[发明专利]基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质

权利要求书

1.一种基于深度学习的复杂工业系统预报模型构建方法，其特征在于，所述方法包括：

建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；

采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数；

所述LSTM的模型参数包括：LSTM的神经元个数、单元节点数和LSTM的网络层数；

将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数；

固定所述LSTM的神经元个数和单元节点数，改变所述LSTM的网络层数，根据不同网络层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数；

所述工业系统为氧化铝制取系统，所述动态模型的输出变量为氧化铝溶液的苛性碱浓度检测误差，所述预报模型的输出为所述苛性碱浓度检测误差的预报值，所述苛性碱浓度检测误差为苛性碱浓度化验值与苛性碱浓度在线检测仪表的测量值之差。

2.根据权利要求1所述的方法，其特征在于，所述动态模型的输入变量包括所述氧化铝溶液的折光度、所述氧化铝溶液的温度、所述苛性碱浓度检测误差的历史值。

3.一种基于深度学习的复杂工业系统预报模型构建装置，其特征在于，所述装置包括：

动态模型建模模块，用于建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；

预报模型建模模块，采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数；

所述LSTM的模型参数包括：LSTM的神经元个数、单元节点数和LSTM的网络层数；

所述预报模型建模模块将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数；

所述预报模型建模模块固定所述LSTM的神经元个数和单元节点数，改变所述LSTM的网络层数，根据不同网络层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数；

所述工业系统为氧化铝制取系统，所述动态模型的输出变量为氧化铝溶液的苛性碱浓度检测误差，所述预报模型的输出为所述苛性碱浓度检测误差的预报值，所述苛性碱浓度检测误差为苛性碱浓度化验值与苛性碱浓度在线检测仪表的测量值之差。

4.根据权利要求3所述的装置，其特征在于，所述动态模型的输入变量包括所述氧化铝溶液的折光度、所述氧化铝溶液的温度、所述苛性碱浓度检测误差的历史值。

5.一种基于深度学习的复杂工业系统预报模型构建设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1或2所述的方法。

6.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1或2所述的方法。