[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

说明书

本发明提供了一种模型结构、参数及变量阶次未知的复杂工业系统预报模型构建方法、装置、设备及存储介质。复杂工业系统预报模型构建方法包括：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。针对复杂工业系统难以建立动态数学模型的问题，将动态系统建模方法与完备信息空间的深度学习技术相结合，实现了复杂工业动态系统预报模型的构建。

技术领域

本发明属于工业人工智能技术领域，涉及基于深度学习的复杂工业动态系统预报模型构建方法、装置、设备及存储介质。

背景技术

由于复杂工业系统难以建立动态数学模型，其运行决策仍然依靠知识工作者凭经验和知识人工决策，实现工业系统的运行决策的优化，关键是预测在决策的操作动作下，反映该系统的产品质量、效率、消耗的生产指标和关键工艺参数是否在目标值范围内。由于生产制造过程的复杂性，造成大多生产指标与关键工艺参数无法在线准确测量，如磨矿过程的浓度与粒度、氧化铝生产过程的苛性碱浓度等关键工艺参数的检测、电熔镁砂生产过程的需量的变化率等，只能通过人工化验或事后统计的方法获取。因此存在严重的滞后性，知识工作者只能根据滞后的信息凭经验与知识做决策，造成产品质量不稳定、消耗高等问题。实现生产指标与关键工艺参数的准确预报，必须解决目前已有的系统辨识方法和深度学习方法无法用于模型结构未知、输入输出变量阶次未知的复杂动态系统预报模型的建模难题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。本发明的技术方案如下：

一种基于深度学习的复杂工业系统预报模型构建方法，包括如下步骤：

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。

进一步，作为优选，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。

进一步，作为优选，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。

进一步，作为优选，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。

一种基于深度学习的复杂工业系统预报模型构建装置，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。