[发明专利]基于二维稳健LSTM的聚合反应过程质量预测方法

说明书

基于二维稳健LSTM的聚合反应过程质量预测方法，包括以下步骤：步骤1、获取聚乙烯工业生产过程变量数据集；步骤2、聚乙烯工业生产过程数据集的预处理、重构及划分；步骤3、建立基于最大相关熵的CNN‑LSTM融合模型并训练；步骤4、模型性能评估。本发明利用CNN提取与质量变量相关的关键特征，LSTM学习时间数据内部表示，并将MCC作为损失函数，通过MCC对工业噪声或离群点表现得不敏感使得CNN‑LSTM更加稳健精确，本发明有助于在含噪声与离群点的多变量时序数据中对聚乙烯工业生产过程的熔融指数准确预测。

技术领域

本发明涉及基于一种二维稳健LSTM的聚合反应过程质量预测方法，本发明属于化工过程中的软测量建模领域。

背景技术

在化工过程工业中，过程数据往往存在高维度的特征变量，从而导致变量存在冗余的信息与噪声。常见的工业过程软测量模型特征提取方法如PCA(Principal ComponentAnalysis，PCA)、SAE(Stacked Auto-Encoder，SAE)，这些方法需要人为参与，在模型训练之前先一个一个地提取出特征，之后再将选出的这些特征输入模型。同时其特征提取部分一般都为无监督学习，未能把关键质量变量考虑进去，导致提取的特征未能很好的解释质量特性。此外，过程数据之间还存在很强的相关性与非线性，即过程数据是具有高度非线性与高度动态性的时间序列。

递归神经网络(Recurrent Neural Network，RNN)通过将时序的概念引入到网络结构设计中，在时序数据分析中表现出更强的适应性，为提取时间序列特征提供了更好的解决方案。随着处理时间序列长度的增加，会使得网络训练期间容易产生梯度消失与梯度爆炸等问题，从而导致RNN网络预测精度不足。另外在开放环境下，由于数据采集环境的复杂性、采集设备性能的限制以及人为因素的影响，使得收集到的数据中含有大量的不确定性，如数据存在各种噪声与异常点等，极大地降低了数据的可用性。在回归建模中，常用的损失函数为最小二乘损失(MSE)。随着误差的增大，相应的损失呈平方增加。当训练数据中存在异常点时，异常点处的回归误差将主导整个损失函数值的增加或减小，从而导致此时训练得到的模型偏向于异常样本。

卷积神经网络(Convolutional Neural Network，CNN)作为一种深度前馈神经网络，其网络结构通常由输入层、卷积层、池化层等组成。在特征提取方面，CNN通过卷积层的卷积操作提取局部特征，然后池化层对卷积输出施行下采样操作，保留强特征，去除弱特征，同时减少参数数量，防止过拟合。

长短期记忆(Long-Short-Term Memory，LSTM)神经网络是在RNN结构的基础上，引入门控单元替代RNN隐含层中的神经元，使其对较长时间序列上的信息能够选择性地通过和剔除，改善RNN在长时间序列上记忆能力不足、梯度消失和梯度爆炸的问题。

最大相关熵准则(Maximum Correntropy Criterion，MCC)最早用在信号的噪声处理领域，后经证明了在回归问题中，MCC在处理包含非高斯噪声或离群点的数据时表现出良好的性能。

本发明将CNN与LSTM进行有效融合，并采用MCC作为损失函数，提出一种稳健MCC-CNN-LSTM质量预测方法。该方法中CNN提取与质量变量相关的关键特征，LSTM学习时间数据内部表示，将最大相关熵准则作为损失函数，通过最大相关熵准则对工业噪声或离群点表现得不敏感使得CNN-LSTM更加稳健精确。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于通过CNN提取与质量变量相关的关键特征，LSTM学习时间数据内部表示，MCC作为损失函数对噪声或离群点表现得不敏感，使得建立的模型成为一种更加精确可靠的聚合反应过程质量预测方法。

本发明解决其技术问题所采用的技术方案是：

基于二维稳健LSTM的聚合反应过程质量预测方法，包括以下步骤：

(1)获取聚乙烯工业生产过程变量数据集：