针对工业厂房中的过程的预测制造技术

为了针对工业厂房中的过程生成实时或至少近实时预测，神经网络集被训练来创建训练模型集。训练模型集然后被用于通过将原始空间中的在线测量结果输入到两个训练模型来输出预测，两个训练模型的输出作为缩减空间输入和缩减空间初始状态而被馈送到第三训练模型。第三训练模型将缩减空间输入处理为缩减空间预测。它们被馈送到第四训练模型，第四训练模型输出原始空间中的预测。

【技术实现步骤摘要】
【国外来华专利技术】针对工业厂房中的过程的预测
本专利技术涉及提供预测，特别是针对工业厂房中具有多个变量的过程来提供预测。
技术介绍
计算机与计算设备之间、特别是能够在用户不参与的情况下进行通信的不同传感器之间联网的发展增加了在设施和过程中收集的数据量。例如，在工业厂房内拥有数以千计的传感器和控制元件来监视过程和设施的各方面的情况并非闻所未闻。所收集的大量数据与人工智能和机器学习进行组合，在多个
(包括不同的预测系统)取得了许多进步。例如，Aswani、Anil等人在Automatica第49卷第5期(2013)第1216至1226页的“Provablysafeandrobustlearning-basedmodelpredictivecontrol.”；Rosolia、Ugo以及FrancescoBorrelli在IFAC-PapersOnLine第50卷第1期(2017)第3142至3147页的“LearningModelPredictiveControlforIterativeTasks:AComputationallyEfficientApproac本文档来自技高网...

【技术保护点】
1.一种计算机实现的方法，包括：/n接收在线测量结果，所述在线测量结果包括针对多个变量，从工业厂房中的过程测量的值；/n将原始空间中的所述测量结果输入到工业厂房中的所述过程的第一训练模型和所述工业过程的第二训练模型；/n由所述第一训练模型来将所述测量结果处理为缩减空间输入；/n由所述第二训练模型来将所述测量结果处理为缩减空间初始状态；/n将所述缩减空间输入和所述缩减空间初始状态馈送到工业厂房中的所述过程的第三训练模型；/n由所述第三训练模型来将所述缩减空间输入和所述缩减空间初始状态处理为缩减空间预测；/n将所述缩减空间预测馈送到工业厂房中的所述过程的第四训练模型；/n由所述第四训练模型来将所述...

【技术特征摘要】
【国外来华专利技术】20181213 EP 18212177.21.一种计算机实现的方法，包括：
接收在线测量结果，所述在线测量结果包括针对多个变量，从工业厂房中的过程测量的值；
将原始空间中的所述测量结果输入到工业厂房中的所述过程的第一训练模型和所述工业过程的第二训练模型；
由所述第一训练模型来将所述测量结果处理为缩减空间输入；
由所述第二训练模型来将所述测量结果处理为缩减空间初始状态；
将所述缩减空间输入和所述缩减空间初始状态馈送到工业厂房中的所述过程的第三训练模型；
由所述第三训练模型来将所述缩减空间输入和所述缩减空间初始状态处理为缩减空间预测；
将所述缩减空间预测馈送到工业厂房中的所述过程的第四训练模型；
由所述第四训练模型来将所述缩减空间预测处理为所述原始空间中的预测；以及
输出所述预测。


2.根据权利要求1所述的计算机实现的方法，还包括：
接收对所述训练模型中的至少一个训练模型的更新；以及
对应地更新所述训练模型中的所述至少一个训练模型。


3.根据权利要求1或2所述的计算机实现的方法，其中所述第一训练模型和所述第四训练模型基于一个或多个变分自动编码器，所述第三训练模型基于一个或多个递归神经网络，并且所述第二训练模型基于一个或多个前馈人工神经网络。


4.一种用于为工业厂房中的过程创建训练模型集的计算机实现的方法，所述训练模型集包括第一训练模型、第二训练模型、第三训练模型和第四训练模型，所述方法包括：
将来自工业厂房中的所述过程的过去测量结果用作训练数据；
通过同时训练编码人工神经网络和解码人工神经网络来创建所述第一训练模型和所述第四训练模型，所述编码人工神经网络用于降维来学习所述第一训练模型，所述解码人工神经网络用于维度恢复来学习所述第四训练模型，其中所述降维是从原始空间到缩减空间，所述维度恢复是从所述缩减空间到所述原始空间；以及
通过顺序地训练神经网络来创建所述第二训练模型和所述第三训练模型，首先在所述第一训练模型与所述第四训练模型之间训练递归神经网络来创建针对缩减空间预测的所述第三训练模型，然后训练前馈人工神经网络来创建针对缩减空间初始状态的所述第二训练模型，或者同时训练所述第一训练模型与所述第四训练模型之间的所述递归神经网络、以及所述前馈人工神经网络。


5.根据权利要求4所述的计算机实现的方法，其中所述编码人工神经网络和所述解码人工神经网络是变分自动编码器；并且所述第一训练模型和所述第四训练模型在监督学习过程中学习。


6.根据权利要求4或5所述的计算机实现的方法，还包括当通过顺序地训练神经网络来创建所述第二训练模型和所述第三训练模型时：
在训练所述递归神经网络时，将由所述第一训练模型从所述过去测量结果产生的缩减空间输出和作为初始状态的零用作所述递归神经网络的输入；
通过使用来自工业厂房中的所述过程的过去测量结果并且通过调整所输出的降阶初始状态，来训练具有目标的所述人工神经网络，以生成更好的预测结果。


7.根据权利要求4或5所述的计算机实现的方法，...

【专利技术属性】
技术研发人员：穆罕默德·梅尔坎戈伊兹，安德利亚·科蒂诺维斯，
申请(专利权)人：ABB瑞士股份有限公司，
类型：发明
国别省市：瑞士;CH