申请/专利权人：浙江科技学院

申请日：2021-07-29

公开（公告）日：2024-05-17

公开（公告）号：CN113609766B

主分类号：G06F30/27

分类号：G06F30/27;G06F17/10

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2021.11.23#实质审查的生效;2021.11.05#公开

摘要：本发明提供一种基于深度概率潜隐模型的软测量方法，包括以下步骤：采集正常工况下工业过程的过程变量数据和质量变量数据组成训练样本；对训练样本进行预处理，并利用滑动窗口策略将预处理后的训练样本划分为T组过程变量样本和T组质量变量样本；利用过程变量样本构建变分自编码器网络，并获得融合后的潜隐变量；构建潜隐变量与质量变量样本的拟合网络，得到深度非线性动态潜隐变量模型；在线采集同一工况下的工业过程的过程变量数据，利用深度非线性动态潜隐变量模型，得到对应的质量变量预测数据。本发明的方法具有处理强动态性和非线性工业数据的能力，能对上万级大型数据进行处理，具有很强的泛化能力。

主权项：1.一种基于深度概率潜隐模型的软测量方法，其特征在于，包括以下步骤：1采集工业过程在正常工况下的过程变量数据和质量变量数据，组成训练样本；2对训练样本进行预处理，并利用滑动窗口策略将预处理后的训练样本进行划分，得到T组过程变量样本和T组质量变量样本；3利用上述T组过程变量样本构建变分自编码器网络，并获得融合后的潜隐变量；4构建融合后的潜隐变量与其中一组质量变量样本的拟合网络，最终得到由变分自编码器网络和拟合网络组成的有监督的深度非线性动态潜隐变量模型；5在线采集同一工况下的工业过程的过程变量数据，利用所述深度非线性动态潜隐变量模型，得到对应的质量变量预测数据；步骤3中，利用T组过程变量样本构建变分自编码器网络时，采用自监督的方式，利用T个变分自编码器结构分别对T组过程变量样本提取动态潜隐变量zt，其结构如下：z1＝μ1+σ1×ε,ε～N0,Izt＝Ptzt-1+Wtμt+σt×ε其中，t∈[2,T]，μ1、σ1和ε分别代表t＝1时变分自编码器对应的均值、标准差以及高斯噪声，转移矩阵Pt表示zt和zt-1之间的关系，Wt代表μt和zt的关系，μt,σt,ε分别代表变分自编码器生成的均值、标准差以及高斯噪声；对得到的动态潜隐变量zt进行加权求和计算，得到所述融合后的潜隐变量，计算公式如下：et＝zt×Ut+bt 其中，Ut和bt分别是动态潜隐变量的变换矩阵和偏置矩阵，ηA表示模型系数，代表内积；步骤4中，采用全连接层对融合后的潜隐变量和其中一组质量变量样本进行有监督的拟合，得到所述拟合网络，结构如下： 其中，G*代表非线性变换函数，w2t为高斯白噪声。

全文数据：

权利要求：

百度查询： 浙江科技学院 一种基于深度概率潜隐模型的软测量方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD