基于数知迁移的过程参数单变量时序预测方法及系统技术方案

本发明专利技术实施例提供一种基于数知迁移的过程参数单变量时序预测方法及系统，属于流程工业技术领域

【技术实现步骤摘要】
基于数知迁移的过程参数单变量时序预测方法及系统


[0001]本专利技术涉及流程工业
，具体地涉及一种基于数知迁移的过程参数单变量时序预测方法及一种基于数知迁移的过程参数单变量时序预测系统
。

技术介绍

[0002]过程参数的时序预测建模对于流程工业优化生产和运行优化决策有着重要的现实意义，因为它能够针对生产过程中的某些关键变量进行准确而高效的运行估计以帮助决策者实现预测性过程监控，例如，在过程参数异常前进行报警
。
单变量时序预测建模是流程工业时序预测任务中最普遍的需求之一，它通常根据单变量时间序列的历史值来估算和推断出其随时间推移而可能出现的变化，其中单变量时间序列主要包含在周期项
、
趋势项和随机项等主要数学特征中，因此如何从历史原始时序数据中分离并确定对应的特征项将会直接决定预测结果
。
采用信号分解算法将序列分解成频率成分相对简单的子序列被证实可以有效实现特征项分离，并有利于预测模型的构建
。
小波变换作为一种时频域信号处理方法，继承和发展了短时傅里叶变换局部化的思想，同时克服了窗口大小不随频率变化等缺点，提供了频率变化自适应的“时间
‑
频率”窗口，是进行信号时频分析和处理的理想工具，在此基础上，小波分解可以基于多尺度分析原理，将分解为低频部分和高频部分的时序数据进行不同尺度下的分析与建模研究，从而为单变量时序预测建模研究提供不同尺度与不同维度变量下的建模视角
。
[0003]在实际生产活动中，由于工业生产现场的复杂特性使得数据在产生
、
采集以及通讯等阶段受到多个来源不同的噪声影响，而由高噪声带来的时序预测模型输入不确定的问题一直困扰着时序预测的建模过程
。
其中普遍的做法是假设工业数据中的高噪声由多个不同概率分布的独立随机变量构成，因此根据中心极限定理，这些噪声的归化和将会随着噪声规模的增加而趋近于高斯分布，即，噪声的高斯分布假设，基于该假设，考虑输入不确定的数据预测模型相继提出，以期获得高鲁棒性时序预测结果
。
而深度核函数网络
(DKN)
是在该背景下提出的具有代表性的输入不确定模型，它克服了基于传统的
ANN
，
RBF
神经网络，多层知机网络等模型进行输入不确定时序预测时出现的过拟合
、
陷入局部极值，模型结构参数确定困难等问题，同时基于概率分析方法在
SVM
的基础上利用去噪算法将浅层的核函数扩展成深层结构以提高对复杂非线性过程中高噪声数据的处理能力
。
然而，在流程工业领域，工况的时变特性使得
DKN
在处理非稳定工况下的高噪声问题时往往出现网络收敛慢
、
权值假饱和以及建模效率低下等问题，这主要是因为非稳定工况自身伴随着众多的不确定性因素，如：原料改变
、
设备工作状态改变等等，使其干扰并抵消了
DKN
对于高斯假设噪声的有效学习过程
。
然而事实上，针对非稳定工况的分析与研究相较于稳定工况对于流程工业的生产优化具有更重要的现实意义，非稳定工况不仅会直接增加能耗物耗损失，同时会为产品质量和生产稳定性带来巨大挑战
。
而在流程工业的稳定工况下，
DKN
对于输入不确定的时序预测问题仍然具备较强的处理能力，因此，将稳定工况下
DKN
的噪声知识迁移到非稳定工况下实施建模将是一次有益的尝试，然而迁移学习的形式以及知识迁移的深度将会直接影
响预测建模过程和最终的预测结果，因此需要进一步研究
。
[0004]在流程工业领域，另一个困扰时序建模完成预测任务的问题是：包括
DKN
在内的数据模型是基于纯数据驱动的建模方法，而对于多数工程问题，无法获得足量且优质的数据用以网络模型尤其是深度网络模型的构建
。
这一困难在模型的实际应用中具体体现在两个方面：一方面，部分流程工业粗放式的生产过程决定了收集的数据质量低，使得数据预处理的难度和成本增加，因此，很多研究认为时序预测模型的性能在一定程度上最终取决于数据本身的知识含量而非预测模型的先进程度；另一方面，部分流程工业的过程参数变化频率低，而针对过程参数调整的实验成本很高，这就意味着，过分依赖于数据规模的深度网络模型难以直接应用于这类工业现场
。
针对传统基于数据驱动的单变量时序预测模型在输入不确定场景下出现的泛化性能退化以及流程工业工况的时变特征使得传统的
DKN
网络收敛慢
、
权值假饱等问题，需要提出一种新的单变量时序预测方案
。

技术实现思路

[0005]本专利技术实施方式的目的是提供一种基于数知迁移的过程参数单变量时序预测方法及系统，以至少解决传统基于数据驱动的单变量时序预测模型在输入不确定场景下出现的泛化性能退化以及流程工业工况的时变特征使得传统的
DKN
网络收敛慢
、
权值假饱的问题
。
[0006]为了实现上述目的，本专利技术第一方面提供一种基于数知迁移的过程参数单变量时序预测方法，所述方法包括：采集单变量时序基础信息，并对所述基础信息进行预处理，获得训练基础信息；基于所述训练基础信息进行知识嵌入式
DKN
网络预训练，获得去噪参数；基于所述去噪参数和所述基础信息进行知识嵌入式
DKN
网络二次训练，获得训练后网络；基于所述训练后网络，执行非稳定工况下时序预测
。
[0007]可选的，所述单变量时序基础信息包括：原始单变量时序信号和知识信息；其中，所述知识信息为流程工业的经验数据
、
实验数据
、
历史总结数据中的一种或多种
。
[0008]可选的，所述对所述基础信息进行预处理包括：对所述原始单变量时序信号进行分解，包括：基于小波分解对所述原始单变量时序信号进行时频解构，获得多个分解信号；所述分解信号包括：多个高频信号和一个低频信号；对所述知识信息进行过程知识发现和知识实例化，包括：从所述知识信息中筛选流程工业的过程知识；将所述过程知识转化为二元组边界知识实例与关系方程
。
[0009]可选的，所述基于所述训练基础信息进行知识嵌入式
DKN
网络预训练，获得去噪参数，包括：将高斯分布噪声引入所述分解信号，并将所述二元组边界知识实例与关系方程嵌入迭代训练的损失函数中，进行知识嵌入式
DKN
网络训练；在所述
DKN
网络训练过程中，通过误差反向传播更新网络参数，获得去噪网络参数和未添加噪声的原始输入，作为去噪参数
。
[0010]可选的，所述基于所述去噪参数和所述基础信息进行知识嵌入式
DKN
网络二次训练，获得训练后网络，包括：将所述去噪网络参数添加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于数知迁移的过程参数单变量时序预测方法，其特征在于，所述方法包括：采集单变量时序基础信息，并对所述基础信息进行预处理，获得训练基础信息；基于所述训练基础信息进行知识嵌入式
DKN
网络预训练，获得去噪参数；基于所述去噪参数和所述基础信息进行知识嵌入式
DKN
网络二次训练，获得训练后网络；基于所述训练后网络，执行非稳定工况下时序预测
。2.
根据权利要求1所述的方法，其特征在于，所述单变量时序基础信息包括：原始单变量时序信号和知识信息；其中，所述知识信息为流程工业的经验数据
、
实验数据
、
历史总结数据中的一种或多种
。3.
根据权利要求2所述的方法，其特征在于，所述对所述基础信息进行预处理包括：对所述原始单变量时序信号进行分解，包括：基于小波分解对所述原始单变量时序信号进行时频解构，获得多个分解信号；所述分解信号包括：多个高频信号和一个低频信号；对所述知识信息进行过程知识发现和知识实例化，包括：从所述知识信息中筛选流程工业的过程知识；将所述过程知识转化为二元组边界知识实例与关系方程
。4.
根据权利要求3所述的方法，其特征在于，所述基于所述训练基础信息进行知识嵌入式
DKN
网络预训练，获得去噪参数，包括：将高斯分布噪声引入所述分解信号，并将所述二元组边界知识实例与关系方程嵌入迭代训练的损失函数中，进行知识嵌入式
DKN
网络训练；在所述
DKN
网络训练过程中，通过误差反向传播更新网络参数，获得去噪网络参数和未添加噪声的原始输入，作为去噪参数
。5.
根据权利要求4所述的方法，其特征在于，所述基于所述去噪参数和所述基础信息进行知识嵌式
DKN
网络二次训练，获得训练后网络，包括：将所述去噪网络参数添加到二次训练的初始参数中；基于所述初始参数，以所述未添加噪声的原始输入的分解信号为原始输入，以预测变量实际值为预测标签，将所述二元组边界知识实例添加到终止条件中，以知识嵌入...

【专利技术属性】
技术研发人员：纪杨建，孙林进，
申请(专利权)人：浙江大学，
类型：发明
国别省市：