欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2021111575074
申请人: 中国矿业大学
专利类型:发明专利
专利状态:已下证
专利领域: 控制;调节
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于ILSTM网络的复杂工业过程运行状态评价方法,其特征在于,具体包括以下步骤:

步骤一:使用离线数据训练ILSTM网络特征提取模型和分类器模型,建立状态评价离线模型;

A1:采集工业过程的原始数据 其中,N为采样点个数,X=[x1,x2,...,xN]为工业的过程数据,Y=[y1,y2,...,yN]为对应的综合经济指标数据,对原始数据进行预处理,包括异常数据的剔除和对齐;

A2:根据公式(1)对X数据和Y数据进行标准化计算,使得计算后的数据均值为0,标准差为1;

式中,x′是经过标准化处理之后的数据,x是输入数据,μ是均值,σ是标准差;

A3:使用窗口长度为H的滑动窗口对X和Y进行连续采样,得到序列数据,X数据和Y数据在t时刻采样得到的序列如公式(2)、(3)所示;

式中, 为选煤过程在第t时刻第m个过程变量, 为选煤过程在第t时刻第k个综合经济指标变量;

A4:随机初始化ILSTM网络参数,包括各网络层的连接权重W、偏置b;

A5:利用Y数据对LSTM网络引入有监督学习,得到过程数据的重构值 的同时得到综合经济指标的预测值

A6:根据公式(4)计算特征提取模型的损失函数JILSTM:A7:使用BPTT优化算法反向微调,优化模型参数W和b,直到最小化JILSTM或实现JILSTM的收敛,得到特征提取模型;

A8:对综合经济指标数据Y进行状态等级划分,得到标签数据A9:对yl进行独热编码操作,将分类变量表示为二进制变量y′l;

A10:随机初始化softmax分类器的参数θ;

A11:将特征提取模型的隐藏层输出h和二进制变量y′l作为输入,训练softmax分类器,得到状态识别模型,根据公式(5)获得softmax分类器的输出:式中, 为softmax的输入, 为标签,标签数目为k,p(yl=j|x)是x对应状态等级为j的概率, 为分类器的参数;

A12:根据公式(6)计算分类器损失函数J(θ):A13:反向微调分类器模型参数,直到最小化J(θ)或实现J(θ)的收敛,得到状态识别模型;

A14:级联特征提取模型和状态识别模型,反向微调各层权重项和偏置项,得到完整的运行状态评价模型;

步骤二:使用在线数据进行运行状态评价;

B1:采样得到在线过程数据X,并对X进行标准化处理;

B2:对在线数据以窗口长度为H的滑动窗口滑动采样,得到长度一致的序列数据;

B3:将序列数据输入运行状态评价模型,得到在线数据属于不同运行状态等级的后验概率 其中,i∈{1,2,...,q},q为状态等级类别,最终的评价结果为当前时刻最大后验概率对应的状态等级,即当运行状态评价模型评价当前运行状态为非优时,进行非优因素追溯,具体步骤如下:S1:用优状态数据训练LSTM‑AE模型;

S11:采样得到优状态过程数据X=(x1,…,xT),并对X进行标准化处理;

S12:随机初始化LSTM‑AE模型参数,包括各层的连接权重W、偏置b;

S13:将X作为LSTM‑AE模型的输入,得到重构数据为 根据公式(7)计算输入序列与输出序列间的误差,即所有时间步误差之和:式中,f(·)、g(·)为非线性激活函数,ht‑1为前一时刻的隐藏特征,T为时间步步长;

S14:反向优化LSTM‑AE模型,调整权值项和偏置项,直到损失函数最小化或实现损失函数收敛,得到非优因素追溯模型;

S2:输入非优状态的数据,进行非优因素溯源:S21:采集得到非优状态的过程数据为X1=(x1,…,xT),进行标准化处理;

S22:输入已经训练好的LSTM‑AE模型,根据SPE贡献图的定义,通过公式(8)计算各过程变量对非优状态的贡献率:

S23:对比各过程变量的贡献率大小,贡献率大的过程变量即定义为导致非优状态的主要变量。