【技术实现步骤摘要】
本专利技术属于间歇过程监控，尤其涉及一种基于cgcn(causal graphconvolutional network)的间歇过程软测量建模方法。
技术介绍
1、作为工业生产中一种重要的生产方式，间歇过程被广泛应用于精细化工、生物制药、微电子等领域。实现间歇过程关键变量的准确测量，能够为间歇过程在线监测和优化控制提供数据基础。数据驱动的软测量建模无需过程的先验知识，利用过程历史数据建立辅助变量与主导变量间的模型，已被广泛用于间歇过程软测量建模。
2、间歇过程具有的非平稳特性，直接影响基于主元回归、偏最小二乘、高斯过程回归等多元统计分析的软测量建模的准确性，基于深度学习的软测量建模凭借强大的学习和非线性拟合能力，提高了软测量模型的准确性和泛化性。实际的间歇过程数据是具有欧几里得性质的结构数据，基于图卷积网络(graph convolutional network，gcn)的软测量建模通过邻接矩阵描述图的拓扑结构，能够捕捉变量间的复杂耦合关系，具有较高的建模精度，已被用于间歇过程软测量建模。然而，由于间歇过程不同的生产周期并非严格重复，使得批次间过程数据分布存在差异，从训练数据中获得的相关性邻接矩阵难以准确描述实际变量间的耦合关系，直接影响间歇过程软测量建模精度。当间歇生产过程的工艺不变时，变量间的因果关系在各生产批次中是稳定的，利用变量间因果关系构建邻接矩阵接近间歇生产过程的第一性原理。因此，专利技术一种基于cgcn的间歇过程软测量建模方法，构建间歇生产过程变量因果结构学习模块，获得变量间因果邻接矩阵，并在gcn中引
技术实现思路
1、本专利技术以提高间歇过程软测量建模精度为目的，专利技术一种基于cgcn的间歇过程软测量建模方法，包括以下步骤：
2、步骤一：采集间歇过程多批次数据，利用z分数法标准化间歇过程数据，并使用不重叠的时间窗口均匀的分割多批次间歇过程数据，获得预处理后的过程数据集；
3、步骤二：构建间歇过程变量因果结构学习模块，学习过程变量间全局和局部的因果关系，获得过程变量间因果邻接矩阵，并在gcn中引入时空注意力，计算间歇过程不同变量和采样点的注意力权重，提取间歇过程数据的因果特征；
4、步骤三：设计联合损失函数，利用预处理后的间歇过程数据集，建立基于cgcn的间歇过程软测量模型；
5、步骤四：利用所建立的基于cgcn的间歇过程软测量模型对间歇过程主导变量进行在线预测，获得主导变量的预测值。
6、所述步骤一，具体包括：
7、采集多批次间歇生产过程数据其中i为批次过程数据数目，j为过程数据采样点数目，n为过程变量数目。根据式(1)沿采样时间方向将x标准化。
8、
9、式中，为标准化后的间歇生产过程数据；mean(·)为间歇生产过程数据x沿采样时间方向的均值；std(x)为间歇生产过程数据x沿采样时间方向的标准差。
10、然后使用不重叠的时间窗口，将标准化后的i批次过程数据沿时间方向均匀的分割成长度为t的时间片，获得预处理后的数据集其中，m＝i×j/t为时间片数。
11、所述步骤二，具体包括：
12、构建的变量间全局因果关系学习模块表示为：
13、
14、式中，a为间歇生产过程变量的邻接矩阵；为高斯噪声矩阵；f1(·)和f2(·)为非线性映射函数；i为单位矩阵；t为矩阵转置符号。
15、然后利用变分自编码器获得间歇生产过程数据的潜在表示，变分自编码器的优化目标为最大化证据下界elbo：
16、
17、式中，为给定高斯噪声z时，间歇生产过程数据的条件概率分布；为给定间歇生产过程数据时，高斯噪声z的条件概率分布；p(z)为高斯噪声z的概率分布；log(·)为取对数操作；εq[·]和dkl[·||·]分别表示求期望和kl散度；max表示取最大值。
18、式(2)中包含的两个非线性映射函数在功能上相同，将变分自编码器的推断模型和生成模型分别定义为：
19、
20、式中，fencoder(·)和fdecoder(·)分别表示变分自编码器的编码器和解码器。
21、间歇生产过程变量的因果结构有向无环，将变量间的全局因果结构学习问题定义为：
22、
23、式中，θ为变分自编码器的模型参数；表示哈达玛积；tr[·]为求矩阵的迹；s.t.表示约束条件。
24、然后构建变量局部因果关系学习模块，捕捉变量间因果效应强度短期的波动。将间歇生产过程标准化数据重构为然后将过程数据x*经过三层卷积输出的张量转置后，得到过程变量的局部特征然后引入爱因斯坦求和，计算得到间歇生产过程变量局部因果邻接矩阵计算式为：
25、
26、式中，i，l和k为过程变量的局部特征的三个维度；表示h*中坐标为(i,l,k)的元素。
27、通过变量间全局因果关系学习模块与变量局部因果关系学习模块，得到变量的全局因果邻接矩阵a和局部因果邻接矩阵δa，然后将两个邻接矩阵进行融合，获得最终的变量间因果邻接矩阵a*，融合过程为：
28、a*＝norm(relu(a+δa)) (7)
29、式中，relu(·)为relu激活函数；norm(·)为归一化操作。
30、在gcn中引入时空注意力，时空注意力模块包含时间注意力模块和空间注意力模块，通过引入时间注意力能够获得各时间片的重要程度，时间注意力矩阵表示为：
31、ta＝vtσ((htq1)q2(q3h)+bt) (8)
32、式中，为输入的过程数据；和为可学习的参数；σ为激活函数。
33、通过引入空间注意力能够获得各过程变量的重要程度，空间注意力矩阵表示为：
34、sa＝vsσ((htw1)w2(w3h)+bs) (9)
35、式中，和为可学习的参数。
36、时间注意力矩阵ta和空间注意力矩阵sa通过softmax函数归一化为和使其所有元素和为1。
37、间歇生产过程数据经过空间注意力模块后得到空间注意力矩阵将x与做矩阵乘法后，输入时间注意力模块得到时间注意力矩阵再将上一步的输出与相乘，然后输入gcn中获得过程数据的因果特征。
38、所述步骤三，具体包括：
39、基于cgcn的间歇过程软测量模型的损失函数由均方根损失lossrmse、重建损失lossrc、kl散度损失losskl及有向无环损失lossh构成，各损失函数的计算式为：
40、
41、loss＝lossrmse+lossrc+losskl+lossh (14)
42、式中，和yj为间歇生产过程第j个采样点的预测值和真实值；为变分自编码器中解码器的输出值；为有向无环本文档来自技高网...
【技术保护点】
1.一种基于CGCN的间歇过程软测量建模方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于CGCN的间歇过程软测量建模方法，其特征在于：所述步骤一，具体包括：
3.根据权利要求2所述的一种基于CGCN的间歇过程软测量建模方法，其特征在于：所述步骤二，具体包括：
4.根据权利要求3所述的一种基于CGCN的间歇过程软测量建模方法，其特征在于：所述步骤三，具体包括：
5.根据权利要求4所述的一种基于CGCN的间歇过程软测量建模方法，其特征在于：所述步骤四，具体包括：
【技术特征摘要】
1.一种基于cgcn的间歇过程软测量建模方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于cgcn的间歇过程软测量建模方法，其特征在于：所述步骤一，具体包括：
3.根据权利要求2所述的一种基于cgcn的间歇过程软测量建模方...
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。