【技术实现步骤摘要】
一种基于模态共有特征分离的软测量建模方法
[0001]本专利技术属于工业过程控制
,涉及一种基于模态共有特征分离的软测量建模方法。
技术介绍
[0002]在工业过程中,用于帮助过程监测、故障诊断以及质量预报的关键变量被称为质量变量,而在过程中易于采集的传感器数据被称为过程变量。但质量变量由于一些客观条件的限制,直接获取的难度往往较大,例如测量的设施异常昂贵、测量的环境非常困难、实验室分析延迟较大等。针对此类难于直接观测的关键质量变量,一般的,可采用软测量建模的方法,即构建易于测量的过程变量与难于观测的质量变量之间的数学关系,进而进行推断和估计。
[0003]此外,在生产过程中,随着原料组分、生产需求、生产环境、生产工艺等因素的变化,同一生产线的状态也会随之发生物理或化学性质的变化,这也被称为多模态过程。为了解决多模态问题,现有的方法一般可分为线性算法、非线性算法、自适应学习算法。线性算法是建立多个子空间,从而提出变量、单元的分层预测。此类模型需要结合具体的多模态过程专家知识,以建立精确的多模态模型,不具备普适性;而非线性的方法往往是将多模态也视为一种高维的非线性因素,从而进行拟合。这需要引入更深层网络结构或增加网络节点进行非线性拟合,计算规模大,时间成本高,很难适用于实时性要求高的在线监测过程;自适应的学习方法能够不断实时动态更新模型,从而忽略过程的多模态特性,该方法对于一些简单的多模态过程建模效果较好,而处理复杂的非线性多模态过程,则会出现严重的信息丢失问题。
[0004]综上,现有的一些多模 ...
【技术保护点】
【技术特征摘要】
1.一种基于模态共有特征分离的软测量建模方法,其特征在于:具体包括如下步骤:步骤一、收集多模态工业过程建模所需的有标签数据集,随机采样,将数据分为训练集输入样本X
train
∈R1×
n
和测试集输入样本X
test
∈R1×
n
,训练集输入样本对应输出样本集Y
train
∈R1×1,测试集输入样本对应输出样本集Y
test
∈R1×1,其中n代表变量维度;步骤二、对步骤一中所述训练集X
train
进行模态划分,为每个样本标注一个对应的模态类别m;步骤三、基于开源深度学习平台Tensorflow搭建基于模态共有特征分离与自加权变分自编码器网络MSCS
‑
SW
‑
VAE模型;步骤1、搭建模态共有特征提取网络:使用β变分自编码器将训练集输入样本X
train
通过编码器映射到隐层空间,得到隐变量特征均值z
mean
和方差z
sigma
,均值和方差经过重参数化得到隐变量z=z
mean
+e
×
z
sigma
,其中e~N(0,I);隐变量z经由解码器得到输入数据X
train
的重构值定义编码器部分网络参数为θ
e
,解码器部分网络参数为θ
d
;定义模态共有特征提取网络的损失函数为L
x
+βD
KL
,其中L
x
为重构损失,βD
KL
为隐变量损失,βD
KL
=βD
KL
(N(z
mean
,z
sigma2
I),N(0,I)),D
KL
表示KL散度,β一般设置为大于1的超参数;步骤2、搭建模态共有特征增益网络及模态分类网络:将步骤1中隐变量特征均值z
mean
使用softmax分类器确定输入样本属于模态i的概率p
i
;定义模态分类网络参数为θ
m
,模态分类损失函数为其中k是模态个数,m是模态类别;定义特征增益网络损失函数时,引入了梯度反转方法;当反向梯度传播到隐层空间时,在损失函数L
m
前乘以一个负数
‑
λ,以到梯度反转的效果;随训练过程动态改变,p为迭代进程,表示当前迭代次数与总迭代次数的比率,γ取常数10;步骤3、搭...
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。