一种基于时序融合网络模型的加料回潮设备温度预测方法技术

本发明专利技术公开了一种基于时序融合网络模型的加料回潮设备温度预测方法，涉及生产过程控制领域，包括：采集加料回潮设备生产环境中时间序列数据，并进行预处理；将数据集划分为训练集、验证集和测试集，并对训练集注入高斯噪声；构建对出口温度进行预测的预测模型，预测模型为时序融合网络模型，包括残差TCN时序卷积网络、SK‑Net多尺度注意力网络和BiLSTM双向循环网络；利用训练集对预测模型进行预训练；利用训练好的预测模型对加料回潮设备出口温度进行预测；对预测结果进行评估，如果评估指标大于阈值，则启动增量训练流程重新训练预测模型。本发明专利技术通过多模块结合的深度学习模型，在复杂多变工业环境下，可以提高加料回潮设备出口温度的预测准确性。

【技术实现步骤摘要】

本专利技术涉及生产过程控制领域，尤其涉及一种基于时序融合网络模型的加料回潮设备温度预测方法。

技术介绍

1、在卷烟生产过程中，加料回潮设备的出口温度精准控制是烟叶含水率均匀性、香料渗透效果及工艺稳定性的核心保障。传统pid控制依赖经验参数调节，无法预判热力学系统的长延迟特性，导致超调量过高；基于机理模型的预测控制（如有限元法）虽能描述温度场分布，但计算复杂度高、实时性差，且难以适应设备老化引起的传热系数衰减。统计学习模型（如自回归积分滑动平均模型（auto - regressive integrated moving averagemodel，arima）+支持向量机（support vector machine，svm））依赖人工特征工程，对非线性工况的泛化能力不足。近年来，基于卷积神经网络（convolutional neural network，cnn）的深度学习方法被引入工业温度预测领域，但现有方案在时序建模能力与工业场景适配性方面仍存在显著缺陷。与本技术方案最相近似的实现方案为基于cnn的温度预测方法，该方法将温度时序数据转换为二维灰度图像（横轴本文档来自技高网...

【技术保护点】

1.一种基于时序融合网络模型的加料回潮设备温度预测方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的方法，其特征在于，在所述步骤S101中，所述时间序列数据为三维时序张量数据，包括样本数、时间步长和特征维度，所述特征维度包括出口温度实际值、出口含水率、工艺蒸汽流量实际值、加水流量和入口水分。

3.如权利要求2所述的方法，其特征在于，在所述步骤S101中，所述预处理包括缺失数据填补、异常数据填充和动态归一化，其中：

4.如权利要求3所述的方法，其特征在于，在所述步骤S105中，所述残差TCN时序卷积网络通过因果卷积和膨胀卷积有效捕捉长时间的...

【技术特征摘要】

1.一种基于时序融合网络模型的加料回潮设备温度预测方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的方法，其特征在于，在所述步骤s101中，所述时间序列数据为三维时序张量数据，包括样本数、时间步长和特征维度，所述特征维度包括出口温度实际值、出口含水率、工艺蒸汽流量实际值、加水流量和入口水分。

3.如权利要求2所述的方法，其特征在于，在所述步骤s101中，所述预处理包括缺失数据填补、异常数据填充和动态归一化，其中：

4.如权利要求3所述的方法，其特征在于，在所述步骤s105中，所述残差tcn时序卷积网络通过因果卷积和膨胀卷积有效捕捉长时间的依赖关系，包括如下步骤：

5.如权利要求4所述的方法，其特征在于，在所述步骤s105中，所述sk-net多尺度注意力网络配置实现特征提取，增强模型对关键区域的...

【专利技术属性】
技术研发人员：杨桓，刘文起，范书贤，董兰芬，刘嘉哲，徐迎收，昝鑫，陈扬，
申请(专利权)人：河北白沙烟草有限责任公司，
类型：发明
国别省市：