【技术实现步骤摘要】
本专利技术涉及流程工业软测量建模领域，具体是一种变工况情况下流程工业关键参数预测方法。
技术介绍
1、在流程工业中，由于生产过程的复杂性和动态性，许多关键工艺参数难以直接测量，或者测量设备的安装和维护成本高昂。软测量基于可测变量和不可测变量之间的关联关系，可以通过建立数学模型来估计这些难以直接测量的参数。
2、在流程工业的软测量建模中，常见的模型包括偏最小二乘回归、支持向量机回归等纯数据驱动模型。这些模型虽然能够基于现有数据进行预测，但由于数据的复杂性和动态性，其泛化性能往往会受到一定的限制。深度神经网络模型如循环神经网络、自注意力模型等的出现，改善了模型的泛化性能。这些模型能够更好地捕获数据的动态特性，从而提升预测的准确度。然而，循环神经网络和自注意力模型也存在一定的局限性，即存在可解释性较差的问题。为了解决这些问题，我们不仅要关注模型的泛化能力，还需考虑如何更好地捕获系统的动态特性和运行机理。
3、结构化状态空间模型是一种基于系统物理特性和运行机理的建模方法，能够深入描述系统的动态特性，具有快速并行训练和类似...
【技术保护点】
1.一种变工况情况下流程工业关键参数预测方法，其特征在于，包括：
2.根据权利要求1所述的变工况情况下流程工业关键参数预测方法，其特征在于，所述步骤S1中：不同工况的数据为从不同生产线上采集的数据。
3.根据权利要求1所述的变工况情况下流程工业关键参数预测方法，其特征在于，所述步骤S2中，编码器由一层全连接层组成。
4.根据权利要求1所述的变工况情况下流程工业关键参数预测方法，其特征在于，所述步骤S3中，域分类器包括：
5.根据权利要求1所述的变工况情况下流程工业关键参数预测方法，其特征在于，所述步骤S4中，结构化状态空
...【技术特征摘要】
1.一种变工况情况下流程工业关键参数预测方法，其特征在于，包括：
2.根据权利要求1所述的变工况情况下流程工业关键参数预测方法，其特征在于，所述步骤s1中：不同工况的数据为从不同生产线上采集的数据。
3.根据权利要求1所述的变工况情况下流程工业关键参数预测方法，其特征在于，所述步骤s2中，编码器由一层全连接层组成。
4.根据权利要求1所述的变工况情况下流程工业关键参数预测方法，其特征在于，所述步骤s3中，域分类器包括：
5.根据权利要求1所述的变工况...
【专利技术属性】
技术研发人员：阎高伟，刘溢文，徐旭东，朱竹军，孙倩，
申请(专利权)人：太原理工大学，
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。