一种基于深度时空自编码器的软测量建模方法技术

本发明专利技术公开了一种基于深度时空自编码器的软测量建模方法，属于工业过程软测量建模领域。首先，选取与需要预测的质量指标相关的辅助变量，利用滑窗方法构造数据集。然后，设计一种记忆模块并嵌入到自编码器中，构造时序自编码器用于提取数据的时序特征；接着，开发了一种特征校准模块并嵌入到时序自编码器中构造时空自编码器，用于捕获数据的空间特征。最后，堆叠多个时空自编码器构成深度时空自编码器，将提取的时空特征输入到一个全连接层，实现对工业过程中的关键质量指标的实时预测。通过工厂实时数据进行测试，结果表明提出的深度时空自编码器能够提取更加鲁棒的高层语义特征，在软测量建模方面比现有的基准模型更精准。软测量建模方面比现有的基准模型更精准。软测量建模方面比现有的基准模型更精准。

【技术实现步骤摘要】
一种基于深度时空自编码器的软测量建模方法


[0001]本专利技术属于工业过程中关键质量指标的软测量方法，具体涉及一种基于深度时空自编码器的软测量建模方法。

技术介绍

[0002]近年来，随着“碳高峰”和“碳中和”概念的提出，绿色智能制造越来越受到学术界和工业界的关注。为了实现这一目标，迫切需要在现代工业过程中实时准确地进行关键性能指标预测、控制和优化。然而，由于检测仪器的局限性和工业环境的恶劣性，许多与产品质量相关的关键变量很难测量。为此，研究人员提出了软测量技术，通过易于测量的辅助变量来预测难以测量的质量变量。目前，有两种典型的软测量方法：基于机理的模型和数据驱动的模型。基于机理的建模方法以物理化学理论为基础，需要依靠大量的先验知识，才能建立精确的数学模型。但由于工业过程的机理知识复杂，难以获取，导致机理建模十分困难。因此，数据驱动的软测量建模在工业过程中得到了广泛的应用。
[0003]在过去几十年中，随着人工智能和大数据的兴起，数据驱动的软测量模型已经广泛应用在流程工业中，如冶金、化工和炼油行业。传统的数据驱动建模方法主要包括各种多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度时空自编码器的软测量建模方法，其特征在于，包括如下步骤：1)从实时工业过程数据库中读取相关的数据，并对数据进行预处理构造原始数据集；假设数据集中共有n个样本，其中M个辅助变量是易测量的，一个是需要预测的质量变量，那么原始数据集可以表示为D(x,y)＝{(x
j
,y
j
)|j＝1,2,3,...,n}，其中j表示第j个样本，x
j
表示辅助变量，y
j
表示待测的质量变量；2)利用滑窗思想对数据进行片段划分，以此构造训练集、验证集和测试集；滑窗的时间片段长度为T，那么序列化之后的数据片段表示为3)将自编码器按照时间顺序展开成链式结构，在相邻的两个自编码器中间嵌入记忆模块从而构造时序自编码器，所述的记忆模块用于存储有用的历史信息并传递给下一个自编码器；4)在时序自编码器获得隐层特征之后，将特征校准模块连接到时序自编码器的编码模块后面，并将隐层特征输入到特征校准模块中，量化提取的隐层特征与质量变量之间的重要度，搭建时空自编码器；然后将提取的时空特征输入到全连接层，对质量变量进行实时预测；5)将单个时空自编码器进行堆叠搭建深度时空自编码器模型，对搭建的深度时空自编码器模型进行训练，并用测试数据集进行验证，最终得到经过验证的深度时空自编码器模型。2.根据权利要求1所述的基于深度时空自编码器的软测量建模方法，其特征在于，所述的步骤3)中，对于给定的输入序列X＝{x1,x2,x3,...,x
t
},其中x
t
表示当前t时刻的辅助变量序列，时序自编码器的隐藏层表示为：其中，分别代表当前时刻t时刻自编码器的权重和偏置，D是隐藏层h
t
的维数，m
t
代表当前时刻的记忆状态，f
t
代表时序自编码器的编码函数，用于计算隐层特征，h
t
代表时序自编码器获得的隐层特征，[]代表对向量进行拼接。3.根据权利要求2所述的基于深度时空自编码器的软测量建模方法，其特征在于，所述的步骤3)中所述记忆模块的处理流程如下：在记忆模块中，包含一种门控单元g
t
‑1用于动态控制有多少历史信息需要保留或者遗忘，以便将有用的历史信息传递给下一个状态的自编码器，特征构造函数用于构造...

【专利技术属性】
技术研发人员：杨春节，严锋，陈健，
申请(专利权)人：浙江大学，
类型：发明
国别省市：