[发明专利]基于半监督动态反馈堆栈降噪自编码器模型的软测量方法

说明书

本发明公开了一种基于半监督动态反馈堆栈降噪自编码器模型的软测量方法，包括：采集正常工况下的过程变量样本和关键质量变量样本，对得到的样本进行标准化处理；利用标准化处理后的过程变量样本和关键质量变量样本构建半监督动态反馈堆栈降噪自编码器模型；在线收集新的化工过程的过程变量样本，并进行标准化处理；利用构建的半监督动态反馈堆栈降噪自编码器模型对标准化后的在线过程变量样本进行软测量，得到在线过程变量样本对应的关键质量变量样本。采用本发明的测量方法，加强了对噪声的鲁棒性，提高了对多层特征信息的合理利用，从而提高了软测量的精度。

技术领域

本发明属于工业过程检测技术领域，具体是涉及一种基于半监督动态反馈堆栈降噪自编码器模型的造纸废水过程软测量方法。

背景技术

在现代化工过程中，多传感器技术配合集散控制系统(DCS)等大数据存储技术可实现对流量、温度和压力等常规过程变量的高采样率获取和存储。但这些过程变量数据往往无法直接用于判断过程处理的效果和产品质量的优劣，而是需要借助对一些难以用常规传感器采集的关键质量变量进行抽样化验，这也就导致关键质量变量和常规过程变量之间存在较大的采样差异，同时关键质量数据在时序上也呈现出严重的稀缺性。传统基于模型的过程监控手段是基于整个工艺流程建立的，在复杂工业噪声的影响下，其精度由于过度依赖于高速采样的低精度过程变量数据，而难以对关键质量变量做出精准检测或估计。而随着大数据采集和存储手段的推广，基于数据的软测量方法试图从大量历史数据中发现过程变量和关键质量变量之间的数学联系，从而探索得到数据本身的内在规律性以减少对实际工艺流程的依赖性以及检测的成本。

在常见的基于数据的软测量技术中，主成分回归(PCR)和偏最小二乘回归(PLSR)的方法通过提取主元信息的方法将数据进行降维，同时还可通过其共享的静态潜隐特征求得相应的关键质量变量，在动态性不强的工况下具有不错的表现。而在复杂动态工况下，动态主成分回归(DPCR)和自回归动态潜隐变量回归(ARDLVR)通过增广矩阵或在概率框架下提取共享的扩展动态潜隐变量的方法，在建模中考虑了变量本身的自相关性，进而完善了过程变量和关键质量变量之间公共特征提取的过程，提高了软测量的精度。然而，传统的方法大多存在线性、抗噪性不强以及单一采样处理等建模局限性。但随着深度学习的兴起，非线性的神经网络被广泛用于数据深层特征的提取和变量间关系的建立，循环时间网络(RNN)及其各种变体被用于提取数据间的非线性动态关系,降噪自编码器(DAE)通过对数据本身进行编码重构的方法提取潜隐特征，并在训练中加入人为噪声以加强模型的抗噪能力和鲁棒性。不过大多深度学习的方法集中于对图像数据的处理，而工业数据本身的特殊结构，导致卷积等特征提取手段无法适用，数据深层特征难以可视化，特征信息在各层间的损失也造成数据重构的不完整性，除此之外，单一的神经网络也难以处理不规则的采样数据。因此，需要提出一种既能够合理利用各层特征信息，又具有较好的降噪功能的混合神经网络软测量技术。

发明内容

本发明提供了基于半监督动态反馈堆栈降噪自编码器模型的软测量方法，利用过程变量实现对关键质量变量的快速检测。

一种基于半监督动态反馈堆栈降噪自编码器模型的软测量方法，包括：

(1)采集化工过程正常工况下的过程变量样本和关键质量变量样本，对得到的样本进行标准化处理；

(2)利用标准化处理后的过程变量样本和关键质量变量样本构建半监督动态反馈堆栈降噪自编码器模型；

(3)在线收集新的化工过程的过程变量样本，并进行标准化处理；

(4)利用步骤(2)构建的半监督动态反馈堆栈降噪自编码器模型对标准化后的在线过程变量样本进行软测量，得到在线过程变量样本对应的关键质量变量样本。