可输出解释的深度学习工业控制系统技术方案

本发明专利技术提出了可输出解释的深度学习工业控制系统，包括：分析模块和决策模块；所述分析模块，用于对时间序列数据进行分析，获取初始预测结果和特征权重；所述决策模块，用于根据所述初始预测结果和特征权重，输出预测结果。本发明专利技术可以既有“深度学习”模型的强大的学习能力，又可以对其强大的学习能力做出解释。进而解决了工业控制领域使用深度学习模型做预测时决策者的不信任问题。测时决策者的不信任问题。测时决策者的不信任问题。

【技术实现步骤摘要】
可输出解释的深度学习工业控制系统


[0001]本专利技术属于自动控制
，尤其涉及可输出解释的深度学习工业控制系统。

技术介绍

[0002]本专利技术可适用于各种工业控制系统，以水刺工艺生产线的智能控制系统为例子。如图1所示，系统集成线上所有在线检测设备，实时采集分析在线检测设备检测到的海量数据(实时数据获取)，运用大数据分析及人工智能技术(二阶段模型)，快速高效的分析判断预测，并反馈控制调整相关工艺参数(参数控制)，有效降低无纺布质量波动，提高产品制成率。
[0003]该系统存在的问题：
[0004]该系统的分类模型、控制模型等采用深度学习模型。因为深度学习模型则会因“黑盒”性质(如图2所示)，出现可解释性不佳的情况，导致决策者或决策系统不知是否采用预测的结果，这与工业控制领域的追求的“严谨”有违背。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出了可输出解释的深度学习工业控制系统，旨在将二阶段模型与参数控制间，添加深度学习可解释性分析模块，在给出预测的同时，给出解释。这样参数控制台既可以得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.可输出解释的深度学习工业控制系统，其特征在于，包括：分析模块和决策模块；所述分析模块，用于对时间序列数据进行分析，获取初始预测结果和特征权重；所述决策模块，用于根据所述初始预测结果和特征权重，输出预测结果。2.根据权利要求1所述的可输出解释的深度学习工业控制系统，其特征在于，所述分析模块包括：第一构建单元和第一输出单元；所述第一构建单元，用于构建可解释的时间序列分析模型；所述第一输出单元，用于根据所述可解释的时间序列分析模型，对时间序列数据进行分析，获取初始预测结果和特征权重。3.根据权利要求2所述的可输出解释的深度学习工业控制系统，其特征在于，所述可解释的时间序列分析模型包括：依次连接的特征贡献选择网络模块、多头不带值矩阵转换的可解释的注意力机制模块和残差选择网络模块。4.根据权利要求3所述的可输出解释的深度学习工业控制系统，其特征在于，所述特征贡献选择网络模块包括：若干非线性残差选择网络；所述特征贡献选择网络模块中，特征维度的每一维特征都会输入到一个不一样的非线性残差选择网络当中，其中网络权重则由初始权重输入到一个新的非线性残差选择网络中去，再由softmax网络计算得到，最终将计算得到的重要性程度权重与转换后的每一维特征加权相乘相加则得到结果。5.根据权利要求3所述的可输出解释的深度学习工业控制系统，其特征在于，所述注意力机制模块，采用改进的基于Transformer中的多头注意力机制；改进的基于Transformer中的多头注意力机制为：改进的基于Transformer中的多...

【专利技术属性】
技术研发人员：李昀光，史晓慧，魏媛媛，张沛凯，张风苓，马振武，汪卫，
申请(专利权)人：济南永信新材料科技有限公司，
类型：发明
国别省市：