一种基于权值分块更新自编码器的多采样率软测量方法与流程

本申请涉及软测量，特别是涉及一种基于权值分块更新自编码器的多采样率软测量方法。

背景技术：

1、目前，在工业生产过程中，软测量技术的出现为难以测量变量的检测提供了一种可行的手段，即通过构建难以测量的变量与易于测量的变量之间的数学关系来实现对难以测量变量的估计。由此，可以低成本的在线估计一些难以测量的重要质量变量；然而，在实际的工业过程中，由于变量采集的难度和成本等因素，导致了不同变量的采样率不同，即多采样率的问题。这对于假设过程变量/质量变量的采样率一致性的大多数深度网络软测量方法具有一定的挑战性。

技术实现思路

1、基于此，有必要提供一种基于权值分块更新自编码器的多采样率软测量方法，该方法包括：

2、s1：采集并归一化处理工业过程中的历史数据，划分为训练集和测试集；所述历史数据包括过程变量和质量变量；

3、s2：在训练集中，将采样率相同的过程变量作为一个组合，并按照采样率从高到低对多个组合进行排序，得到多采样率数据；

4、s3：构建权值分块更新自编码器，基于所述多采样率数据初步训练所述权值分块更新自编码器；

5、s4：在初步训练后的权值分块更新自编码器后端添加两层全连接神经网络，并通过带有质量变量的多采样率数据对其进行有监督调整，得到基于权值分块更新自编码器的多采样率软测量模型；

6、s5：将测试集中的过程变量输入至所述多采样率软测量模型，输出对应的质量变量估计值。

7、有益效果：该方法基于权值分块更新自编码器模型进行；在多采样率过程软测量过程中，对多采样率数据进行预处理，使之分成不同的采样率组，并且采样率从高到低排列，然后编码器权值矩阵同样按照采样率被分为多组，每组对应于同一种采样率的变量组合，并且根据每个时刻的采样变量自适应地更新对应组的权值矩阵，从而充分利用不同采样率的数据。该方法合理利用了已知的数据信息，从而提高了多采样率数据的软测量性能，具有训练速度快，预测精度高的特点。

技术特征：

1.一种基于权值分块更新自编码器的多采样率软测量方法，其特征在于，包括：

2.根据权利要求1所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，所述权值分块更新自编码器包括编码器和解码器；

3.根据权利要求2所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，所述编码器和所述解码器均为全连接神经网络。

4.根据权利要求2所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，所述基于所述多采样率数据初步训练所述权值分块更新自编码器包括：

5.根据权利要求4所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，编码器的权值矩阵表示为：

6.根据权利要求4所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，解码器的权值矩阵表示为：

7.根据权利要求4所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，编码损失的表达式为：

8.根据权利要求1所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，得到基于权值分块更新自编码器的多采样率软测量模型的过程包括：

9.根据权利要求8所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，新的权值分块更新自编码器的网络参数包括编码器的权值矩阵、编码器的偏置向量、第一全连接层神经网络层的权值矩阵、第一全连接层神经网络层的偏置向量、第二全连接层神经网络层的权值矩阵以及第二全连接层神经网络层的偏置向量。

10.根据权利要求9所述的基于权值分块更新自编码器的多采样率软测量方法，其特征在于，估计值与真实值之间的均方误差表达式为：

技术总结本申请涉及一种基于权值分块更新自编码器的多采样率软测量方法，采集并归一化处理工业过程中的历史数据；在训练集中，将采样率相同的过程变量作为一个组合，并按照采样率从高到低对多个组合进行排序，得到多采样率数据；构建权值分块更新自编码器，基于多采样率数据初步训练权值分块更新自编码器；在初步训练后的权值分块更新自编码器后端添加两层全连接神经网络，并通过带有质量变量的多采样率数据对其进行有监督调整，得到基于权值分块更新自编码器的多采样率软测量模型；将测试集中的过程变量输入至多采样率软测量模型，输出对应的质量变量估计值。该方法提高了多采样率数据的软测量性能，具有训练速度快，预测精度高的特点。技术研发人员：陈晓红,呙蕤,侯海良,陈洁,许雅岚,李俊杰受保护的技术使用者：湘江实验室技术研发日：技术公布日：2024/9/26