本發(fā)明涉及在線檢測領域，特別涉及基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法及裝置。

背景技術：

在工業(yè)合成橡膠生產(chǎn)中，橡膠的轉(zhuǎn)化率是主要的生產(chǎn)控制質(zhì)量指標。對于這個指標的監(jiān)測，國內(nèi)合成橡膠生產(chǎn)廠家均采用人工間歇化驗的方法取得。人工采樣化驗分析結(jié)果遠滯后于生產(chǎn)，通常情況下從采樣到分析得到最終結(jié)果要經(jīng)過幾個小時的時間。在化驗值還沒有出來之前，裝置的操作人員對轉(zhuǎn)化率只能根據(jù)經(jīng)驗判斷了，這樣在生產(chǎn)過程中，一旦裝置發(fā)生突然的波動，人工化驗數(shù)據(jù)無法及時跟蹤，就可能導致最終產(chǎn)品質(zhì)量變化。這種生產(chǎn)模式遠不能滿足裝置質(zhì)量控制的要求。因此有必要建立橡膠轉(zhuǎn)化率的軟測量算法模型，實時對轉(zhuǎn)化率進行檢測，這也是實施先進控制、提升裝置經(jīng)濟效益的重要因素，對于生產(chǎn)效率的提高能起到非常重要的作用。

橡膠生產(chǎn)過程是復雜和高度非線性的，加之多種添加劑的存在，導致采用傳統(tǒng)機理方法建模的難度很大。近年來興起的軟測量技術，對工藝控制中一些難以測量或暫時不能測量的重要變量，根據(jù)某種最優(yōu)準則，選擇一組既與主導變量密切相關又容易測量的輔助變量，通過構(gòu)造某種數(shù)學關系，利用計算機軟件對主導變量進行估計。這種技術僅需檢測一些易測變量作為輔助變量，其他工作則通過軟件實現(xiàn)，無需多少投資和時間就可實現(xiàn)。國外在軟測量技術研究方面十分活躍，在化工領域已經(jīng)取得了可喜的研究成果，近年來，國內(nèi)已有應用軟測量技術試圖解決橡膠生產(chǎn)中轉(zhuǎn)化率的在線測量問題。大連理工大學基于軟測量技術，根據(jù)γ量子與物質(zhì)相互作用理論，采用放射性儀器對橡膠膠漿進行檢測，并將檢測結(jié)果與順丁橡膠單體轉(zhuǎn)化率進行關聯(lián)計算(順丁橡膠轉(zhuǎn)化率在線測量方法的研究，《化工學報》，1996年第47卷第2期)。蘭州理工大學提出了一種采用支持向量機構(gòu)建丁苯橡膠聚合轉(zhuǎn)化率模型的方法(基于集成 修剪的丁苯橡膠聚合轉(zhuǎn)化率軟測量，《儀器儀表學報》，2011年第32卷第1期)。蘭州石化公司提出了一種將軟測量技術和現(xiàn)場分析儀表技術結(jié)合的方法測得轉(zhuǎn)化率(專利：一種合成橡膠膠漿單體轉(zhuǎn)化率在線多點連續(xù)檢測系統(tǒng))。前兩種方法都是利用現(xiàn)場參數(shù)構(gòu)建測量轉(zhuǎn)化率的數(shù)學模型，只是構(gòu)建數(shù)學模型時選取的參數(shù)和構(gòu)建模型的方法不同。第三種將現(xiàn)場分析器設計與多個測量點的測量模型相結(jié)合，在現(xiàn)場管道上安裝大型分析器，獲取有針對性的現(xiàn)場原始數(shù)據(jù)，再通過構(gòu)建的數(shù)學模型計算出合成橡膠膠漿轉(zhuǎn)化率。但該方法在構(gòu)建模型時采用的是線性單個模型，由于橡膠聚合反應包含復雜的物理化學反應，是一個強非線性、時變和間歇的復雜多變系統(tǒng)。特別對于現(xiàn)場工藝發(fā)生變化時，這種線性方法建立的模型在工況復雜時難以滿足現(xiàn)場要求。

神經(jīng)網(wǎng)絡是大量簡單的神經(jīng)元聯(lián)結(jié)而成的非線性復雜動力學系統(tǒng)，是一種智能算法，它以其并行分布處理、自組織、自適應、自學習和健全性與容錯性等獨特性能引起人們關注。在信息獲取不完備的情況下，神經(jīng)網(wǎng)絡在模式識別、方案決策、知識處理等方面具有很強的應變能力。方法可以實現(xiàn)對現(xiàn)實工況的線性、非線性擬合，在非線性對象靜態(tài)或動態(tài)辯識的應用已成為研究的熱點。它可以代替?zhèn)鹘y(tǒng)數(shù)學模型完成由輸入到輸出空間的映射，直接根據(jù)對象的輸入、輸出數(shù)據(jù)進行建模，需要的對象先驗知識較少，并且其較強的學習能力對模型校正十分有利。

由于神經(jīng)網(wǎng)絡受到網(wǎng)絡結(jié)構(gòu)復雜性和樣本復雜性的影響較大，容易出現(xiàn)“過擬合”現(xiàn)象，且泛化能力較低。近期研究結(jié)果表明，如果將統(tǒng)計學原理應用到神經(jīng)網(wǎng)絡建模過程中，將會有效地提高模型的模擬性能。比如，先通過主元分析方法對已有數(shù)據(jù)進行降維分析后，再將其應用到神經(jīng)網(wǎng)絡中。主元分析方法簡化了神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)，提高了收斂速度和精度，同時使得神經(jīng)網(wǎng)絡過擬合現(xiàn)象減少，泛化能力增強。這是由于神經(jīng)網(wǎng)絡預測能力依賴于訓練樣本的質(zhì)量，若訓練樣本中存在噪音和不確定性，會出現(xiàn)過擬合現(xiàn)象，而主元分析能實現(xiàn)從含噪音數(shù)據(jù)中提取出必要信息，減少了過擬合現(xiàn)象。

在實際應用中，為了全面、系統(tǒng)地分析問題，必須考慮眾多影響因素，這些涉及的因素一般稱為指標，在多元統(tǒng)計分析中也稱為變量。每個指標都在不同程度上反映了所研究問題的某些信息，并且指標之間彼此有一定的相關性，因而所得的統(tǒng)計數(shù)據(jù)反映的信息在一定程度上有所重疊。在用統(tǒng)計方法研究多 變量問題時，變量太多會增加計算量和增加分析問題的復雜性，人們希望在進行定量分析的過程中，涉及的變量較少，得到的信息量較多。主元分析正是適應這一要求產(chǎn)生的，是解決這類問題的理想工具。

本發(fā)明是將現(xiàn)場分析器設計與測量模型相結(jié)合，現(xiàn)場分析器的采用可以將與轉(zhuǎn)化率密切相關的膠漿密度直接表現(xiàn)出來，在模型的構(gòu)建時采用了基于主元分析的神經(jīng)網(wǎng)絡智能算法，在提高模型準確性的同時，也提高了模型的魯棒性。

本發(fā)明涉及的合成橡膠轉(zhuǎn)化率在線檢測技術對于合成橡膠裝置操作水平和生產(chǎn)效率的提高將會起到非常重要的作用。

技術實現(xiàn)要素：

為了實現(xiàn)上述目的，提供基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，包括如下步驟：

步驟1，采集影響合成橡膠轉(zhuǎn)化率的工藝參數(shù)數(shù)據(jù)；

步驟2，將所述工藝參數(shù)數(shù)據(jù)進行初步預處理，獲取關鍵工藝參數(shù)數(shù)據(jù)；

步驟3，將所述關鍵工藝參數(shù)數(shù)據(jù)作為輸入變量，將采用人工測量方法得到的合成橡膠轉(zhuǎn)化率結(jié)果作為輸出變量，所述輸入變量與所述輸出變量作為建模數(shù)據(jù)；

步驟4，將所述建模數(shù)據(jù)進行初步預處理；

步驟5，建立算法模型，訓練所述算法模型；

步驟6，調(diào)用已經(jīng)訓練好的所述算法模型對實時采集的工藝參數(shù)數(shù)據(jù)進行計算；

步驟7，實時對所述算法模型進行在線校正。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，所述步驟2還包括，步驟21，將采集到的所述工藝參數(shù)數(shù)據(jù)進行降噪，剔除數(shù)據(jù)中的粗大誤差，獲取初步工藝參數(shù)數(shù)據(jù)；

步驟22，將獲取的初步工藝參數(shù)數(shù)據(jù)利用主元分析方法進一步降維處理，獲取所述關鍵工藝參數(shù)數(shù)據(jù)。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，步驟2中，所述算法模型基于bp神經(jīng)網(wǎng)絡構(gòu)建。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，選擇正切s函數(shù)作 為所述算法模型的輸出層。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，所述bp神經(jīng)網(wǎng)絡設有2層隱含層，第一隱含層的節(jié)點取10個，第二隱含層的節(jié)點取15個，隱含層的傳遞函數(shù)都選擇所述正切s型函數(shù)。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，訓練所述算法模型時選取的訓練精度10^-3。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，所述算法模型的在線校正包括算法模型結(jié)構(gòu)和算法模型參數(shù)的校正。

本發(fā)明還提供了基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，包括：

一數(shù)據(jù)采集模塊，用以采集影響合成橡膠轉(zhuǎn)化率的工藝參數(shù)數(shù)據(jù)；

一數(shù)據(jù)預處理模塊，用以將所述工藝參數(shù)數(shù)據(jù)進行初步預處理，獲取關鍵工藝參數(shù)數(shù)據(jù)；

數(shù)據(jù)構(gòu)建模塊，用以構(gòu)建建模數(shù)據(jù)，將所述關鍵工藝參數(shù)數(shù)據(jù)作為輸入變量，將采用人工測量方法得到的合成橡膠轉(zhuǎn)化率結(jié)果作為輸出變量，所述輸入變量與所述輸出變量作為建模數(shù)據(jù)；

樣本選取模塊，用以將所述建模數(shù)據(jù)進行初步預處理；

算法構(gòu)建模塊，用以建立算法模型，訓練所述算法模型；

計算模塊，用以調(diào)用已經(jīng)訓練好的所述算法模型對實時采集的工藝參數(shù)數(shù)據(jù)進行計算；

模型校正模塊，用以實時對所述算法模型在線校正。所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，所述數(shù)據(jù)預處理模塊進一步包括：

降噪處理模塊，用以將采集到的所述工藝參數(shù)數(shù)據(jù)進行降噪，剔除數(shù)據(jù)中的粗大誤差，獲取初步工藝參數(shù)數(shù)據(jù)；

主元分析模塊，用以將獲取的初步工藝參數(shù)數(shù)據(jù)利用主元分析方法進一步降維處理，獲取所述關鍵工藝參數(shù)數(shù)據(jù)。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，所述算法模型基于bp神經(jīng)網(wǎng)絡構(gòu)建。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，選擇正切s函數(shù)作為所述算法模型的輸出層。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，所述bp神經(jīng)網(wǎng)絡 設有2層隱含層，第一隱含層的節(jié)點取10個，第二隱含層的節(jié)點取15個，隱含層的傳遞函數(shù)都選擇所述正切s型函數(shù)。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，訓練所述算法模型時選取的訓練精度10^-3。

所述的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，所述模型校正模塊用以對算法模型結(jié)構(gòu)和算法模型參數(shù)進行校正。

本發(fā)明的優(yōu)點在于運用基于神經(jīng)網(wǎng)絡的智能建模方法建立混合智能軟測量算法模型預測合成橡膠生產(chǎn)的主要質(zhì)量指標轉(zhuǎn)化率，解決了轉(zhuǎn)化率的在線測量在線預報問題。

以下結(jié)合附圖和具體實施例對本發(fā)明進行詳細描述，但不作為對本發(fā)明的限定。

附圖說明

圖1為基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法的步驟流程圖。

圖2為數(shù)據(jù)采集模塊的結(jié)構(gòu)示意圖。

具體實施方式

本發(fā)明提供的基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測方法，步驟包括：

步驟1，采集影響合成橡膠轉(zhuǎn)化率的工藝參數(shù)數(shù)據(jù)；該測量方法是先利用現(xiàn)場分析器采集影響轉(zhuǎn)化率的工藝參數(shù)，如膠漿溫度、現(xiàn)場溫度、壓力、水平差壓、垂直差壓、流量、攪拌電流等，本發(fā)明以合成橡膠膠漿轉(zhuǎn)化率與膠漿密度之間的對應關系為理論基礎?，F(xiàn)場分析器的設計以測量膠漿密度為目的，考慮到橡膠有一定的粘度，容易在管壁有一定的掛膠現(xiàn)象，這里采用差壓法測量密度，并輔以水平差壓信號作為修正。關鍵參數(shù)是構(gòu)建數(shù)學模型的主要要素，本發(fā)明涉及到的關鍵參數(shù)包括現(xiàn)場密度信號以及各類輔助信號，例如溫度、壓力、差壓、流量等。在同一裝置中，各的檢測點的測量結(jié)果也可作為其他檢測點的關鍵參數(shù)。

步驟2，將所述工藝參數(shù)數(shù)據(jù)進行初步預處理，獲取關鍵工藝參數(shù)數(shù)據(jù)；詳細之，所述步驟2還包括，步驟21，將采集到的所述工藝參數(shù)數(shù)據(jù)進行降噪，剔除數(shù)據(jù)中的粗大誤差，消除數(shù)據(jù)中的隨機誤差，獲取初步工藝參數(shù)數(shù)據(jù)； 步驟22，將獲取的初步工藝參數(shù)數(shù)據(jù)利用主元分析方法進一步降維處理，獲取所述關鍵工藝參數(shù)數(shù)據(jù)。采用主元分析方法簡化了神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)，提高了收斂速度和精度，同時使得神經(jīng)網(wǎng)絡過擬合現(xiàn)象減少，泛化能力增強。

步驟3，將所述關鍵工藝參數(shù)數(shù)據(jù)作為輸入變量，將采用人工測量方法得到的合成橡膠轉(zhuǎn)化率結(jié)果作為輸出變量，所述輸入變量與所述輸出變量作為建模數(shù)據(jù)；詳細之，通過主元分析方法分析后，最終選取6個輔助變量例如環(huán)境溫度、豎直差壓、水平差壓、管道壓力、物料溫度、攪拌電流等作為輸入變量，以人工測量丁苯轉(zhuǎn)化率的結(jié)果作為輸出變量構(gòu)建建模數(shù)據(jù)。

步驟4，將所述建模數(shù)據(jù)進行初步預處理；詳細之對建模數(shù)據(jù)進行處理，剔除或修正存在明顯偏差和錯誤的數(shù)據(jù)。從現(xiàn)場與化驗室提取若干組數(shù)據(jù)，作為模型的訓練樣本。

步驟5，建立算法模型，訓練所述算法模型；選擇bp神經(jīng)網(wǎng)絡構(gòu)建算法模型，選擇正切s函數(shù)作為輸出層；詳細之，選擇bp(backpropagation)神經(jīng)網(wǎng)絡進行建模，數(shù)據(jù)歸一化到(-1,1)，為了使得算法模型的預測輸出能夠落在建模數(shù)據(jù)輸出值的最小值和最大值的范圍內(nèi)，神經(jīng)網(wǎng)絡的輸出應該在(-1,1)之間，所以，輸出層采用正切s型函數(shù)(tangsig)，其輸出范圍為(-1,1)。

將所述訓練樣本應用于所述算法模型，選取合適訓練精度；詳細之，所述算法模型使用2層隱含層，隱含層節(jié)點第一層取10個，第二層取15個，隱含層的傳遞函數(shù)都選擇正切s型函數(shù)(tangsig)。進過測試，使用以上參數(shù)設置神經(jīng)網(wǎng)絡可以以任何精度進行回歸，但是，回歸精度(訓練精度)設置過高，會使神經(jīng)網(wǎng)絡出現(xiàn)過度訓練的現(xiàn)象，即算法模型的回歸精度很高，但是預測性能很低。通過對比發(fā)現(xiàn)，使用10^-3精度進行訓練，能夠獲得很高的回歸精度和較好的預測精度。

步驟6，調(diào)用已經(jīng)訓練好的所述算法模型對實時采集的工藝參數(shù)數(shù)據(jù)進行計算；

步驟7，實時對所述算法模型進行在線校正，詳細之，當操作條件或原料特性發(fā)生變化時，需要對算法模型進行校正。模型的在線校正包括算法模型結(jié)構(gòu)和算法模型參數(shù)的優(yōu)化兩個方面。算法模型的在線校正可以由操作人員送入人工化驗數(shù)據(jù)和采樣時間后自動執(zhí)行。也可以當模型在線運行了一段時間，積累了足夠的新樣本模式后，重新建立測量模型。

步驟1中采集影響合成橡膠轉(zhuǎn)化率的工藝參數(shù)數(shù)據(jù)，采用該工藝參數(shù)數(shù)據(jù)所需的采集模塊的設計如圖2所示，該數(shù)據(jù)采集模塊的工作過程為：物料經(jīng)支路管線11流過，并充滿整個管道，豎直差壓傳感器可測量流過支路管線11的物料密度，但物料流速對密度測量有影響，使用水平差壓傳感器，可將流速產(chǎn)生的影響消除，同時部分物料由分流管道流過，也使流過差壓密度儀表的物料流速降低，由此獲得真實的密度信號。

所述數(shù)據(jù)采集模塊1包括一擴大管、一豎直管差壓傳感器、一水平管差壓傳感器、一管道壓力傳感器、介質(zhì)溫度檢測器、環(huán)境溫度檢測，在主管道水平管線11上安裝支路管線，如圖2所示，其豎直向支路管道111上設置一擴大管112，在該擴大管112的內(nèi)側(cè)設有一豎直差壓傳感器1121，在該擴大管112的外側(cè)設置一溫度傳感器1122，在該擴大管112的出口端設有一壓力傳感器1123，在水平向支路管線113上設置一水平差壓傳感器1131，環(huán)境溫度檢測12，采用通常的pt100，測點置于壓差傳感器附近任意位置。所述數(shù)據(jù)采集模塊還包括反應釜攪拌電流檢測器、添加劑流量檢測器1132，反應釜攪拌電流檢測器13、添加劑流量檢測器1132采集到的工藝參數(shù)信號均有dcs系統(tǒng)提供直接由dcs內(nèi)部調(diào)用，無需現(xiàn)場改造，豎直管差壓傳感器、一水平管差壓傳感器、一管道壓力傳感器、介質(zhì)溫度檢測器、環(huán)境溫度檢測采集到的工藝數(shù)據(jù)通過遠傳電纜接入數(shù)據(jù)處理模塊2，遠傳電纜需要電纜保護管保護。

擴大管112，長1000mm，管直徑長400mm，該擴大管的尺寸使得流動穩(wěn)定，摩擦阻力小，這樣可以有效地克服摩擦阻力地影響。

豎直差壓傳感器1121，其兩個測點(兩法蘭中心)之間的距離為600mm，采用毛細管遠傳平膜盒雙法蘭式差壓傳感器，其法蘭標準為ansi3in150pound，并使引壓管線(3in)的長度滿足法蘭面到管壁的距離為130mm的要求，測點前后各保留200mm直管段，設置該信號的目的是提供關于密度大小的信息。

水平管差壓傳感器1131，設置于水平向支路管線113上，兩個測點的距離為1100mm，放置于水平向支路管線113的中間位置，使水平管差壓傳感器前后有大致相同的直管段。和上述密度檢測一樣，采用毛細管遠傳平膜盒雙法蘭式差壓傳感器，引壓管線(3in)的長度滿足法蘭面到管壁的距離為130mm的要求，不同的是，測壓點就設在水平向支路管線113上。設置該信號的目的 是提供關于流速大小的信息，這有利于進一步提高檢測的可靠性和精度。

壓力傳感器1123，其設置于擴大管出口處，采用毛細管遠傳平膜盒雙法蘭式差壓傳感器，其法蘭標準為ansi3in150pound，并使引壓管線(3in)的長度滿足法蘭面到管壁的距離為130mm的要求，測點前后無直管段要求，用于檢測丁二烯狀態(tài)。

介質(zhì)溫度檢測器，其溫度監(jiān)測點設置于豎直差壓傳感器兩測壓點間的中間位置，且位于擴大管的管線中心處。介質(zhì)溫度檢測沒有特別要求，通常的pt100即可,測點盡量插入擴大管的管道中心的位置。

環(huán)境溫度檢測，采用通常的pt100，測點置于變送器附近任意位置。

豎直管差壓傳感器、一水平管差壓傳感器、一管道壓力傳感器、介質(zhì)溫度檢測器、環(huán)境溫度檢測器采集到的工藝數(shù)據(jù)通過遠傳電纜接入工控機系統(tǒng)即數(shù)據(jù)處理模塊，遠傳電纜需要電纜保護管保護。

本發(fā)明還提供了基于智能算法的合成橡膠轉(zhuǎn)化率在線檢測裝置，包括：

一數(shù)據(jù)采集模塊，用以采集影響合成橡膠轉(zhuǎn)化率的工藝參數(shù)數(shù)據(jù)；數(shù)據(jù)采集模塊先利用現(xiàn)場分析器采集影響轉(zhuǎn)化率的工藝參數(shù)，如膠漿溫度、現(xiàn)場溫度、壓力、水平差壓、垂直差壓、流量、攪拌電流等，本發(fā)明以合成橡膠膠漿轉(zhuǎn)化率與膠漿密度之間的對應關系為理論基礎?，F(xiàn)場分析器的設計以測量膠漿密度為目的，考慮到橡膠有一定的粘度，容易在管壁有一定的掛膠現(xiàn)象，這里采用差壓法測量密度，并輔以水平差壓信號作為修正。關鍵參數(shù)是構(gòu)建數(shù)學模型的主要要素，本發(fā)明涉及到的關鍵參數(shù)包括現(xiàn)場密度信號以及各類輔助信號，例如溫度、壓力、差壓、流量等。在同一裝置中，各個檢測點的測量結(jié)果也可作為其他檢測點的關鍵參數(shù)。

一數(shù)據(jù)預處理模塊，用以將所述工藝參數(shù)數(shù)據(jù)進行初步預處理，獲取關鍵工藝參數(shù)數(shù)據(jù)；所述數(shù)據(jù)預處理模塊進一步包括：降噪處理模塊，用以將采集到的所述工藝參數(shù)數(shù)據(jù)進行降噪，剔除數(shù)據(jù)中的粗大誤差，獲取初步工藝參數(shù)數(shù)據(jù)；主元分析模塊，用以將獲取的初步工藝參數(shù)數(shù)據(jù)利用主元分析方法進一步降維處理，獲取所述關鍵工藝參數(shù)數(shù)據(jù)。

數(shù)據(jù)構(gòu)建模塊，用以構(gòu)建建模數(shù)據(jù)，將所述關鍵工藝參數(shù)數(shù)據(jù)作為輸入變量，將采用人工測量方法得到的合成橡膠轉(zhuǎn)化率結(jié)果作為輸出變量，所述輸入變量與所述輸出變量作為建模數(shù)據(jù)；詳細之，通過主元分析方法分析后，最終 選取6個輔助變量例如環(huán)境溫度、豎直差壓、水平差壓、管道壓力、物料溫度、攪拌電流等作為輸入變量，以人工測量丁苯轉(zhuǎn)化率的結(jié)果作為輸出變量構(gòu)建建模數(shù)據(jù)。

樣本選取模塊，用以將所述建模數(shù)據(jù)進行初步預處理，選取訓練樣本；詳細之對建模數(shù)據(jù)進行處理，剔除或修正存在明顯偏差和錯誤的數(shù)據(jù)。例如從現(xiàn)場與化驗室提取若干組數(shù)據(jù)作為模型的訓練樣本。

算法構(gòu)建模塊，用以建立算法模型，訓練所述算法模型；選擇bp神經(jīng)網(wǎng)絡構(gòu)建算法模型，選擇正切s函數(shù)作為輸出層；詳細之，選擇bp(backpropagation)神經(jīng)網(wǎng)絡進行建模，數(shù)據(jù)歸一化到(-1,1)，為了使得算法模型的預測輸出能夠落在建模數(shù)據(jù)輸出值的最小值和最大值的范圍內(nèi)，神經(jīng)網(wǎng)絡的輸出應該在(-1,1)之間，所以，輸出層采用正切s型函數(shù)(tangsig)，其輸出范圍為(-1,1)。

將所述訓練樣本應用于所述算法模型，選取合適訓練精度；詳細之，所述算法模型使用2層隱含層，隱含層節(jié)點第一層取10個，第二層取15個，隱含層的傳遞函數(shù)都選擇正切s型函數(shù)(tangsig)。進過測試，使用以上參數(shù)設置神經(jīng)網(wǎng)絡可以以任何精度進行回歸，但是，回歸精度(訓練精度)設置過高，會使神經(jīng)網(wǎng)絡出現(xiàn)過度訓練的現(xiàn)象，即算法模型的回歸精度很高，但是預測性能很低。通過對比發(fā)現(xiàn)，使用10^-3精度進行訓練，能夠獲得很高的回歸精度和較好的預測精度。

計算模塊，實時的利用所述數(shù)據(jù)采集模塊采集的工藝參數(shù)數(shù)據(jù)，用以調(diào)用已經(jīng)訓練好的所述算法模型對實時采集工藝參數(shù)數(shù)據(jù)計算；

模型校正模塊，用以實時對所述算法模型在線校正。所述模型校正模塊用以對所述算法模型本身的校正和所述算法模型參數(shù)的校正。當操作條件或原料特性發(fā)生變化時，需要對模型進行校正。模型的在線校正包括算法模型結(jié)構(gòu)和算法模型參數(shù)的優(yōu)化兩個方面。算法模型的校正一方面可以由操作人員送入人工化驗數(shù)據(jù)和采樣時間后自動執(zhí)行。另一方面可以當模型在線運行了一段時間，積累了足夠的新樣本模式后，重新建立測量模型。

綜上，本發(fā)明提供的合成橡膠轉(zhuǎn)化率在線測量方法及裝置，是將軟測量技術和現(xiàn)場分析儀表技術結(jié)合使用，在現(xiàn)場管道上安裝大型分析器，獲取有針對性的現(xiàn)場原始數(shù)據(jù)，再通過構(gòu)建的數(shù)學模型計算出合成橡膠膠漿轉(zhuǎn)化率。在構(gòu) 建數(shù)學模型時先通過主元分析方法對已有數(shù)據(jù)進行降維分析后，再將其應用到神經(jīng)網(wǎng)絡中。主元分析方法簡化了神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)，提高了收斂速度和精度，同時使得神經(jīng)網(wǎng)絡過擬合現(xiàn)象減少，泛化能力增強。由于現(xiàn)場環(huán)境復雜，采集到的數(shù)據(jù)會包含噪聲，過大的噪聲會產(chǎn)生異常數(shù)據(jù)，用這種數(shù)據(jù)建模時會影響模型質(zhì)量，因此在建模前首先對采集到的數(shù)據(jù)進行對數(shù)據(jù)進行預處理，剔除數(shù)據(jù)中的粗大誤差，消除數(shù)據(jù)中的隨機誤差。隨后系統(tǒng)將去噪聲后的數(shù)據(jù)代入智能算法模型進行預測運算，這里采用的預測運算模塊為神經(jīng)網(wǎng)絡智能算法。

當操作條件或原料特性發(fā)生變化時，原先建立的預測模型有可能出現(xiàn)較大的偏差，因此必須對模型進行校正才能適應實際工況的變化。模型校正模塊包括對算法模型本身的校正和所述算法模型參數(shù)的校正。算法模型本身的校正可以由操作人員送入人工化驗數(shù)據(jù)如人工測量方法得到的合成橡膠轉(zhuǎn)化率結(jié)果和采樣時間后自動執(zhí)行。也可以當模型在線運行了一段時間，積累了足夠的新樣本模式后，重新建立測量模型。

當然，本發(fā)明還可有其它多種實施例，在不背離本發(fā)明精神及其實質(zhì)的情況下，熟悉本領域的技術人員當可根據(jù)本發(fā)明作出各種相應的改變和變形，但這些相應的改變和變形都應屬于本發(fā)明所附的權利要求的保護范圍。