【技术实现步骤摘要】
本专利技术涉及一种基于卷积网络的多晶硅还原炉尾温预测方法，属于智能检测与预测的。
技术介绍
1、多晶硅还原炉是生产高纯度多晶硅的重要设备，炉内反应状态的控制在其生产过程中起着关键作用。目前，炉内状态的准确数据无法通过传感器直接获得，现场的工程师们主要是通过对炉内图像的直接观测和对尾温数据的分析来对炉内的反应状态进行判断和调控。
2、然而，基于这种人工判断去对炉内状态进行调控的方式存在着较大的滞后性，现场人员只有在问题出现之后，才能够通过图像或数据将其识别出来，因而常常会错失最佳的调控时机，因此，能否根据系统历史和实时数据去对未来的炉内状态做出提前的预测，具有非常重要的现实意义。
3、目前，炉内图像的数据采集因为缺乏相应的采集设备，且会涉及到硬件设备的改装，因而实施成本较高，而还原炉的尾温数据相对来说则较易获取。还原炉的尾温随各项输入的变化是一个高度非线性且复杂的动态过程，影响尾温变化的中间变量繁多且复杂，难以通过直接建立数学卷积网络模型的方式去进行拟合。利用人工神经网络技术的自学习、自组织、自适应特点，对输入的样本自动地进行计算，可以获取各项输入与尾温之间随时间的变化规律，从而对未来一段时间内的尾温做出准确的预测，为炉内状态的判断和后续的调控提供技术依据。
技术实现思路
1、为了解决上述存在的问题，本专利技术公开了一种基于卷积网络的多晶硅还原炉尾温预测方法，其具体技术方案如下：
2、一种基于卷积网络的多晶硅还原炉尾温预测方法，包括以下步骤：>
3、步骤(1)从dcs系统读取历史炉次的下发数据和反馈数据，具体包括反应时间、下发料表、炉筒水温和流量、电压和尾温数据；
4、步骤(2)对下发料表、炉筒水温和流量、电压和尾温数据进行预处理，预处理包括缺失值和异常值的处理以及数据的归一化操作；
5、步骤(3)通过金字塔池化技术对步骤(1)中的下发数据和反馈数据进行全局信息提取，得到新的特征数据；
6、步骤(4)搭建用于尾温预测的卷积网络模型，卷积网络模型包括全局特征提取层、局部特征提取层、时间嵌入层以及输出层；
7、步骤(5)将步骤(3)得到新的特征数据构造为符合步骤(4)所搭建的卷积网络模型输入和预测的样本集，并进一步将样本集拆分为训练集、测试集和验证集，继而完成对卷积网络模型的训练和调优。
8、进一步的，所述步骤(1)中的反应时间内下发和反馈数据的频率均为1分钟/次，在一个完整的反应周期内，反应时间从第一分钟开始并累积至整炉结束。
9、进一步的，所述步骤(2)中对缺失值的处理方式为向上填充法，具体过程如下：
10、mt＝xt-p
11、
12、公式代表距离t时刻之前最近的一条非缺失样本的位置，例如：第10分钟的缺失样本记为m10，历史所有的非缺失样本为x0，x1,......x9，则取p＝9的那条非缺失样本值作为填充值。
13、p'∈[0,t-1]
14、其中mt为t时刻的缺失样本，xt-p为t-p时刻的样本，p为t之前的某一时刻，p'为从开始到t时刻之前的所有时间范围，从0分钟到t-1分钟，即缺失值使用其之前最近时刻的非空值进行填充。
15、进一步的，所述步骤(2)中对异常值的处理是基于有限时域内的3σ原则，具体过程如下：
16、假设xt代表t时刻的样本,m为统计时域的长度，ut和σt为计算出的均值和标准差统计量，对xt做如下处理：
17、如果xt≥ut+3σt，则xt＝ut+3σt；
18、如果xt≤ut+3σt，则xt＝ut-3σt；
19、其中
20、
21、其中m为总体的样本量，i为遍历每个样本时的时刻索引。
22、进一步的，所述步骤(2)中对所述原始的特征变量x进行归一化操作，具体过程如下：
23、
24、其中x为原始的特征变量，xmax和xmin分别为原始的特征变量x的最大值和最小值，为归一化后的结果。
25、进一步的，所述步骤(3)中基于金字塔池化技术对全局信息进行提取，具体计算如下：
26、
27、其中xi为第i时刻的样本,代表从第1到第t时刻样本的均值；t代表转置，向量一般是按照列式陈列的；zt,k表示在第t时刻对历史序列提取k个特征时,得到的提取结果；
28、t//k指代的是用t对k进行整除后得到的值，意为取整操作；
29、zt,{k1,k2…kn}表示在第t时刻采用了n种提取策略进行特征提取，其中{k1,k2…kn}代表了n种不同提取策略的参数，得到相应的金字塔特征后，会将提取的结果按列再次进行拼接，得到新的特征数据，用来作为后续卷积网络模型的输入。
30、进一步的，所述步骤(4)中卷积网络模型搭建过程为：
31、4.1)使用金字塔池化技术完成对全局特征的提取，构建全局特征提取层，
32、4.2)基于二维卷积技术完成对局部特征的提取，构建局部特征提取层，
33、二维卷积技术是通过滑动一个称为卷积核或滤波器的小矩阵在输入上进行卷积操作，提取出特定的特征信息；在二维卷积层中，卷积核是一个二维矩阵，和输入的特征进行逐元素乘法和求和计算，得到输出的特征图；
34、4.3)添加对时间特征的嵌入，构建时间嵌入层，
35、4.4)将步骤4.1)-4.3)构建的全局特征提取层、局部特征提取层和时间嵌入层的数据结果按列进行拼接，
36、4.5)将步骤4.4)得到的数据拼接结果引入全连接层，通过输出层输出最终的预测结果。
37、进一步的，所述步骤(4)中卷积网络模型包括全局特征提取层、局部特征提取层、时间嵌入层和输出层，其中：
38、全局特征提取层的输入是所述步骤(3)中提取的信息，由两层全连接层构成，目的是学习序列历史的信息；
39、局部特征提取层的输入部分为输入样本时刻向前推w个长度的定长序列，其中w取小时的整数倍，卷积网络结构使用卷积层搭建而成，基于二维卷积层沿着时间维度进行特征提取，目的是学习序列在近期的尾温趋势信息；
40、时间嵌入层通过将反应时间进行嵌入，得到时间的隐藏特征，目的是得到当前时间节点的尾温趋势、相对大小隐含信息；
41、输出层通过将全局特征提取层、局部特征提取层和嵌入层的输出结果拼接在一起进行再学习，得到最终的预测结果。
42、进一步的，所述步骤(5)将步骤(3)得到新的特征数据构造成以分钟为单位的样本集，样本集包括全局特征、局部特征、时间特征以及数据标签；
43、所述全局特征是所述步骤(3)中构造出的新的特征数据；时间特征为当下反应的时刻t；
44、所述局部特征和数据标签的构造方式如下：
45、假设t时刻的下发料表、炉筒水温和流量、电压和尾温数据样本为x本文档来自技高网...
【技术保护点】
1.一种基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(1)中的反应时间内下发和反馈数据的频率均为1分钟/次，在一个完整的反应周期内，反应时间从第一分钟开始并累积至整炉结束。
3.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(2)中对缺失值的处理方式为向上填充法，具体过程如下：
4.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(2)中对异常值的处理是基于有限时域内的3σ原则，具体过程如下：
5.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(2)中对所述原始的特征变量x进行归一化操作，具体过程如下：
6.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(3)中基于金字塔池化技术对全局信息进行提取，具体计算如下：
7.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测
8.根据权利要求7所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(4)中卷积网络模型包括全局特征提取层、局部特征提取层、时间嵌入层和输出层，其中：
9.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(5)将步骤(3)得到新的特征数据构造成以分钟为单位的样本集，样本集包括全局特征、局部特征、时间特征以及数据标签；
10.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述卷积网络模型的训练和评估使用MSE作为其评价指标，具体形式为：
...【技术特征摘要】
1.一种基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(1)中的反应时间内下发和反馈数据的频率均为1分钟/次，在一个完整的反应周期内，反应时间从第一分钟开始并累积至整炉结束。
3.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(2)中对缺失值的处理方式为向上填充法，具体过程如下：
4.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(2)中对异常值的处理是基于有限时域内的3σ原则，具体过程如下：
5.根据权利要求1所述的基于卷积网络的多晶硅还原炉尾温预测方法，其特征在于，所述步骤(2)中对所述原始的特征变量x进行归一化操作，具体过程如下：
6.根据权利要求1所述的...
【专利技术属性】
技术研发人员：刘二明，孙彧，周君，姚余善，
申请(专利权)人：无锡混沌能源技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。