CN112580257B - 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 - Google Patents

基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112580257B
CN112580257B CN202011439664.XA CN202011439664A CN112580257B CN 112580257 B CN112580257 B CN 112580257B CN 202011439664 A CN202011439664 A CN 202011439664A CN 112580257 B CN112580257 B CN 112580257B
Authority
CN
China
Prior art keywords
lstm
model
output
variable
dynamic model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011439664.XA
Other languages
English (en)
Other versions
CN112580257A (zh
Inventor
柴天佑
高愫婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN202011439664.XA priority Critical patent/CN112580257B/zh
Publication of CN112580257A publication Critical patent/CN112580257A/zh
Priority to PCT/CN2021/136527 priority patent/WO2022121956A1/zh
Application granted granted Critical
Publication of CN112580257B publication Critical patent/CN112580257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提供了一种模型结构、参数及变量阶次未知的复杂工业系统预报模型构建方法、装置、设备及存储介质。复杂工业系统预报模型构建方法包括：建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数。针对复杂工业系统难以建立动态数学模型的问题，将动态系统建模方法与完备信息空间的深度学习技术相结合，实现了复杂工业动态系统预报模型的构建。

Description

基于深度学习的复杂工业系统预报模型构建方法、装置、设备 及存储介质
技术领域
本发明属于工业人工智能技术领域，涉及基于深度学习的复杂工业动态系统预报模型构建方法、装置、设备及存储介质。
背景技术
由于复杂工业系统难以建立动态数学模型，其运行决策仍然依靠知识工作者凭经验和知识人工决策，实现工业系统的运行决策的优化，关键是预测在决策的操作动作下，反映该系统的产品质量、效率、消耗的生产指标和关键工艺参数是否在目标值范围内。由于生产制造过程的复杂性，造成大多生产指标与关键工艺参数无法在线准确测量，如磨矿过程的浓度与粒度、氧化铝生产过程的苛性碱浓度等关键工艺参数的检测、电熔镁砂生产过程的需量的变化率等，只能通过人工化验或事后统计的方法获取。因此存在严重的滞后性，知识工作者只能根据滞后的信息凭经验与知识做决策，造成产品质量不稳定、消耗高等问题。实现生产指标与关键工艺参数的准确预报，必须解决目前已有的系统辨识方法和深度学习方法无法用于模型结构未知、输入输出变量阶次未知的复杂动态系统预报模型的建模难题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。本发明的技术方案如下：
一种基于深度学习的复杂工业系统预报模型构建方法，包括如下步骤：
建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；
采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数。
进一步，作为优选，所述LSTM的模型参数包括：LSTM的神经元个数、单元节点数和LSTM的网络层数；将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数；固定所述LSTM的神经元个数和单元节点数，改变所述 LSTM的网络层数，根据不同网络层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数。
进一步，作为优选，所述工业系统为氧化铝制取系统，所述动态模型的输出变量为氧化铝溶液的苛性碱浓度检测误差，所述预报模型的输出为所述苛性碱浓度检测误差的预报值，所述苛性碱浓度检测误差为苛性碱浓度化验值与苛性碱浓度在线检测仪表的测量值之差。
进一步，作为优选，所述动态模型的输入变量包括所述氧化铝溶液的折光度、所述氧化铝溶液的温度、所述苛性碱浓度检测误差的历史值。
一种基于深度学习的复杂工业系统预报模型构建装置，包括：
动态模型建模模块，用于建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；
预报模型建模模块，采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数。
进一步，作为优选，所述LSTM的模型参数包括：LSTM的神经元个数、单元节点数和LSTM的网络层数；所述预报模型建模模块将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数；所述预报模型建模模块固定所述 LSTM的神经元个数和单元节点数，改变所述LSTM的网络层数，根据不同层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数。
进一步，作为优选，所述工业系统为氧化铝制取系统，所述动态模型的输出变量为氧化铝溶液的苛性碱浓度检测误差，所述预报模型的输出为所述苛性碱浓度检测误差的预报值，所述苛性碱浓度检测误差为苛性碱浓度化验值与苛性碱浓度在线检测仪表的测量值之差。
进一步，作为优选，所述动态模型的输入变量包括所述氧化铝溶液的折光度、所述氧化铝溶液的温度、所述苛性碱浓度检测误差的历史值。
一种基于深度学习的复杂工业系统预报模型构建设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述复杂工业系统预报模型构建方法。
一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述复杂工业系统预报模型构建方法。
本发明将动态系统建模方法与完备信息空间的深度学习技术相结合，发明了一种复杂工业动态系统预报模型构建方法，解决了复杂工业动态系统预报模型的建模难题。
附图说明
图1为本发明实施例的复杂工业系统预报模型构建方法实现流程图；
图2为图1所示的步骤S2的具体实现流程图；
图3为本发明一个实施例的苛性碱浓度检测误差预报模型及苛性碱浓度预报模型的构建方法实现流程图；
图4为图3所示的步骤S2’的具体实现流程图；
图5为本发明一个实施例的复杂工业系统预报模型构建装置的结构示意图；
图6为本发明一个实施例的复杂工业系统预报模型构建设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的复杂工业系统预报模型构建方法实现流程图，该方法包括以下步骤：
S1：建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量。
具体的，以被预报的变量为工业系统动态模型的输出变量，影响该输出变量的工业过程的输入与输出为该动态模型的输入变量，并将该动态模型的输出历史数据以及预报误差历史数据作为该动态模型的输入变量，采用未知常数n表示该动态模型的输入与输出变量的未知阶次。采用下式表示该工业系统的动态模型：
s(k)＝f(s(k-1),…,s(k-n),yi(k),…,yi(k-n+1),ui(k),…,ui(k-n+1),Δs(k-1),…,Δs(k-n))(1)
其中，f是未知的非线性函数；s(k)为该动态模型k时刻的输出；yi(k)为工业过程k时刻的第i个输出，ui(k)为工业过程k时刻的第i个输入，i＝1,…,m；
Figure BDA0002829764280000041
为k-1时刻的预报误差，即k-1时刻该动态模型的输出s(k-1)与预报模型的输出
Figure BDA0002829764280000042
之差。
S2：采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM 的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数。
如图2所示，步骤S2包括步骤S21和S22。
步骤S21为：将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数。
具体的，选择(1)式中的输入变量作为第j个单个神经元的输入xj(k+j-n)，阶次n为神经元的个数，即：
xj(k+j-n)＝[s(k+j-n-1),yi(k+j-n),ui(k+j-n),Δs(k+j-n-1))]T(2)
其中，j＝1,…,n；i＝1,…,m。
选择层数为1的神经网络，利用(2)式组成的大数据样本，以工业系统动态模型(1)的输出数据s(k)作为标签数据，通过训练算法，使标签数据s(k)与预报模型输出
Figure BDA0002829764280000043
的误差Δs(k)尽可能小，确定神经元个数n和单元节点数
Figure BDA0002829764280000044
步骤S22为：固定所述LSTM的神经元个数和单元节点数，改变所述LSTM 的网络层数，根据不同网络层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数。
具体的，固定所述LSTM的单个神经元个数n和LSTM单元节点数
Figure BDA0002829764280000051
通过增加LSTM的网络层数来减小预报模型输出
Figure BDA0002829764280000052
与标签数据s(k)的误差Δs(k)，使预报误差Δs(k)尽可能小，确定LSTM的网络层数以及各层连接权参数和偏置参数，从而建立复杂工业动态系统的深度学习预报模型。
进一步的，在一个实施例中，复杂工业系统预报模型构建方法可用于氧化铝制取系统的苛性碱浓度检测误差的预报模型的构建。
氧化铝具有硬度高、熔点高等优良特性，常用于冶炼金属铝和制造耐火材料，是军工、航天和国民经济中具有支撑作用的战略资源。目前，制取氧化铝的主要方法是拜耳法，其基本工艺流程通常是将碎铝土矿按配比要求加入石灰和苛性碱溶液进行磨制，再利用苛性碱溶液在一定温度、一定压力条件下溶出铝土矿制得铝酸钠溶液，铝酸钠溶液净化后经过降温、添加晶种、搅拌分解析出氢氧化铝晶体，析出的氢氧化铝经分离、洗涤、焙烧后得到氧化铝。分离氢氧化铝后的母液 (主要成分是苛性碱)经蒸发过程后再重新溶出新的铝土矿，进入下一循环。
氧化铝溶液的苛性碱浓度是氧化铝蒸发过程的关键工艺指标，关系到氧化铝的最终产品质量。日常苛性碱浓度检测是依靠人工按固定周期取样后再化验的手段获得准确的苛性碱浓度值，然而由于取样间隔和化验所需时间较长，苛性碱浓度的检测存在严重滞后性，无法实现蒸发过程的运行优化控制。
为了实现蒸发过程的运行优化控制，一些氧化铝企业以昂贵的价格引进苛性碱浓度在线测量装置。实际生产中，铝土矿品位的变化和生产过程运行的变化导致该检测装置测得的苛性碱浓度与化验结果差距大，无法使用。为了快速获得准确的苛性碱浓度，实现蒸发过程运行优化控制，必须建立苛性碱浓度化验值与苛性碱浓度在线检测装置的误差预报模型，由于该误差的动态特性具有未知强非线性，模型阶次未知，无法用已有的预报方法建立该误差的预报模型。本发明实施例成功建立了该误差的预报模型作为苛性碱浓度在线检测装置的精度补偿模型，实现了苛性碱浓度在线精确测量。
图3为本发明一个实施例的苛性碱浓度检测误差预报模型及苛性碱浓度预报模型的构建方法实现流程图，该方法包括以下步骤：
S1’：建立苛性碱浓度在线检测仪表的测量值与苛性碱浓度化验值的检测误差动态模型，确定所述检测误差动态模型的输入变量和输出变量，所述输出变量为被预报的变量。
具体的，由于苛性碱浓度在线检测仪表以氧化铝溶液折光度和温度为输入，通过模型产生浓度测量值，因此该检测误差动态模型的输入包括氧化铝溶液折光度和温度，并将苛性碱浓度化验值和苛性碱浓度检测仪表测量值的测量误差值的历史值作为该检测误差动态模型的输入，采用未知常数n表示该动态系统的输入与输出变量的未知阶次，建立苛性碱浓度检测误差动态模型如下：
Figure BDA0002829764280000061
其中，
Figure BDA0002829764280000062
是未知的非线性函数；y1(k)为k时刻的氧化铝溶液折光度；y2(k)为k时刻的氧化铝溶液温度；
Figure BDA0002829764280000063
为k时刻苛性碱浓度化验值r(k)与苛性碱浓度检测仪表测量值
Figure BDA0002829764280000064
之差。
S2’：采用LSTM建立检测误差预报模型，将所述检测误差动态模型的所述输入变量作为LSTM的单个神经元输入，将所述检测误差动态模型的输出数据作为标签数据，将所述检测误差动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述检测误差预报模型输出之间的误差确定LSTM的模型参数。
如图4所示，步骤S2’包括步骤S21’和S22’。
步骤S21’为：将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述检测误差预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数。
具体的，选择(3)式中第j个输入变量xj(k+j-n)作为第j个单个神经元的输入，即：
xj(k+j-n)＝[y1(k+j-n),y2(k+j-n),Δr(k+j-n-1)]T,j＝1,…,n (4)
其中，n为神经元的个数。
选择层数为1的LSTM神经网络，利用(3)式所示的输入输出变量所构成的大数据样本，以苛性碱浓度化验值与检测仪表测量值的误差值Δr(k)作为标签数据，采用训练算法，使标签数据Δr(k)与检测误差预报模型输出
Figure BDA00028297642800000714
的误差尽可能小来确定神经元个数n和单元节点数
Figure BDA00028297642800000713
训练算法的目标函数为：
Figure BDA0002829764280000071
其中，M表示训练数据的数据量。
标签数据Δr(k)为：
Figure BDA0002829764280000072
检测误差动态模型的预报值
Figure BDA0002829764280000073
是第n个神经元输出h(k)的加权表达式：
Figure BDA0002829764280000074
其中，h(k)为
Figure BDA0002829764280000075
向量，Wd表示权值参数，
Figure BDA0002829764280000076
bd表示偏置参数。
h(k)＝ok*tanh(C(k)) (8)
其中，ok为输出门的输入，
ok＝σ(Wo·[h(k-1),xj(k)]T+bo) (9)
其中，[h(k+j-n-1),xj(k+j-n)]T，j＝1,…,n为LSTM单元的n个神经元的输入，h(k-1)是第(n-1)个神经元的输出。
C(k)为长期记忆状态
Figure BDA0002829764280000077
其中，fk、ik和
Figure BDA0002829764280000078
为
Figure BDA0002829764280000079
的向量，由下式计算：
fk＝σ(Wf·[h(k-1),xj(k)]T+bf)
ik＝σ(Wi·[h(k-1),xj(k)]T+bi) (11)
Figure BDA00028297642800000710
其中，LSTM单元连接权值Wf，Wi，WC和Wo为
Figure BDA00028297642800000711
矩阵，LSTM单元偏置bf，bi，bC以及bo为
Figure BDA00028297642800000712
向量。
取n＝1,2…22，
Figure BDA0002829764280000081
使用(5)—(11)式采用梯度下降算法使(5)式极小，当神经元的个数n为20且LSTM的单元节点数
Figure BDA0002829764280000082
为180时测试误差最小，因此确定神经元的个数参数为20，LSTM的单元节点数
Figure BDA0002829764280000083
为180。
步骤S22’为：固定所述LSTM的神经元个数和单元节点数，改变所述LSTM 的网络层数，根据不同网络层数对应的所述标签数据与所述检测误差预报模型输出之间的误差，选择LSTM的网络层数。
具体的，将LSTM中神经元的个数参数n固定为20，同时将LSTM单元节点数
Figure BDA0002829764280000084
固定为180，通过增加LSTM的网络层数使检测误差预报模型输出
Figure BDA0002829764280000085
和标签数据Δr(k)之间的误差尽可能小来确定层数L。
训练算法的目标函数如式(5)，标签数据的表达式如式(6)。检测误差预报模型的输出
Figure BDA0002829764280000086
是第L层LSTM神经网络的第20个神经元输出hL(k)的加权表达式，即
Figure BDA0002829764280000087
其中，hL(k)为180×1向量，
Figure BDA0002829764280000088
表示权值参数，
Figure BDA0002829764280000089
Figure BDA00028297642800000810
表示偏置参数。
Figure BDA00028297642800000811
其中，
Figure BDA00028297642800000812
为输出门的输入
Figure BDA00028297642800000813
其中，hL(k-1)为第L层LSTM神经网络的第19个神经元的输出，hL-1(k)为第 (L-1)层LSTM神经网络的第20个神经元的输出，也是第L层LSTM的第20个神经元的输入。
CL(k)为长期记忆状态
Figure BDA00028297642800000814
其中，
Figure BDA00028297642800000815
和
Figure BDA00028297642800000816
为180×1的向量，由下式计算
Figure BDA0002829764280000091
Figure BDA00028297642800000910
Figure BDA00028297642800000911
其中，LSTM单元连接权值
Figure BDA0002829764280000092
和
Figure BDA0002829764280000093
为180×360矩阵，LSTM单元偏置
Figure BDA0002829764280000094
和
Figure BDA0002829764280000095
为180×1向量。
取L＝1,2,3,4，使用(5)、(6)和(12)—(16)式采用梯度下降算法使(5)式极小，实验结果如表1所示，当LSTM神经网络的层数L为2时预报精度最高且训练时间较短，因此确定神经网络层数为两层，同时确定LSTM的各层连接权参数和偏置参数，从而建立苛性碱浓度检测误差预报模型如下：
Figure BDA0002829764280000096
S3’：由苛性碱浓度检测误差预报模型得到苛性碱浓度预报模型如下：
Figure BDA0002829764280000097
表1预报精度与神经网络层数
Figure BDA0002829764280000098
本发明实施例所建立的苛性碱浓度预报模型在山西某氧化铝厂蒸发过程应用效果如表2所示。表2统计了苛性碱浓度仪表在线测量值和预报模型预报值与化验值的均方根误差RMSE和在生产工艺规定的误差区间范围内的合格率，由表2可以看出，采用本发明实施例的预报模型将苛性碱浓度仪表测量值与化验值之间的RMSE由11.25下降为1.22，合格率P由10.75％提升为97.03％，为实现氧化铝生产过程的运行优化控制创造了条件。
表2苛性碱浓度预报模型应用效果
Figure BDA0002829764280000099
在一个实施例中，如图5所示，提供了一种基于深度学习的复杂工业系统预报模型构建装置，包括：动态模型建模模块和预报模型建模模块，其中：
动态模型建模模块用于建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；
预报模型建模模块采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数。
在其中一个实施例中，所述LSTM的模型参数包括：LSTM的神经元个数、单元节点数和LSTM的网络层数；所述预报模型建模模块将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数；所述预报模型建模模块固定所述LSTM的神经元个数和单元节点数，改变所述LSTM的网络层数，根据不同网络层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数。
在其中一个实施例中，所述工业系统为氧化铝制取系统，所述动态模型的输出变量为氧化铝溶液的苛性碱浓度检测误差，所述预报模型的输出为所述苛性碱浓度检测误差的预报值，所述苛性碱浓度检测误差为苛性碱浓度化验值与苛性碱浓度在线检测仪表的测量值之差。
在其中一个实施例中，所述动态模型的输入变量包括所述氧化铝溶液的折光度、所述氧化铝溶液的温度、所述苛性碱浓度检测误差的历史值。
关于复杂工业系统预报模型构建装置的具体限定可以参见上文中对于复杂工业系统预报模型构建方法的限定，在此不再赘述。上述复杂工业系统预报模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图6所示，提供了一种基于深度学习的复杂工业系统预报模型构建设备，包括：存储器和处理器，存储器存储有可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各实施例中的复杂工业系统预报模型构建方法。所述存储器和处理器的数量可以为一个或多个。
所述设备还可以包括：通信接口，用于与外界设备进行通信，进行数据交换传输。
存储器可以包含高速RAM存储器，也可以还包括非易失性存储器 (non-volatilememory)，例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互之间的通信。所述总线可以是工业标准体系结构 (ISA，IndustryStandard Architecture)总线，外部设备互连(PCI，Peripheral ComponentInterconnect)总线或扩展工业标准体系结构(EISA，Extended Industry StandardArchitecture)等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器和通信接口可以通过内部接口完成相互间的通信。
在一个实施例中，提供了一种计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时实现上述各实施例中的复杂工业系统预报模型构建方法。
在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例以及不同实施例的特征进行结合和组合。
综上所述，本发明实施例提出的复杂工业系统预报模型构建方法、装置和设备针对复杂工业系统难以建立动态数学模型的问题，将动态系统建模方法与完备信息空间的深度学习技术相结合，实现了复杂工业动态系统预报模型的构建，为复杂工业动态系统的生产指标及参数的在线准确预报创造了条件。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种基于深度学习的复杂工业系统预报模型构建方法，其特征在于，所述方法包括：
建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；
采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数；
所述LSTM的模型参数包括：LSTM的神经元个数、单元节点数和LSTM的网络层数；
将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数；
固定所述LSTM的神经元个数和单元节点数，改变所述LSTM的网络层数，根据不同网络层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数；
所述工业系统为氧化铝制取系统，所述动态模型的输出变量为氧化铝溶液的苛性碱浓度检测误差，所述预报模型的输出为所述苛性碱浓度检测误差的预报值，所述苛性碱浓度检测误差为苛性碱浓度化验值与苛性碱浓度在线检测仪表的测量值之差。
2.根据权利要求1所述的方法，其特征在于，所述动态模型的输入变量包括所述氧化铝溶液的折光度、所述氧化铝溶液的温度、所述苛性碱浓度检测误差的历史值。
3.一种基于深度学习的复杂工业系统预报模型构建装置，其特征在于，所述装置包括：
动态模型建模模块，用于建立工业系统的动态模型，确定所述动态模型的输入变量和输出变量，所述输出变量为被预报的变量；
预报模型建模模块，采用LSTM建立预报模型，将所述动态模型的所述输入变量作为LSTM的单个神经元输入，将所述动态模型的输出数据作为标签数据，将所述动态模型的未知变量阶次用LSTM的神经元个数表示，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定LSTM的模型参数；
所述LSTM的模型参数包括：LSTM的神经元个数、单元节点数和LSTM的网络层数；
所述预报模型建模模块将LSTM的初始网络层数设置为1，通过训练算法，根据所述标签数据与所述预报模型输出之间的误差确定所述LSTM的神经元个数和单元节点数；
所述预报模型建模模块固定所述LSTM的神经元个数和单元节点数，改变所述LSTM的网络层数，根据不同网络层数对应的所述标签数据与所述预报模型输出之间的误差，选择LSTM的网络层数；
所述工业系统为氧化铝制取系统，所述动态模型的输出变量为氧化铝溶液的苛性碱浓度检测误差，所述预报模型的输出为所述苛性碱浓度检测误差的预报值，所述苛性碱浓度检测误差为苛性碱浓度化验值与苛性碱浓度在线检测仪表的测量值之差。
4.根据权利要求3所述的装置，其特征在于，所述动态模型的输入变量包括所述氧化铝溶液的折光度、所述氧化铝溶液的温度、所述苛性碱浓度检测误差的历史值。
5.一种基于深度学习的复杂工业系统预报模型构建设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1或2所述的方法。
6.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1或2所述的方法。
CN202011439664.XA 2020-12-10 2020-12-10 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 Active CN112580257B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011439664.XA CN112580257B (zh) 2020-12-10 2020-12-10 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质
PCT/CN2021/136527 WO2022121956A1 (zh) 2020-12-10 2021-12-08 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011439664.XA CN112580257B (zh) 2020-12-10 2020-12-10 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112580257A CN112580257A (zh) 2021-03-30
CN112580257B true CN112580257B (zh) 2022-03-29

Family

ID=75130509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011439664.XA Active CN112580257B (zh) 2020-12-10 2020-12-10 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN112580257B (zh)
WO (1) WO2022121956A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580257B (zh) * 2020-12-10 2022-03-29 东北大学 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质
CN113607601B (zh) * 2021-06-18 2022-10-28 东北大学 基于辨识模型与深度学习相结合的矿浆浓度智能检测方法
CN115658021B (zh) * 2022-11-07 2023-12-12 苏州数设科技有限公司 动态模型的确定方法、装置、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737952A (zh) * 2019-09-17 2020-01-31 太原理工大学 一种结合AE和bi-LSTM的机械设备关键零部件剩余寿命预测方法
CN110749337A (zh) * 2019-10-11 2020-02-04 南京航空航天大学 一种基于深度神经网络的mimu误差补偿方法
CN111460738A (zh) * 2020-04-16 2020-07-28 中南大学 磁悬浮系统的rnn-arx建模方法、rnn-arx模型
CN111461413A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种公路路面使用性能检测系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101916348B1 (ko) * 2017-08-04 2018-11-08 주식회사 수아랩 인공 신경망의 훈련 방법
CN107909227B (zh) * 2017-12-20 2022-07-15 北京金风慧能技术有限公司 超短期预测风电场功率的方法、装置及风力发电机组
US20190303535A1 (en) * 2018-04-03 2019-10-03 International Business Machines Corporation Interpretable bio-medical link prediction using deep neural representation
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN111950854B (zh) * 2020-07-14 2022-04-19 包头钢铁（集团）有限责任公司 一种基于多层神经网络的焦炭质量指标预测方法
CN112580257B (zh) * 2020-12-10 2022-03-29 东北大学 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737952A (zh) * 2019-09-17 2020-01-31 太原理工大学 一种结合AE和bi-LSTM的机械设备关键零部件剩余寿命预测方法
CN110749337A (zh) * 2019-10-11 2020-02-04 南京航空航天大学 一种基于深度神经网络的mimu误差补偿方法
CN111461413A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种公路路面使用性能检测系统
CN111460738A (zh) * 2020-04-16 2020-07-28 中南大学 磁悬浮系统的rnn-arx建模方法、rnn-arx模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
带神经网络补偿的 Smith 预估极点配置自校正控制;靳其兵等;《东北大学学报》;19990430;第20卷(第2期);第133-136页 *
自适应神经网络在负荷动态建模中的应用;顾丹珍等;《中国电机工程学报》;20070630;第27卷(第16期);第31-36页 *

Also Published As

Publication number Publication date
WO2022121956A1 (zh) 2022-06-16
CN112580257A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN112580257B (zh) 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质
CN112560338B (zh) 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质
CN104651559B (zh) 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法
Lai et al. Prediction stock price based on different index factors using LSTM
CN102601881A (zh) 一种橡胶硬度的在线质量监控和预测模型更新的方法
Binning et al. Sigma point filters for dynamic nonlinear regime switching models
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN106600029A (zh) 一种基于电力数据的宏观经济预测量化修正方法
Ma et al. A novel bidirectional gated recurrent unit-based soft sensor modeling framework for quality prediction in manufacturing processes
CN102621953A (zh) 一种橡胶硬度的在线自动质量监控和预测模型更新的方法
CN116258087B (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
US20240002964A1 (en) Method and system for determining converter tapping quantity
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
Li et al. Output space transfer-based MIMO RVFLNs modeling for estimation of blast furnace molten iron quality with missing indexes
CN112257893A (zh) 一种考虑监测误差的复杂机电系统健康状态预测方法
CN115375039A (zh) 一种工业设备故障预测方法、装置、电子设备及存储介质
CN108875961A (zh) 一种基于预界机制的在线加权极限学习机方法
Raza et al. Application of extreme learning machine algorithm for drought forecasting
CN114525372A (zh) 基于多模态融合的高炉状态监测方法及装置
CN113689026A (zh) 一种气象数据预测方法、设备及存储介质
CN102033989A (zh) 基于bp神经网络的氯离子固化量预测方法
CN113609772B (zh) 基于卷积准循环神经网络的水泥成品比表面积预测方法
Dhokane et al. Stock market prediction using the LSTM algorithm in association with the Relative Strength Index (RSI) and Exponential Moving Average (EMA) indicators.
CN114184211B (zh) 一种惯导可靠性试验中性能变化机理一致性判定方法
Zhou et al. Blast Furnace Gas Utilization Rate Prediction Model based on Northern Goshawk Optimization and Long Short-Term Memory in Massive Data Set

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant