(shù)優(yōu)化擬合。將機理模型中“假定”或“簡化”的系數(shù)或常數(shù)項修正為變量，最終得到更加精確的過程“AI+機理”混合模型�；�于過程“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，實時預測產(chǎn)品的物理、化學和機械性能的相關指標，從而為提高產(chǎn)品質(zhì)量提供科學依據(jù)和有效指導。

通過結(jié)合機理模型和 AI 模型的優(yōu)勢，構(gòu)建一個能夠?qū)崟r、準確預測聚烯烴產(chǎn)品質(zhì)量的混合模型，提升生產(chǎn)過程的控制精度和效率，確保產(chǎn)品質(zhì)量的穩(wěn)定性和可靠性。

利用機理模型的高解釋性和理論基礎，結(jié)合 AI 模型的數(shù)據(jù)挖掘能力和處理復雜非線性關系的能力，實現(xiàn)對生產(chǎn)過程的實時監(jiān)控和動態(tài)調(diào)整，適應不同工況和多牌號產(chǎn)品的需求。提高模型的穩(wěn)定性和可靠性，同時保持一定的可解釋性，便于操作人員理解和應用。

1)數(shù)據(jù)收集與預處理

數(shù)據(jù)是訓練 AI 模型的基礎，在收集數(shù)據(jù)時，需要從可靠的數(shù)據(jù)源獲取數(shù)據(jù)，確保數(shù)據(jù)的準確性和完整性。收集數(shù)據(jù)需要中韓（武漢）石化 SGPE 和 STPP 裝置檢驗數(shù)據(jù)以及相關生產(chǎn)數(shù)據(jù)。在收集數(shù)據(jù)之后，需要對數(shù)據(jù)進行清洗，包括去重、缺失值處理、異常值過濾等，以去除無關數(shù)據(jù)并確保數(shù)據(jù)的準確性和一致性。

2)機理模型簡化

基于聚烯烴生產(chǎn)工藝的物理、化學和動力學原理，建立描述反應過程、傳熱傳質(zhì)等現(xiàn)象的機理模型。常用的模型包括反應動力學模型、流體力學模型、熱力學模型等。通過實驗數(shù)據(jù)或歷史數(shù)據(jù)對機理模型中的未知參數(shù)進行估計，確保模型的準確性。使用優(yōu)化算法（如最小二乘法、遺傳算法等）進行參數(shù)擬合。在不影響模型精度的前提下，對復雜的機理模型進行適當簡化，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(shù)據(jù)之后，接下來是將其劃分為訓練、驗證和測試集。訓練數(shù)據(jù)集用于訓練 AI 模型，而驗證數(shù)據(jù)集用于優(yōu)化和驗證模型。測試數(shù)據(jù)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)。

“機理+AI”混合建模步驟：“AI+機理模型”采用嵌入式結(jié)構(gòu)，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(shù)或誤差項，對給定的機理模型表達式中的系數(shù)進行優(yōu)化。根據(jù)過程機理特性給定機理模型的結(jié)構(gòu)表達式，表達式中的系數(shù)在一定的閾值約束區(qū)間，為機理模型中的待優(yōu)化項，后續(xù)引入神經(jīng)網(wǎng)絡將對這些系數(shù)進行優(yōu)化擬合。

AI 算法采用神經(jīng)網(wǎng)絡算法。結(jié)合神經(jīng)網(wǎng)絡來對機理模型的系數(shù)進行優(yōu)化擬合，首先需要定義優(yōu)化擬合過程中的損失函數(shù)，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(jù)實際調(diào)試情況自定義損失。

根據(jù)神經(jīng)網(wǎng)絡模型結(jié)構(gòu)選擇合適的神經(jīng)網(wǎng)絡優(yōu)化器，這里我們默認選擇 Adam，后續(xù)根據(jù)優(yōu)化問題以及數(shù)據(jù)集需要也可以嘗試 SGD（隨機梯度下降）等其他優(yōu)化器。通過最小化損失函數(shù)來訓練神經(jīng)網(wǎng)絡模型，在每個訓練周期中調(diào)整擬合系數(shù)的值來使損失最小化，從而得到更優(yōu)的模型參數(shù)。

4)評估模型與驗證

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

5)模型部署

按照“數(shù)據(jù)+平臺+應用”的模式，依托云平臺服務，在智能聚烯烴裝置應用中部署和應用“AI+機理”混合模型，實現(xiàn)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(xù)改進

通過云平臺服務的模型管理功能，基于定期收集的數(shù)據(jù)，通過模型訓練和優(yōu)化，確保其始終處于最佳狀態(tài)。

中韓石化 SGPE 和 STPP 裝置 AI+機理模型的應用，實現(xiàn)了產(chǎn)品質(zhì)量熔融指數(shù)、密度等產(chǎn)品質(zhì)量在線預測，在生產(chǎn)過程中產(chǎn)品質(zhì)量預測預警，提高產(chǎn)品質(zhì)量的管控能力，助力企業(yè)改進產(chǎn)品質(zhì)量，提升市場競爭力。 通過構(gòu)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，實現(xiàn)實時監(jiān)控和優(yōu)化控制，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量，增強企業(yè)的市場競爭力。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(shù)據(jù)挖掘能力相結(jié)合，提高預測的準確性。機理模型可以捕捉反應的基本規(guī)律，而 AI 模型可以處理傳感器數(shù)據(jù)中的細微變化，兩者結(jié)合可以更準確地預測產(chǎn)品質(zhì)量和生產(chǎn)效率。