[发明专利]助训练框架下的质量变量预测方法、装置终端及介质

说明书

本申请关于一种助训练框架下的质量变量预测方法、装置、终端及存储介质，涉及复杂工业过程建模和故障诊断领域。该方法包括：获取待测数据集、有标签样本数据集以及无标签样本数据集；建立初始主学习模型以及与初始主学习模型对应的初始辅学习模型；对初始主学习模型以及初始辅学习模型进行训练；建立质量变量预测模型；将待测数据组输入质量变量预测模型。在预测的过程中，通过预先进行的无标签样本数据集以及有标签样本数据集的组合训练，在选取高全局信息含量的无标签样本数据集的基础上，提高了质量变量预测模型的质量，使无标签样本数量较多的场景下，质量变量的预测有了稳定且具体的途径，提高了对于质量变量进行预测的准确率和效率。

技术领域

本申请涉及复杂工业过程建模和故障诊断领域，特别涉及一种助训练框架下的质量变量预测方法、装置、终端及存储介质。

背景技术

复杂工业过程广泛存在于炼油、化工等领域，具有多变量、强耦合、强非线性、随机性、大时滞、输出不能在线测量、工况变化大等特点，难以用准确的数学模型描述。

为对于复杂工业过程进行解析，在对于复杂工业过程进行对应分析时，需要确定工业过程当中的质量变量。通常情况下，质量变量的变化情况可以反映复杂工业过程的工况是否正常。在进行质量变量的测量时，通常需要确定与质量变量相关的工况数据，基于工况数据进行样本集的构建，并通过样本集对于质量变量进行预测。

然而，相关技术当中，在自动测量复杂工业过程的质量变量的场景下，大部分样本集都无法附带对应的质量变量测量结果，也即，均为无标签样本数据集。在此情况下，难以基于复杂的样本集确定对于质量变量的具体预测方式，致使对于质量变量的测量的效率以及准确率较低。

发明内容

本申请关于一种助训练框架下的质量变量预测方法、装置、终端及存储介质，能够提高对于质量变量的检测效率以及准确率。该技术方案如下：

一方面，提供了一种助训练框架下的质量变量预测方法，该方法包括：

获取待测数据集、有标签样本数据集以及无标签样本数据集，有标签样本数据集中包括至少两组有标签样本数据组，以及与有标签样本数据组对应的样本质量变量数值，无标签样本数据集中包括至少两组无标签样本数据组，待测数据集中包括至少两组待测数据组；

建立初始主学习模型以及与初始主学习模型对应的初始辅学习模型，初始辅学习模型用于进行无标签样本数据的初步标注，初始主学习模型用于基于初步标注的结果进行有标签样本数据集的扩充；

通过无标签样本数据集以及有标签样本数据集对初始主学习模型以及初始辅学习模型进行训练，得到主学习模型以及辅学习模型；

基于主学习模型以及辅学习模型建立质量变量预测模型；

将待测数据组输入质量变量预测模型，输出得到与待测数据组对应的质量变量预测结果。

另一方面，提供了一种质量变量的预测装置，该装置包括：

获取模块，用于获取待测数据集、有标签样本数据集以及无标签样本数据集，有标签样本数据集中包括至少两组有标签样本数据组，以及与有标签样本数据组对应的样本质量变量数值，无标签样本数据集中包括至少两组无标签样本数据组，待测数据集中包括至少两组待测数据组；

建立模块，用于建立初始主学习模型以及与初始主学习模型对应的初始辅学习模型，初始辅学习模型用于进行无标签样本数据的初步标注，初始主学习模型用于基于初步标注的结果进行有标签样本数据集的扩充；

训练模块，用于通过无标签样本数据集以及有标签样本数据集对初始主学习模型以及初始辅学习模型进行训练，得到主学习模型以及辅学习模型；

建立模块，还用于基于主学习模型以及辅学习模型建立质量变量预测模型；