[发明专利]一种基于逐层数据扩充深度学习的工业过程软测量方法

权利要求书

1.一种基于逐层数据扩充深度学习的工业过程软测量方法，其特征在于，包括：

第一步：获取工业生产过程中的过程变量和质量变量并进行归一化处理：

采集一定生产时间内的过程变量x_i,j和质量变量y_i，作为样本数据进行归一化处理：

其中i＝1,2,...,N,j＝1,2,...,m,N为获得的样本总数，m为过程变量数；x_min,j和x_max,j分别为第j个过程变量的最小值和最大值，y_min和y_max分别为质量变量的最小值和最大值；

第二步：训练深度学习模型：

所述深度学习模型包括三个数据扩充自编码器，分别为第一数据扩充自编码器、第二数据扩充自编码器和第三数据扩充自编码器，每相邻的两个数据扩充自编码器中，将排列在前的数据扩充自编码器的隐含层特征数据经数据扩充后作为排列在后的数据扩充自编码器的输入，对排列在后的数据扩充自编码器进行训练；训练步骤为：

2.1、获取第一扩充数据集：

对每两相邻过程变量样本x_i、x_i+1之间线性插值得到虚拟样本并将所有的虚拟样本x^v和原样本x组成第一扩充数据集x_A(i)：

其中i＝1,2,...,2N-1；

2.2、获得第一数据扩充自编码器的隐含层特征数据：

将第一扩充数据集x_A(i)作为第一数据扩充自编码器的输入，记第一数据扩充自编码器隐含层数据为i＝1,2,...,2N-1，对应输出层的重构数据为i＝1,2,...,2N-1，将第一数据扩充自编码器网络参数集记为θ₁＝{W₁,b₁,W₁′,b′₁}；从而有各个网络层之间的关系式可表示为：

f₁、f₁′为sigmoid函数；

将第一数据扩充自编码器的输出层表示为输入层函数式：

将所述第一扩充数据集作为输入，构建第一数据扩充自编码器的预训练目标函数：

通过反向传播算法对所述第一数据扩充自编码器进行训练，得到所述第一数据扩充自编码器的网络参数θ₁＝{W₁,b₁,W₁′,b′₁}，并计算得到第一数据扩充自编码器的隐含层特征数据i＝1,2,...,2N-1；

2.3、获取第二扩充数据集：

将第一数据扩充自编码器的隐含层特征数据样本之间线性插值得到虚拟样本i＝1,2,...,2N-2，然后将所有的虚拟样本h^1(v)和原样本h¹组成第二扩充数据集

其中i＝1,2,...,4N-3；

2.4、获得第二数据扩充自编码器的隐含层特征数据：

将第二扩充数据集作为第二数据扩充自编码器的输入；记该第二数据扩充自编码器隐含层特征数据为i＝1,2,...,4N-3，对应输出层将对其输入层进行重构，重构数据可记为i＝1,2,...,4N-3；记该第二数据扩充自编码器的网络参数为θ₂＝{W₂,b₂,W₂′,b′₂}；从而有各个网络层之间的关系式可表示为：

f₂、f₂′为sigmoid函数；

将第二数据扩充自编码器的输出层表示为输入层函数式：

将所述第二扩充数据集作为输入，构建第二数据扩充自编码器的预训练目标函数：

通过反向传播算法对所述第二数据扩充自编码器进行训练，得到所述第二数据扩充自编码器的网络参数θ₂＝{W₂,b₂,W₂′,b′₂}，并计算得到所述第二数据扩充自编码器的隐含层特征数据i＝1,2,...,4N-3；

2.5、获取第三扩充数据集：

将所述第二数据扩充自编码器的隐含层特征数据样本之间线性插值得到虚拟样本i＝1,2,...,4N-4，然后将所有的虚拟样本h^2(v)和原样本h²组成第三扩充数据集

其中i＝1,2,...,8N-7；

2.6、获得第三数据扩充自编码器的隐含层特征数据：

将第三扩充数据集作为第三数据扩充自编码器的输入；记该第三数据扩充自编码器隐含层特征数据为i＝1,2,...,8N-7，对应输出层将对其输入层进行重构，重构数据可记为i＝1,2,...,8N-7；记该第三数据扩充自编码器的网络参数为θ₃＝{W₃,b₃,W₃′,b′₃}；从而有各个网络层之间的关系式可表示为：

f₃、f₃′为sigmoid函数；

将第三数据扩充自编码器的输出层表示为输入层函数式：

将所述第三扩充数据集作为输入，构建第三数据扩充自编码器的预训练目标函数：

通过反向传播算法对所述第三数据扩充自编码器进行训练，得到所述第三数据扩充自编码器的网络参数θ₃＝{W₃,b₃,W₃′,b′₃}，并计算得到所述第三数据扩充自编码器的隐含层特征数据i＝1,2,...,8N-7；

第三步：输出质量指标的估计值。