一种多阶段融合循环神经网络的间歇过程温度预测方法

本发明涉及温度预测，具体为一种多阶段融合循环神经网络的间歇过程温度预测方法。

背景技术：

1、间歇过程因其具有灵活性和高附加值的优点，并被广泛应用于精密化工、制药等小批量、高附加值产品的流程工业生产中。随着企业向多品种、小批量、准时交货的市场需求的快速发展，间歇过程中多种不同生产流程工业产品对物流、资源和时间动态平衡的功能要求急剧增加。与连续过程相比，间歇过程具有多阶段、周期性等特点，导致产品质量易受到设备状况和人为操作等不确定因素的影响。

2、间歇过程在整个反应过程进行多时段切换，其运行状态在时间、批次和产品三维耦合。同时，在不同的工序操作、批次周期和产品生产状态中呈现不同的过程特性，难以实现对实时运行工况进行特征提取和非平稳特性精确表征。同时，间歇过程通常伴随强放热反应，其温度模型难以建立。此外，间歇过程的温度变量通常难以在线直接测量，离线分析又存在时间滞后，导致产品温度难以实施反馈和控制。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种多阶段融合循环神经网络的间歇过程温度预测方法，具备预测精准等优点，解决了上述技术问题。

3、（二）技术方案

4、为实现上述目的，本发明提供如下技术方案：一种多阶段融合循环神经网络的间歇过程温度预测方法，包括以下步骤：

5、s1、对间歇过程的数据进行收集，并对收集的数据进行预处理，并通过dbscan聚类算法划分间歇过程阶段；

6、s2、通过rnn网络提取多阶段的特征，用于对步骤s1中划分的各个阶段进行特征提取，并完成多阶段融合循环神经网络的建立；

7、s3、收集多个批次间歇过程数据，将收集的数据按阶段划分，并送入步骤s2中建立的多阶段融合循环神经网络得到预测值。

8、作为本发明的优选技术方案，所述步骤s1包括以下步骤：

9、s1.1、收集个批次的间歇过程数据，其中表示间歇过程控制变量数据，表示温度数据，对间歇过程数据进行添加窗口宽度为的滑动窗，得到扩展后的间歇过程数据；

10、s1.2、对扩展后的间歇过程数据进行预处理，预处理包括数据的均值、标准差和归一化的计算；

11、s1.3、通过dbscan聚类算法划分间歇过程阶段。

12、作为本发明的优选技术方案，所述步骤s1.1中扩展后的间歇过程数据表达式如下：

13、

14、

15、

16、

17、

18、其中，表示扩展后的第个批次间歇过程数据，表示扩展后的间歇过程控制变量数据，表示扩展后的温度数据，、、、分别表示第1个变量第k-d+1个样本点，第1个变量第k-d+2个样本点，第1个变量第k个样本点；、、、分别表示第jx个变量第k-d+1个样本点，第jx个变量第k-d+2个样本点，第jx个变量第k个样本点；下标分别表示采样点数和变量数；下标表示滑动窗口步长；表示第i个批次控制变量由k-d+1个样本点和第djx维组成；表示第i个批次的k-d目标温度值，维度为1；上标表示转置。

19、作为本发明的优选技术方案，所述步骤s1.3中的具体过程如下：

20、s1.3.1、选择一个距离阈值和一个最小点数阈值；

21、s1.3.2、将批次间歇过程数据中的所有数据点标记为未分类；

22、s1.3.3、对于每个数据点，如果数据点的邻域内包含至少个数据点，则将p标记为核心点，并创建一个新的簇，然后，通过密度可达性将p的邻域内的所有点添加到簇中，如果不是核心点但位于某个核心点的邻域内，则将p标记为边界点，并将其添加到核心点所在的簇中；

23、s1.3.4、重复步骤s1.3.3，直到所有数据点都被访问，在此过程中，形成了若干个簇，每个簇包含一个或多个核心点，以及它们的边界点；

24、s1.3.5、通过s1.3.3和s1.3.4找到所有簇的核心和边界点后，将同属于同一阶段的i批次过程数据堆叠在一起（相同簇的核心点和边界点可以归为同一个阶段），即为将同一簇中所有的数据堆叠在一起，按照时序顺序进行排列，构成局部阶段数据集，其中表示局部阶段数据的第l个潜变量特征第c个元素，表示潜特征数量，表示局部阶段数据集中的第个元素。

25、作为本发明的优选技术方案，所述步骤s2的具体步骤如下：

26、s2.1、使用rnn网络对局部阶段数据集进行特征提取，得到局部阶段特征矩阵，并将局部阶段特征矩阵输入到自注意力网络中，得到查询向量、键向量和值向量矩阵，其中，、和分别表示对应查询向量、键向量和值向量矩阵的超参数；

27、s2.2、利用注意力矩阵进行计算，得到融合特征，注意力矩阵具体计算表达式如下：

28、

29、其中，表示注意力函数，表示对内部数据进行求和，表示将实数向量转换为概率分布的函数；表示计算查询向量和第i个键向量之间的相似度，下标i表示第i个键向量，表示第i个值向量的转置；

30、融合特征通过将查询向量、键向量和值向量矩阵带入至注意力矩阵中加权计算得出；

31、s2.3、通过融合特征输入rnn网络的全连接回归层来预测温度输出，具体表达式如下：

32、

33、其中，表示温度预测值，表示激活函数，表示融合特征，表示对于温度预测y时刻权重，表示温度预测y时刻偏置；

34、s2.4、通过最小化无约束优化表达式来对误差进行计算，完成多阶段融合循环神经网络的建立，具体计算表达式如下：

35、

36、其中，表示最小化目标函数，表示总样本数，表示第i个样本温度预测值，表示第i个样本当前温度值，表示计算2范数。

37、作为本发明的优选技术方案，所述步骤s3的具体步骤如下：

38、s3.1、收集多个批次间歇过程数据，按照步骤s1对收集的数据进行预处理，以及进行阶段划分，得到多个局部阶段特征矩阵

39、s3.2、将间歇过程数据和局部阶段特征矩阵输入多阶段融合循环神经网络得到温度预测值；

40、s3.3、将得到温度预测值进行反归一化处理，已得到间歇过程原始温度数据量纲一致的预测值。

41、现有技术相比，本发明提供了一种多阶段融合循环神经网络的间歇过程温度预测方法，具备以下有益效果：

42、1、本发明通过引入滑动窗技术构造的时序矩阵，表征了过程数据的时序相关性，通过dbscan聚类算法，间歇过程被自动划分为多个阶段，之后在每个阶段建立输入rnn模型，充分提取了各阶段的非线性质量相关特征，且引入自注意力机制，融合了各阶段的局部质量相关特征，并获取了包含各阶段特征和阶段之间潜在相关性的全局质量相关特征，并将全局质量相关特征输入全连接回归网络，实现多阶段间歇过程的温度预测。

技术特征：

1.一种多阶段融合循环神经网络的间歇过程温度预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种多阶段融合循环神经网络的间歇过程温度预测方法，其特征在于：所述步骤s1包括以下步骤：

3.根据权利要求2所述的一种多阶段融合循环神经网络的间歇过程温度预测方法，其特征在于：所述步骤s1.1中扩展后的间歇过程数据表达式如下：

4.根据权利要求2所述的一种多阶段融合循环神经网络的间歇过程温度预测方法，其特征在于：所述步骤s1.3中的具体过程如下：

5.根据权利要求4所述的一种多阶段融合循环神经网络的间歇过程温度预测方法，其特征在于：所述步骤s2的具体步骤如下：

6.根据权利要求5所述的一种多阶段融合循环神经网络的间歇过程温度预测方法，其特征在于：所述步骤s3的具体步骤如下：

技术总结本发明涉及温度预测技术领域，且公开了一种多阶段融合循环神经网络的间歇过程温度预测方法包括通过DBSCAN聚类算法识别间歇过程不同阶段；其次，为每个阶段构建RNN网络，最后，构建多阶段融合循环神经网络。该多阶段融合循环神经网络的间歇过程温度预测方法通过引入滑动窗技术构造的时序矩阵，表征了过程数据的时序相关性，通过DBSCAN聚类算法，间歇过程被自动划分为多个阶段，之后在每个阶段建立输入RNN模型，充分提取了各阶段的非线性质量相关特征，且引入自注意力机制，融合了各阶段的局部质量相关特征，并获取了包含各阶段特征和阶段之间潜在相关性的全局质量相关特征，并将全局质量相关特征输入全连接回归网络，实现多阶段间歇过程的温度预测。技术研发人员：杨创艳,吴建德,李鹏,郞恂,王翰铖,毛德辉,艾明曦受保护的技术使用者：云南大学技术研发日：技术公布日：2024/7/29