[发明专利]一种基于动态卷积神经网络的复杂工业过程数据建模方法

说明书

本发明公开了一种基于动态卷积神经网络的复杂工业过程数据建模方法，包括以下步骤：选取与工业过程目标变量相关性强的过程变量，采样得到各过程变量的时间序列；用等深分箱箱形图对这些时间序列进行异常点检测与剔除，再用线性插值法填补；提取目标变量采样时刻前一个过程时滞范围内各过程变量的时间序列，组成包含过程动态特性的二维矩阵，形成图片式样本；构建动态卷积神经网络分析工业过程数据的动态特性、自动识别各敏感变量的时间和空间关系并建立目标变量的预测模型。本发明利用实际生产过程现场积累的大量历史数据，精准地建立了用可测过程变量预测难测目标变量的数据模型，对生产过程在线评估与动态调整、乃至节能减排具有重要意义。

技术领域

本发明涉及数据驱动的软测量建模技术领域，具体涉及一种适用于复杂工业过程的动态卷积神经网络数据预测建模方法。

背景技术

大型复杂工业过程的性能指标往往依靠“定点定时”的离线化验方式进行检测，这种检测方式存在严重滞后性，对过程全局运行状况的在线评估和调整十分不利；并且，考虑到可操作性、安全性等问题，许多指标是无法或难以通过传感器以在线化验的方式进行测量。因此，对复杂工业过程进行建模并实时预测指标尤为重要。预测建模主要分为基于机理和数据驱动两种，由于工业过程机理复杂、机理建模困难，并且考虑到实际生产过程现场积累的大量历史数据，如何利用生产数据高效、准确地建立指标的数据预测模型意义重大。

目前，已有许多算法应用于复杂工业过程的数据预测建模中，主要有线性回归、支持向量回归机(SVR)、K最邻近方法(KNN)、分类回归树(CART)、随机森林(RF)、梯度提升树(GBDT)、反向传播神经网络(BPNN)、极限学习机(ELM)等。线性回归为早期常用的一种数据预测建模方法，但该方法不适合非线性、复杂的工业过程。SVR、KNN等方法主要是利用适当的距离函数如欧几里得距离来建立回归预测模型，该类方法可以有效地解决高维特征的回归问题，但很难选择出合适的核函数和距离函数。CART、RF、GBDT 等算法是采用代表对象属性与对象之间映射关系的决策树为基预测器的一种预测建模机器学习方法，该类方法对噪声鲁棒性能好，可以很好地处理大规模、高维数据，但决策树如果过于复杂会导致过拟合现象。BPNN、ELM等算法以图论原理为基础建立一种包含节点和节点关系的层次预测模型，该类算法理论基础强、推导过程严谨、通用性强、理论上可以模拟任何复杂的非线性过程，但算法容易陷入局部最优，会出现“梯度爆炸”或“梯度弥散”现象，且在设计结构时缺乏统一、完整的理论指导。上述复杂工业过程数据预测建模算法还有个共同的问题就是无法有效地分析过程动态特性、解决数据时序关联性不一致。

发明内容

针对现有技术存在的缺陷，基于实际生产过程现场积累的大量历史数据，本发明提供一种基于动态卷积神经网络(DCNN)的复杂工业过程数据建模方法，可以有效地分析过程动态特性、自动识别各敏感变量的时间关系(即敏感变量自身的时间关联性)和空间关系(即敏感变量间的相关性)，并精准地建立复杂工业过程指标的数据预测模型，从而实时地评估、调整生产过程，以达到节能减排、提高生产效率和产品质量的目的。

为实现上述目的，本发明提供如下技术方案：

一种基于动态卷积神经网络的复杂工业过程数据建模方法，所述方法包括：

a、选取与复杂工业过程难测目标变量相关性强的过程变量，采样得到各过程变量的时间序列；

b、利用等深分箱箱形图对所述各过程变量的时间序列进行异常点检测，并剔除检测到的异常点，然后使用线性插值法填补剔除的所述异常点位置；

c、提取所述目标变量采样时刻前一个过程时滞范围内各过程变量的时间序列为特征，组成包含过程动态特性的二维矩阵，形成图片式样本；

d、构建动态卷积神经网络(DCNN)分析工业过程数据的动态特性，自动识别各敏感变量的时间关系和空间关系，建立复杂工业过程目标变量的数据预测模型。