[发明专利]一种基于循环神经网络模型的工业过程半监督软测量方法

摘要

本发明公开一种基于循环神经网络模型的半监督软测量建模方法，该方法通过设置采样率，将多个输入样本和一个输出样本分为一组，然后将多组数据组成建模用的数据集代入循环神经网络模型中进行训练。本发明的方法可以充分利用目前工业过程中大量的无标签数据，还考虑到了过程的非线性、动态性，实现了关键过程变量的精确在线估计，实现在有标签数据比较少，难以准确建模的情况下建立精确的软测量模型，并对关键质量变量准确预测和监控。

主权项

1.一种基于循环神经网络模型的工业过程半监督软测量方法，其特征在于，该方法包括如下步骤：步骤一：收集历史工业过程的数据，按照质量变量的采样率1/k采集建模的数据集L，L由辅助变量的输入数据集和质量变量的输出数据集组成，其中辅助变量的输入数据集为{x1,x2,x3,...,xi,...,xn}，输入数据集中xi表示i时刻的输入样本，xi∈R1×m，其中m表示过程中辅助变量个数，即输入样本的维度，R为实数集；对应的质量变量的输出数据集为{yk,y2k,y3k,...,yi,...,yceil(n/k)}，即，每k个输入样本对应一个输出样本,其中，ceil(n/k)表示对n/k下取整，yi∈R1×d，其中d表示质量变量的个数，即输出样本的维度，这样收集好模型的数据集L；步骤二：将步骤一中收集到的数据集标准化，将过程变量化成均值为0，方差为1的新的数据集步骤三：将数据集按照采样率进行分组，即将k个输入样本和一个输出样本作为一组，按照这种方式将数据集分为ceil(n/k)组，此时输入数据集变形为ceil(n/k)×timestep×m的三维数据集，其中timestep表示循环神经网络的输入时间跨度，当采样率为1/k时，timestep为k，输出数据集变形为ceil(n/k)×d的数据集；步骤四：所述的循环神经网络模型由输入层、隐藏层和输出层组成，U表示输入层到隐藏层的转换矩阵，ω表示前一个时刻隐藏层到该时刻隐藏层的转换矩阵，V表示隐藏层到输出层的转换矩阵，所述的循环神经网络模型的长度取决于所述的步骤三中的timestep；将ceil(n/k)×timestep×m的三维输入数据和ceil(n/k)×d两维输出数据输入到循环神经网络模型中进行训练，通过BPTT方法完成循环神经网络的更新，最终得到训练后的模型；所述的循环神经网络模型的建模过程为：首先进行前向传播计算出隐藏层神经元的输出si，si＝σ(U·xi+ω·si‑1)，σ表示非线性激活函数，下标i表示第i个时刻；同理可以计算输出层的神经元输出yi，yi＝V·si，其中转换矩阵是初始化时随机赋值的；完成前向传播之后，通过BPTT的梯度下降法完成转换矩阵U、V、ω的梯度更新，当预测值和真实值的误差小于设定的阈值或达到迭代次数时，即完成模型训练；步骤五：在线收集新的过程输入样本，并进行标准化；步骤六：首先收集timestep‑1个处理后的输入样本，然后收集一个新的处理后的输入样本，设置一个窗口大小为timestep的滑动窗，将timestep个输入样本拿出，代入训练好的循环神经网络模型中，得到timestep个样本中最后一个输入样本对应的质量变量的预测值，对于后续的每个新的处理后的输入样本，将滑动窗往下滑动一个样本点，同理就可以得到每个新的输入样本对应的质量变量的预测值，从而实现过程的监测和控制。