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技术

本发明专利技术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。采用本发明专利技术的测量方法，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。

【技术实现步骤摘要】
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
本专利技术属于工业过程检测
，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。
技术介绍
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。
技术实现思路
本专利技术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。步骤(1)中，利用集散控制系统收集化工过程中正常工况下的大量过程变量数据，得到过程变量样本，同时用化验手段在相同时间段内定期抽样获取少量关键质量变量数据，得到关键质量变量样本，由得到的大量过程变量样本和少量关键质量变量样本组成数据建模用的训练样本集，假设采集到了同一时间段内正常工况下的过程变量X0和关键质量变量Y0，其样本数量分别为K,J，且J＜K，由对应的采样率决定：其中，R表示实数集；M为过程变量数，H为关键质量变量数，将这些数据存入历史数据库。同时，对数据集X0,Y0进行标准化处理，使得各个变量的均值为0，方差为1，得到标准化的过程变量数据集X，和关键质量变量数据集Y，且与隐变量间存在非线性动态关系，同时由于X和Y是造纸废水处理系统的主要输入输出变量，因此它们之间同样也存在非线性动态联系。步骤(2)中，所述半监督动态反馈堆栈降噪自编码器模型包括用于对输入的过程变量样本进行降噪重构的前端网络以及用于构建降噪重构过程变量样本与对应关键质量变量样本之间非线性关系的后端网络；为实现深度网络信息的反馈和原始过程数据的降噪，所述前端网络利用无监督反馈式堆栈降噪自编码器实现；所述后端网络通过有监督门控循环神经网络(GRU网络)实现。本专利技术利用前端网络降噪重构，从而为后端网络非线性动态拟合提供更纯净更有效的过程变量样本数据。作为优选，步骤(2)中，所述半监督动态反馈堆栈降噪自编码器模型由如下方法构建：(2-1)利用标准化处理后的过程变量样本训练无监督反馈式堆栈降噪自编码器，同时得到降噪重构的过程变量样本，即过程重构变量样本；(2-2)抽取同时拥有过程变量与关键质量变量的有标签数据样本；此处的有标签数据样本由两部分组成，一部分是过程重构变量样本，另外一部分是同时刻采集得到的标准化处理后的关键质量变量；(2-3)利用抽取的有标签数据样本，构建有监督门控循环神经网络。作为优选，所述无监督反馈式堆栈降噪自编码器的构造如下：其中，上述结构中的第一式表示过程变量X在前端无监督反馈式降噪堆栈自编码器中的编码结构式；其中N为编码网络的层数，X为标准化后的含噪过程变量样本；σ1(*)为无监督反馈式堆栈降噪自编码器的非线性激活函数；An为第n层前向编码网络的权值，εn为第n层前向编码网络的人为加噪分量；an为偏置系数；tn为第n层对应的过程变量的潜隐特征；tn-1为第n-1层对应的过程变量的潜隐特征；tn-2为第n-2层对应的过程变量的潜隐特征；Pn为维度转换矩阵；Fn为重构权值，bn为重构偏置系数；Z'n+1为无监督反馈式堆栈降噪自编码器中n+1层的特征重构变量，Gn为转换权重；Z'1为无监督反馈式堆栈降噪自编码器中第一层得到的反馈降噪重构结果，最终得到Z'1为所述降噪重构的过程变量样本。为了避免这种深层网络的衰减，本专利技术在原有的堆栈降噪自编码网络的基础上加设了间隔式残差结构，即式(2)中的第二个式子。本专利技术利用残差结构间隔性地将浅层网络特征向深层网络传递，弥补了各层特征在提取中的损失，实现了更深层降噪网络的搭建。此外，由于连续型的残差网络难以调整隐层神经元数，不利于网络的进一步调节和优化，而本专利技术采用的间隔型残差网络结构，可以通过两个残差结构间的隐层以及隐层维度转换矩阵Pn来不断切换和调节隐层数，从而使网络结构更加合理。作为优选，训练无监督反馈式堆栈降噪自编码器时，对于每一层利用输入和重构的最小平方误差作为优化目标优化各自的网络参数。具体讲，当对大量过程数据实现深度编码后，各层网络将利用这些深层和浅层特征在每一层分别进行重构，并以每层输入和重构输出的平方误差||X-Z||2(或||tn-1-Zn||2)作为网络训练的优化目标，这就建立了n个小型的自监督网络，使各层网络能在人为加噪后还能保留最大特征并重构，也就是能够消除人为加噪的影响，而当人为本文档来自技高网...

【技术保护点】
1.一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，其特征在于，包括：/n(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；/n(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；/n(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；/n(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。/n

【技术特征摘要】
1.一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，其特征在于，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。


2.根据权利要求1所述的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，其特征在于，步骤(2)中，所述半监督动态反馈堆栈降噪自编码器模型包括用于对输入的过程变量样本进行降噪重构的前端网络以及用于构建降噪重构过程变量样本与对应关键质量变量样本之间非线性关系的后端网络；所述前端网络利用无监督反馈式堆栈降噪自编码器实现；所述后端网络通过有监督门控循环神经网络实现。


3.根据权利要求1或2所述的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，其特征在于，步骤(2)中，所述半监督动态反馈堆栈降噪自编码器模型由如下方法构建：
(2-1)利用标准化处理后的过程变量样本训练无监督反馈式堆栈降噪自编码器，同时得到降噪重构的过程变量样本；
(2-2)抽取同时拥有过程变量与关键质量变量的有标签数据样本；
(2-3)利用抽取的有标签数据样本，构建有监督门控循环神经网络。


4.根据权利要求2或3所述的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，其特征在于，所述无监督反馈式堆栈降噪自编码器的构造如下：



其中，N为编码网络的层数，X为标准化后的含噪过程变量样本；σ1(*)为无监督反馈式堆栈降噪自编码器的非线性激活函数；An为第n层前向编码网络的权值，εn为第n层前向编码网络的人为加噪分量；an为偏置系数；tn为第n层对应的过程变量的潜隐特征；tn-1为第n-1层对应的过程变量的潜隐特征；tn-2为第n-2层对应的过程变量的潜隐特征；Pn为维度转换矩阵；Fn为重构权值，bn为重构偏置系数；Z'n+1为无监督反馈式堆栈降噪自编码...

【专利技术属性】
技术研发人员：周乐，王尧欣，侯北平，陈光捷，刘薇，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33