聚烯烴產品質量直接影響到下游產品的性能和應用效果，高質量的聚烯烴能夠確保制品的強度、耐久性和加工性，滿足不同行業嚴格的標準要求。同時，穩定且優良的產品質量有助于提升企業競爭力，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生產聚乙烯（SGPE）和聚丙烯（STPP）。為了確保產品質量的穩定性和可靠性，兩套裝置對各項參數進行嚴格化驗和監控。目前，產品質量依賴于實驗室人工化驗，周期為 2 小時，不利于工藝和生產人員實時監控產品性能。生產人員通常通過關鍵過程參數的趨勢和當前值，依據個人經驗預估工況下的產品質量，從而進行操作或調整。基于中石化自有工藝技術，SGPE 和 STPP 裝置的過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驗數據和計算資源。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 數據模型在質量預測中的應用是通過分析和挖掘歷史數據，利用統計學、機器學習或深度學習等技術來預測未來的產品或過程質量。與機理模型不同，數據模型主要依賴于數據本身，而不是系統的物理或化學原理。通過分析大量的歷史數據來識別模式和趨勢，從而進行預測。不需要對系統有深入的理論理解，只要有足夠的高質量數據，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，效果高度依賴于數據的質量和數量，缺失值、噪聲和異常值都會影響模型的準確性。其次，數據模型（如深度學習）屬于“黑箱”模型，難以解釋其內部機制。且模型過于復雜或訓練數據不足，可能會導致過擬合，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高解釋性和 AI 模型 的數據挖掘能力，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、催化劑等可信的歷史數據與過程數據結合，使用神經網絡對機理模型的數學表達式進行系數優化擬合。將機理模型中“假定”或“簡化”的系數或常數項修正為變量，最終得到更加精確的過程“AI+機理”混合模型。基于過程“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，實時預測產品的物理、化學和機械性能的相關指標，從而為提高產品質量提供科學依據和有效指導。

通過結合機理模型和 AI 模型的優勢，構建一個能夠實時、準確預測聚烯烴產品質量的混合模型，提升生產過程的控制精度和效率，確保產品質量的穩定性和可靠性。

利用機理模型的高解釋性和理論基礎，結合 AI 模型的數據挖掘能力和處理復雜非線性關系的能力，實現對生產過程的實時監控和動態調整，適應不同工況和多牌號產品的需求。提高模型的穩定性和可靠性，同時保持一定的可解釋性，便于操作人員理解和應用。

1)數據收集與預處理

數據是訓練 AI 模型的基礎，在收集數據時，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生產數據。在收集數據之后，需要對數據進行清洗，包括去重、缺失值處理、異常值過濾等，以去除無關數據并確保數據的準確性和一致性。

2)機理模型簡化

基于聚烯烴生產工藝的物理、化學和動力學原理，建立描述反應過程、傳熱傳質等現象的機理模型。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。通過實驗數據或歷史數據對機理模型中的未知參數進行估計，確保模型的準確性。使用優化算法（如最小二乘法、遺傳算法等）進行參數擬合。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

在已經收集并清洗了數據之后，接下來是將其劃分為訓練、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)。

“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行優化。根據過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化項，后續引入神經網絡將對這些系數進行優化擬合。

AI 算法采用神經網絡算法。結合神經網絡來對機理模型的系數進行優化擬合，首先需要定義優化擬合過程中的損失函數，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）或者根據實際調試情況自定義損失。

根據神經網絡模型結構選擇合適的神經網絡優化器，這里我們默認選擇 Adam，后續根據優化問題以及數據集需要也可以嘗試 SGD（隨機梯度下降）等其他優化器。通過最小化損失函數來訓練神經網絡模型，在每個訓練周期中調整擬合系數的值來使損失最小化，從而得到更優的模型參數。

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，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 分數等來評估模型質量，最終得到“機理+AI”的混合模型，實現 SGPE 和 STPP 裝置生產過程參數與產品質量之間更精確的機理關聯。

5)模型部署

按照“數據+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，實現了 SGPE 和 STPP 裝置的產品質量預測與預警。

6)模型應用與持續改進

通過云平臺服務的模型管理功能，基于定期收集的數據，通過模型訓練和優化，確保其始終處于最佳狀態。

中韓石化 SGPE 和 STPP 裝置 AI+機理模型的應用，實現了產品質量熔融指數、密度等產品質量在線預測，在生產過程中產品質量預測預警，提高產品質量的管控能力，助力企業改進產品質量，提升市場競爭力。 通過構建“AI+機理”混合模型，中韓石化可以大幅提升 SGPE 和 STPP 裝置產品質量預測的準確性，實現實時監控和優化控制，從而提高生產效率和產品質量，增強企業的市場競爭力。這種混合建模方法不僅發揮了各自的優勢，還克服了各自的局限，為其他國產 SGPE 和 STPP 聚烯烴工藝的產品質量預測和優化提供了新的解決方案。

基于“機理+AI”混合建模技術，將機理模型的先驗知識與 AI 模型的數據挖掘能力相結合，提高預測的準確性。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品質量和生產效率。