[发明专利]一种基于循环神经网络模型的工业过程半监督软测量方法

说明书

本发明公开一种基于循环神经网络模型的半监督软测量建模方法，该方法通过设置采样率，将多个输入样本和一个输出样本分为一组，然后将多组数据组成建模用的数据集代入循环神经网络模型中进行训练。本发明的方法可以充分利用目前工业过程中大量的无标签数据，还考虑到了过程的非线性、动态性，实现了关键过程变量的精确在线估计，实现在有标签数据比较少，难以准确建模的情况下建立精确的软测量模型，并对关键质量变量准确预测和监控。

技术领域

本发明属于工业过程预测与控制领域，涉及一种基于循环神经网络模型的工业过程半监督软测量方法。

背景技术

在实际的工业生产过程中，往往存在或多或少的关键过程变量无法实现在线检测，为了解决这个难题，通过采集过程中比较容易检测的变量，根据某种最优准侧，构造出一种以这些变量为输入，关键过程变量为输出的数学模型，实现对关键过程变量的在线估计，这便是工业过程中常用的软测量建模。

统计过程软测量建模的发展对于大规模的工业数据的需求极为显著。然而，软测量建模目前还存在很多问题。在工业过程中系统的复杂程度也是日益提高，过程数据中的非线性关系越来越突出，如果仍然利用传统的线性方法建立软测量模型，无疑不能胜任变量准确预测的任务，针对非线性过程特性，有神经网络核方法等模型，在众多模型中极限学习机模型由于它的计算速度快、建模效果准确，从而得到了越来越多的关注与应用，同时循环神经网络在考虑非线性的同时还考虑到了工业过程的动态特性，相比于普通的神经网络，循环神经网络的准确率更高。

与此同时，许多情况下机器学习问题中的有标签样本极为珍贵且非常稀少，无标签样本容易获得但人工标记过程又困难重重。如何充分提取无标签数据中的有用信息以达到提升模型性能，于是半监督领域越来越得到人们的关注和重视，协同训练算法作为半监督中的一种优秀的学习算法自提出以后就得到了广泛的关注。

发明内容

针对目前工业过程中有标签样本少、无标签样本多和过程非线性、动态性严重等问题，本发明提出了一种基于循环神经网络模型的工业过程半监督软测量建模方法，该方法利用循环神经网络模型在建模时不但利用了有标签数据还大量利用了无标签数据，同时还考虑到了过程的非线性和动态性，实现了关键过程变量的精确在线估计，具体技术方案如下：

一种基于循环神经网络模型的工业过程半监督软测量方法，其特征在于，该方法包括如下步骤：

步骤一：收集历史工业过程的数据，按照质量变量的采样率1/k采集建模的数据集L，L由辅助变量的输入数据集和质量变量的输出数据集组成，其中辅助变量的输入数据集为{x₁,x₂,x₃,...,x_i,...,x_n}，输入数据集中x_i表示i时刻的输入样本，x_i∈R^1×m，其中m表示过程中辅助变量个数，即输入样本的维度，R为实数集；对应的质量变量的输出数据集为{y_k,y_2k,y_3k,...,y_i,...,y_ceil(n/k)}，即，每k个输入样本对应一个输出样本,其中，ceil(n/k)表示对n/k下取整，y_i∈R^1×d，其中d表示质量变量的个数，即输出样本的维度，这样收集好模型的数据集L；

步骤二：将步骤一中收集到的数据集标准化，将过程变量化成均值为0，方差为1的新的数据集L；

步骤三：将数据集L按照采样率进行分组，即将k个输入样本和一个输出样本作为一组，按照这种方式将数据集分为ceil(n/k)组，此时输入数据集变形为ceil(n/k)×timestep×m的三维数据集，其中timestep表示循环神经网络的输入时间跨度，当采样率为1/k时，timestep为k，输出数据集变形为ceil(n/k)×d的数据集；