[发明专利]机理与数据混合驱动的生成式对抗网络软测量建模方法

说明书

机理与数据混合驱动的生成式对抗网络软测量建模方法，包括以下步骤：从辅助变量中采样得到数据q，从随机噪声中采样得到数据z，将q和z输入由机理模型和数据驱动误差补偿模型组成的待辨识的生成器中，得到生成样本将生成样本和真实样本x输入判别器，将得到的损失反向传播，得到最优的生成器参数；将该最优生成器取出作为训练好的软测量模型，使用操纵潜变量的方法分析模型的可解释性，并通过与单一驱动的软测量模型进行对比，分析此模型的预测性能，克服了静态模型无法捕捉数据间动态特性、机理驱动软测量模型存在建模误差、数据驱动软测量难以利用无标签数据以及可解释性差的局限，相比于单一驱动的软测量方法，具有预测准确和可靠的特点。

技术领域

本发明属于机器学习技术领域，具体涉及机理与数据混合驱动的生成式对抗网络软测量建模方法。

背景技术

在先进控制方案的实施过程中，除了需要在线获取温度、压力、液位等常规的工艺参数外，还需要对一些重要的过程变量进行实时检测，但受到技术、工艺条件或成本的限制，这些变量较难通过测量元件直接在线检测，为了克服这一难题，软测量技术应运而生，它将过程中易于测量的辅助变量作为输入，想要测量的主导变量作为输出，建立一个可以对主导变量预测的模型，从而实现对关键质量变量的准确估计。

目前，软测量建模方法主要分为机理驱动的软测量建模和数据驱动的软测量建模两种。机理驱动的软测量建模直接找出主导变量与辅助变量之间的定量关系，从而建立出以微分方程、代数方程或状态方程为主要表达式的数学模型。机理驱动的软测量建模存在如建模难度较大、模型有时过度简化及模型可移植性差等缺点。并且，实际工业过程中的高度非线性、外部不确定扰动和一些系统未知因素一般无法在机理模型得到体现，使得机理模型与实际过程之间存在建模误差，影响软测量检测结果的准确性。数据驱动的软测量建模方法无需了解过多的过程知识，仅利用过程数据就可以挖掘并建立出辅助变量与主导变量之间的数学模型。这些方法虽然有效规避了机理驱动软测量的缺点，但须指出的是，数据驱动软测量方法的可解释性差，其准确性仍旧受到过程数据量的限制，且在建模过程中往往忽视对数据中无标签样本所含的丰富信息进行利用，从而只能保证局部范围内的预测精度，难以提供令人满意的在线检测性能。

由上述分析可知，单一的机理驱动或数据驱动模型有其各自的优点与局限，因此，为了进一步提升软测量性能，需要提出一种更为有效的建模方法以结合两类模型的优点，同时能够解决单一驱动模型进行软测量时的问题。

另外，现有混合驱动软测量中的数据驱动部分大多使用离线模型，考虑到实际工业过程是动态系统，工业过程数据常为连续性的时间序列，且机理模型产生的测量误差也是动态变化的，因此，若进行静态软测量建模则无法捕捉数据的前后关系，往往导致在实际应用时模型估计精度低，鲁棒性差。因此，要想建立准确的软测量模型，需对其进行动态建模。

发明内容

为克服上述现有技术的不足，本发明的目的是提供机理与数据混合驱动的生成式对抗网络软测量建模方法，将机理模型及其数据驱动动态误差补偿模型一起作为待辨识的生成器，利用大量无标签样本进行建模的同时捕捉数据间的动态特性，从而建立起精确的且具备一定可解释性的动态软测量预测模型。

为实现上述目的，本发明采用的技术方案是：机理与数据混合驱动的生成式对抗网络软测量建模方法，包括以下步骤：

步骤1，从辅助变量中采样得到数据q，从随机噪声中采样得到数据z，将q和z输入由机理模型和数据驱动误差补偿模型组成的待辨识的生成器中，得到生成样本

步骤2，将生成样本和真实样本x输入判别器，将得到的损失反向传播，得到最优的生成器参数；

步骤3，将最优的生成器取出作为训练好的软测量模型，使用操纵潜变量的方法分析模型的可解释性；

所述的步骤1，具体做法是：

步骤1.1，机理驱动模型的输入为数据q，将数据q和数据z输入向量合并函数并在横向上进行合并，所得到的向量i作为数据驱动误差补偿模型的输入；