【技术实现步骤摘要】
一种基于Transformer的自编码器软测量建模方法
[0001]本专利技术涉及一种软测量建模方法,该方法在工业生产及控制领域具有重要的应用和推广价值。
技术介绍
[0002]在工业生产过程中,实时监测关键质量变量对监控、指导和优化生产活动有重要的意义。然而,由于所处生产环境恶劣、测量仪器昂贵等原因,一些关键质量变量并不容易获得。且一些关键质量变量的检测具有采样周期长、高延迟的特点,测量数据存在滞后性,严重限制生产水平的进一步提高。软测量技术仅仅依赖易获得的辅助变量间接获得关键质量变量的数值,为工业过程中关键质量变量的监测提供了一种新的途径。软测量技术通过将数据分析与系统辨识技术相结合,来构建难测变量的预测模型,最终达到代替硬件仪表测量的目的。如果建立的软测量模型准确可靠,不仅可以实现关键变量的准确测量,避免昂贵的硬件设备的投入,还能够大幅提高工业生产过程的控制水平。
[0003]基于过程机理的软测量建模方法和基于数据驱动的软测量建模方法是软测量建模中常用的两种方法。基于过程机理建模的方法基于生产过程的内部机理建模。该方法通常根据能量守恒定律、动力学以及物料平衡等化学、物理定律,建立描述生产过程信息的模型,由此反映过程变量之间的内在关联。但是,要想建立准确的机理驱动模型,需要对过程的内部机理有非常系统、深入的了解。然而,对于复杂的工业生产过程,精确的机理模型往往很难建立。特别是当模型变得复杂时,就更加难以实现,同时模型的精度也无法得到保证。这极大地限制了机理建模方法在工业生产过程中的推广使用。相比于机理建模 ...
【技术保护点】
【技术特征摘要】
1.一种基于Transformer和自编码器提取特征表示的软测量建模方法,其特征在于:包括以下步骤:步骤1:获取数据并进行数据预处理。获取工业系统中的历史数据,由于这些数据量纲不一使得模型的学习效果不是特别好,以及这些数据的顺序具有一定的规律会影响模型的预测性能。通过步骤1.1和步骤1.2对数据进行最大最小归一化和随机化的预处理操作。为了训练模型获得从无标签数据中学习信息的能力,训练集数据中需要包含无标签数据,步骤1.3进行数据集的划分。步骤1.1:对所有变量的数据进行最大最小归一化操作,将全部变量的数据范围统一起来,具体方法如下:其中max和min分别表示某变量的最大值和最小值,x'表示该变量进行最大最小归一化操作后的结果。步骤1.2:将数据进行随机化操作,打乱顺序,得到训练数据集。步骤1.3:为了训练模型具有从无标签数据中学习信息的能力,训练集数据中需要包含无标签数据,以1:1的比例把训练数据划分为有标签数据和无标签数据,其中有标签数据保留了标签信息,无标签数据不保留标签信息。步骤2:建立子模型1——重构模型。重构模型以全部训练集数据的N个辅助变量作为输入,输入数据既包含有标签数据集中的辅助变量数据,也包含无标签数据集中的辅助变量数据。重构模型是一个嵌入了Transformer的自编码器,包含编码器和解码器。首先通过步骤2.1、2.2、2.3、2.4构建编码器,然后通过步骤2.5构建解码器。步骤2.1:升维。升维操作将数据调整为合适的维度,有N个辅助变量的输入向量X∈R
N
被升维成X∈R
N
×
D
,其中D是每个辅助变量升维后的维度。步骤2.2:位置编码。位置编码的具体方法如下:步骤2.2:位置编码。位置编码的具体方法如下:其中,pos表示位置,d表示维度。得到的位置编码结果PE∈R
N
×
D
,将步骤2.1得到的X和PE相加得到注入了位置信息的X
PE
。步骤2.3:Transformer编码器层。将步骤2.2得到的X
PE
进入T个Transformer编码器模块提取全局非线性特征。每个Transformer编码器结构如图4所示。X
PE
在一个Transformer编码器中先进行多头注意力计算,“多头”意味着将X
PE
划分成几个子空间,子空间的数量就是头的数量,在每个子空间head
h
中做关于可训练矩阵q
h
,k
h
,v
h
的自注意力计算,多头注意力计算方式如下:MHA(X
PE
)=project(Concat(head1,head2,
…
,head
h
))head
h
=Attention(q
h
,k
h
,v
h
)
为了提高表示能力,需要做残差连接操作,多头注意力结果MHA(X
PE
)和原始X
PE
相...
【专利技术属性】
技术研发人员:高世伟,赵文丰,党小超,董晓辉,张稣艾,曾宇峰,方则宇,陈致伟,
申请(专利权)人:西北师范大学,
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。