[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

说明书

本发明公开了一种基于逐层数据扩充深度学习的工业过程软测量方法，属于软测量技术领域，本发明所公开的技术方案通过采取数据扩充自编码器扩充过程变量的样本量，并利用多个数据扩充自编码器堆栈成深度网络模型，从工业过程数据中逐层获得由低层次到高层次的大量样本，为深度学习模型提供足够多的样本量，实现对产品质量的准确预测，能广泛运用于复杂工业过程如加氢裂化过程、钢铁烧结过程的产品质量预测，具有预测精度高、泛化性好等优点。

技术领域

本发明涉及软测量技术领域，特别涉及一种基于逐层数据扩充深度学习的工业过程软测量方法。

背景技术

在现代工业生产中，为了得到最佳过程控制策略、实现运行性能最优化，需要对工业生产过程关键产品质量进行实时测量并有效检测，采用传统的仪表或化验去检测，具有测量滞后、测量仪器昂贵等缺点，难以满足生产需求。因此，目前普遍采取软测量技术测量方式，对工业生产中难以测量或暂时不能测量的过程变量，通过选择测量另外一些易于检测且关系紧密的过程变量，构建它们之间的数学模型，运用计算机技术，进行推导和估计，实现实时检测，具有可在线监测、经济可靠、动态响应、可连续给出相关信息的优点。

传统软测量技术大致可分为机理分析方式和数据分析方式，但随着工业生产过程的复杂化和大规模化，该两种软测量方式对工业生产过程特性和状态变化的精确描述能力不足，造成实时产品质量检测和分析的精度不断降低，难以满足现代工业对测量精度的要求。得益于计算机技术和信息化技术的在工业生产中广泛和深入运用，长期以来积累了大量的工业生产过程的运行数据，这些数据蕴含有丰富的生产过程信息和知识，基于深度学习模型的软测量技术理论上具有较高预测精度的潜力，通过多层神经网络结构从这些过程数据中学习由低层具体特征到高层抽象特征提取，用于输出质量预测建模。但生产实践中，这些工业过程数据通常存在测量噪声、缺失值、异常值和采样率不一致等问题，经过预处理剔除不合格数据，剩下的有效数据就很少了，而深度学习模型往往需要大量数据作为训练样本，由于有效数据偏少，深度学习模型在实践中常常无法取得满意的预测精度，即现有深度学习模型存在小样本问题的缺陷。

发明内容

本发明的目的在于提供一种基于逐层数据扩充深度学习的工业过程软测量方法，解决生产实践中训练样本过少导致现有深度学习模型技术无法取得满意的预测精度的问题。

为了实现上述目的，本发明提供技术方案如下：

一种基于逐层数据扩充深度学习的工业过程软测量方法，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：