[发明专利]一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法

说明书

本发明公开了一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法，至少包括以下步骤：步骤S1：搜集软测量任务的数据集，并进行预处理；步骤S2：创建耦合双向信息过滤长短期记忆网络模型，并在训练集进行监督训练；步骤S3：使用耦合双向信息过滤长短期记忆网络模型对测试集进行测试。本发明的技术方案，采用了耦合双向信息过滤长短期记忆网络(CB‑IF‑LSTM)，在不增加原有循环神经网络参数规模的基础上，拓展了从输入到输出的神经网络层深度；在基本单元上采用信息过滤单元和长短期记忆网络单元，隐藏状态信息进入长短期记忆网络单元时，不重要的信息被信息过滤单元抑制，重要的隐藏状态信息正常通过，质量变量预测精度得以提高，同时应对不可预测情况能力提升。

技术领域

本发明属于软测量建模技术领域，具体涉及一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法。

背景技术

在现代工业过程中，质量变量是工业控制与优化的关键因素，通常这些质量变量可以通过传感器获取。但是受到高成本，滞后或检修等情况的影响，直接获得一些质量变量并不总是方便的。同时，有的过程变量是容易获取的，并且它们与质量变量具有相关性，所以通过过程变量对质量变量进行预测是可行的，这种预测方法称为软测量，使用软测量的传感器称为软传感器。

一般软传感器模型分为第一原理模型、数据驱动模型和混合模型。随着技术发展，一方面从工业现场采集的大量数据被存储，另一方面深度学习技术取得进步，这使得用深度学习技术进行软传感器建模更加合理。一般基于深度学习的软传感器组件包括自动编码器(AE)、卷积神经网络(CNN)、循环神经网络(RNN)等。其中循环神经网络可以很好适应软传感器的时间序列数据，然而标准循环神经网络存在梯度消失或梯度爆炸问题，使用更多的是它的变体例如长短期记忆网络(LSTM)与门控循环单元(GRU)等变体，标准循环神经网络及其变体统称为循环神经网络。参见图1，所示为循环神经网络示意图。

长短期记忆网络和门控循环单元的作用机理相似，下面以长短期记忆网络为例描述其作用方式。参见图2，所示为长短期记忆网络单元内部结构示意图。长短期记忆网络在时间维度是循环计算的，不同时间步处由长短期记忆网络单元组成，并且共享参数，其中一个长短期记忆网络单元的计算过程如下：

f_t＝σ(w_fhh_t-1+w_fxx_t+b_f)

i_t＝σ(w_ihh_t-1+w_ixx_t+b_i)

o_t＝σ(w_ohh_t-1+w_oxx_t+b_o)

h_t＝o_t⊙tanh(c_t)

其中f_t是遗忘门，i_t是输入门，o_t是输出门，c_t是细胞状态，h_t是隐藏状态，w与b为对应的权重与偏差，x_t为序列数据在t时间步的分量，⊙代表按元素相乘，σ代表sigmoid函数且输出范围为[0,1]，tanh代表输出范围[-1,1]的非线性函数。细胞状态用来存储长期信息，三个门结构来控制细胞状态的遗忘与更新，通过这些改进来克服标准RNN的梯度爆炸或梯度消失问题。从外部看，长短期记忆网络在每个时间步接收x_t，c_t-1，h_t-1作为输入，同时以c_t，h_t为输出。