[发明专利]一种基于深度概率潜隐模型的软测量方法

权利要求书

1.一种基于深度概率潜隐模型的软测量方法，其特征在于，包括以下步骤：

(1)采集工业过程在正常工况下的过程变量数据和质量变量数据，组成训练样本；

(2)对训练样本进行预处理，并利用滑动窗口策略将预处理后的训练样本进行划分，得到T组过程变量样本和T组质量变量样本；

(3)利用上述T组过程变量样本构建变分自编码器网络，并获得融合后的潜隐变量；

(4)构建融合后的潜隐变量与其中一组质量变量样本的拟合网络，最终得到由变分自编码器网络和拟合网络组成的有监督的深度非线性动态潜隐变量模型；

(5)在线采集同一工况下的工业过程的过程变量数据，利用所述深度非线性动态潜隐变量模型，得到对应的质量变量预测数据。

2.根据权利要求1所述的基于深度概率潜隐模型的软测量方法，其特征在于，T的取值范围为50～1000。

3.根据权利要求1所述的基于深度概率潜隐模型的软测量方法，其特征在于，步骤(3)中，利用T组过程变量样本构建变分自编码器网络时，采用自监督的方式，利用T个变分自编码器结构分别对T组过程变量样本提取动态潜隐变量z(t)，其结构如下：

z(1)＝μ(1)+σ(1)×ε,ε～N(0,I)

z(t)＝P(t)z(t-1)+W(t)μ(t)+σ(t)×ε

其中，t∈[2,T]，μ(1)、σ(1)和ε分别代表t＝1时变分自编码器对应的均值、标准差以及高斯噪声，转移矩阵P(t)表示z(t)和z(t-1)之间的关系，W(t)代表μ(t)和z(t)的关系，μ(t),σ(t),ε分别代表变分自编码器生成的均值、标准差以及高斯噪声。

4.根据权利要求3所述的基于深度概率潜隐模型的软测量方法，其特征在于，对得到的动态潜隐变量z(t)进行加权求和计算，得到所述融合后的潜隐变量，计算公式如下：

e(t)＝z(t)×U(t)+b(t)

其中，U(t)和b(t)分别是动态潜隐变量的变换矩阵和偏置矩阵，η_A表示模型系数，代表内积。

5.根据权利要求3所述的基于深度概率潜隐模型的软测量方法，其特征在于，步骤(3)中，利用T组过程变量样本构建变分自编码器网络时，以损失函数作为优化目标；

损失函数的计算公式如下：

其中：

其中，t∈[2,T]，φ(1)和φ(t)代表解码层的参数，表示划分后的过程变量样本X(t)与对融合后的潜隐变量解码后的过程变量样本的最小平方误差。

6.根据权利要求1所述的基于深度概率潜隐模型的软测量方法，其特征在于，步骤(4)中，采用全连接层对融合后的潜隐变量和其中一组质量变量样本进行有监督的拟合，得到所述拟合网络，结构如下：

其中，G(*)代表非线性变换函数，w₂(t)为高斯白噪声。

7.根据权利要求1所述的基于深度概率潜隐模型的软测量方法，其特征在于，步骤(4)中，对融合后的潜隐变量和其中一组质量变量样本进行拟合时，采用双层全连接层，并对第一层全连接层设置激活函数为Relu。

8.根据权利要求1所述的基于深度概率潜隐模型的软测量方法，其特征在于，步骤(4)中，融合后的潜隐变量与第T组质量变量样本进行有监督的拟合，得到所述拟合网络。

9.根据权利要求1所述的基于深度概率潜隐模型的软测量方法，其特征在于，步骤(5)中，在线采集的过程变量的数量与构建变分自编码器网络时训练样本中过程变量的数量保持一致。

10.根据权利要求1所述的基于深度概率潜隐模型的软测量方法，其特征在于，所述工业过程为氨合成过程。