[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

摘要

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。

主权项

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若干个数据扩充自编码器，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；每个数据扩充自编码器的数据扩充目标函数为：其中，k表示逐层数据扩充深度学习模型中第k个数据扩充自编码器，对应输入层到隐含层的权重系数和偏置项为{W_k,b_k}，激励函数为f_k，隐含层到其输出层(重构输入层)的权重系数和偏置项为{W′_k,b′_k}，激励函数为f_k′；第三步：输出质量指标的估计值。