多特征融合深度神经网络的工业生产过程目标数据预测方法技术

本发明专利技术公开了一种多特征融合深度神经网络的工业生产过程目标数据预测方法。利用传感器通过等间隔采样采集工业设备中与关键变量相关的其他变量时间序列数据，对流程工业中关键变量的时间序列数据进行预测分析；输入到预先设计构建的深度卷积神经网络中进行训练；将关键变量的历史数据按时间步分割好后输入至深度门控循环神经网络学习；利用多特征融合方法，将两个网络得到的输出特征融合再输入到全连接层，通过反向传播优化网络参数，提高预测精度。本发明专利技术为工业生产中的过程监测提供了可靠有效的目标变量参数预测，缓解了工业生产中对如铁水含硅量等关键性变量测量的滞后性。

【技术实现步骤摘要】
多特征融合深度神经网络的工业生产过程目标数据预测方法
本专利技术属于流程工业生产领域的一种工业参数预测方法，具体涉及一种基于多特征融合的工业生产过程关键参数预测方法。
技术介绍
现流程工业系统逐步走向智能化、集成化、自动化程度越来越高，整个工业系统的功能也越来越完善，因此系统内各变量之间的相关性也越来越紧密。同时随着各类传感器的出现，流程工业中可得到的参数越来越多，为工业大数据处理提供了数据来源。然而，流程工业中的关键参数测量依旧存在极大的滞后性，比如高炉炼铁中的铁水含硅量，这一类关键参数往往只能通过软测量的方法获得，传统的直接测量方法存在着极大的滞后性。通过提前预知流程工业中的关键参数可以对整个工业系统的当前和未来状态有一个推测，这样方便从业人员可以及时发现工业系统中哪些设备存在问题，并方便提前做出操作，稳定系统，预防工业事故的发生。实现流程工业关键参数预测对稳定整体工业系统和工业生产安全具有重大意义。针对工业过程关键性参数监测，常用的解决方法有两种。一种方法是通过不断研发实时性强、准确度更高的新型仪器用于直接测量。第二种方法就是通过测量与待检测的关键性参数相关联的其他变量，通过统计学或者神经网络的方法得到变量之间的非线性关系用于推算关键性变量，间接得到目标参数。相对于第二种方法，第一种方法存在设备成本高、研发周期长、分析周期长、滞后性严重等问题，使得操作员不能及时了解工业系统的实时状态，造成生产质量下降，能源浪费严重。第二种方法也称之为软测量方法，直接测量易监测的变量，通过学习目标变量与已知变量之间的潜在关系建立预测模型[2]，这样就能完成对目标变量的实时预测估计，相对于第一种方法，该方法开发周期短并且成本低。公告号为CN110400007A的中国技术专利，公开了“一种基于改进门控循环神经网络的铁水质量预报方法”，其通过将门控循环神经网络的重置门和更新门合并为单一处置门，减低了模型的复杂程度。但此种方法所用的门控循环神经网络不善于捕捉数据维度的特征，因此数据维度的信息容易被丢失，对于更复杂的流程工业问题以及工况，预测效果并不理想。而本专利技术通过多特征融合技术，将善于学习数据维度的神经网络结构引入，就可以解决数据维度信息被丢失的问题，最终同时用时间维度特征与数据维度特征获得预测值，进一步提高关键参数的预测精度。
技术实现思路
为了解决
技术介绍
中存在的技术问题，本专利技术提供了一种基于多特征融合深度神经网络的流程工业关键参数预测方法，能够对流程工业中的原始时间序列信号进行数据挖掘，学习目标关键参数与易测参数之间的关系并实时预测目标关键参数。本专利技术方法适用于流程工业实时系统状态监测，特别是目标关键参数具有很强的序列相关性，所测工业系统状态参数具有很强的惯性，为工业生产中的过程监测提供了可靠有效的目标变量参数预测，缓解了工业生产中对如铁水含硅量等关键性变量测量的滞后性。本专利技术采用的技术方案是方法具体包括以下步骤：本专利技术方法总体具体包括以下步骤：步骤1，通过等时间间隔在不同时刻对正常工况下的工业生产过程进行采样获得包含目标变量参数的生产状态数据，生产状态数据进行预处理获得数据集；步骤2，将数据集输入到多特征融合深度神经网络处理得到目标变量参数的预测结果。所述方法具体为：步骤1，通过等时间间隔在不同时刻对正常工况下的工业生产过程进行采样获得生产状态数据，生产状态数据为通过不同传感器检测获得的多变量参数，对采集到的生产状态数据分别按照时刻和按照传感器进行分割，分别时间序列数据和传感器分类数据，作为后续同时输入到包含由两种神经网络的多特征融合深度神经网络的两个数据集；具体可以将目标变量的信号时间序列数据按时序划分成同等长度的各个子数据，每个子数据均包含相同数量的采样点。所述的生产状态数据是指通过传感器检测获得的变量参数，包括目标变量参数与参考变量参数的数据，目标变量参数是无法通过传感器直接实时准确检测获得的、只能通过传感器滞后检测获得的变量参数，参考变量参数是通过传感器能直接实时准确检测获得的变量参数；所述的目标数据为无法通过传感器直接实时准确检测获得的、只能通过传感器滞后检测获得的目标变量参数，也是为工业生产过程中的关键参数。目标变量参数通常是指流程工业中难以直接测量的关键参数如铁水含硅量、井底丁烷浓度等。每一传感器检测获得的为一种变量参数，不同传感器在同一时刻获得的数据为不同的变量参数。步骤2，多特征融合深度神经网络主要括深度卷积神经网络、深度门控循环神经网络和多特征融合层，深度卷积神经网络、深度门控循环神经网络的输出端均连接到多特征融合层；2.1、所述的时间序列数据为同一时刻的各个传感器检测直接获得的变量参数，以时间序列数据中的参考变量参数作为输入，以时间序列数据中的传感器滞后检测获得的目标变量参数作为输出一起输入到深度卷积神经网络中进行处理，学习获得同时刻不同变量参数间的关系，得到目标变量参数与生产状态数据的变量参数之间的关系；2.2、设置时间步，将传感器分类数据中目标变量参数对应的部分按照时间步进行滑窗取样，将取样后的数据输入到单步预测的深度门控循环神经网络中，学习目标变量参数的不同时刻之间的关系，学习时间序列的周期性、趋势性，得到目标变量参数的历史多个时刻数据对当前时刻数据的关系；目标变量为实际滞后测得的传感器测量参数。2.3、将深度卷积神经网络在最后全连接层之前的输出预测数据和深度门控循环神经网络在最后全连接层之前的输出预测数据共同输入到多特征融合层中，利用多特征融合进行融合，具体是：利用加合层将两个输出预测数据相加并联得到合并特征后的信息，再经过压平层压扁成一维数据后输入最后的全连接层，输出目标变量参数的预测值结果；由此将相同样本数的高维特征数据合并，把数据维度的特征与时间维度的特征全部映射到高维的特征空间中，将这些数据最后输入全连接神经网络中输出最终目标的预测结果。输出预测数据包括了窗口数、窗口大小，特征维度，几个预测值对应几个窗口数量。深度卷积神经网络在最后全连接层之前的输出预测数据和深度门控循环神经网络在最后全连接层之前的输出预测数据均为高维特征数据，高维特征是将原始数据映射到一个更高维的空间得到的。采用上述步骤处理获得两种数据集，输入深度卷积神经网络的数据集的每个数据向量都包含除目标变量参数的参考变量参数，输入深度门控循环神经网络的数据集的每个数据向量都包含需要预测的目标变量参数前固定时间步的历史数据；将数据集分别输入至深度卷积神经网络和深度门控循环网络进行特征提取。经过两个网络后，两部分训练样本都被映射到同维度特征空间，将两部分特征合并，通过一个Flatten层将高维数据压扁成一维输入到全连接层，用于输出目标变量结果。2.4、将多特征融合层输出的融合特征再输入至最后一层的全连接层中，利用反向传播算法训练深度卷积神经网络与深度门控循环网络，调整深度卷积神经网络与深度门控循环网络的权重参数，实现预测值与真实值的逼近过程，优化获得训练后的深度卷积神经网络与深度门本文档来自技高网...

【技术保护点】
1.一种多特征融合深度神经网络的工业生产过程目标数据预测方法，其特征在于：该方法具体包括以下步骤：/n步骤1，通过等时间间隔在不同时刻对正常工况下的工业生产过程进行采样获得包含目标变量参数的生产状态数据，生产状态数据进行预处理获得数据集；/n步骤2，将数据集输入到多特征融合深度神经网络处理得到目标变量参数的预测结果。/n

【技术特征摘要】
1.一种多特征融合深度神经网络的工业生产过程目标数据预测方法，其特征在于：该方法具体包括以下步骤：
步骤1，通过等时间间隔在不同时刻对正常工况下的工业生产过程进行采样获得包含目标变量参数的生产状态数据，生产状态数据进行预处理获得数据集；
步骤2，将数据集输入到多特征融合深度神经网络处理得到目标变量参数的预测结果。


2.根据权利要求1所述的一种多特征融合深度神经网络的工业生产过程目标数据预测方法，其特征在于：所述方法具体为：
步骤1，通过等时间间隔在不同时刻对正常工况下的工业生产过程进行采样获得生产状态数据，生产状态数据为通过不同传感器检测获得的多变量参数，对采集到的生产状态数据分别按照时刻和按照传感器进行分割，分别时间序列数据和传感器分类数据，作为后续同时输入到包含由两种神经网络的多特征融合深度神经网络的两个数据集；所述的生产状态数据是指通过传感器检测获得的变量参数，包括目标变量参数与参考变量参数的数据，目标变量参数是无法通过传感器直接实时准确检测获得的、只能通过传感器滞后检测获得的变量参数，参考变量参数是通过传感器能直接实时准确检测获得的变量参数；
步骤2，多特征融合深度神经网络主要括深度卷积神经网络、深度门控循环神经网络和多特征融合层，深度卷积神经网络、深度门控循环神经网络的输出端均连接到多特征融合层；
2.1、所述的时间序列数据为同一时刻的各个传感器检测直接获得的变量参数，以时间序列数据中的参考变量参数作为输入，以时间序列数据中的目标变量参数作为输出一起输入到深度卷积神经网络中进行处理，学习获得同时刻不同变量参数间的关系，得到目标变量参数与生产状态数据的变量参数之间的关系；
2.2、设置时间步，将传感器分类数据中目标变量参数对应的部分按照时间步进行滑窗取样，将取样后的数据输入到单步预测的深度门控循环神经网络中，学习目标变量参数的不同时刻之间的关系，得到目标变量参数的历史多个时刻数据对当前时刻数据的关系；
2.3、将深度卷积神经网络在最后全连接层之前的输出预测数据和深度门控循环神经网络在最后全连接层之前的输出预测数据共同输入到多特征融合层中，利用多特征融合进行融合，具体是：利用加合层将两个输出预测数据相加并联得到合并特征后的信息，再经过压平层压扁成一维数据后输入最后的全连接层；
2.4、将多特征融合层输出的融合特征再输入至最后一层的全连接层中，利用反向传播算法训练深度卷积神经网络与深...

【专利技术属性】
技术研发人员：曾九孙，欧阳航，丁克勤，蔡晋辉，姚燕，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33