CN113705614B - 基于gan的复杂工业过程运行指标校正方法 - Google Patents
基于gan的复杂工业过程运行指标校正方法 Download PDFInfo
- Publication number
- CN113705614B CN113705614B CN202110859799.XA CN202110859799A CN113705614B CN 113705614 B CN113705614 B CN 113705614B CN 202110859799 A CN202110859799 A CN 202110859799A CN 113705614 B CN113705614 B CN 113705614B
- Authority
- CN
- China
- Prior art keywords
- index
- value
- production
- condition
- data set
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 205
- 238000012937 correction Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 16
- 230000015654 memory Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 11
- 229910052500 inorganic mineral Inorganic materials 0.000 description 7
- 239000011707 mineral Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及一种基于GAN的复杂工业过程运行指标校正方法，该方法包括：获取当前生产过程数据；将当前生产过程数据输入到训练好的综合生产指标预报模型中，得到下一时刻的综合生产指标预报值；基于综合生产指标预报值、综合生产指标目标值和实际值、当前生产过程数据构建由运行指标值、工况条件数据、综合生产指标实际值偏差和预报值偏差组成的当前条件运行变量，并输入到训练好的运行指标校正模型G’中，得到当前时刻的运行指标校正值；基于运行指标校正值和预先设定的当前时刻的运行指标初始值，对生产***中控制周期内的运行指标进行动态校正。通过本申请的方法可使校正后的生产流程平稳运行并能达到实际生产目标，提高生产效益。
Description
技术领域
本申请属于工业过程控制技术领域，具体涉及一种复杂工业过程运行指标校正方法。
背景技术
在复杂工业生产过程中，由于受到生产环境变化、原材料成分波动、设备特性的漂移、市场需求变化等不确定性的干扰，导致整个生产流程经常处于动态变化的环境当中。
复杂工业生产过程包含多个单元工序，各子单元之间涉及复杂的交互过程，这使得对某一参数的调节会引起其他参数及后续流程甚至是产品质量的变化，所以整个生产流程中各参数的调节控制尤为重要。
现有的基于知识的优化决策方法使模型一次性接收大量的数据直接获得运行指标的校正值，导致模型的可解释性差、极易过拟合；并且得到的运行指标易受噪声干扰，导致实际生产过程常常难以达到预期的最终生产目标。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本申请提供一种基于GAN(生成式对抗网络，Generative adversarial network)的复杂工业过程运行指标校正方法。
(二)技术方案
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提供一种基于GAN的复杂工业过程运行指标校正方法，该方法包括：
S10、获取当前生产过程数据，所述当前生产过程数据包括上一采样时刻的运行指标值和综合生产指标值、当前采样时刻的运行指标和工况条件数据；
S20、将所述当前生产过程数据输入到训练好的综合生产指标预报模型中，得到下一时刻的综合生产指标预报值；其中，所述综合生产指标预报模型是基于集成随机权神经网络构建，以生产过程历史数据为训练样本训练得到的网络模型；
S30、基于所述下一时刻的综合生产指标预报值、预先获取的综合生产指标目标值和实际值、所述当前生产过程数据构建当前条件运行变量，所述当前条件运行变量包括：所述运行指标值、所述工况条件数据、综合生产指标实际值偏差、综合生产指标预报值偏差；
S40、将所述当前条件运行变量输入到训练好的运行指标校正模型G’中，输出得到当前时刻的运行指标校正值；其中，所述运行指标校正模型基于自编码结构的条件生成对抗网络的生成器构建，并以增量运行条件变量历史数据集作为输入，以条件运行变量历史数据集作为判别器与生成器的条件信息进行训练；
S50、基于所述运行指标校正值和预先设定的当前时刻的运行指标初始值，对生产***中当前控制周期内的运行指标进行动态校正。
可选地，步骤S50之后，该方法还包括：
S60、重复执行步骤S10-S50对复杂工业过程中每个子过程的运行指标进行多步校正，直至达到设定的步长。
可选地，在步骤S10之前，所述方法还包括：
S01、构建并训练得到综合生产指标预报模型，包括：
S011、构建集成随机权神经网络模型；
S012、对在工业现场采集到的实际生产过程的数据进行预处理，构建生产过程历史数据集，所述生产过程历史数据集包括运行指标数据集、工况条件数据集和综合生产指标数据集；
S013、将所述生产过程历史数据集作为训练样本对所述集成随机权神经网络模型进行训练，得到训练好的网络模型；将训练好的网络模型作为综合生产指标预报模型。
可选地，在步骤S10之前，步骤S01之后，所述方法还包括：
S02、构建并训练得到运行指标校正模型G’，包括：
S021、构建条件生成对抗网络网络；所述条件生成对抗网络由编码器、生成器和判别器组成，编码器、生成器和判别器分别由LSTM搭建，并分别包含选择性读入模型，所述生成器还包含选择性写出模型；所述选择性读入模型和所述选择性写出模型采用分布式注意力机制构建；
S022、获取所述条件生成对抗网络的训练样本，包括：
获取所述生产过程历史数据集和所述综合生产指标历史数据集；
将所述生产过程历史数据集作为输入，通过所述综合生产指标预报模型得到综合生产指标预报数据集；
基于所述生产过程历史数据集和所述综合生产指标预报数据集，构建增量运行条件变量历史数据集、条件运行变量历史数据集；其中，所述增量运行条件变量历史数据集中的每个数据样本包括运行指标调整量和工况条件变化量，所述条件运行变量历史数据集中的每个数据样本包括运行指标值、工况条件数据、综合生产指标实际值偏差、综合生产指标预报值偏差；
S023、以增量运行条件变量历史数据集作为输入，以条件运行变量历史数据集作为所述判别器与所述生成器的条件信息进行训练，得到训练好的生成器G’；
S024、将训练好的生成器G’作为运行指标校正模型G’。
其中，LSTM是指长短期记忆网络(Long Short-Term Memory)。
可选地，步骤S023包括：
步骤S0230、获取设定的超参数信息，所述超参数信息包括推理步长；
步骤S0231、将增量运行条件变量历史数据集中的样本xs输入编码器E，编码器E通过读入模块选择性读入输入数据，在内部通过LSTM编码，步长加1，获得编码器输出噪声zt＝E(xs)，重复步骤S0231，直至达到第一设定步长；
步骤S0232、将编码器噪声向量z1:T和对应的条件变量历史数据集样本xl连接起来输入生成器G，生成器G由读入模块选择性读入，再通过内部LSTM生成，步长加1，并将生成的校正值通过写出模块输出，重复步骤S0232，直至达到第二设定步长，将每一步输出的运行指标校正值叠加，最后获得生成样本G(z,xl)；
步骤S0233、将增量运行条件变量数据样本xs、生成器G生成的数据样本xs’输入分别与对应的条件变量样本xl连接起来输入判别器D，判别器D同样通过读入模块读入，在内部通过LSTM循环判别，步长加1，重复步骤S0233，直至达到第三设定步长，最终得到判别结果D(xs)和D(G(z,xl),xl)；
步骤S0234、构建编码器E和生成器G的重构损失函数：
其中，p(xs)表示编码器输入变量xs的分布，表示生成器输入条件变量的分布；
步骤S0235、构建编码器输出q(zt|xs)与理想的生成器输入潜变量分布p(z)的KL散度函数：
其中，z1:t-1表示步长1到t-1输入的编码器噪声向量，t表示步长，T表示第一设定步长；
步骤S0236、构建生成器G与判别器D交互优化的零和博弈函数：
步骤S0237、构建运行指标动态校正值的监督学习奖励：
步骤S0238、构造运行指标动态校正值惩罚项：
其中，P表示实际生产环境，Q表示综合生产指标历史数据集的样本；
步骤S0239、利用预设的优化算法对步骤S0234-步骤S0238构建的函数进行优化求解，直至优化函数收敛至最优，得到训练好的生成器G’。
可选地，所述预设的优化算法为Adam优化算法。
可选地，所述零和博弈函数表示为：
其中，z1:T表示步长1到T输入的噪声向量。
可选地，步骤S50包括：
将所述运行指标校正值与预先设定的当前时刻的运行指标初始值相加，得到当前时刻的运行指标更新值；
将所述运行指标更新值作为生产***中控制周期内的运行指标设定值。
(三)有益效果
本申请的有益效果是：本发明提出了一种基于GAN的复杂工业过程运行指标校正方法，通过生成式对抗网络(Generative adversarial network，GAN)模型学***稳运行并能达到实际生产目标，提高生产效益。同时将输入数据分批输入模型，使得模型一次性集中计算资源在少量数据上，减少输入噪声的影响。
附图说明
本申请借助于以下附图进行描述：
图1为本申请一个实施例中的基于GAN的复杂工业过程运行指标校正方法流程示意图；
图2为本申请另一个实施例中的校正模型训练过程示意图；
图3为本申请另一个实施例中的校正模型运行过程示意图；
图4为本申请又一实施例中的电子设备的架构示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体的实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。
复杂工业过程通常由许多子单元构成，每个单元具有不同功能完成不同的中间生产指标(运行指标)，然后这些单元协同工作以实现最终生产目标(综合生产指标)。针对现有运行优化控制***运行指标的校正易受噪声干扰，导致实际生产过程常常难以达到预期的最终生产目标的问题，本发明提出了一种基于GAN的复杂工业过程运行指标校正方法。以下通过实施例对本发明作详细描述。
实施例一
图1为本申请一个实施例中的基于GAN的复杂工业过程运行指标校正方法流程示意图，如图1所示，该方法包括：
S10、获取当前生产过程数据，当前生产过程数据包括上一采样时刻的运行指标值和综合生产指标值、当前采样时刻的运行指标和工况条件数据；
S20、将当前生产过程数据输入到训练好的综合生产指标预报模型中，得到下一时刻的综合生产指标预报值；其中，综合生产指标预报模型是基于集成随机权神经网络构建，以生产过程历史数据为训练样本训练得到的网络模型；
S30、基于下一时刻的综合生产指标预报值、预先获取的综合生产指标目标值和实际值、当前生产过程数据构建当前条件运行变量，当前条件运行变量包括：运行指标值、工况条件数据、综合生产指标实际值偏差、综合生产指标预报值偏差；
S40、将当前条件运行变量输入到训练好的运行指标校正模型G’中，输出得到当前时刻的运行指标校正值；其中，运行指标校正模型基于自编码结构的条件生成对抗网络的生成器构建，并以增量运行条件变量历史数据集作为输入，以条件运行变量历史数据集作为判别器与生成器的条件信息进行训练；
S50、基于运行指标校正值和预先设定的当前时刻的运行指标初始值，对生产***中当前控制周期内的运行指标进行动态校正。
通过GAN模型学***稳运行并能达到实际生产目标，提高生产效益。
本实施例中，需要先训练完成综合生产指标预报模型，然后再训练运行指标校正模型。因此，在步骤S10之前，本实施例方法还包括：
S01、构建并训练得到综合生产指标预报模型，包括：
S011、构建集成随机权神经网络模型；
S012、对在工业现场采集到的实际生产过程的数据进行预处理，构建生产过程历史数据集，生产过程历史数据集包括运行指标数据集、工况条件数据集和综合生产指标数据集；
S013、将生产过程历史数据集作为训练样本对所述集成随机权神经网络模型进行训练，得到训练好的网络模型；将训练好的网络模型作为综合生产指标预报模型，包括：
S0131、将生产过程历史数据集中的数据样本x输入到预报模型中，构建的综合生产指标预报模型为：
其中，表示综合生产指标预报值，f(·)表示所建立的预报模型，θ表示预报模型的参数；
S0132、得到训练好的综合生产指标预报模型f’。
S02、构建并训练得到运行指标校正模型G’，包括：
S021、构建条件生成对抗网络网络；条件生成对抗网络由编码器、生成器和判别器组成，编码器、生成器和判别器分别由长短期记忆网络(Long Short-Term Memory，LSTM)搭建，并分别包含选择性读入模型，生成器还包含选择性写出模型；选择性读入模型和所述选择性写出模型采用分布式注意力机制构建；
本实施例中，注意力机制读入模块使得模型参数量独立于输入数据量，减少了模型的参数量，提高生产效益。
S022、获取条件生成对抗网络的训练样本，包括：
获取生产过程历史数据集和综合生产指标历史数据集；
将生产过程历史数据集作为输入，通过综合生产指标预报模型得到综合生产指标预报数据集；
基于生产过程历史数据集和综合生产指标预报数据集，构建增量运行条件变量历史数据集、条件运行变量历史数据集；其中，增量运行条件变量历史数据集中的每个数据样本包括运行指标调整量和工况条件变化量，条件运行变量历史数据集中的每个数据样本包括运行指标值、工况条件数据、综合生产指标实际值偏差、综合生产指标预报值偏差；
S023、以增量运行条件变量历史数据集作为输入，以条件运行变量历史数据集作为判别器与生成器的条件信息进行训练，得到训练好的生成器G’；
S024、将训练好的生成器G’作为运行指标校正模型G’。
本实施例中，步骤S023包括：
步骤5.0、获取设定的超参数信息，超参数信息包括推理步长；
步骤5.1、将增量运行条件变量历史数据集中的样本xs输入编码器E，编码器E通过读入模块选择性读入输入数据，在内部通过LSTM编码，步长加1，获得输出噪声zt＝E(xs)，重复步骤5.1，直至达到第一设定步长；
步骤5.2、将噪声向量z1:T和对应的条件变量历史数据集样本xl连接起来输入生成器，生成器G由读入模块选择性读入，再通过内部LSTM生成，步长加1，并将生成的校正值通过写出模块输出，重复步骤5.2，直至达到第二设定步长，将每一步输出的运行指标校正值叠加，最后获得生成样本G(z,xl)；
步骤5.3、将增量运行条件变量数据样本xs、生成器G生成的数据样本xs’输入分别与对应的条件变量样本xl连接起来输入判别器D，判别器D同样通过读入模块读入，在内部通过LSTM循环判别，步长加1，重复步骤5.3，直至达到第三设定步长，最终得到判别结果D(xs)和D(G(z,xl),xl)；理性情况下，生成的数据将与原始数据的分布十分近似，导致判别器无法判别，此时D(G(z,xl),xl)＝0.5；
步骤5.4、构建编码器E和生成器G的重构损失函数：
其中，p(xs)表示编码器输入变量xs的分布，表示生成器输入条件变量的分布。
步骤5.5、构建编码器输出q(zt|xs)与理想的生成器输入潜变量分布p(z)的KL散度函数：
其中，z1:t-1表示步长1到t-1输入的编码器噪声向量，t表示步长，T表示第一设定步长。
具体地，潜变量分布p(z)～N(0,1)。
步骤5.6、构建生成器G与判别器D交互优化的零和博弈函数：
其中，z1:T表示步长1到T输入的噪声向量。
步骤5.7、构建运行指标动态校正值的监督学习奖励，从而可避免生成的运行指标调整量过大对生产稳定性产生影响：
步骤5.8、为指导生成器与实际生产环境的交互过程，构造运行指标动态校正值惩罚项：
其中，P表示实际生产环境，Q表示综合生产指标历史数据集的样本；
步骤5.9、利用预设的优化算法对上述公式(2)-公式(6)目标函数进行优化求解，直至优化函数收敛至最优，得到训练好的生成器G’。
本实施例中，优化算法为自适应矩估计(Adaptive moment estimation，Adam)优化算法。批大小为64，学习率设置为0.02，噪声向量维度为15维。
基于训练好的模型对复杂工业过程运行指标进行校正，以下对本实施例的校正方法进行展开描述。
步骤S10中，根据工业现场的传感器，采集当前时刻的实际生产过程数据。
步骤S20中，将实际生产过程数据输入训练好的综合生产指标预报模型，获得下一时刻的综合生产指标预报值。
步骤S30中，对综合生产指标预报值进行预处理后组合到步骤S10获取的数据中作为当前数据，对当前数据进行处理获得增量条件运行变量、条件运行变量、综合生产指标；这里综合生产指标包括产量指标和质量指标。
条件运行变量包括运行指标值、工况条件数据、综合生产指标实际值偏差、综合生产指标预报值偏差。其中，综合生产指标实际值偏差为综合生产指标实际值和目标值的差值，综合生产指标预报值偏差为综合生产指标预测值与综合生产指标目标值的差值。
步骤S40中，将条件运行变量和噪声变量连接起来输入训练好的生成器中，获得当前时刻的运行指标校正值。
步骤S50中，将运行指标校正值与预先设定的当前时刻的运行指标初始值相加得到当前时刻的运行指标更新值，将运行指标更新值作为生产***中当前控制周期内的运行指标设定值输入到当前的生产***中，即完成一轮运行指标动态校正。
需要说明的是，本实施例方法是对运行指标进行动态校正，因此，步骤S50之后，该方法还包括：
步骤S60中，重复执行步骤S10-S50对复杂工业过程中每个子过程的运行指标进行多步校正，直至设定的步长。
本实施例提供一种基于GAN对抗学习的复杂工业过程运行指标校正方法，利用GAN模型学习数据的运行指标的数据分布，以期获得尽可能真实的运行指标校正值，使得实际生产过程能够达到期望的生产指标，并保证生产的稳定性。同时将输入数据分批输入模型，使得模型一次性集中计算资源在少量数据上，减少输入噪声的影响。
实施例二
本实施例提供了一种用于对选矿过程运行指标动态校正的方法，采用基于GAN的运行指标校正模型进行运行指标校正。运行指标校正模型包括综合生产指标预报模型和指标校正模型。
步骤1：对在选矿生产现场采集到的实际生产过程的数据信息进行归一化处理构建历史数据集，该数据集中包含选矿过程产量和品位两个综合生产指标、运行指标及选矿过程的工况条件信息；
步骤2：搭建基于集成随机权神经网络的综合生产指标预报模型并训练：
步骤2.1：将选矿历史数据集中当前时刻的数据样本x，其中包含运行指标、选矿过程的工况条件信息及当前的产量和品位两个综合生产指标输入到预报模型中，获得下一时刻的综合生产指标预报值，
步骤2.2：得到训练好的综合生产指标预报模型f’，计算历史数据集中每组样本的综合生产指标预报值，并将该数据归一化后组合到原历史数据集中。
步骤3：构建基于生成对抗网络的运行指标动态校正模型，令的运行指标动态校正模型由编码器E、生成器G和判别器D组成，上述模型均由LSTM搭建，且均包含读入模块，生成器G还包含一个写出模块；
步骤4：将更新后的历史数据集进行处理获得增量运行条件变量数据集(包含选矿过程每一步运行指标和工况条件的变化量信息)、条件变量数据集(包含选矿过程中的运行指标和工况条件信息及综合生产指标的变化量信息)及综合生产指标数据集。
图2为本申请另一个实施例中的校正模型训练过程示意图；如图2所示,此时模型分为两部分,第一部分是预报模型训练,此时模型根据上一时刻的综合生产指标Qk(t-1)、运行指标rij(t-1)和当前工况d(t)等信息更新自身参数，以期模型能够根据当前时刻的信息尽可能精确的获取下一时刻的综合生产指标预报值其中,i＝1,2,…,n表示第i个工序，j＝1,2,…,m分别表示第j个工序的质量、产量与消耗等指标。
第二部分是递归注意力生成对抗网络(Recursive attention GAN，RAGAN)校正模型训练，该模型由编码器E、生成器G和判别器D组成。首先构建由运行指标调整量Δrij(t)和工况条件变化量Δd(t)组成的增量运行条件变量s和由综合生产指标预测值与目标值的偏差与上一采样时刻的运行指标/>综合生产指标调整量ΔQk(t-1)、工况运行条件d(t)组成的条件变量/>编码器E和生成器G构成自编码结构,通过显式的鼓励模型学习增量运行条件变量空间与潜变量空间之间的双向映射,以保***能够从噪声先验分布p(z)生成有意义的运行指标校正值。同时,以条件变量/>作为条件输入的生成器G和判别器D构成生成对抗网络模型,以保***G生成的运行指标校正值匹配于真实校正值的数据分布。
图3为本申请另一个实施例中的校正模型运行过程示意图，如图3所示,预报模型根据上一时刻的综合生产指标Qk(t-1)、运行指标rij(t-1)和当前工况d(t)等信息获得综合生产指标预报值将综合生产指标预报值与综合生产指标目标值的偏差/>运行指标当前工况d(t)和综合生产指标调整量ΔQk(t-1)等信息作为条件变量/>与从先验分布(高斯分布)采样的噪声zr同时输入生成器G产生运行指标调整量/>获得的校正值叠加到运行指标初值/>最终获得更新值/>
更新后的运行指标作为各个子过程新的设定值,以减小不确定干扰对整个生产过程的影响,从而达到综合生产指标目标值。
本实施例校正方法的运行过程包括：
步骤6.1：根据选矿工业现场的传感器，采集当前时刻的实际生产过程数据，包含选矿过程中的运行指标、工况条件及综合生产指标；
步骤6.2：将采集到的当前时刻的实际生产过程数据输入训练好的预报模型f’，获得下一时刻的综合生产指标预报值，并加入到数据样本中；
步骤6.3：对当前的数据样本进行处理获得增量条件运行变量、条件运行变量、综合生产指标等样本；
步骤6.4：将条件运行变量xl和噪声变量z连接起来输入训练好的生成器G’中，获得当前的运行指标校正值；
步骤6.5：将运行指标校正值与当前的运行指标相加输入到当前的生产***中，即实现对下一时刻的运行指标动态校正，此时一轮运行指标动态校正完成，
重复步骤6.1-6.5。
优化运行控制层根据各工序的运行指标设定值确定过程控制***的设定值过程控制***采用闭环控制使被控对象的输出yi(t)跟踪设定值/>以控制综合生产指标的实际值在目标范围内。
第二方面，本申请实施例提供了提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上方法实施例中任一种基于GAN的复杂工业过程运行指标校正方法的步骤。
图4为本申请又一实施例中的电子设备的架构示意图。
图4所示的电子设备可包括：至少一个处理器101、至少一个存储器102、至少一个网络接口104和其他的用户接口103。电子设备中的各个组件通过总线***105耦合在一起。可理解，总线***105用于实现这些组件之间的连接通信。总线***105除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线***105。
其中，用户接口103可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)或者触感板等。
可以理解，本实施例中的存储器102可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储器102存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作***1021和应用程序1022。
其中，操作***1021，包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序622，包含各种应用程序。实现本发明实施例方法的程序可以包含在应用程序1022中。
在本发明实施例中，处理器101通过调用存储器102存储的程序或指令，具体的，可以是应用程序1022中存储的程序或指令，处理器101用于执行第一方面所提供的方法步骤。
上述本发明实施例揭示的方法可以应用于处理器101中，或者由处理器101实现。处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成上述方法的步骤。
另外，结合上述实施例中的基于GAN的复杂工业过程运行指标校正方法，本发明实施例可提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上方法实施例中的任意一种基于GAN的复杂工业过程运行指标校正方法的步骤。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备和计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (8)
1.一种基于GAN的复杂工业过程运行指标校正方法，其特征在于，该方法包括：
S10、获取当前生产过程数据，所述当前生产过程数据包括上一采样时刻的运行指标值和综合生产指标值、当前采样时刻的运行指标和工况条件数据；
S20、将所述当前生产过程数据输入到训练好的综合生产指标预报模型中，得到下一时刻的综合生产指标预报值；其中，所述综合生产指标预报模型是基于集成随机权神经网络构建，以生产过程历史数据为训练样本训练得到的网络模型；
S30、基于所述下一时刻的综合生产指标预报值、预先获取的综合生产指标目标值和实际值、所述当前生产过程数据构建当前条件运行变量，所述当前条件运行变量包括：所述运行指标值、所述工况条件数据、综合生产指标实际值偏差、综合生产指标预报值偏差；
S40、将所述当前条件运行变量输入到训练好的运行指标校正模型G’中，输出得到当前时刻的运行指标校正值；其中，所述运行指标校正模型基于自编码结构的条件生成对抗网络的生成器构建，并以增量运行条件变量历史数据集作为输入，以条件运行变量历史数据集作为判别器与生成器的条件信息进行训练；
S50、基于所述运行指标校正值和预先设定的当前时刻的运行指标初始值，对生产***中当前控制周期内的运行指标进行动态校正。
2.根据权利要求1所述的方法，其特征在于，步骤S50之后，该方法还包括：
S60、重复执行步骤S10-S50对复杂工业过程中每个子过程的运行指标进行多步校正，直至达到设定的步长。
3.根据权利要求1所述的方法，其特征在于，在步骤S10之前，所述方法还包括：
S01、构建并训练得到综合生产指标预报模型，包括：
S011、构建集成随机权神经网络模型；
S012、对在工业现场采集到的实际生产过程的数据进行预处理，构建生产过程历史数据集，所述生产过程历史数据集包括运行指标数据集、工况条件数据集和综合生产指标数据集；
S013、将所述生产过程历史数据集作为训练样本对所述集成随机权神经网络模型进行训练，得到训练好的网络模型；将训练好的网络模型作为综合生产指标预报模型。
4.根据权利要求3所述的方法，其特征在于，在步骤S10之前，步骤S01之后，所述方法还包括：
S02、构建并训练得到运行指标校正模型G’，包括：
S021、构建条件生成对抗网络网络；所述条件生成对抗网络由编码器、生成器和判别器组成，编码器、生成器和判别器分别由LSTM搭建，并分别包含选择性读入模型，所述生成器还包含选择性写出模型；所述选择性读入模型和所述选择性写出模型采用分布式注意力机制构建；
S022、获取所述条件生成对抗网络的训练样本，包括：
获取所述生产过程历史数据集和所述综合生产指标历史数据集；
将所述生产过程历史数据集作为输入，通过所述综合生产指标预报模型得到综合生产指标预报数据集；
基于所述生产过程历史数据集和所述综合生产指标预报数据集，构建增量运行条件变量历史数据集、条件运行变量历史数据集；其中，所述增量运行条件变量历史数据集中的每个数据样本包括运行指标调整量和工况条件变化量，所述条件运行变量历史数据集中的每个数据样本包括运行指标值、工况条件数据、综合生产指标实际值偏差、综合生产指标预报值偏差；
S023、以增量运行条件变量历史数据集作为输入，以条件运行变量历史数据集作为所述判别器与所述生成器的条件信息进行训练，得到训练好的生成器G’；
S024、将训练好的生成器G’作为运行指标校正模型G’。
5.根据权利要求4所述的方法，其特征在于，步骤S023包括：
步骤S0230、获取设定的超参数信息，所述超参数信息包括推理步长；
步骤S0231、将增量运行条件变量历史数据集中的样本xs输入编码器E，编码器E通过读入模块选择性读入输入数据，在内部通过LSTM编码，步长加1，获得编码器输出噪声zt＝E(xs)，重复步骤S0231，直至达到第一设定步长；
步骤S0232、将编码器噪声向量z1:T和对应的条件变量历史数据集样本xl连接起来输入生成器G，生成器G由读入模块选择性读入，再通过内部LSTM生成，步长加1，并将生成的校正值通过写出模块输出，重复步骤S0232，直至达到第二设定步长，将每一步输出的运行指标校正值叠加，最后获得生成样本G(z,xl)；
步骤S0233、将增量运行条件变量数据样本xs、生成器G生成的数据样本xs’输入分别与对应的条件变量样本xl连接起来输入判别器D，判别器D同样通过读入模块读入，在内部通过LSTM循环判别，步长加1，重复步骤S0233，直至达到第三设定步长，最终得到判别结果D(xs)和D(G(z,xl),xl)；
步骤S0234、构建编码器E和生成器G的重构损失函数：
其中，p(xs)表示编码器输入变量xs的分布，p(xl)表示生成器输入条件变量的分布；
步骤S0235、构建编码器输出q(zt|xs)与理想的生成器输入潜变量分布p(z)的KL散度函数：
其中，z1:t-1表示步长1到t-1输入的编码器噪声向量，t表示步长，T表示第一设定步长；
步骤S0236、构建生成器G与判别器D交互优化的零和博弈函数：
步骤S0237、构建运行指标动态校正值的监督学习奖励：
步骤S0238、构造运行指标动态校正值惩罚项：
其中，P表示实际生产环境，Q表示综合生产指标历史数据集的样本；
步骤S0239、利用预设的优化算法对步骤S0234-步骤S0238构建的函数进行优化求解，直至优化函数收敛至最优，得到训练好的生成器G’。
6.根据权利要求5所述的方法，其特征在于，所述预设的优化算法为Adam优化算法。
7.根据权利要求5所述的方法，其特征在于，所述零和博弈函数表示为：
其中，z1:T表示步长1到T输入的噪声向量。
8.根据权利要求1所述的方法，其特征在于，步骤S50包括：
将所述运行指标校正值与预先设定的当前时刻的运行指标初始值相加，得到当前时刻的运行指标更新值；
将所述运行指标更新值作为生产***中控制周期内的运行指标设定值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859799.XA CN113705614B (zh) | 2021-07-28 | 2021-07-28 | 基于gan的复杂工业过程运行指标校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859799.XA CN113705614B (zh) | 2021-07-28 | 2021-07-28 | 基于gan的复杂工业过程运行指标校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705614A CN113705614A (zh) | 2021-11-26 |
| CN113705614B true CN113705614B (zh) | 2024-04-05 |
Family
ID=78650840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110859799.XA Active CN113705614B (zh) | 2021-07-28 | 2021-07-28 | 基于gan的复杂工业过程运行指标校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705614B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844770A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 一种基于视频的电熔镁炉异常工况自动识别*** |
| CN108445752A (zh) * | 2018-03-02 | 2018-08-24 | 北京工业大学 | 一种自适应选择深度特征的随机权神经网络集成建模方法 |
| CN113159389A (zh) * | 2021-03-25 | 2021-07-23 | 大连海事大学 | 一种基于深度森林生成对抗网络的金融时间序列预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140130666A (ko) * | 2011-12-16 | 2014-11-11 | 어드밴스드 라이팅 테크놀러지, 인크. | 고역률 내구성 저비용 led 램프 개조형 시스템 및 방법 |
-
2021
- 2021-07-28 CN CN202110859799.XA patent/CN113705614B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844770A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 一种基于视频的电熔镁炉异常工况自动识别*** |
| CN108445752A (zh) * | 2018-03-02 | 2018-08-24 | 北京工业大学 | 一种自适应选择深度特征的随机权神经网络集成建模方法 |
| CN113159389A (zh) * | 2021-03-25 | 2021-07-23 | 大连海事大学 | 一种基于深度森林生成对抗网络的金融时间序列预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| DMGAN: Adversarial Learning Based Decision Making for Human-Level Plant-Wide Operation of Process Industries Under Uncertainties;Zheng NZ等;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;985-998 * |
| Zhou,P等.Data modeling for quality prediction using improved orthogonal incremental random vector functional-link networks.《NEUROCOMPUTING》.2019,1-9. * |
| 不同盐度对斜带石斑鱼幼鱼生长和生理的影响;王素久;张海发;赵俊;杨宇晴;杨少森;;广东海洋大学学报(第06期);43-48 * |
| 基于RAGAN的工业过程运行指标前馈-反馈多步校正;杨宇晴等;《自动化学报》;999-1009 * |
| 高速公路路段旅行时间短时预测方法研究;李林超;《中国博士学位论文全文数据库工程科技II辑》;C034-20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705614A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
| Elthakeb et al. | Releq: A reinforcement learning approach for deep quantization of neural networks | |
| Li et al. | Multi-task Reinforcement Learning in Partially Observable Stochastic Environments. | |
| CN111027732B (zh) | 一种多风电场出力场景的生成方法及*** | |
| CN112579758A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
| Farias et al. | Universal reinforcement learning | |
| Xu et al. | Hierarchical approximate policy iteration with binary-tree state space decomposition | |
| CN112823362A (zh) | 超参数调整方法、装置以及程序 | |
| US20230401363A1 (en) | GaN Distributed RF Power Amplifier Automation Design with Deep Reinforcement Learning | |
| CN115344927A (zh) | 基于工程历史数据的高拱坝施工仿真参数动态更新方法 | |
| CN113467487A (zh) | 路径规划模型的训练、路径规划方法、装置及电子设备 | |
| CN116594601A (zh) | 一种基于知识库和多步提示的预训练大模型代码生成方法 | |
| CN115018170A (zh) | 一种短期风电功率预测方法、装置、设备及存储介质 | |
| CN117649563B (zh) | 图像类别的量子识别方法、***、电子设备及存储介质 | |
| CN116756536B (zh) | 数据识别方法、模型训练方法、装置、设备及存储介质 | |
| CN113705614B (zh) | 基于gan的复杂工业过程运行指标校正方法 | |
| Wang et al. | Inference-based posteriori parameter distribution optimization | |
| JP6977733B2 (ja) | パラメータ最適化装置、パラメータ最適化方法、及びプログラム | |
| CN117217290A (zh) | 因果生成对抗网络的数据插补方法、装置、设备和介质 | |
| Chakraborty et al. | Sparse representations of positive functions via first-and second-order pseudo-mirror descent | |
| Liu et al. | Online expectation maximization for reinforcement learning in POMDPs | |
| CN113591398B (zh) | 基于深度强化学习的智能作业分批方法、装置及电子设备 | |
| CN115941802A (zh) | 远程状态估计传感器调度方法、调度器及信息物理*** | |
| CN117692083B (zh) | 一种卫星通信信道建模方法 | |
| Chen et al. | Using learning classifier systems to learn stochastic decision policies |
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 |