[发明专利]一种基于深度概率潜隐模型的软测量方法

说明书

本发明提供一种基于深度概率潜隐模型的软测量方法，包括以下步骤：采集正常工况下工业过程的过程变量数据和质量变量数据组成训练样本；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划分为T组过程变量样本和T组质量变量样本；利用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；构建潜隐变量与质量变量样本的拟合网络，得到深度非线性动态潜隐变量模型；在线采集同一工况下的工业过程的过程变量数据，利用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。本发明的方法具有处理强动态性和非线性工业数据的能力，能对上万级大型数据进行处理，具有很强的泛化能力。

技术领域

本发明属于关键变量预测技术领域，具体涉及一种基于深度概率潜隐模型的软测量方法。

背景技术

近年来，随着工业技术的飞速发展，工业生产规模越来越庞大。通过使用多传感器技术配合集散控制系统(DCS)，可实现对温度、流量以及压力等过程及操作变量的信息提取以及存放，并已成功应用于大型工业过程。但是，在工业生产过程中，还存在一部分关键变量，它们是工业过程控制中的重要参数。受到技术或经济的限制，导致很多重要参数无法直接测量，部分关键信息的缺失不可避免。

因此为了解决“测量难、建模难、控制难”的问题以保证产品质量，软测量技术得到了人们的重视。该技术通过建立数学模型，可实现对隐藏特征的估计，从而有效地预测关键为工业过程监控提供了重要的实时信息。

与传统方法相比，软测量技术具有成本低、实时性好等优势。软测量技术通常分为两大类，分别为机理模型和数据驱动模型。机理模型受到复杂的工业过程噪声影响，难以发挥作用。而通过分析海量的测量数据，基于数据驱动的软测量技术得到了快速发展。这项技术能通过历史数据建立预测模型，成为解决估计系统关键参数的重要手段。且该控制技术有效提高了过程控制的效率，无需先验知识和操作经验，因此在复杂工业控制过程中得到了广泛的应用。

目前，许多多元统计方法和机器学习方法已被应用于基于数据驱动的软测量技术中。常用的方法有主成分回归(PCR)模型以及偏最小二乘回归(PLSR)模型。这两种方法通过提取主元信息进行数据降维，以达到对关键参数的估计以及变量信息的预测。受到静态建模的约束，它们并不能有效处理有强动态特性的工业数据。

针对这一问题，动态主成分回归(DPCR)通过利用滑动窗口建立增广矩阵，实现动态信息的提取。而动态概率潜隐变量回归模型(DPLVM)在概率框架下成功捕捉到了动态自相关特征。它们都有效改善了用于动态工业过程监控的软测量模型的精度。但是这些方法均未考虑到数据的非线性特性，并且存在泛化能力差的缺陷。

在复杂工业背景下，基于深度学习的软测量技术引起了学者们的重视。主流的深度学习方法有深度信赖网络(DBN)以及自动编码器(AE)等。实际上，这些基于深度学习的软测量模型都面临同一个难题：它们都属于黑箱模型，无法表示出确切的分布函数，缺乏对隐藏特征以及结果的可解释性。这导致在对工业领域关键决策的合理性做出判断的时候，黑箱模型难以得到广泛应用。此外，工业生产规模的扩大导致时序序列过长，长距离的信息在传递时被稀释甚至忽略。

目前，结合非线性以及动态特性进行软测量建模的研究还较少。因此，需要提出一种既具备可解释性，又能够捕捉全局信息特征，同时能够处理强动态性及强非线性的工业数据的深度学习软测量技术。

发明内容

为解决上述现有技术中存在的问题，本发明提供一种基于深度概率潜隐模型的软测量方法，其具有处理强动态性和强非线性的工业数据的能力，能够对上万级的大型数据进行处理，具有很强的泛化能力。

本发明考虑到工业过程数据的强动态特性以及其巨大的数据量，提供一种基于深度概率潜隐模型的关键变量预测方法，预测过程如下：

首先，通过传感器配合集散控制系统进行数据的采集以及存储，得到正常工况下的过程变量数据以及质量变量数据。