[发明专利]基于SVAE-WGAN的过程工业软测量数据补充方法

说明书

在工业领域中，随着软测量技术的广泛应用，软测量建模方法的快速发展，有效地应对了未来过程工业中大量过程变量和复杂工业环境带来的挑战。为了提升软测量模型的预测精度，如何在因为工业环境恶劣导致软测量模型训练数据集不足的情况下，通过有效的数据补充方法来补充软测量建模数据集是一个关键问题。为此，本文针对训练数据集不足提出了一种基于SVAE‑WGAN的过程工业软测量数据补充方法。首先，将变分自编码器进行堆叠来提取深层次特征。然后，将堆叠的变分自编码器与Wasserstein生成式对抗网络结合建立一种新的生成模型。最后，采用工业过程数据集训练优化该模型，并通过指标MSE、RMSE和MAE等来评价该模型。以工业蒸汽量数据集为例，在不同的参数下进行大量实验，以此验证该模型生成数据的有效性。仿真结果表明，SVAE‑WGAN生成方法与目前性能最好的VAE‑WGAN方法相比有着更加显著的改进。

技术领域

本发明涉及工业领域，是一种基于SVAE-WGAN的过程工业软测量数据补充方法。

背景技术

软测量技术常作为工业中测量难以直接测量或不能测量的过程变量的方法，软测量建模是该技术的关键，普遍采用基于数据驱动的软测量建模方法,这就需要海量的数据支持。由于传统的硬件设备或离线的实验室分析仪器经常会受到技术条件、经济条件、工业环境恶劣、维护困难、变量规模大、时间延迟等影响，导致很多关键变量难以获取，从而造成数据不足和数据异常，解决此类问题的办法通常是为软测量模型提供充足的训练数据集。目前，基于深度学习的生成数据补充方法广受欢迎，对解决软测量数据不足问题具有重要意义。一方面，随着工业的发展，工业过程变量急剧增多，如何实时测量关键变量变得非常重要。另一方面，在获取海量数据的条件下，软测量模型的性能提升使得在测量过程变量的基础上尽可能达到精准。

基于深度学习的生成数据补充方法通常是采用数学的思维找到产生数据的概率分布，进而获取与真实数据分布相似的生成数据分布。例如变分自动编码器、自编码器和生成对抗网络。关于最早产生深度生成模型的雏形，源于传统的随机采样方法即马尔科夫链蒙特卡罗，在深度信念网络被提出后，随之出现受限玻尔兹曼机、深度玻尔兹曼机两种深度生成模型。根据DBM结构，通过堆叠RBM得到的深度信念网络，具有更加复杂的条件分布，通过采用变分推断思想来近似真实的后验分布。因此，将深度生成技术引入补充工业软测量数据是当下最为恰当的选择，但是，在数据分布比较复杂的情况下，如何使深度生成学习算法复杂性降低也是在建模过程中需要面临的首要挑战，同时，考虑到模型采用神经网络实现，涉及大量的参数优化，存在很多不稳定的因素，在此基础上提高模型的鲁棒性成为模型的关键。

对软测量的数据补充方法研究主要采用数据生成方法，考虑到生成数据的可靠性和真实性，利用深度学习算法，构建一种适应生成工业数据集的生成模型，这种生成模型具有高效、精确等优势。同时，为能够提高模型的生成性能，在模型的训练和优化方面也需要大量的工作。

发明内容

为了能够使软测量模型拥有充足的、可靠的训练数据集，在本发明技术方案中引入了变分自编码器VAE和生成式对抗网络GAN。通过结合变分自编码器和生成式对抗网络的优点提出一种新的生成模型SVAE-WGAN，将堆叠的变分自编码器SVAE作为WGAN的生成器来负责生成数据，WGAN的判别器负责判别数据的真假。此外，SVAE-WGAN模型通过模型融合技术，在不同模型之间进行网络参数的优化，从而提高模型的整体表现效果。基于SVAE-WGAN模型，输入时序数据集，对SVAE进行层次特征提取，以获取数据潜在的关联性。然后采用对抗式学习方式，获取与真实样本更加接近的生成样本，从而获取高质量的软测量训练数据集。

本发明主要包括四个部分：(1)确定输入输出数据集；(2)数据集预处理；(3)将变分自编码器堆叠构建SVAE堆叠网络；(4)结合SVAE和WGAN构建SVAE-WGAN生成模型，并对模型进行优化，从而生成高质量的数据集。下面分别介绍以上四个部分的内容：