[发明专利]一种时空注意力网络的非线性动态工业过程产品预测方法

说明书

本发明属于工业过程控制领域，具体涉及一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测的方法，具体包括步骤：选取对产品质量有影响的关键变量，对输入变量和质量变量连续均匀采样；对采样的原始数据集进行离差标准化；确定训练集数据；确定网络的参数和超参数，训练基于空间和时间注意力的长短期记忆网络；利用训练完成的网络，得到质量变量的预测值。本发明不仅能自适应地选择和质量变量相关的输入变量，还能处理工业过程中的动态特性，极大地提高软测量模型的准确性。

技术领域

本发明涉及工业过程预测与控制领域，具体涉及一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测的方法。

背景技术

软测量技术由于其响应迅速、维护成本低而被广泛应用于现代工业过程中，对某些关键的质量变量进行监控实现对关键质量变量的预测，达到保证产品质量、生产安全的目的。

当前软测量技术主要有主成分回归分析、偏最小二乘回归、支持向量回归、人工神经网络算法等。但是这类浅层的网络不能很好的挖掘过程数据中的非线性特征，因此预测性能也受到一定的限制。深度神经网络的提出很好的解决了浅层网络存在的问题，针对工业过程的复杂非线性特性，深度神经网络通过学习一种深层的非线性网络结构，可以对复杂的工业过程进行建模，并且拥有强大的从少数样本中学习数据深层特征的能力。在考虑非线性的基础上，循环神经网络同时还能够对工业过程的动态特性进行建模，因此和其他的神经网络相比，循环神经网络具有更高的预测精度。为了避免循环神经网络存在的梯度消失和梯度爆炸问题，循环神经网络的一种变体，长短期记忆网络，应运而生。

考虑到工业过程的质量变量和输入变量之间的相互的影响，且不同的过程变量和质量变量之间具有不同程度的关联，因此可以充分利用质量变量和不同输入变量之间的关联来提高模型的预测性能，此外，可以利用不同时刻的输入样本对当前时刻的质量变量的影响程度的大小建立时序动态模型。故本发明针对现有的软测量模型存在的问题，提供基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测方法，实现对生产过程关键质量变量进行精确预测的作用。

发明内容

本发明的目的在于克服现有技术没有充分综合考虑了工业过程的非线性、输入变量和关键质量变量之间的相关性、工业过程时间上的动态性的问题，提供一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测的方法，实现了对生产过程关键质量变量进行精确预测。

一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测的方法，包括以下步骤：

S1.选取对产品质量有影响的关键变量，对输入变量和对应的质量变量连续均匀采样：

基于生产过程，通过机理分析和专家知识，选取对质量变量产生影响的若干变量作为输入变量，等时间间隔对所述的输入变量和相应的质量变量连续均匀采样若干次，得到输入变量与相应的质量变量的时间序列原始数据集记为(X,Y)；

其中T为采集样本次数，1≤t≤T₁；

S2.对采样的原始数据集进行离差标准化：

对步骤S1所述的数据进行离差标准化：

其中x_min为样本数据的最小值，x_max为样本数据的最大值；

则得到新的数据集记为作为训练集：

其中，n为输入变量的数量，

S3.构建和训练模型

S31.对输入样本进行编码：