多采样率工业过程关键质量指标在线预测方法

本技术属于工业过程质量指标在线预测，尤其涉及一种多采样率工业过程关键质量指标在线预测方法。

背景技术：

1、在现代工业过程中，监控关键质量变量以保持过程的安全状态并提供有效的控制和优化方法是非常重要的。然而，由于恶劣的测量环境和昂贵的分析成本，很难实时测量这些重要的质量变量。因此，随着时间的推移，软测量技术应运而生，它利用与关键质量变量相关的辅助过程变量构建数学预测模型从而估计无法直接测量的关键质量变量。一般来说，软测量技术可分为两类：基于第一性原理的软测量模型和数据驱动的软测量模型。随着过程复杂性的增加，需要明确反应机制的第一性原理软测量模型很难能够提供准确的预测性能。相反，无需知晓反应机理、仅依赖于数据特点的数据驱动软测量模型已成为当前工业过程中的主流方法，这也得益于分布式控制系统能提供丰富得历史数据资源。

2、近年来，数据驱动软测量模型的研究在工业数据建模方面取得了许多重要成果。然而，大多数这些方法都是在假设工业过程具有统一采样率的基础上构建的，而没有考虑普遍存在的多采样率过程。事实上，由于测量技术和硬件成本的限制，实际工业过程的许多变量，如温度、压力、流量、成分和浓度等，无法以统一的采样频率域速率获得。目前，针对这类问题最常用的做法是利用下采样技术将高频采样变量与低频采样变量的采样点对齐从而组成完整数据集，但是这类方法会丢失大量已知的数据信息且无法在非完整采样时刻实现精准建模。此外，还有一些研究学者先采用均值填充、线性插值等补全算法对多采样率数据集进行上采样补全，而后在构建的完整数据集上建模。但目前采用的补全方式多是浅层、局部的，难以有效挖掘数据中存在的复杂相关关系，这导致最终补全效果难以达到预期。此外，这种建模思路下，补全与建模是两个割裂的过程，补全过程缺乏建模任务的指导，而建模又极度依赖补全的效果，这造成最终建模精度不可控，关键质量指标的预测精确度低。

技术实现思路

1、本技术实施例提供了一种多采样率工业过程关键质量指标在线预测方法，可以解决关键质量指标的预测精确度低的问题。

2、本技术实施例提供了一种多采样率工业过程关键质量指标在线预测方法，包括：

3、确定与工业过程关键质量指标相关的多个过程变量，并将多个过程变量中的每一过程变量作为一建模辅助变量；

4、获取辅助变量时间序列集；辅助变量时间序列集包括每个建模辅助变量在预设历史时间段内多次采样所组成的时间序列；

5、按照采样频率从高至低的顺序，对辅助变量时间序列集中的时间序列进行排序，得到原始输入数据；

6、利用多粒度补全模型对原始输入数据进行数据补全重构，得到重构的原始数据；多粒度补全模型包括依次连接的多层卷积网络、样本采样类别编码网络、transformer网络的编码器以及线性输出层；

7、以原始数据的重构误差为损失函数，对多粒度补全模型进行无监督训练，得到训练后的多粒度补全模型；

8、利用transformer网络的解码器对样本采样类别编码网络输出的编码后的输入数据，以及编码器输出的深层特征进行处理，得到原始数据的最终深层特征；

9、将最终深层特征输入全连接层进行处理，得到原始数据对应的关键质量指标的预测值；

10、以预测值的预测误差为损失函数，对由依次连接的多层卷积网络、样本采样类别编码网络、编码器、解码器和全连接层构成的指标预测模型进行训练，得到训练后的指标预测模型；

11、实时采集每一建模辅助变量的数值，并将实时采集到的数值输入训练后的指标预测模型进行指标预测，得到关键质量指标的实时预测值。

12、可选的，利用多粒度补全模型对原始输入数据进行数据补全重构，得到重构的原始数据，包括：

13、利用多层卷积网络对原始输入数据进行处理，得到建模辅助变量在预设历史时间段内未采样点的粗粒度估计值，并根据粗粒度估计值和原始输入数据得到粗粒度补全后的输入数据；

14、利用样本采样类别编码网络对粗粒度补全后的输入数据进行采样类别编码，得到编码后的输入数据；

15、将编码后的输入数据输入transformer网络的编码器，通过编码器对粗粒度估计值进行细粒度修正；

16、将细粒度修正后的输入数据输入线性输出层进行数据重构，得到重构的原始数据。

17、可选的，利用多层卷积网络对原始输入数据进行处理，得到建模辅助变量在预设历史时间段内未采样点的粗粒度估计值，并根据粗粒度估计值和原始输入数据得到粗粒度补全后的输入数据，包括：

18、通过公式得到粗粒度补全后的输入数据xconv；

19、其中，multiconv()表示多层卷积网络，nc表示多层卷积网络的层数为模型超参数，xblock表示原始输入数据，mmiss表示采样标记矩阵；

20、

21、mmiss(xi,j)表示mmiss中第i行第j列的元素，xi,j可观测表示xblock中第i行第j列有采样值，xi,j未被采样表示xblock中第i行第j列没有采样值。

22、可选的，利用样本采样类别编码网络对粗粒度补全后的输入数据进行采样类别编码，得到编码后的输入数据，包括：

23、通过公式ns＝lcm{r1,r2,…,rk,…rm,ry}计算最小公倍数ns；lcm{}表示求解集合的最小公倍数，rk表示第k个建模辅助变量的采样间隔相较基准采样间隔的倍数，1≤k≤m，m表示建模辅助变量的总数，ry表示关键质量指标在预设历史时间段内采样时的采样间隔相较基准采样间隔的倍数；

24、构建大小为ns×dmodel的可学习的参数矩阵xs；xs中各行向量互不相同，dmodel表示原始输入数据映射到编码器中的维度；

25、将参数矩阵xs与粗粒度补全后的输入数据xconv相加，得到编码后的输入数据。

26、可选的，重构的原始数据xrecon的表达式为：

27、

28、其中，linear()表示线性输出层，encoder()表示transformer网络的编码器，ne表示编码器的层数为网络超参数，embedding()表示样本采样类别编码网络。

29、可选的，利用transformer网络的解码器对样本采样类别编码网络输出的编码后的输入数据，以及编码器输出的深层特征进行处理，得到原始数据的最终深层特征，包括：

30、将样本采样类别编码网络输出的编码后的输入数据作为transformer网络的解码器的查询矩阵，并将编码器输出的深层特征作为解码器的键值对矩阵；

31、通过公式得到原始数据的最终深层特征xhidden；

32、其中，decoder()表示解码器，nd表示解码器的层数为网络超参数，q表示解码器需输入的查询矩阵，k表示解码器需输入的键矩阵，v表示解码器需输入的值矩阵，linearq()表示产生q对应的线性映射层，lineark()表示产生k对应的线性映射层，linearv()表示产生v对应的线性映射层。

33、可选的，将最终深层特征输入全连接层进行处理，得到原始数据对应的关键质量指标的预测值，包括：

34、通过公式得到原始数据对应的关键质量指标的预测值；

35、其中，w表示全连接层的权重，b表示全连接层的偏置，t表示预测时刻，tp表示多步预测末端时刻，p表示多步预测窗口长度，表示t至t+p时刻关键质量指标的多步预测值。

36、本技术的上述方案有如下的有益效果：

37、在本技术的实施例中，由于对原始输入数据进行数据补全重构的多粒度补全模型由多层卷积网络、样本采样类别编码网络、transformer网络的编码器以及线性输出层构成的，从而使得多粒度补全模型可以充分挖掘多采样率数据中存在的变量级局部相关关系与样本级长范围相关关系，通过多层级相关关系的融合与相互补充实现对多采样率数据中未采样点的准确估计，进而使得最终构建的指标预测模型的预测精度高、泛化性好，实现提高关键质量指标的预测精确度的效果。

38、此外，在此基础上，结合transformer网络长范围演化规律建模能力，可以充分利用数据中蕴含的信息，实现关键质量指标的长范围多步实时预测。

39、本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。