机理与数据混合驱动的生成式对抗网络软测量建模方法技术

机理与数据混合驱动的生成式对抗网络软测量建模方法，包括以下步骤：从辅助变量中采样得到数据q，从随机噪声中采样得到数据z，将q和z输入由机理模型和数据驱动误差补偿模型组成的待辨识的生成器中，得到生成样本将生成样本和真实样本x输入判别器，将得到的损失反向传播，得到最优的生成器参数；将该最优生成器取出作为训练好的软测量模型，使用操纵潜变量的方法分析模型的可解释性，并通过与单一驱动的软测量模型进行对比，分析此模型的预测性能，克服了静态模型无法捕捉数据间动态特性、机理驱动软测量模型存在建模误差、数据驱动软测量难以利用无标签数据以及可解释性差的局限，相比于单一驱动的软测量方法，具有预测准确和可靠的特点。测准确和可靠的特点。测准确和可靠的特点。

【技术实现步骤摘要】
机理与数据混合驱动的生成式对抗网络软测量建模方法


[0001]本专利技术属于机器学习
，具体涉及机理与数据混合驱动的生成式对抗网络软测量建模方法。

技术介绍

[0002]在先进控制方案的实施过程中，除了需要在线获取温度、压力、液位等常规的工艺参数外，还需要对一些重要的过程变量进行实时检测，但受到技术、工艺条件或成本的限制，这些变量较难通过测量元件直接在线检测，为了克服这一难题，软测量技术应运而生，它将过程中易于测量的辅助变量作为输入，想要测量的主导变量作为输出，建立一个可以对主导变量预测的模型，从而实现对关键质量变量的准确估计。
[0003]目前，软测量建模方法主要分为机理驱动的软测量建模和数据驱动的软测量建模两种。机理驱动的软测量建模直接找出主导变量与辅助变量之间的定量关系，从而建立出以微分方程、代数方程或状态方程为主要表达式的数学模型。机理驱动的软测量建模存在如建模难度较大、模型有时过度简化及模型可移植性差等缺点。并且，实际工业过程中的高度非线性、外部不确定扰动和一些系统未知因素一般无法在机理模型得到体现，使得机理模型与实际过程之间存在建模误差，影响软测量检测结果的准确性。数据驱动的软测量建模方法无需了解过多的过程知识，仅利用过程数据就可以挖掘并建立出辅助变量与主导变量之间的数学模型。这些方法虽然有效规避了机理驱动软测量的缺点，但须指出的是，数据驱动软测量方法的可解释性差，其准确性仍旧受到过程数据量的限制，且在建模过程中往往忽视对数据中无标签样本所含的丰富信息进行利用，从而只能保证局部范围内的预测精度，难以提供令人满意的在线检测性能。
[0004]由上述分析可知，单一的机理驱动或数据驱动模型有其各自的优点与局限，因此，为了进一步提升软测量性能，需要提出一种更为有效的建模方法以结合两类模型的优点，同时能够解决单一驱动模型进行软测量时的问题。
[0005]另外，现有混合驱动软测量中的数据驱动部分大多使用离线模型，考虑到实际工业过程是动态系统，工业过程数据常为连续性的时间序列，且机理模型产生的测量误差也是动态变化的，因此，若进行静态软测量建模则无法捕捉数据的前后关系，往往导致在实际应用时模型估计精度低，鲁棒性差。因此，要想建立准确的软测量模型，需对其进行动态建模。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术的目的是提供机理与数据混合驱动的生成式对抗网络软测量建模方法，将机理模型及其数据驱动动态误差补偿模型一起作为待辨识的生成器，利用大量无标签样本进行建模的同时捕捉数据间的动态特性，从而建立起精确的且具备一定可解释性的动态软测量预测模型。
[0007]为实现上述目的，本专利技术采用的技术方案是：机理与数据混合驱动的生成式对抗
网络软测量建模方法，包括以下步骤：
[0008]步骤1，从辅助变量中采样得到数据q，从随机噪声中采样得到数据z，将q和z输入由机理模型和数据驱动误差补偿模型组成的待辨识的生成器中，得到生成样本
[0009]步骤2，将生成样本和真实样本x输入判别器，将得到的损失反向传播，得到最优的生成器参数；
[0010]步骤3，将最优的生成器取出作为训练好的软测量模型，使用操纵潜变量的方法分析模型的可解释性；
[0011]所述的步骤1，具体做法是：
[0012]步骤1.1，机理驱动模型的输入为数据q，将数据q和数据z输入向量合并函数并在横向上进行合并，所得到的向量i作为数据驱动误差补偿模型的输入；
[0013]步骤1.2，计算数据驱动误差补偿模型的输出o，同时计算出机理驱动模型的输出y，o与y相加后得到生成样本其中将数据驱动误差补偿模型设计为一个深度门控循环单元(DGRU)，该深度门控循环单元由输入层、隐藏层和输出层三部分构成，输入层和输出层的层数均为1，且输出层设置为一个全连接层，隐藏层均由门控循环单元(GRU)构成，隐藏层的层数用l表示，则输出o的计算公式如下：
[0014]r
t
＝σ(W
r
i
t
+U
r
h
t
‑1)
ꢀꢀꢀ
(1)
[0015]z
t
＝σ(W
z
i
t
+U
z
h
t
‑1)
ꢀꢀꢀ
(2)
[0016][0017][0018][0019][0020]其中通过式(1)
‑
(4)的计算，能够得到t时刻第一个隐藏层的输出值式中，W
r
、U
r
、W
z
、U
z
、W
i
、U
i
为待训练的权值矩阵，i
t
表示当前时间步的输入，h
t
‑1表示上一时间步的隐藏状态，表示矩阵元素相乘。然后，时间步t的隐藏状态的计算使用当前时间步的更新门z
t
来对h
t
‑1和做线性计算得到，将该值作为第二个隐藏层的输入，依次类推，最终得到t时刻第l个隐藏层的值并将其传递给输出层进行输出层的计算，式(5)
‑
(6)即为该DGRU的前向传播计算过程，GRU(
·
)代表了式(1)
‑
(4)的计算过程，o
t
表示t时刻输出单元的值，V表示输出层的权重矩阵，g是输出层的激活函数。
[0021]所述的步骤2，具体做法是：
[0022]步骤2.1，基于生成式对抗网络的混合驱动软测量模型的训练目标计算式如下：
[0023][0024]其中式(7)中，式中P
penalty
表示惩罚样本的空间分布，P
r
表示真实样本x的空间分布，P
g
表示生成样本的空间分布，λ表示惩罚系数，D和G分别表示生成式对抗网络的判别器和生成器，自P
r
和P
g
的采样点对之间的直线上均匀采样，在实际操作中，实施约束的软版本，即对随机样本的梯度范数进行了惩罚，DDM2即表示数据驱动模型2，设计为一个隐藏层单元数为32
‑
16的双隐层BP神经网络，网络结构由交叉验证方法确定。
[0025]步骤2.2，训练过程使用RMSprop优化算法，该算法在小批量梯度下降算法的基础上，对学习速率进行自适应调节，已被验证适合于循环神经网络和生成式对抗网络的训练；当整个模型收敛时，就得到了最优的生成器参数，且该生成器部分就是离线建立的软测量模型，用其来进行转子热变形的在线预测。
[0026]所述的步骤3，具体做法为：
[0027]步骤3.1，将数据q和数据z的测试数据输入训练好的软测量模型中，得到预测结果将相同的q和z中的q赋值为0并输入训练好的软测量模型中，得到预测结果将相同的q和z中的z赋值为0并输入训练好的软测量模型中，得到预测结果
[0028]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.机理与数据混合驱动的生成式对抗网络软测量建模方法，其特征在于，包括以下步骤：步骤1，从辅助变量中采样得到数据q，从随机噪声中采样得到数据z，将q和z输入由机理模型和数据驱动误差补偿模型组成的待辨识的生成器中，得到生成样本步骤2，将生成样本和真实样本x输入判别器，将得到的损失反向传播，得到最优的生成器参数；步骤3，将最优的生成器取出作为训练好的软测量模型，使用操纵潜变量的方法分析模型的可解释性。2.根据权利要求1所述的机理与数据混合驱动的生成式对抗网络软测量建模方法，其特征在于，所述的步骤1，具体做法是：步骤1.1，机理驱动模型的输入为数据q，将数据q和数据z输入向量合并函数并在横向上进行合并，所得到的向量i作为数据驱动误差补偿模型的输入；步骤1.2，计算数据驱动误差补偿模型的输出o，同时计算出机理驱动模型的输出y，o与y相加后得到生成样本其中将数据驱动误差补偿模型设计为一个深度门控循环单元(DGRU)，该深度门控循环单元由输入层、隐藏层和输出层三部分构成，输入层和输出层的层数均为1，且输出层设置为一个全连接层，隐藏层均由门控循环单元构成，隐藏层的层数用l表示，则输出o的计算公式如下：r
t
＝σ(W
r
i
t
+U
r
h
t
‑1) (1)z
t
＝σ(W
z
i
t
+U
z
h
t
‑1) (2)(2)(2)(2)其中通过式(1)
‑
(4)的计算，能够得到t时刻第一个隐藏层的输出值式中，W
r
、U
r
、W
z
、U
z
、W
i
、U
i
为待训练的权值矩阵，i
t
表示当前时间步的输入，h
t
‑1表示上一时间步的隐藏状态，表示矩阵元素相乘，然后，时间步t的隐藏状态h
t1
的计算使用当前时间步的更新门z
t
来...

【专利技术属性】
技术研发人员：刘涵，郭润元，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：