[发明专利]一种基于深度学习的预测模型软测量方法

说明书

本发明公开了一种基于深度学习的预测模型软测量方法，包括：获得历史数据；根据时间窗对历史数据进行规整；使用平稳小波变换提取规整之后的历史数据的多尺度信息；将多尺度信息与每个时间点对应的当前可观测变量数据进行组合，以形成样本数据集；根据样本数据集形成训练集和测试集；使用训练集和测试集对具有注意力机制的深度模型进行训练和测试，以形成完整模型；根据当前可观测数据和完整模型获得预测值。针对化工生产过程之中的一些重要变量难以直接测量的特点，本发明提供的基于深度学习的预测模型软测量方法实现对化工生产过程之中的不可观测变量的精确预测，为后续的能效分析提供参考指标，从而提高产能和降低能耗。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的预测模型软测量方法。

背景技术

精对苯二甲酸(Pure Terephthalic Acid，PTA)作为重要的化工有机原料之一，被广泛应用于化学纤维、轻工业等各个方面，是国民经济的重要体现。相应的，PTA生产装置的能耗直接影响着国民经济，如何控制PTA生产过程中的能耗成了现代化工企业的关键问题。PTA溶剂系统是PTA生产中关键的一个部分，其中乙酸的消耗是衡量PTA生产装置的重要的指标，是评价技术优劣的主要评价手段。因此，如何减少溶剂系统中塔顶的乙酸的消耗成了优化PTA生产过程的最主要目标。

现有技术提出了很多方法用于分析能效问题，例如，将数据包络分析法(DataEnvelopment Analysis，DEA)与层次分析法(Analytic Hierarchy Process，AHP)相互结合用于分析能源的效率，来完成决策以提高能源利用率降低能耗。然而，上述方法都无法实现对PTA生产过程之中乙酸含量的精确预测。

发明内容

为解决上述问题，本发明提供一种基于深度学习的预测模型软测量方法，至少部分解决上述技术问题。

为此，本发明提供一种基于深度学习的预测模型软测量方法，包括：

获得历史数据；

根据时间窗对所述历史数据进行规整，以使所述历史数据与当前可观测变量数据形成对应关系；

使用平稳小波变换提取规整之后的历史数据的多尺度信息；

将所述多尺度信息与每个时间点对应的当前可观测变量数据进行组合，以形成样本数据集；

根据所述样本数据集形成训练集和测试集；

使用所述训练集和所述测试集对具有注意力机制的深度模型进行训练和测试，以形成完整模型；

根据当前可观测数据和所述完整模型获得预测值。

可选的，所述使用平稳小波变换提取规整之后的历史数据的多尺度信息的步骤包括：

使用平稳小波变换对每个时间点的数据进行分解，以获得多组不同尺度的近似系数和细节系数：

其中，和为第k组变量的历史数据在第i级分解的结果，而且

可选的，还包括：

使用均方根误差和平均相对误差对所述完整模型进行评价；

所述均方根误差的计算公式为：

所述平均相对误差的计算公式为：

其中，y_i为第i组样本的真实输出，pred_i为第i组样本的深度模型的预测值，为y_i反归一化之后的结果，为pred_i反归一化之后的结果。

可选的，所述获得历史数据的步骤之后包括：