基于序列建模的多尺度工业关键参数长时间预测方法技术

本发明专利技术针对具有时滞特性的工业过程的优化控制需求，提供基于序列建模的多尺度工业关键参数长时间预测方法。该方法首先利用分组卷积对原始序列进行多次下采样，以获得工业数据在不同时间尺度上的特征。然后，将这些特征输入多层网络中分别进行趋势季节分解，以分离模式复杂的季节项特征和模式简单的趋势项特征。随后，将完整的季节项特征输入多头注意力机制(Multi‑Head Attention)中基于序列建模变量维度的依赖关系。接着，提出跨尺度冗余优化机制来缓解多尺度网络固有的信息重叠问题并将以变量为中心的特征依次输入到双向门控循环单元(BiGRU)和卷积网络(CNN)中建模序列之间和序列内的时间维度依赖关系。最后，利用多层感知机(MLP)挖掘趋势项特征并与季节项特征结合来获得工业关键参数数据的潜在特征并进行预测。通过本发明专利技术提高了工业关键参数的长时间预测精度，为具有时滞特性的工业过程的优化控制提供了技术支撑。

【技术实现步骤摘要】

本专利技术属于工业时间序列预测领域，具体说是基于序列建模的多尺度工业关键参数长时间预测方法。

技术介绍

1、现代工业中普遍存在大时滞现象，具体来说，系统运行的状态参数不会立刻响应控制参数的变化。比如在食品加工工业的松散回潮过程中，操作人员通常根据滚筒出口处的物料水分判断运行工况。然而，从蒸汽装置覆盖区域到滚筒出口需要经历一段时间，这意味着当监测到出口水分值偏离需求时再调节控制参数已经存在滞后。因此，对于工业优化控制而言，通过有效的特征提取准确预测未来较远时间步长的关键参数可以帮助提前感知系统的演变从而进行及时调整，以确保系统的运作始终处于最优状态。

2、长时间预测任务需要利用大量的历史数据捕获潜在的长期模式，这需要模型具备复杂的特征提取能力，这对传统的统计学习和机器学习方法是一个挑战。而深度学习方法由于其对非线性特征的拟合性能良好已经成为主流方法。目前，深度学习方法大多将单个采样值作为模型的输入单元，这使得模型在面临大量输入时容易分散对关键信息的关注。同时，工业场景下采集的数据往往含有随机噪声，这些随机噪声利用数据预处理技术也难以完全去除，利用本文档来自技高网...

【技术保护点】

1.基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，执行如下步骤实现通过历史数据预测目标参数，用于调控时滞特性工业过程的优化控制需求；方法包括如下步骤：

2.根据权利要求1所述的基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，所述工业过程的关键参数数据为设置在工业生产环境中的检测传感器和调控设备采集的工业数据和控制数据。

3.根据权利要求1所述的基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，松散回潮过程中，变量数据包括物料在滚筒入口处的水分、物料在滚筒出口处的水分、以及加水实际值、水阀开度、出口温度实际值、加水设定值、料桶1实...

【技术特征摘要】

1.基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，执行如下步骤实现通过历史数据预测目标参数，用于调控时滞特性工业过程的优化控制需求；方法包括如下步骤：

2.根据权利要求1所述的基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，所述工业过程的关键参数数据为设置在工业生产环境中的检测传感器和调控设备采集的工业数据和控制数据。

3.根据权利要求1所述的基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，松散回潮过程中，变量数据包括物料在滚筒入口处的水分、物料在滚筒出口处的水分、以及加水实际值、水阀开度、出口温度实际值、加水设定值、料桶1实际温度、料桶2实际温度、加水系数；目标参数为物料在滚筒出口处的水分。

4.根据权利要求1所述的基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，所述预处理包括以下步骤：

5.根据权利要求1所述的基于序列建模...

【专利技术属性】
技术研发人员：周晓锋，吕长垚，李帅，胡国良，潘福成，史海波，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：