橡胶工业是我国国民经济重要的基础性传统产业,中国是最大的合成橡胶生产国。随着汽车、医疗等领域的高速发展,对于橡胶制品的需求量越来越大,但也面临着高端产品品类少、产量不足、主要依赖进口、工艺与装备技术落后、利润空间小等问题与挑战。本文以连续溶液法制备溴化丁基橡胶生产装置为研究对象,基于生产工艺数据、设备运行工况数据、产品质量化验数据等多元、多维信息融合,开展橡胶胶粒溶液浓度“软测量”方法研究。通过对制备过程中的有效样本进行采集,利用特征工程提炼关键特征,基于BP神经网络算法建立浓度预测模型,实现胶粒浓度实时预测,从而指导操作工对聚合反应前的浆液配比添加操作。本文主要工作及创新性研究成果如下:1、研究了橡胶胶粒溶液浓度预测关键特征提取方法。结合工业过程数据的质量特性,选用缺失值处理、分箱分区、归一化、特征组合方法,对生产工况数据进行相关性分析,提炼传送带下料流量、挤压机电流、挤压机电机温度、挤压机磨头压力、搅拌罐进料压力、搅拌罐内壁温度6个关键特征。2、提出了一种面向场景的工业大数据应用建模方法。从橡胶生产装置、工艺过程、操作参数、设备运行、质量化验等海量数据中筛选有效样本,融合关键设备运行机理与人工操作经验,建立橡胶胶粒浓度预测模型,开展模型训练、实验、误差分析和上线评估等工作,实现胶粒浓度的实时“软测量”。3、基于上述关键特征提取与工业大数据应用建模方法,择取了山东京博石油化工有限公司年产5万吨丁基橡胶装置进行应用验证。基于BP神经网络算法的胶粒浓度预测模型实际运行结果与化验测算结果对比误差小于50kg/h,相对误差可以控制在1%以内,橡胶胶粒溶液浓度CPK值由原来的0.75上升至0.86,产品质量的稳定性大大提升。