(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210869558.8 (22)申请日 2022.07.22 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 蒋斌波　冯婉莹　阳永荣　王靖岱　 黄正梁　杨遥　孙婧元　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 郑海峰 (51)Int.Cl. G06F 30/27(2020.01) G06F 16/23(2019.01) G06F 16/27(2019.01) G06K 9/62(2022.01)G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于数据分类的滑动窗口法在线更新 熔融指数 预测模型系数的方法 (57)摘要 本发明公开了一种基于数据分类的滑动窗 口法在线更新熔融指数预测模型系数的方法， 本 发明通过对新产生的数据按照熔融指数高低进 行分类， 并建立数据长度相同的子数据库， 采用 滑动窗口法对对应子数据库进行更新， 采用新数 据库重新训练模型， 得到新的模型系数， 这种方 法能够显著提高模型对新数据的学习能力。 本发 明可以应用于软测量模型系数的自动更新领域， 实现在不改变训练集数据结构的同时对建模训 练集数据的自动更新， 提高软测量模 型对新数据 的预测精度。 权利要求书1页 说明书6页 附图3页 CN 115221789 A 2022.10.21 CN 115221789 A 1.一种基于数据分类的滑动窗口法在线更新熔融指数预测模型系数的方法， 包括如下 步骤： (1)将聚烯烃挤出生产工艺的原始数据集按照数据产生时间的先后顺序进行排列， 按 照熔融指数的高低将原 始数据集划分为多个维度相同的子数据库； (2)对新产生的数据进行判断， 根据熔融指数的高低， 将其放在对应的子数据库的尾 部， 将子数据库内首部的第一个数据进行剔除， 实现数据库的更新； (3)判断熔融指数预测是否需要更新， 若不需要更新则返回步骤(2)； 若需要更新， 则采 用步骤(2)更新后的数据库对熔融指数 预测模型进行训练， 得到一个新的模型系数； (4)每产生一个新的数据， 就重复一次步骤(2)和步骤(3)， 如此循环， 实现模型系数的 持续更新。 2.根据权利要求1所述的方法， 其特征在于， 所述的原始数据集中的每个数据均包括挤 出机电流、 模头 压力、 筒体温度、 挤出机转速、 实际测量得到的熔融指数。 3.根据权利要求1所述的方法， 其特征在于， 所述的按照熔融指数的高低将原始数据集 划分为多个维度相同的子数据库， 具体为： 根据熔融指数MI 的高低， 将原始数据集分为三类： A类， 其MI＝30～60g/10min； B类， 其 MI＝5～30g/10min； C类， 其MI ＝0～5g/10mi n； 保留三类数据的最后M个数据， 分别建立三个长度相同的子数据库， 三个子数据库组合 成一个熔融指数 预测的标准数据库。 4.根据权利要求1所述的方法， 其特征在于， 所述的步骤(2)中， 对于新产生的数据， 首 先根据其熔融指数 的高低， 确定应当分入哪个子数据库； 然后将其放在对应的子数据库的 尾部， 将子数据库内首部的第一个数据进行剔除。 5.根据权利要求1所述的方法， 其特征在于， 步骤(3)所述的熔融指数预测模型如下式 所示： 式中， I为挤出机电流(A)、 P为挤出机的模头压力(kg/cm2)、 T为挤出机的筒体温度(K)、 N 为挤出机转速(rpm)； 其中， a， b， c， d， e， f， g， h， i均为待拟合的模型系数。 6.根据权利要求1所述的方法， 其特征在于， 所述的步骤(3)中的判断熔融指数预测是 否需要更新， 具体为： 对于新产生的数据， 将数据中的挤出机电流、 模头压力、 筒体温度、 挤出机转速代入当 前熔融指数预测模型中， 将预设结果与数据中的熔融指数实际测 量值进行比较， 得到预测 相对误差； 若预测相对误差小于设定值， 则不对模型进行训练， 不更新模型系数； 若预测相对误差 不小于设定值， 则对 模型进行训练， 并得到新的模型系数 更新模型。 7.根据权利要求6所述的方法， 其特 征在于， 所述的设定值优选为8％。权　利　要　求　书 1/1 页 2 CN 115221789 A 2一种基于数据分类的滑动窗口法在线更新熔融指数预测模型 系数的方 法 技术领域 [0001]本发明涉及熔融指数预测模型的自动更新领域， 具体涉及一种基于数据分类的滑 动窗口法在线更新熔融指数 预测模型系数的方法。 背景技术 [0002]高压聚乙烯在长期生产过程中会由于多种原因造成挤出机工艺变量逐渐偏移， 例 如， 高压聚乙烯在生产过程中产生的积炭和添加的开口剂二氧化硅等会造成过滤网堵塞， 这会影响在正常生产时的挤出机的操作参数， 使得基于挤出机操作参数建立的软测量模型 预测效果 不佳。 [0003]这种数据发生偏移的现象本质上是工艺变量和质量指标之间的函数关系发生了 变化， 是工艺变量时变性造成的。 因为建模的数据样本代表着过去的工况的信息， 基于过去 数据样本训练得到的模型与已经发生变化的当前工况无法对应， 精确预测输出变量值变得 十分困难。 如果仍然利用这些历史较远的数据样本建立模型对当前工况进行预测， 必然会 引起模型 的预测精度降低， 难以对产品质量进行实时监测。 实时校正更新模型系 数应对实 时工况变化对实时、 准确监测产品熔融指数 具有十分重要的意 义。 [0004]很多研究人员选择了多种方法使模型能够追踪实时工况变化， 提高软测量模型的 预测精度。 参考文献1： Tang  H S,Xue S T,Chen R,et al.Online  weighted  LS‑SVM for  hysteretic  structural  system identification[J].Engineering  Structures,2006,28 (12):1728 ‑1735.He‑Sheng Tang等人采用传统滑动窗口法对建模数据进行实时更新， 并采 用LS‑SVM的建模方法对系统参数进 行识别， 滑动窗口法的应用使LS ‑SVM算法能够跟踪系统 参数的突变或缓慢时间变化， 从而能够检测到数据 受损， 并且评估得到数据结构损伤的严 重程度。 [0005]参考文献2： 王春鹏,于佐军,孟凡强.折息移动窗递推PLS算法及其在聚丙烯生产 过程中的应用[J].化工学报,2013,64(12):4592 ‑4598.王春鹏等人针对聚丙烯熔融指数预 测模型在长期预测过程中预测精度降低的问题， 提出了一种折息移动窗递推偏最小二乘算 法(DMW—RPLS)即采用折息移动窗递推法更新偏最小二乘法建立的软测量模型的系数， 实 现了对聚丙烯软测量模型的在线更新。 [0006]参考文献3： Jin  H P,Pan B,Chen X G,et al.Ensemble just‑in‑time learning   framework through evolutionary  multi‑objective  optimization  for soft sensor  development  of nonlinear  industrial  processes[J].Chemometrics  and Intelligent   Laboratory  Systems,2019,184:153 ‑166.集成模型法通过建立多个预测模型， 在预测过程 中， 通过多个模型计算值的平均或者加权组合得到， 本质上是通过增加模型数量增强模型 对新产生数据的学习能力， 但是由于模 型数量的增加， 建模效率会降低， 模型计算成本随之 增加。 [0007]在实践过程中， 现有技 术主要存在着以下缺陷：说　明　书 1/6 页 3 CN 115221789 A 3