【技术实现步骤摘要】
多采样率工业过程关键质量指标在线预测方法
[0001]本申请属于工业过程质量指标在线预测
，尤其涉及一种多采样率工业过程关键质量指标在线预测方法。
技术介绍
[0002]在现代工业过程中，监控关键质量变量以保持过程的安全状态并提供有效的控制和优化方法是非常重要的。然而，由于恶劣的测量环境和昂贵的分析成本，很难实时测量这些重要的质量变量。因此，随着时间的推移，软测量技术应运而生，它利用与关键质量变量相关的辅助过程变量构建数学预测模型从而估计无法直接测量的关键质量变量。一般来说，软测量技术可分为两类：基于第一性原理的软测量模型和数据驱动的软测量模型。随着过程复杂性的增加，需要明确反应机制的第一性原理软测量模型很难能够提供准确的预测性能。相反，无需知晓反应机理、仅依赖于数据特点的数据驱动软测量模型已成为当前工业过程中的主流方法，这也得益于分布式控制系统能提供丰富得历史数据资源。
[0003]近年来，数据驱动软测量模型的研究在工业数据建模方面取得了许多重要成果。然而，大多数这些方法都是在假设工业过程具有统一采样率的基础...
【技术保护点】
【技术特征摘要】
1.一种多采样率工业过程关键质量指标在线预测方法，其特征在于，包括：确定与工业过程关键质量指标相关的多个过程变量，并将多个过程变量中的每一过程变量作为一建模辅助变量；获取辅助变量时间序列集；所述辅助变量时间序列集包括每个建模辅助变量在预设历史时间段内多次采样所组成的时间序列；按照采样频率从高至低的顺序，对所述辅助变量时间序列集中的时间序列进行排序，得到原始输入数据；利用多粒度补全模型对所述原始输入数据进行数据补全重构，得到重构的原始数据；所述多粒度补全模型包括依次连接的多层卷积网络、样本采样类别编码网络、Transformer网络的编码器以及线性输出层；以所述原始数据的重构误差为损失函数，对所述多粒度补全模型进行无监督训练，得到训练后的多粒度补全模型；利用所述Transformer网络的解码器对所述样本采样类别编码网络输出的编码后的输入数据，以及所述编码器输出的深层特征进行处理，得到所述原始数据的最终深层特征；将所述最终深层特征输入全连接层进行处理，得到所述原始数据对应的关键质量指标的预测值；以所述预测值的预测误差为损失函数，对由依次连接的所述多层卷积网络、所述样本采样类别编码网络、所述编码器、所述解码器和所述全连接层构成的指标预测模型进行训练，得到训练后的指标预测模型；实时采集每一所述建模辅助变量的数值，并将实时采集到的所述数值输入训练后的指标预测模型进行指标预测，得到所述关键质量指标的实时预测值。2.根据权利要求1所述的方法，其特征在于，所述利用多粒度补全模型对所述原始输入数据进行数据补全重构，得到重构的原始数据，包括：利用多层卷积网络对所述原始输入数据进行处理，得到所述建模辅助变量在所述预设历史时间段内未采样点的粗粒度估计值，并根据所述粗粒度估计值和所述原始输入数据得到粗粒度补全后的输入数据；利用所述样本采样类别编码网络对粗粒度补全后的输入数据进行采样类别编码，得到编码后的输入数据；将编码后的输入数据输入所述Transformer网络的编码器，通过所述编码器对所述粗粒度估计值进行细粒度修正；将细粒度修正后的输入数据输入所述线性输出层进行数据重构，得到重构的原始数据。3.根据权利要求2所述的方法，其特征在于，所述利用多层卷积网络对所述原始输入数据进行处理，得到所述建模辅助变量在所述预设历史时间段内未采样点的粗粒度估计值，并根据所述粗粒度估计值和所述原始输入数据得到粗粒度补全后的输入数据，包括：通过公式得到粗粒度补全后的输入数据X
conv
；其中，MultiConv(
·
)表示多层卷积网络，N
C
表示多层卷积网络的层数为模型超参数，
X
block
表示所述原始输入数据，M
miss
表示采样标记矩阵；M
miss
(x
i,j
)表示M
miss
中第i行第j列的元素，x
i,j
可观测表示X
block
中第i行第j列有采样值，x
i,j
未被采样表示X
block
中第i行第j列没有采样值。4.根据权利要求3所述的方法，其特征在于，所述利用所述样本采样类别编码网络对粗粒度补全后的输入数据进行采样类别编码，得到编码后的输入数据，包括：通过公式N
s<...
【专利技术属性】
技术研发人员：王雅琳，刘柢炬，赵金元，刘晨亮，李桂海，谭栩杰，田加科，林邠，董铭江，
申请(专利权)人：北京瑞太智联技术有限公司，
类型：发明
国别省市：
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。