[发明专利]一种基于动态卷积神经网络的复杂工业过程数据建模方法

权利要求书

1.一种基于动态卷积神经网络的复杂工业过程数据建模方法，其特征在于，所述方法包括：

a、选取与复杂工业过程难测目标变量相关性强的过程变量，采样得到各过程变量的时间序列；

b、利用等深分箱箱形图对所述各过程变量的时间序列进行异常点检测，并剔除检测到的异常点，然后使用线性插值法填补剔除的异常点位置；

c、提取所述目标变量采样时刻前一个过程时滞范围内各过程变量的时间序列为特征，组成包含过程动态特性的二维矩阵，形成图片式样本；

d、构建动态卷积神经网络(DCNN)分析工业过程数据的动态特性，自动识别各敏感变量的时间关系和空间关系，建立复杂工业过程目标变量的数据预测模型。

2.根据权利要求1所述的一种基于动态卷积神经网络的复杂工业过程数据建模方法，其特征在于，所述步骤a中，所述得到各过程变量的时间序列具体包括：

通过机理分析，选取与复杂工业过程数据预测建模目标变量相关性强的过程变量M个，根据建模需求确定采样时间间隔T，从提取出的原始数据采样N次，获得所选取的所述各过程变量的时间序列：x_i＝[x_i，1，X_i，2，...，x_i，N]^T，i＝1，2，...，M。

3.根据权利要求2所述的一种基于动态卷积神经网络的复杂工业过程数据建模方法，其特征在于，在所述步骤b中，所述利用等深分箱箱形图对所述各过程变量的时间序列进行异常点检测与剔除包括：

(1)等深分箱，具体包括：

对于任意一个过程变量时间序列x_i＝[x_i，1，X_i，2，...，X_i，N]^T，确定每个箱子的深度h，即每个箱子所包含的采样点数目，那么过程变量时间序列被分成的箱子数H为：

其中，mod表示取余数，表示向下取整，特别地，上式表明：当N不能被h整除时，x_i的后N mod h个元素不单独组成一个箱子，也不会进行异常点检测；

那么，第k个箱子B_i，k所包含的采样点为：

B_i，k＝[x_i，(k-1)h+1，x_i，(k-1)h+2，...，x_i，kh]0＜k≤H；

则所述过程变量时间序列表示为：

(2)箱形图异常点检测、剔除，具体包括：

对于所述第k个箱子B_i，k＝[x_i，(k-1)h+1，x_i，(k-1)h+2，...，x_i，kh]，将该箱子中所有数值由小到大排列得到有序箱B_i，k′＝[x′_i，(k-1)h+1，x′_i，(k-1)h+2，...，x′_i，kh]；

所述箱形图是通过四分位数来检测异常点的，为了得到所述四分位数，首先需确定所述四分位数的位置，其计算公式如下：

其中，P代表所述四分位数的位置，l表示所述四分位数的序号，根据所述四分位数的位置计算相应的四分位数；

下四分位数Q₁指的是将样本中所有数值由小到大排列后第25％的数字或分成四等份数值最小的分割点的数值，则所述下四分位数Q₁为：

其中，和分别表示对P₁向下取整、向上取整，N₊表示正整数；

中位数Q₂指的是将样本中所有数值由小到大排列后第50％的数字或处于中间位置的数值，则所述中位数Q₂为：

其中，和分别表示对P₂向下取整、向上取整，N₊表示正整数；

上四分位数Q₃指的是将样本中所有数值由小到大排列后第75％的数字或分成四等份数值最大的分割点的数值，则所述上四分位数Q₃为：

其中，和分别表示对P₃向下取整、向上取整，N₊表示正整数；

下限Min指的是非异常范围内的最小值，用四分位距确定限制线的位置，所述四分位全距IQR的计算公式为：IQR＝Q₃-Q₁；

则所述下限Min由下面公式确定：

Min＝min{x_i/x_i∈B_i，k∧x_i≥Q₁-1.5IQR}；

其中，min表示取最小值；

上限Max指的是非异常范围内的最大值，所述上限Max的计算公式为：

Max＝max{x_i/x_i∈B_i，k∧x_i≤Q₃+1.5IQR}；

其中，max表示取最大值；

所述箱形图的两个T形的盒须即为下、上限，统称为内限，内限外的数据点即为异常点，则所述箱子B_i，k中的异常点有：

O_i，k＝{x_i|x_i∈B_i，k∧(x_i＜Min∨x_i＞Max)}；

将计算得到的异常点直接剔除掉。