[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

说明书

本发明公开了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。利用传感器通过等间隔采样采集工业设备中与关键变量相关的其他变量时间序列数据，对流程工业中关键变量的时间序列数据进行预测分析；输入到预先设计构建的深度卷积神经网络中进行训练；将关键变量的历史数据按时间步分割好后输入至深度门控循环神经网络学习；利用多特征融合方法，将两个网络得到的输出特征融合再输入到全连接层，通过反向传播优化网络参数，提高预测精度。本发明为工业生产中的过程监测提供了可靠有效的目标变量参数预测，缓解了工业生产中对如铁水含硅量等关键性变量测量的滞后性。

技术领域

本发明属于流程工业生产领域的一种工业参数预测方法，具体涉及一种基于多特征融合的工业生产过程关键参数预测方法。

背景技术

现流程工业系统逐步走向智能化、集成化、自动化程度越来越高，整个工业系统的功能也越来越完善，因此系统内各变量之间的相关性也越来越紧密。同时随着各类传感器的出现，流程工业中可得到的参数越来越多，为工业大数据处理提供了数据来源。然而，流程工业中的关键参数测量依旧存在极大的滞后性，比如高炉炼铁中的铁水含硅量，这一类关键参数往往只能通过软测量的方法获得，传统的直接测量方法存在着极大的滞后性。

通过提前预知流程工业中的关键参数可以对整个工业系统的当前和未来状态有一个推测，这样方便从业人员可以及时发现工业系统中哪些设备存在问题，并方便提前做出操作，稳定系统，预防工业事故的发生。实现流程工业关键参数预测对稳定整体工业系统和工业生产安全具有重大意义。

针对工业过程关键性参数监测，常用的解决方法有两种。一种方法是通过不断研发实时性强、准确度更高的新型仪器用于直接测量。第二种方法就是通过测量与待检测的关键性参数相关联的其他变量，通过统计学或者神经网络的方法得到变量之间的非线性关系用于推算关键性变量，间接得到目标参数。相对于第二种方法，第一种方法存在设备成本高、研发周期长、分析周期长、滞后性严重等问题，使得操作员不能及时了解工业系统的实时状态，造成生产质量下降，能源浪费严重。第二种方法也称之为软测量方法，直接测量易监测的变量，通过学习目标变量与已知变量之间的潜在关系建立预测模型^[2]，这样就能完成对目标变量的实时预测估计，相对于第一种方法，该方法开发周期短并且成本低。

公告号为CN110400007A的中国实用新型专利，公开了“一种基于改进门控循环神经网络的铁水质量预报方法”，其通过将门控循环神经网络的重置门和更新门合并为单一处置门，减低了模型的复杂程度。但此种方法所用的门控循环神经网络不善于捕捉数据维度的特征，因此数据维度的信息容易被丢失，对于更复杂的流程工业问题以及工况，预测效果并不理想。而本发明通过多特征融合技术，将善于学习数据维度的神经网络结构引入，就可以解决数据维度信息被丢失的问题，最终同时用时间维度特征与数据维度特征获得预测值，进一步提高关键参数的预测精度。

发明内容

为了解决背景技术中存在的技术问题，本发明提供了一种基于多特征融合深度神经网络的流程工业关键参数预测方法，能够对流程工业中的原始时间序列信号进行数据挖掘，学习目标关键参数与易测参数之间的关系并实时预测目标关键参数。

本发明方法适用于流程工业实时系统状态监测，特别是目标关键参数具有很强的序列相关性，所测工业系统状态参数具有很强的惯性，为工业生产中的过程监测提供了可靠有效的目标变量参数预测，缓解了工业生产中对如铁水含硅量等关键性变量测量的滞后性。

本发明采用的技术方案是方法具体包括以下步骤：

本发明方法总体具体包括以下步骤：

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。

所述方法具体为：