【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...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。