【技术实现步骤摘要】
本申请涉及工业过程关键指标监测，具体公开了基于动态机理模型参数演化的关键工艺指标软测量方法。
技术介绍
1、在现代工业实现高水平制造的过程中，关键工艺指标成为调控生产过程的重要立足点，各类优化与控制方法均围绕不同工业对象的关键工艺指标展开。在一些工业过程关键工艺指标获取的过程中，通过软测量技术实现对关键工艺指标的获取可以弥补关键工艺指标检测频率较低的问题。
2、传统的软测量方法，通过建立机理模型，利用热力学、电化学和流体力学等领域的知识来总结和概括系统现象，以偏微分方程的形式描述建模对象的反应细节。但是，工业过程参数和机理模型参数之间的关系是复杂的，同时，在复杂的工业建模任务中，动态工业反应特征和机理模型的静态参数之间存在冲突，限制了它们的准确性。
3、因此，现有技术中，引入有综合状态空间，描述工业过程的高度复杂的动力学以及智能和最优制造系统施加的额外要求。在应用过程中，针对反应过程动力学的多模态和时变特性，将综合状态空间划分为指示不同操作条件的子空间，针对每个不同的操作子空间训练机理模型，得到相应的机理模型参数。之后，系统动力学被表征为子模型的加权和，其中权重是当前操作点属于不同操作条件的概率，权重将随着操作点在综合状态空间中的移动而更新。这种集成建模方式以机理模型的加权和描述工业对象的动态反应特性，一定程度上克服了机理模型的精度缺陷，在湿法炼锌净化工序的关键工艺指标预测任务中有良好的表现。
4、但是，所引入的综合状态空间以多个机理模型的加权和形式描述工业对象的动态反应特性，单个机理模型的表
5、本专利技术提供了基于动态机理模型参数演化的关键工艺指标软测量方法，以便解决上述问题。
技术实现思路
1、本专利技术的目的在于解决传统的引入有综合状态空间的软测量方法，在加权和的计算过程，静态参数和动态特性间的冲突会制约集成机理模型的应用效果的问题。
2、为了达到上述目的，本专利技术的基础方案提供基于动态机理模型参数演化的关键工艺指标软测量方法，包括构建嵌入式混合模型，所述嵌入式混合模型包括：
3、机理模型，所述机理模型基于工艺所属领域知识构建；
4、嵌入至机理模型中的graphtrans模型，所述graphtrans模型包括依次堆叠有s层的编码块以及与第s层的编码块连接的全连接层，每个编码块均包含有一个图卷积神经网络模块和一个transformer模块；
5、根据所建立的嵌入式混合模型，进行对关键工艺指标的软测量，包括如下步骤：
6、数据的提取，提取所进行工艺的过程参数，并根据工艺所属领域知识建立过程参数之间的关联网络，获得过程参数之间的图结构数据；
7、数据的输入，机理模型同步接收所提取的过程参数及动态的机理模型参数，所述动态的机理模型参数由graphtrans模型接收根据关联网络所建立的图结构数据计算获得；
8、数据的处理，由机理模型接收过程参数及动态的机理模型参数，进行对关键工艺指标的实时估算，完成对关键工艺指标的软测量。
9、进一步，所述图结构数据为图的邻接矩阵，且根据工艺所属领域知识建立过程参数之间的关联网络，还获得有过程参数之间的图掩码矩阵。
10、进一步，在获得图掩码矩阵后，还向graphtrans模型中的每个编码块内补充有图掩码矩阵，以将图掩码矩阵补充至transformer模块中。
11、进一步，所述图掩码矩阵表示如下：
12、；
13、；
14、式中，m表示图掩码矩阵，mij是图掩码矩阵的元素，m是一个大小为n×n的方阵，n是变量节点的个数；当节点i能够影响节点j的变化时，mij=1，当节点i不能影响节点j的变化时，mij=0。
15、进一步，所述机理模型基于一阶反应动力学方程、物料守恒方程、阿伦尼乌斯方程和连续搅拌槽反应器方程构建。
16、进一步，所述机理模型在同步接收所提取的过程参数及动态的机理模型参数后，所进行的预测过程的计算式如下：
17、y=fmech(x;θ)；
18、式中，fmech(•)表示机理模型，θ是graphtrans模型输出的动态参数，x是过程参数，y是预测的关键工艺指标。
19、进一步，所述graphtrans模型获得动态的机理模型参数的步骤如下：
20、由第一层的编码块接收所有初始节点特征，通过第一层的编码块中的图卷积神经网络模块聚合来自邻居节点的特征；
21、将所聚合的邻居节点的特征输入至同一层编码块中的transformer模块内，通过使用有图掩码矩阵的transformer模块，结合transformer模块内部所搭载的多头自注意力机制提取不同的变量相关模式，提取获得关联变量之间的注意力特征；
22、将所获得注意力特征输入至下一层的编码块中并实现逐层特征提取，最终由最后一层的编码块将结果输入至全连接层获得动态的机理模型参数。
23、进一步，由第一层的编码块中的图卷积神经网络模块聚合来自邻居节点的特征的过程如下：
24、；
25、式中，hl是第l层的节点特征矩阵，为添加了自连接的邻接矩阵，且，初始时h0=x；
26、式中，a表示邻接矩阵，，i是单位矩阵，是的度矩阵，且，wl是第l层的权重矩阵，且，σ(•)是非线性激活函数；
27、式中，r为实数，n为变量个数，也是图中的节点数，f为特征长度。
28、进一步，通过使用有图掩码矩阵的transformer模块提取获得关联变量之间的注意力特征的过程如下：
29、计算注意力权重：
30、；
31、式中，q、k和v分别是查询矩阵、键矩阵和值矩阵，且q=xwq，k=xwk，v=xwv，wq,wk,wv均表示可学习的权重矩阵，且，是用于稳定梯度的缩放因子，t为矩阵的转置符号；
32、计算多头自注意力机制中每个头的输出ah：
33、；
34、式中，qh,kh,vh分别是第h个头的查询矩阵、键矩阵和值矩阵，t为矩阵的转置符号；
35、所有头的输出被拼接并通过线性变换生成最终输出，并在计算过程汇总，计算式如下：
36、；
37、式中，⊙表示逐元素乘法，m表示图掩码矩阵；
38、replace函数通过将掩码值设置为一个负数来确保零注意力权重，表达式如下：
39、replace(i)={i,i≠0;-1e9,i本文档来自技高网...
【技术保护点】
1.基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，包括构建嵌入式混合模型，所述嵌入式混合模型包括：
2.根据权利要求1所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述图结构数据为图的邻接矩阵，且根据工艺所属领域知识建立过程参数之间的关联网络，还获得有过程参数之间的图掩码矩阵。
3.根据权利要求2所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，在获得图掩码矩阵后，还向GraphTrans模型中的每个编码块内补充有图掩码矩阵，以将图掩码矩阵补充至Transformer模块中。
4.根据权利要求2所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述图掩码矩阵表示如下：
5.根据权利要求1所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述机理模型基于一阶反应动力学方程、物料守恒方程、阿伦尼乌斯方程和连续搅拌槽反应器方程构建。
6.根据权利要求1所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述机理模型在同步
7.根据权利要求2所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述GraphTrans模型获得动态的机理模型参数的步骤如下：
8.根据权利要求7所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，由第一层的编码块中的图卷积神经网络模块聚合来自邻居节点的特征的过程如下：
9.根据权利要求8所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，通过使用有图掩码矩阵的Transformer模块提取获得关联变量之间的注意力特征的过程如下：
10.根据权利要求8所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述全连接层计算获得动态的机理模型参数的过程如下：
...【技术特征摘要】
1.基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，包括构建嵌入式混合模型，所述嵌入式混合模型包括：
2.根据权利要求1所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述图结构数据为图的邻接矩阵，且根据工艺所属领域知识建立过程参数之间的关联网络，还获得有过程参数之间的图掩码矩阵。
3.根据权利要求2所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，在获得图掩码矩阵后，还向graphtrans模型中的每个编码块内补充有图掩码矩阵，以将图掩码矩阵补充至transformer模块中。
4.根据权利要求2所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述图掩码矩阵表示如下：
5.根据权利要求1所述的基于动态机理模型参数演化的关键工艺指标软测量方法，其特征在于，所述机理模型基于一阶反应动力学方程、物料守恒方程、阿伦尼乌斯方程和连续搅拌槽反应器方程构建...
【专利技术属性】
技术研发人员：孙备，孔鹏，阳春华，李勇刚，张旭隆，尹舒龙，
申请(专利权)人：中南大学，
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。