[发明专利]多特征融合深度神经网络的工业生产过程目标数据预测方法

权利要求书

1.一种多特征融合深度神经网络的工业生产过程目标数据预测方法，其特征在于：该方法具体包括以下步骤：

步骤1，通过等时间间隔在不同时刻对正常工况下的工业生产过程进行采样获得包含目标变量参数的生产状态数据，生产状态数据进行预处理获得数据集；

步骤2，将数据集输入到多特征融合深度神经网络处理得到目标变量参数的预测结果。

2.根据权利要求1所述的一种多特征融合深度神经网络的工业生产过程目标数据预测方法，其特征在于：所述方法具体为：

步骤1，通过等时间间隔在不同时刻对正常工况下的工业生产过程进行采样获得生产状态数据，生产状态数据为通过不同传感器检测获得的多变量参数，对采集到的生产状态数据分别按照时刻和按照传感器进行分割，分别时间序列数据和传感器分类数据，作为后续同时输入到包含由两种神经网络的多特征融合深度神经网络的两个数据集；所述的生产状态数据是指通过传感器检测获得的变量参数，包括目标变量参数与参考变量参数的数据，目标变量参数是无法通过传感器直接实时准确检测获得的、只能通过传感器滞后检测获得的变量参数，参考变量参数是通过传感器能直接实时准确检测获得的变量参数；

步骤2，多特征融合深度神经网络主要括深度卷积神经网络、深度门控循环神经网络和多特征融合层，深度卷积神经网络、深度门控循环神经网络的输出端均连接到多特征融合层；

2.1、所述的时间序列数据为同一时刻的各个传感器检测直接获得的变量参数，以时间序列数据中的参考变量参数作为输入，以时间序列数据中的目标变量参数作为输出一起输入到深度卷积神经网络中进行处理，学习获得同时刻不同变量参数间的关系，得到目标变量参数与生产状态数据的变量参数之间的关系；

2.2、设置时间步，将传感器分类数据中目标变量参数对应的部分按照时间步进行滑窗取样，将取样后的数据输入到单步预测的深度门控循环神经网络中，学习目标变量参数的不同时刻之间的关系，得到目标变量参数的历史多个时刻数据对当前时刻数据的关系；

2.3、将深度卷积神经网络在最后全连接层之前的输出预测数据和深度门控循环神经网络在最后全连接层之前的输出预测数据共同输入到多特征融合层中，利用多特征融合进行融合，具体是：利用加合层将两个输出预测数据相加并联得到合并特征后的信息，再经过压平层压扁成一维数据后输入最后的全连接层；

2.4、将多特征融合层输出的融合特征再输入至最后一层的全连接层中，利用反向传播算法训练深度卷积神经网络与深度门控循环网络，调整深度卷积神经网络与深度门控循环网络的权重参数，优化获得训练后的深度卷积神经网络与深度门控循环网络；

2.5、利用训练后的深度卷积神经网络与深度门控循环网络结合多特征融合层形成训练后的多特征融合深度神经网络，将待测情况的参考变量参数数据输入到训练后的多特征融合深度神经网络后输出预测获得目标变量参数。

3.根据权利要求2所述的一种多特征融合深度神经网络的工业生产过程目标数据预测方法，其特征在于：所述的深度卷积神经网络捕捉多变量时间序列数据的数据维度特征数据，深度卷积神经网络在最后全连接层之前的输出预测数据为数据维度特征数据；深度门控循环网络捕捉目标数据的时间维度特征数据，深度门控循环神经网络在最后全连接层之前的输出预测数据为时间维度特征数据。

4.根据权利要求2所述的一种多特征融合深度神经网络的工业生产过程目标数据预测方法，其特征在于：所述的深度卷积神经网络是主要有依次连接的多个卷积块和一个最大池化层构成，每个卷积块均由多个卷积层依次连接构成，时间序列数据先进行归一化处理，然后经过时域卷积的各个卷积块处理，利用激活函数得到特征，映射到特征空间中，计算公式如下：

C_i＝f(W_i*C_i-1+b_i)

式中，W_i表示第i卷积块的共享权重，与第i-1卷积块的特征C_i-1卷积，*是卷积运算符号，b_i是第i卷积块的偏置向量，f()表示非线性激活函数；通过非线性激活函数relu获得第i卷积块的特征C_i；

经过各个卷积块的时域卷积处理后，最后最大池化层的输出为目标特征空间的数据维度特征数据。