一种基于深度学习的无监督批量控制方法技术

技术编号：40500230 阅读：13 留言：0更新日期：2024-02-26 19:27

本发明专利技术公开了一种基于深度学习的无监督批量控制方法，该方法涉及机器学习、深度学习、无监督、过程控制等领域。首先，设计基于遗传算法的多路偏最小二乘自动编码器对数据进行特征提取并计算动态控制极限；其次，在每个时间间隔使用核密度估计来估计学习的潜在特征和残差的控制极限，进行故障监测，确保加工厂安全运行和最终产品高质量生产。与其他方法相比，本发明专利技术优势在于提升系统制水效率、降低能源消耗，提高设备运行的稳定性和鲁棒性，提高智能制造系统的可靠性，可广泛应用于化工、石油、制药、水处理等大型工业。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及机器学习、深度学习、无监督、过程控制领域，具体为一种基于深度学习的无监督批量控制方法。

技术介绍

1、医疗注射用水作为一种接近洁净的水资源常常作为配制注射剂、溶剂或制药用水的稀释液并广泛应用于医药容器的精洗，在医药行业具有不可替代的作用，其用量巨大，医疗注射用水的制备已经成为药企的能源消耗大户。

2、目前，医药行业使用的注射用水普遍采用多效蒸馏方法，蒸汽只能顺级、单次利用，循环利用率不足并且大量高温凝结水直接排空，造成能源的巨大浪费，无法满足节能减排的目标。因此，有效的过程监控对于安全操作这些过程并将过程的关键状态（温度、压力、ph）保持在最佳操作范围内至关重要。此外准确的过程监控模型将推动必要的纠正措施，以保持安全运行和最佳生产。

3、在线故障检测是一种监测过程最佳运行和安全的技术。根据在线故障检测的模型类型，再现故障检测算法大致分为三类：基于知识的方法、基于模型的方法与基于数据的方法。由于工业过程的精确机械模型难以获得，因此故障检测算法大多优先选择基于数据的检测算法。

4、综上所述，基于数据驱动的方法可以根据多元统计分析的方法利用统计学的中的理论知识进行分析，得到每个变量的特征统计量实现诊断功能。本专利技术提出了一种称为多路偏最小二乘自动编码器的深度学习架构，进行基于多效蒸馏技术的医疗注射用水高效制备系统优化设计、建模与控制以及核心关键部件高效强鲁棒性喷射器的研究有助于提升系统制水效率、降低能源消耗，提高设备运行的稳定性和鲁棒性，具有重要的理论价值和广阔的应用前景。

<br/>

技术实现思路

1、本专利技术旨在对工业制水过程中的关键变量（温度、压力、ph）进行检测，提高系统制水效率。本无监督学习的方法具体为提出了一种多路偏最小二乘自动编码器的深度学习架构，并使用具有新目标函数的遗传优化算法进行训练，具体步骤如下：

2、步骤1：数据采集以及预处理，收集工业制水批次数据构建输入矩阵，对其进行归一化处理，并分为训练样本和测试样本。

3、步骤1.1：假设所有的测量值和噪声都符合正态分布。对n个变量进行k次不同的独立采样，通过收集正常运行数据构建输入矩阵<mstyle displaystyle="true" mathcolor="#000000"><mi>x</mi><mi>=</mi><msup><mrow><mo>[</mo><mrow><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mi>,</mi><mi>x</mi><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mi>,</mi><mi>⋯</mi><mi>,</mi><mi>x</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mrow><mo>]</mo></mrow><mi>t</mi></msup><mi>∈</mi><msup><mi>r</mi><mrow><mi>n</mi><mi>×</mi><mi>m</mi></mrow></msup></mstyle>和<mstyle displaystyle="true" mathcolor="#000000"><mi>y</mi><mi>=</mi><msup><mrow><mo>[</mo><mrow><mi>y</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mi>,</mi><mi>y</mi><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mi>,</mi><mi>⋯</mi><mi>,</mi><mi>y</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mrow><mo>]</mo></mrow><mi>t</mi></msup><mi>∈</mi><msup><mi>r</mi><mrow><mi>n</mi><mi>×</mi><mi>l</mi></mrow></msup></mstyle>，n为样本数，m和l分别表示x和y变量个数，其中。

4、步骤1.2：对数据进行归一化处理，提升模型的收敛速度和精度以及消除单位差异带来的影响，需要将获取的原始数据和归一化处理为均值为0、方差为1的数据矩阵x，利用处理好的数据构建训练样本train和测试样本test，公式如下：

5、，

6、其中，和为的最大值和最小值，为所有特征变量归一化处理后的数据矩阵。

7、步骤2：基于遗传算法构建自编码神经网络模型，通过遗传算法对批次数据进行特征选择，构建自编码神经网络模型，将训练样本输入模型，以无监督的方式进行算法训练。

8、步骤2.1：初始化种群个数、迭代次数、当前代数、灾变计数、变异以及交叉概率；

9、步骤2.2：利用构建自编码神经网络模型对个体基因型进本文档来自技高网...

【技术保护点】

1.一种基于深度学习的无监督批量控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的无监督批量控制方法，其特征在于，步骤2所述的基于遗传算法构建自编码神经网络模型，通过遗传算法对批次数据进行特征选择，构建自编码神经网络模型，将训练样本输入模型，以无监督的方式进行算法训练，具体按照以下步骤实施：

3.根据权利要求1所述的一种基于深度学习的无监督批量控制方法，其特征在于，步骤3所述的确定控制极限，采用统计量和SPE统计量进行故障诊断，使用核密度估计法确定控制限，具体按照以下步骤实施：

4.根据权利要求1所述的一种基于深度学习的无监督批量控制方法，其特征在于，步骤4所述的对比监控指标，计算故障检测率，将监控指标的统计量与正常情况下计算出来的控制极限进行对比，通过判定逻辑确定故障是否发生，计算故障检测率，具体按照以下步骤实施：

【技术特征摘要】

1.一种基于深度学习的无监督批量控制方法，其特征在于，包括以下步骤：

3.根据权利要求1所述的一种基于深度学习的无监督...

【专利技术属性】
技术研发人员：李慧，杨帆，张秀梅，罗明月，李佳男，魏俊杰，武奥运，马钰民，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人