【技术实现步骤摘要】
一种基于一维卷积
‑
堆叠自编码器的软测量模型构建方法
[0001]本专利技术涉及一种数据驱动的软测量方法,尤其涉及一种基于一维卷积
‑
堆叠自编码器(1D
‑
SAE)的软测量模型构建方法。
技术介绍
[0002]在工业生产中,先进的、优化的控制被广泛用于生产过程中以换取最大的经济效益,而这些方法广泛依赖于关键产品质量的实时识别。然而,这些质量数据往往难以实时检测,即使可以通过实验分析得到,其获取也具有相当大的时间延迟。为了解决这些问题,构建软测量模型的方法被开发出来,其通过用易于测量的过程数据建立数学模型来间接估计那些难以测量的质量数据。随着越来越丰富的过程数据被采集和存储下来,数据驱动的软测量模型构建方法已经成为主流,其中最流行的方法有主成分回归(PCR)、偏最小二乘回归(PLSR)、人工神经网络(ANNs)和支持向量回归(SVR)。
[0003]近年来,深度学习已用于复杂、大规模系统中的大数据特征提取来解决高维、无关信息和高冗余等问题。其中,堆叠自动编码器(SAE)是一个具有多个自动编码器(AE)单元的深度网络,其使用无监督的层级预训练和有监督的微调技术进行训练模型。预训练模拟了人脑的多层抽象功能,允许逐层提取抽象数据特征。微调过程将预训练过程训练完成的网络参数用于初始化并和后续网络融合进行训练,以构建更强大和更准确的软测量模型。
[0004]深度神经网络的一个局限在于训练的速度较慢,对于高维度数据而言,这样的局限更为明显。一维卷积可以在计算代价 ...
【技术保护点】
【技术特征摘要】
1.一种基于一维卷积
‑
堆叠自编码器(1D
‑
SAE)的软测量模型构建方法,其特征在于,包括以下步骤:离线建模阶段的实施过程如下所示:步骤(1):采集正常运行工况下的n个采样时刻m个传感变量带噪数据以组成数据集矩阵X=[x1,x2,...,x
m
]∈R
n
×
m
,其中n为数据集样本数,m为传感器测量变量数,R为实数集;步骤(2):对数据按z
‑
score方法标准化,得到数据Z
train
=[z
train1
,z
train2
,...,z
trainm
]∈R
n
×
m
,并得到均值u=[μ1,μ2,...,μ
m
]∈R1×
m
和标准差Φ=[σ1,σ2,...,σ
m
]∈R1×
m
;步骤(3):选取需要通过软测量模型拟合、预测的质量变量数据Y
train
=[z
trainj
]∈R
n
×1及特征变量X
train
=[z
train1
,z
train2
,...,z
trainj
‑1,z
trainj+1
…
,z
trainm
]∈R
n
×
(m
‑
1)
;步骤(4):构建一维卷积自动编码器模块,设计训练器并设置训练周期、学习率、一维卷积自动编码器模块层数等网络超参数;步骤(5):将特征变量X
train
=[z
train1
,z
train2
,...,z
trainj
‑1,z
trainj+1
…
,z
trainm
]∈R
n
×
(m
‑
1)
输入到第一层一维卷积自动编码器模块中,经过训练获得输入和输出重构误差最小情况下的第一层隐层数据h1和卷积层卷积核参数权重weight1和偏差bias1。将第一层隐层数据h1作为第二层一维卷积自动编码器模块的输入进行训练得到第二层隐层数据h2和卷积层卷积核参数权重weight2和偏置bias2。以此类推,直到经过k个一维卷积自动编码器模块后,高维度的训练集输入数据被降维至合适维度。此时预训练过程完成,并得到以下参数:隐藏层数据:h1,h2,...,h
k
,其中,对于第i时刻隐层数据,h
i
的维度是h
i+1
维度的两倍;卷积核权重:Weight=[weight1,weight2,...,weight
k
]∈R3×
k
;卷积核偏置:Bias=[bias1,bias2,...,bias
k
]∈R1×
k
;步骤(6):构建微调网络结构,设计训练器并设置训练周期、学习率等网络超参数。将预训练过程中所得到的卷积核权重:Weight=[weight1,weight2,...,weight
k
]∈R3×
k
和卷积核偏置:Bias=[bias1,bias2,...,bias
k
]∈R1×
k
作为k层网络的初始化参数进行设置。构建的两层全连接层,以作为软测量模型的输出;步骤(7):将数据X
train
=[z
train1
,z
train2
,...,z
trainj
‑1,z
trainj+1
…...
【专利技术属性】
技术研发人员:宋冰,周奕辰,侍洪波,时运,郑城风,宋易盟,
申请(专利权)人:华东理工大学,
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。