基于LSTM网络的MES系统数据在线填补方法及系统技术方案

本发明专利技术公开了一种基于LSTM网络的MES系统数据在线填补方法及系统，该方法包括：获取LSTM网络数据预测模型，所述LSTM网络数据预测模型为经过训练的LSTM网络模型；当当前时刻T没有接收到现场数据时，将时序数据[X

【技术实现步骤摘要】
基于LSTM网络的MES系统数据在线填补方法及系统
本专利技术涉及钢铁加工制造领域，特别是涉及一种基于LSTM网络的MES系统数据在线填补方法及系统。
技术介绍
在钢铁生产领域，需要对生产过程中的一些参量进行监测，比如温度、流量、压力、电压、电流等，以便监测生产的过程、机器的工作状态等。这些数据一般由传感器获得，且是按照时间传输的时序化数据，同时，在采集阶段，由于一些客观原因，常出现信息缺失现象，数据缺失会对后续数据的操作和时序数据库的存储产生不利影响，所以对于缺失数据的填补是非常有必要的。现有的数据缺失填补方法大都是离线的填补方法，即是在数据保存至数据库之后，再进行缺失数据的判断和填补处理。这种离线的填补方法，在数据库中数据量比较大时，数据利用的延时会比较大，而且也存在数据采集之后不能直接利用(还需传输至数据库中进行数据的填补)所造成的可靠性较低的问题。对于一些特殊的工业现场，当发生数据缺失时，后续的机器可能无法维持正常的运转，这使得离线的数据填补方法不能满足上述需求。
技术实现思路
本专利技术的目的是提供一种基于本文档来自技高网...

【技术保护点】
1.一种基于LSTM网络的MES系统数据在线填补方法，其特征在于，包括：/n步骤1：获取LSTM网络数据预测模型，所述LSTM网络数据预测模型为经过训练的LSTM网络模型；/n步骤2：当当前时刻T没有接收到现场数据时，将时序数据[X

【技术特征摘要】
1.一种基于LSTM网络的MES系统数据在线填补方法，其特征在于，包括：
步骤1：获取LSTM网络数据预测模型，所述LSTM网络数据预测模型为经过训练的LSTM网络模型；
步骤2：当当前时刻T没有接收到现场数据时，将时序数据[XT-1,XT-2,…,XT-j,…,XT-N]输入所述LSTM网络数据预测模型，在线预测当前时刻T的数据信息，其中，j＝1,2,…,N，XT-j为当前时刻数据信息XT之前j个时间步长的数据信息；
步骤3：当当前时段T接收到现场数据时，以时序数据[XT-1,XT-2,…,XT-j,…,XT-N]为输入，以当前时刻T接收到的现场数据为标签，对所述LSTM网络数据预测模型进行在线训练并更新。


2.根据权利要求1所述的基于LSTM网络的MES系统数据在线填补方法，其特征在于，对所述LSTM网络数据预测模型进行在线训练，具体包括：
对所述时序数据以及当前时刻T接收到的现场数据进行归一化；
以归一化后的时序数据为输入，以归一化后的现场数据为标签，对所述LSTM网络数据预测模型进行训练。


3.根据权利要求1所述的基于LSTM网络的MES系统数据在线填补方法，其特征在于，所述在线预测当前时刻T的数据信息，具体包括：
对所述时序数据进行归一化；
将归一化后的时序数据输入所述LSTM网络数据预测模型；
对所述LSTM网络数据预测模型的输出结果进行反归一化，得到当前时刻T的数据信息。


4.根据权利要求2或3所述的基于LSTM网络的MES系统数据在线填补方法，其特征在于，所述数据信息包括若干维度，数据信息的归一化为各维度的归一化。


5.根据权利要求1所述的基于LSTM网络的MES系统数据在线填补方法，其特征在于，当LSTM网络数据预测模型未被更新时，步骤1获取到的LSTM网络数据预测模型为经过预训练的LSTM模型；当LSTM网络数据预测模型经过更新后，步骤1获取到的LSTM网络数据预测模型为更新后的LSTM网络数据预测模型。


6.根据权利要求5所述的基于LSTM网络的MES系统数据在线填补方法，其特征在于，步骤3中对所述LSTM网络数据预测模型进行训练时采用的学习率低于对所述LSTM网络数据预测模型预训练时采用的学习率...

【专利技术属性】
技术研发人员：柴森春，王昭洋，张佳，张百海，崔灵果，李慧芳，姚分喜，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11