【技术实现步骤摘要】
本申请涉及计算机技术与人工智能领域，尤其涉及一种流程工业数字孪生平台时空特征融合的软测量方法。该方法主要适用于流程工业控制系统对难以直接获得的性能指标的实时、准确的辨识与估计任务。
技术介绍
1、下面对本申请涉及的一些名词术语及
技术介绍
进行介绍。
2、流程工业：流程工业(process industry)是指涉及物质转化、能源转换的连续性的制造工业，例如化工、钢铁、水泥、石油、造纸等等，其生产规模通常较为庞大。在流程工业中，从原材料到最终的产品，往往涉及到大量的物理、化学反应，包含了复杂的能量、物质和信息流动。因此，对于流程工业的实时监测、优化和控制至关重要。
3、数字孪生平台：数字孪生平台(digital twin platform)是指通过将物理实体(如工厂、设备或过程系统)与其虚拟模型相连接，进而实现实时的数据同步和交互的一类平台，这一平台通常具备监测、可视化、决策等功能。在流程工业中，对工业过程产生数据的集成和建模，有助于实现生产过程的实时监测、优化和控制，进而提高生产效率、产品质量和可靠性。
4、过程变量：过程变量(process variable)是指在工业过程中被测量、监测和/或控制的各种物理量及参数。这些变量可以是通过直接测量获得的，例如温度、压力、流量、浓度等等，也可以是通过其他的参数计算得出的，例如能耗、热效率、反应速率等等，同时还可以是通过人工化验、检测获得的，例如产品或者原材料的化学成分、性质等等。
5、时间序列：时间序列(time series)是指具有时
6、性能指标：性能指标(performance index)是指用于评估、衡量或描述系统、产品、服务或过程的质量、效率、可靠性和表现的度量标准。在流程工业中，性能指标通常是指流程工业过程产线、系统、设备的性能或者产品的质量，例如产线能耗、设备剩余寿命，产品尺寸精度、外观质量、化学成分等等。在特定的背景下，过程变量和性能指标可以相互转化。
7、软测量：软测量(soft sensing)是指利用数学模型或者数据分析技术，通过容易获取的变量，对无法直接测量或者难以测量的变量进行推断和计算的过程。在流程工业中，利用一些实时的、容易获取的过程变量数据点或者数据序列，对难以直接、实时测量得到的性能指标进行软测量，是流程工业控制系统监测、优化与控制过程中的关键环节之一。
8、自编码器：自编码器(autoencoder)是机器学习领域的一种模型，由编码器(encoder)和解码器(decoder)两部分组成，其中，编码器将输入数据从高维空间映射到低维潜在空间，而解码器则通过潜在空间重构出输入数据。自编码器的目标是学习数据的压缩表示，并尽可能准确地重建输入数据，因此这一模型在数据降维、特征提取、降噪等领域得到了广泛应用。
9、注意力机制：注意力机制(attention mechanism)是机器学习中一种常用的技术，它可以使模型在处理序列数据时，自动关注与当前任务相关的信息，而忽略不相关的部分。这一技术有助于从时间序列数据中提取关键特征、改善模型性能，并提高模型对长序列的处理能力。
10、图1为示例性的流程工业数字孪生平台的结构示意图。流程工业数字孪生平台基于各类产线、系统、设备等物理实体构建，主要分为数据感知层、数据集成层以及数据服务层三个层级。数据感知层是流程工业数字孪生平台的底层，用于感知和采集与生产过程相关的数据。数据采集的手段，例如包括通过部署在各个设备中的传感器获取，通过软测量的方法获取，以及通过人工化验、检测和上传的方法获取。通过各类方法感知得到的数据，将输送至数据集成层。数据集成层位于流程工业数字孪生平台的中间层，负责将从数据感知层获取的数据进行集成、处理和存储。具体而言，数据集成层首先通过一定的规则和协议，对数据感知层采集得到的数据进行清洗、整合与转换，并在此基础上将其存储在相应的数据库中，例如内置于dcs系统中的数据库，部分独立于dcs系统的边缘端数据库，或者位于云端的数据库中。数据服务层是流程工业数字孪生平台的顶层，其作用是基于数据集成层提供的数据，开展过程监测、参数优化、生产控制等任务，实现对流程工业生产过程的全面监控和优化，提高生产效率、产品质量和资源利用效率。
11、当前，在工业数字孪生平台中，针对工业中各类性能指标的软测量方法已经得到了初步的实践应用，从而解决或缓解部分性能指标检测难度大、获取成本高、更新实时性差、准确性波动大的问题。数据驱动的性能指标软测量方法，是一种利用工业历史数据，通过数据分析、统计学习等方法建立性能指标模型，在此基础上，通过将实时的工业数据输入模型，获得性能指标实时软测量结果的方法。数据驱动方法得益于其较强的拟合能力和较低的专家知识依赖，被广泛采用于各类工业性能指标的软测量任务中。
12、然而，在流程工业中，基于数据驱动建模的性能指标的软测量面临着两大难题：首先，在诸多情况下，有标签的数据远小于无标签数据规模，例如一些对于产品的化验结果往往每隔多个小时才会更新一次，而一些由传感器采集而来的数据的更新频率可达秒级。这导致仅有少量的过程变量数据点拥有相对应的性能指标标签。其次，由于原料成分、设备运行的不可控波动，以及生产过程中物理、化学反应的高度耦合，软测量性能指标与过程变量之间的相关性较弱，非线性关系凸显。上述的两个问题，使得仅依赖有标签数据的、形式简单的数据驱动方法难以在性能指标和过程变量之间建立准确的关系，导致性能指标的软测量效果欠佳、精度低下，进而影响了基于性能指标软测量结果的优化和控制的效果。
13、另外，在流程工业中，产品的生产往往需要通过一系列前后衔接的多个工序来实现。由于流程工业生产规模庞大，且不同工序的生产性质不同，因此采集自不同工序的过程变量时间序列之间，往往会表现出时空信息上的差异。时序信息可以定义为过程变量时间序列静态和动态水平的组合。其中，静态水平代表一个时间序列的均值，而动态水平则涵盖趋势、季节性等信息。另一方面，空间信息可以定义为来自不同工序中的过程变量时间序列中所包含的信息之间的差异，例如，由于工序的前后串行特点，采集自不同工序的过程变量时间序列对性能指标的影响时间范围各不相同。然而，上述两方面的差异，在现有的研究和工程实践中并没有得到足够的重视，进而限制了流程工业性能指标建模精度和软测量效果的进一步提升。结合数字孪生平台的优势，充分利用流程工业数据时空信息，将有助于改善性能指标建模的效果，进一步提升性能指标软测量的精度，为流程工业数字孪生平台的监测、诊断、优化控制等下游任务提供更加准确的参考和指导。
技术实现思路
1、针对上述的背景，本申请提供了一种流程工业数字孪生平台时空特征融合的软测量方法。本专利技术的技术方案如下：
2、一种流程本文档来自技高网...
【技术保护点】
1.一种流程工业数字孪生平台时空特征融合的软测量方法，其特征在于，包括：
2.基于权利要求1所述的方法，其特征在于：所述的自编码器网络，由用于时序特征提取的编码器和用于输入序列重构的解码器两部分组成；其中，编码器部分输入过程变量时间序列数据，并通过一系列网络层级的变换和处理，提取出加权均值特征和加权动态特征，并输出两者的特征拼接结果；解码器部分利用特征拼接结果，尝试对输入的时间序列进行重构，生成重构时间序列。
3.根据权利要求2所述的方法，其特征在于，所述编码器部分引入一个自注意力层，用于为形状为L×D的输入时间序列X分配注意力权重：
4.根据权利要求2或3所述的方法，其特征在于，所述解码器部分同时使用加权动态特征Vatt和加权均值特征Matt进行序列的重构，所述解码器将形状为1×(V+D)的编码器输出Z扩展为形状为L×(V+D)的重构动态信息序列接着通过一组LSTM网络，将重构动态信息序列还原为形状为L×D的重构过程变量时间序列
5.基于权利要求1所述的方法，其特征在于，一种时序特征提取与特征融合网络参数的同步训练方法，包括：p>
6.根据权利要求5所述的方法，其特征在于，所述的网络参数训练方法的半监督损失函数的表达式为：
7.根据权利要求6所述的方法，其特征在于，所述的半监督损失函数，特征距离损失的一种计算方法是：对于从不同的时序特征提取网络中提取得到的各组特征，首先，使用核主成分分析(Kernel Principal Component Analysis)的方法从所有组别的特征中提取得到维度一致的主成分特征，然后使用欧氏距离计算两两主成分特征之间的距离，求和并取其倒数：
...【技术特征摘要】
1.一种流程工业数字孪生平台时空特征融合的软测量方法，其特征在于，包括：
2.基于权利要求1所述的方法，其特征在于：所述的自编码器网络，由用于时序特征提取的编码器和用于输入序列重构的解码器两部分组成；其中，编码器部分输入过程变量时间序列数据，并通过一系列网络层级的变换和处理，提取出加权均值特征和加权动态特征，并输出两者的特征拼接结果；解码器部分利用特征拼接结果，尝试对输入的时间序列进行重构，生成重构时间序列。
3.根据权利要求2所述的方法，其特征在于，所述编码器部分引入一个自注意力层，用于为形状为l×d的输入时间序列x分配注意力权重：
4.根据权利要求2或3所述的方法，其特征在于，所述解码器部分同时使用加权动态特征vatt和加权均值特征matt进行序列的重构，所述解码器将形状为1×(v+d...
【专利技术属性】
技术研发人员：杨春节，赵雨辰，刘哲，孙优贤，肖航，
申请(专利权)人：浙江大学，
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。