CN116738866B - 一种基于时间序列特征提取的即时学习的软测量建模方法 - Google Patents

一种基于时间序列特征提取的即时学习的软测量建模方法 Download PDF

Info

Publication number
CN116738866B
CN116738866B CN202311007772.3A CN202311007772A CN116738866B CN 116738866 B CN116738866 B CN 116738866B CN 202311007772 A CN202311007772 A CN 202311007772A CN 116738866 B CN116738866 B CN 116738866B
Authority
CN
China
Prior art keywords
sample
samples
data
query data
modeling
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
CN202311007772.3A
Other languages
English (en)
Other versions
CN116738866A (zh
Inventor
王平
尹贻超
李雪静
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East 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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202311007772.3A priority Critical patent/CN116738866B/zh
Publication of CN116738866A publication Critical patent/CN116738866A/zh
Application granted granted Critical
Publication of CN116738866B publication Critical patent/CN116738866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开了一种基于时间序列特征提取的即时学习的软测量建模方法，属于工业过程软测量技术领域，针对建模数据和采集到的查询数据，首先利用递归神经网络优异的特征学习能力，提取时序数据中的高维动态潜变量，得到复杂非线性动态数据的丰富特征表达，然后利用降维算法简化隐层特征维数并消除冗余变量，最后根据所提取的代表性简约特征，由基于局部标签传播的半监督即时学习算法建立软测量模型，计算查询数据对应的输出值。本发明不仅能够利用大量无标签样本辅助建立软测量模型，还可以有效挖掘过程变量之间的动态关系，显著强化即时学习对复杂动态数据的特征表示能力，从而有效处理工业过程的非线性和动态特性，提高软测量模型的预测精度。

Description

一种基于时间序列特征提取的即时学习的软测量建模方法
技术领域
本发明属于工业过程软测量技术领域，具体涉及一种基于时间序列特征提取的即时学习的软测量建模方法。
背景技术
受现场环境、测量技术及经济成本等因素限制，工业过程中普遍存在一些与产品质量密切相关的关键变量或指标，如产品组分和浓度、催化剂活性、聚丙烯的熔融指数等，很难直接测量。目前，这些关键变量只能依靠人工采样实验室离线分析或昂贵的成分分析仪获得，存在测量延迟大、精度低和成本高等突出问题，无法及时为过程闭环控制和操作优化提供反馈信息。软测量技术是解决上述问题的有效手段，其旨在利用易于测量的过程变量，实现对难以直接测量但重要的质量指标的实时估计。与传统测量仪表相比，软测量具有经济、灵活且易于维护等显著优点。
现代工业生产***规模庞大，作用机理复杂，生产模式多样化，影响产品质量的因素众多，过程往往表现为非线性、动态、时变等多种复杂特性，导致全局软测量模型在实际应用中的表现并不理想，预测精度会随着投用时间的推移而不断恶化。对此，局部建模方法，如多模型、集成学习和即时学习等，逐渐受到了研究者的青睐。其中，即时学习（Just-in-time learning，JITL）作为一种经典局部建模方法，基于查询数据的相似样本在线建立局部模型，若辅助以建模数据集更新策略，能够很好地解决过程时变导致模型精度降低的问题。
实际生产过程通常存在明显动态变化以及反馈控制作用，这使得所采集的过程数据具有显著时序相关性，即当前时刻的质量变量可能受前面若干个时刻辅助变量的影响，表现出典型的多维时间序列特点。JITL虽然能够通过建立不同的局部模型有效处理过程时变特性，但对过程动态特性的处理能力有限。另外，随着工业流程不断规模化和复杂化，辅助变量和质量变量之间不再是简单的线性关系，而是体现出了较强的非线性。由上可知，采用传统即时学习算法建立的模型存在预测精度差的问题。
发明内容
为了解决上述问题，本发明提出了一种基于时间序列特征提取的即时学习的软测量建模方法，可以在保证算法计算效率的前提下，有效提取过程数据中动态和非线性信息，显著强化对复杂动态数据的特征表示能力，从而保证了软测量模型预测精度。
本发明的技术方案如下：
一种基于时间序列特征提取的即时学习的软测量建模方法，包括如下步骤：
步骤1、选择辅助变量进行样本采集得到样本集合，并分析获得对应的真实质量变量集合；
步骤2、基于样本集合和真实质量变量集合构建初始训练数据集，并进行标准化处理，进而得到标准数据集；
步骤3、利用基于递归神经网络的时间序列特征映射方法，从标准化处理后的样本集合中提取得到高维动态潜变量集合；再采用降维算法简化隐层特征维数并消除冗余变量，得到降维动态潜变量集合；将降维动态潜变量集合和真实质量变量集合组合得到建模数据；
步骤4、在线采集查询数据并进行标准化处理，同样采用基于递归神经网络的时间序列特征映射方法提取查询数据的高维潜变量，再降维得到查询数据低维潜变量集合；
步骤5、构建查询数据的空间近邻样本集、原始时间近邻样本集和扩展时间近邻样本集，并组合得到查询数据低维潜变量集合的局部近邻样本集；
步骤6、将原始时间近邻样本集中的标签样本作为训练数据，通过即时学习统一优化建模方法建立关于查询数据低维潜变量集合的局部监督模型；
步骤7、基于查询数据低维潜变量集合的局部近邻样本集以及局部监督模型，通过基于局部标签传播的即时学习统一优化建模方法计算查询数据低维潜变量集合对应的质量变量预测值；
步骤8、利用最新采集到的过程数据更新训练数据集。
进一步地，步骤1的具体过程为：首先，根据过程机理知识，分析过程数据与质量变量的相关性，并按照相关性由高到低的顺序排序，选择前个过程数据作为辅助变量，然后采集这/>个辅助变量在不同时间的值，得到样本集合/>，/>，，/>为样本总数量，/>为样本的维度，/>为第/>个样本；T为矩阵转置算子；然后，通过离线化验分析得到各个样本对应的真实质量变量集合/>；/>为第/>个样本对应的真实质量变量。
进一步地，步骤2的具体过程为：基于、/>构建初始训练数据集，对初始训练数据集/>按照公式（1）进行标准化处理，得到标准数据集/>，/>为标准化处理后的样本集合，/>为标准化处理后的真实质量变量集合，公式（1）表示为：
（1）；
式中，函数表示计算矩阵每一行的均值，函数/>表示计算矩阵各行的标准差。
进一步地，步骤3的具体过程为：
步骤3.1、对于中的每个样本按照采样时间依次映射生成状态向量，得到高维动态潜变量集合/>，/>表示第/>个样本的状态向量，/>，/>表示高维的特征数量；状态向量的具体计算公式如下：
（2）；
式中，为/>时刻第/>个样本的状态向量；/>为非线性激活函数；/>为输入权值矩阵；/>为/>时刻的第/>个样本；/>为储备池状态权值矩阵；/>为/>时刻第/>个样本的状态向量；非线性激活函数的表达式如公式（3）所示：
（3）；
式中，为双曲正切激活函数；/>为函数输入向量；
步骤3.2、通过求解以下优化目标计算的第一主元投影向量/>：
（4）；
式中，为关于/>的优化目标；/>；
步骤3.3、计算得到的第一主元/>和残差矩阵/>，计算公式分别如下：
（5）；
（6）；
步骤3.4、将残差矩阵作为新的/>，按照与步骤3.2-步骤3.3相同的过程继续进行主元提取，依次得到第2主元/>至第/>主元/>，最终得到降维动态潜变量集合；
步骤3.5、将降维动态潜变量集合和真实质量变量集合/>组合，得到建模数据/>。
进一步地，步骤4的具体过程为：对于在线采集的查询数据，首先，按照与公式（1）同样的计算方式进行标准化处理，得到标准查询数据；然后，利用基于递归神经网络的时间序列特征映射方法，从/>中提取得到查询数据高维潜变量集合/>，/>；最后，对/>进行降维，得到查询数据低维潜变量集合/>。
进一步地，步骤5的具体过程为：
步骤5.1、根据距离度量计算查询数据低维潜变量集合与建模数据/>中所有建模样本之间的空间距离，并对空间距离进行排序，选择与查询数据空间相似度最大的/>个样本，构成查询数据的空间近邻样本集/>，其中，既包含标签样本也包含无标签样本；距离度量表达式如下所示：
（7）；
式中，为第/>个建模样本与查询样本的相似度；/>表示指数函数；表示第/>个建模样本降维动态潜变量集合，/>为核映射宽度；
步骤5.2、选择最新采集到的个标签作为查询数据的原始时间近邻样本集；对于查询数据的空间近邻样本集/>中的第/>个样本，在所有建模样本中选择出第/>个样本的/>个时间近邻样本/>，其中/>，从而得到查询数据的扩展时间近邻样本集/>；
步骤5.3、构建查询数据低维潜变量集合的局部近邻样本集。
进一步地，步骤6的具体过程为：
步骤6.1、将查询数据的原始时间近邻样本集中的标签样本作为训练数据，通过即时学习统一优化建模方法建立局部监督模型，局部监督模型的优化目标如下所示：
（8）；
式中，为关于/>的优化目标；/>是平衡即时学习统一优化建模方法两个子任务的权重系数；/>为重构系数向量/>的权重矩阵，/>，/>，为第/>个样本关于查询数据的重构系数；/>为回归系数向量/>的权重矩阵，/>，，/>为第/>主元对应的回归系数向量；/>为欧式距离向量的权重矩阵，/>；/>为回归系数向量/>的正则化系数，/>为重构系数向量/>的正则化系数；
、/>、/>的表达式如下所示：
（9）；
（10）；
（11）；
式中，为向量对角化函数；/>为查询数据与第/>个样本之间的欧式距离；
步骤6.2、固定回归系数向量求解重构系数向量/>，将公式（8）重新描述为公式（12）：
（12）；
式中，为关于/>的优化目标，/>为关于/>的对角矩阵，/>的对角元素为训练误差，/>；/>为第/>个样本的训练误差，，/>为第/>个样本对应的真实质量变量，/>为第/>个样本的降维动态潜变量集合；/>代表所有与重构系数向量/>无关的常数项；
计算得到重构系数向量的表达式如公式（13）所示：
（13）；
步骤6.3、固定重构系数向量求解回归系数向量/>，将公式（8）重新描述为公式（14）：
（14）；
式中，为关于/>的优化目标；/>为关于/>的对角矩阵，，/>为第/>主元的重构误差，/>的对角元素为样本的重构误差，定义重构误差向量/>；/>为关于第/>个样本的对角矩阵，/>，/>为第/>个样本与查询样本关于第/>主元的差，的对角元素为第/>个样本与查询样关于各特征的距离差值，定义距离差值向量；
计算得到回归系数向量的表达式如公式（15）所示：
（15）；
式中，为重构系数向量/>相关项；
通过最终求解得到的回归系数向量，得到关于查询数据低维潜变量集合/>的局部监督模型/>，模型系数为回归系数向量/>。
进一步地，步骤7的具体过程为：
步骤7.1、将查询数据低维潜变量集合与其局部近邻样本集/>合并为一个数据集/>，/>为/>中样本数量；将/>分为标签样本子集以及无标签样本子集/>，其中，/>表示标签样本子集中第/>个样本，/>表示第/>个样本对应的标签，/>和/>分别为/>中标签样本和无标签样本数量，/>为第/>个无标签样本；
基于局部标签传播的即时学习统一优化建模方法的优化目标如公式（16）所示：
（16）；
式中，为关于伪标签/>的优化目标；/>为中所有样本的质量变量预测值，/>为第/>个样本的质量变量预测值；/>为标签样本子集中第/>个样本的质量变量预测值；/>为样本集/>中第/>个样本和第/>个样本在辅助变量空间上的相似度；/>为第/>个样本的质量变量预测值；/>是通过即时学习统一优化建模方法监督模型计算出的/>的质量变量预测值；/>、/>均表示加权系数；
步骤7.2、通过公式（17）计算中所有样本的质量变量预测值/>，从而得到查询数据低维潜变量集合/>对应的质量变量预测值：
（17）；
式中，为对角矩阵，标签样本对应的对角元素为1，无标签样本对应的对角元素为0，/>为拉普拉斯矩阵，/>为相似度矩阵，矩阵元素为/>，对角矩阵/>为邻接矩阵，对角元素/>；/>为单位矩阵，即对角元素均为1的对角矩阵；/>为通过局部监督模型计算得到的中所有样本的预测值，/>为通过局部监督模型计算得到的第/>个样本的预测值；/>为/>中所有样本的标签值，无标签样本标签值为0。
进一步地，步骤8的具体过程为：当通过实验室化验分析标准查询数据得到真实质量变量时，将样本加入到初始训练数据集/>中，以扩充建模数据集所包含的工作区间；否则，维持初始训练数据集/>中所包含的样本不变。
本发明所带来的有益技术效果：本发明提供的基于时间序列特征提取的即时学习的软测量建模方法，首先利用基于递归神经网络的时间序列特征提取思想，将建模样本和查询样本投影到高维空间，提取时序数据中的高维动态潜变量，得到复杂非线性动态数据的丰富特征表达，从而可以挖掘样本中的非线性及动态信息。然后，为降低建模复杂度，利用降维算法简化隐层特征维数并消除冗余变量。最后，利用基于局部标签传播的即时学习统一优化建模方法建立软测量模型，可以有效提取大量无标签样本中的信息，在保证算法计算效率的同时，提高了软测量模型的预测精度。
附图说明
图1为本发明所述基于时间序列特征提取的即时学习的软测量建模方法流程图。
图2为本发明实施例中低温转换单元过程数据的真实输出曲线图。
图3为现有传统局部加权偏最小二乘软测量建模方法对低温转换单元数据的预测误差示意图。
图4为本发明所述的基于时间序列特征提取的即时学习软测量建模方法对低温转换单元数据的预测误差示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
本发明针对工业过程中的时序相关性、非线性以及时变特性，提供了一种基于时间序列特征提取的即时学习统一优化方法，基于递归神经网络的时序特征提取思想，挖掘过程数据中的动态以及非线性信息，克服了过程数据时序相关性以及非线性问题；通过降维算法提取高维数据中的主元特征，提高算法计算效率并消除冗余变量。另外，通过基于局部标签传播的半监督即时学习建模方法建立软测量模型，克服过程时变特性，并缓解了由于标签样本不足导致模型预测性能受限的问题。以下对本发明所述基于样本协同表示的即时学习的软测量建模方法进行详细说明。
如图1所示，本发明提出了一种基于时间序列特征提取的即时学习的软测量建模方法，该方法将递归神经网络与基于局部标签传播的即时学习算法相结合，有效地提取工业数据中的动态信息，具体包括如下步骤：
步骤1、选择辅助变量进行样本采集得到样本集合，并分析获得对应的真实质量变量集合。具体过程如下：
首先，根据过程机理知识，分析过程数据与质量变量的相关性，并按照相关性由高到低的顺序排序，选择前个过程数据作为辅助变量，然后采集这/>个辅助变量在不同时间的值，得到样本集合/>，/>，/>，/>为样本总数量，为样本的维度，/>为第/>个样本；T为矩阵转置算子；
然后，通过离线化验分析得到各个样本对应的真实质量变量集合；/>为第/>个样本对应的真实质量变量。
步骤2、基于样本集合和真实质量变量集合构建初始训练数据集，并进行标准化处理，进而得到标准数据集。具体过程如下：
基于、/>构建初始训练数据集/>，对初始训练数据集按照公式（1）进行标准化处理，得到标准数据集/>，/>为标准化处理后的样本集合，/>为标准化处理后的真实质量变量集合，公式（1）表示为：
（1）；
式中，函数表示计算矩阵每一行的均值，函数/>表示计算矩阵各行的标准差。
步骤3、利用基于递归神经网络的时间序列特征映射方法，从中提取得到高维动态潜变量集合/>，/>，/>表示高维的特征数量。然后，利用降维算法简化隐层特征维数并消除冗余变量，得到降维动态潜变量集合/>，/>为降维后的特征数量；将降维动态潜变量集合/>和真实质量变量集合/>组合得到建模数据，降低多重共线性等问题的影响。具体过程如下：
步骤3.1、对于中的每个样本按照采样时间依次映射生成状态向量，得到高维动态潜变量集合/>，/>表示第/>个样本的状态向量，/>，/>表示高维的特征数量；状态向量的具体计算公式如下：
（2）；
式中，为/>时刻第/>个样本的状态向量；/>为非线性激活函数；/>为输入权值矩阵；/>为/>时刻的第/>个样本；/>为储备池状态权值矩阵；/>为/>时刻第/>个样本的状态向量；非线性激活函数的表达式如公式（3）所示：
（3）；
式中，为双曲正切激活函数；/>为函数输入向量；
步骤3.2、通过求解以下优化目标计算的第一主元投影向量/>：
（4）；
式中，为关于/>的优化目标；/>。
步骤3.3、计算得到的第一主元/>和残差矩阵/>，计算公式分别如下：
（5）；
（6）；
步骤3.4、将残差矩阵作为新的/>，按照与步骤3.2-步骤3.3相同的过程继续进行主元提取，依次可以得到第2主元/>至第/>主元/>，最终得到降维动态潜变量集合；
步骤3.5、将降维动态潜变量集合和真实质量变量集合/>组合，得到建模数据/>。
步骤4、在线采集查询数据并进行标准化处理，同样采用基于递归神经网络的时间序列特征映射方法提取查询数据的高维潜变量，再降维得到查询数据低维潜变量集合。具体过程如下：
对于在线采集的查询数据，首先，按照与公式（1）同样的计算方式进行标准化处理，得到标准查询数据。然后，利用基于递归神经网络的时间序列特征映射方法，从/>中提取得到查询数据高维潜变量集合/>，/>。最后，对/>进行降维，得到查询数据低维潜变量集合/>。
步骤5、构建查询数据的空间近邻样本集、原始时间近邻样本集/>和扩展时间近邻样本集/>，并组合得到查询数据低维潜变量集合/>的局部近邻样本集/>，此时/>中包含时间空间双重信息。具体过程如下：
步骤5.1、根据距离度量（欧式距离）计算查询数据低维潜变量集合与建模数据/>中所有建模样本之间的空间距离，并对空间距离进行排序，选择与查询数据空间相似度最大的/>个样本，构成查询数据的空间近邻样本集/>，其中，既包含标签样本也包含无标签样本。距离度量表达式如下所示：
（7）；
式中，为第/>个建模样本与查询样本的相似度；/>表示指数函数；表示第/>个建模样本降维动态潜变量集合，/>为核映射宽度；
步骤5.2、选择最新采集到的个标签作为查询数据的原始时间近邻样本集。对于查询数据的空间近邻样本集/>中的第/>个样本，在所有建模样本中选择出第/>个样本的/>个时间近邻样本/>，其中/>，从而得到查询数据的扩展时间近邻样本集/>。
步骤5.3、构建查询数据低维潜变量集合的局部近邻样本集。
步骤6、将查询数据的原始时间近邻样本集中的标签样本作为训练数据，通过即时学习统一优化建模方法建立关于查询数据低维潜变量集合/>的局部监督模型。具体过程如下：
步骤6.1、将原始时间近邻样本集中的标签样本作为训练数据，通过即时学习统一优化建模方法建立局部监督模型，局部监督模型的优化目标如下所示：
（8）；
式中，为关于/>的优化目标；/>是平衡即时学习统一优化建模方法两个子任务(查询样本重构以及局部模型构建)的权重系数；/>为重构系数向量/>的权重矩阵，，/>，/>为第/>个样本关于查询数据的重构系数；/>为回归系数向量/>的权重矩阵，/>，/>，/>为第/>主元对应的回归系数向量；/>为欧式距离向量的权重矩阵，/>；/>为回归系数向量/>的正则化系数，/>为重构系数向量/>的正则化系数；
、/>、/>的表达式如下所示：
（9）；
（10）；
（11）；
式中，为向量对角化函数；/>为查询数据与第/>个样本之间的欧式距离；
步骤6.2、固定回归系数向量求解重构系数向量/>，公式（8）可以重新描述为公式（12）：
（12）；
式中，为关于/>的优化目标，/>为关于/>的对角矩阵，/>的对角元素为训练误差，/>；/>为第/>个样本的训练误差，，/>为第/>个样本对应的真实质量变量，/>表示第/>个样本降维动态潜变量集合；/>代表所有与重构系数向量/>无关的常数项。
可以计算得到重构系数向量的表达式如公式（13）所示：
（13）；
步骤6.3、固定重构系数向量求解回归系数向量/>，公式（8）可以重新描述为公式（14）：
（14）；
式中，为关于/>的优化目标；/>为关于/>的对角矩阵，，/>为第/>主元的重构误差，/>的对角元素为样本的重构误差，定义重构误差向量/>；/>为关于第/>个样本的对角矩阵，/>，/>为第/>个样本与查询样本关于第/>主元的差，的对角元素为第/>个样本与查询样关于各特征的距离差值，定义距离差值向量/>；
可以计算得到回归系数向量的表达式如公式（15）所示：
（15）；
式中，为重构系数向量/>相关项。
通过最终求解得到的回归系数向量，可以得到关于查询数据低维潜变量集合的局部监督模型/>，模型系数为回归系数向量/>。
步骤7、基于查询数据低维潜变量集合的局部近邻样本集/>以及局部监督模型/>，通过基于局部标签传播的即时学习统一优化建模方法计算查询数据低维潜变量集合/>对应的质量变量预测值。具体过程如下：
步骤7.1、将查询数据低维潜变量集合与其局部近邻样本集/>合并为一个数据集/>，/>为/>中样本数量。由于/>中既包含了标签样本也包含了无标签样本，因此进一步将其分为标签样本子集/>以及无标签样本子集/>，其中，/>表示标签样本子集中第/>个样本，/>表示第/>个样本对应的标签，/>和/>分别为/>中标签样本和无标签样本数量，/>为第/>个无标签样本。
基于局部标签传播的即时学习统一优化建模方法的优化目标如公式（16）所示：
（16）；
式中，为关于伪标签/>的优化目标；/>为中所有样本的质量变量预测值，/>为第/>个样本的质量变量预测值；/>为标签样本子集中第/>个样本的质量变量预测值；/>为样本集/>中第/>个样本和第/>个样本在辅助变量空间上的相似度；/>为第/>个样本的质量变量预测值；/>是通过即时学习统一优化建模方法监督模型计算出的/>的质量变量预测值；/>、/>均表示加权系数。
步骤7.2、可以通过公式（17）计算中所有样本的质量变量预测值/>，从而得到查询数据低维潜变量集合/>对应的质量变量预测值：
（17）；
式中，为对角矩阵，标签样本对应的对角元素为1，无标签样本对应的对角元素为0，/>为拉普拉斯矩阵，/>为相似度矩阵，矩阵元素为/>，对角矩阵/>为邻接矩阵，对角元素/>；/>为单位矩阵，即对角元素均为1的对角矩阵；/>为通过局部监督模型计算得到的中所有样本的预测值，/>为通过局部监督模型计算得到的第/>个样本的预测值；/>为/>中所有样本的标签值，无标签样本标签值为0。
步骤8、利用最新采集到的过程数据更新训练数据集。具体过程为：当通过实验室化验分析标准查询数据得到真实质量变量时，将样本加入到初始训练数据集/>中，以扩充建模数据集所包含的工作区间；否则，维持初始训练数据集/>中所包含的样本不变。
本发明方法，首先利用递归神经网络优异的特征学习能力，有效地提取时序数据中的高维动态潜变量，得到复杂非线性动态数据的丰富特征表达。进一步地，利用降维算法简化隐层特征维数并消除冗余变量，从而降低多重共线性等问题的影响。最后，基于所提取的代表性简约特征，由基于局部标签传播的即时学习统一优化建模方法建立软测量模型。本发明实施例所述方法，不仅能够充分挖掘过程数据中的动态信息和非线性信息，克服过程长期依赖问题，还能有效利用大量无标签样本辅助建立软测量模型，缓解了由于标签样本不足导致模型预测性能受限的问题。
为了说明本发明的可行性与优越性，给出如下实施例，以下结合具体实施例对本发明做出进一步说明。
实施例：以低温转换单元（简称：LTTU）的过程数据为例进行说明。
低温转换单元过程是氨合成工艺的一部分，用于去除气体生产中的不纯成分。来自高温转换装置的反应混合物通过分离器分离后进入低温转换单元，将CO转化为CO2并在后续处理阶段被吸收清除。为控制CO浓度，减少生产过程对环境产生的污染，需要实时监测和控制LTTU的工作状态。目前，质谱仪是测量CO浓度常用的方法，然而这种仪器不仅价格昂贵、安装繁琐，其测量结果准确性也无法得到保证。因此，可以通过建立软测量模型实时测量CO浓度。
接下来结合低温转换单元过程对本发明的具体步骤进行阐述：
步骤1、在建立CO浓度的软测量模型时，根据过程机理知识，经过相关性分析后，从实际工业生产过程中选取了、/>、/>、/>、/>、/>六个易于测量的过程数据作为辅助变量，这六个辅助变量分别为至LTTU的工艺气体流量、LTTU出口处的压力、LTTU上层温度、LTTU中层温度、LTTU下层温度、LTTU出口工艺气体的温度。然后采集这六个辅助变量在不同时间的一氧化碳浓度值，得到样本数量为2000的低温转换单元过程数据样本集合/>。将低温转换单元过程数据样本集合/>按采样时间排列，实际的输出曲线如图2所示，由于数据量大，图2只展示了600个样本的一氧化碳浓度。
步骤2、对采集到的数据样本进行预处理，删除其中的异常样本；另外，考虑到过程的动态特性，对建模数据按照下式进行维度扩展，扩展后的样本维度为30；最后，进行标准化处理得到标准数据集。
本实施例中，考虑到过程动态特性，即当前CO浓度不仅与当前状态下辅助变量相关，还与历史辅助变量相关，因此，通过当前时刻以及前几时刻的辅助变量构造模型的输入变量，具体构造公式如下：
；
式中，表示软测量模型对一氧化碳浓度的预测值，/>代表一氧化碳浓度与/>的潜在关系，/>表示输入数据，。
步骤3、利用基于递归神经网络的时间序列特征映射方法，提取中高维动态潜变量，得到/>。然后，利用降维算法简化隐层特征维数并消除冗余变量，得到以及建模数据/>，降低多重共线性等问题的影响。
步骤4、对于在线采集的查询数据，首先，对其进行标准化处理，得到标准查询数据。然后，利用基于递归神经网络的时间序列特征映射方法，从/>中提取得到查询数据高维潜变量集合/>。最后，对/>进行降维，得到/>。
步骤5、构建查询数据的空间近邻样本集、原始时间近邻样本集/>和扩展时间近邻样本集/>，得到查询数据低维潜变量集合/>的局部近邻样本集。
步骤6、将原始时间近邻样本集中的标签样本作为训练数据，通过即时学习统一优化建模方法建立关于查询数据低维潜变量集合/>的局部监督模型/>，模型系数为/>。
步骤7、基于查询数据低维潜变量集合的局部近邻样本集/>以及局部监督模型/>，通过基于局部标签传播的即时学习统一优化建模方法计算查询数据低维潜变量集合/>对应的质量变量预测值/>。
步骤8、当通过实验室化验分析标准查询数据得到真实质量变量时，将样本加入到初始训练数据集/>中，以扩充建模数据集所包含的工作区间。
现有传统局部加权偏最小二乘(简称：LWPLS) 软测量建模方法与本发明所述方法（简称：TSFE-JITL）对低温转换单元数据输出变量的预测误差如图3、图4所示，同样由于数据量大，图3和图4只展示了600个样本的预测误差。由图3、图4可以看出，本发明所述方法与传统方法相比，预测误差更小，具有更高的预测精度。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种基于时间序列特征提取的即时学习的软测量建模方法，其特征在于，包括如下步骤：
步骤1、选择辅助变量进行样本采集得到样本集合，并分析获得对应的真实质量变量集合；
所述步骤1的具体过程为：首先，根据过程机理知识，分析过程数据与质量变量的相关性，并按照相关性由高到低的顺序排序，选择前个过程数据作为辅助变量，然后采集这/>个辅助变量在不同时间的值，得到样本集合/>，/>，/>，为样本总数量，/>为样本的维度，/>为第/>个样本；T为矩阵转置算子；然后，通过离线化验分析得到各个样本对应的真实质量变量集合/>；/>为第/>个样本对应的真实质量变量；
在建立CO浓度的软测量模型时，根据过程机理知识，经过相关性分析后，从实际工业生产过程中选取了、/>、/>、/>、/>、/>六个易于测量的过程数据作为辅助变量，这六个辅助变量分别为至LTTU的工艺气体流量、LTTU出口处的压力、LTTU上层温度、LTTU中层温度、LTTU下层温度、LTTU出口工艺气体的温度；然后采集这六个辅助变量在不同时间的一氧化碳浓度值，得到样本数量为2000的低温转换单元过程数据样本集合/>；
步骤2、基于样本集合和真实质量变量集合构建初始训练数据集，并进行标准化处理，进而得到标准数据集；
所述步骤2的具体过程为：基于、/>构建初始训练数据集/>，对初始训练数据集/>按照公式（1）进行标准化处理，得到标准数据集，/>为标准化处理后的样本集合，/>为标准化处理后的真实质量变量集合，公式（1）表示为：
（1）；
式中，函数表示计算矩阵每一行的均值，函数/>表示计算矩阵各行的标准差；
步骤3、利用基于递归神经网络的时间序列特征映射方法，从标准化处理后的样本集合中提取得到高维动态潜变量集合；再采用降维算法简化隐层特征维数并消除冗余变量，得到降维动态潜变量集合；将降维动态潜变量集合和真实质量变量集合组合得到建模数据；
所述步骤3的具体过程为：
步骤3.1、对于中的每个样本按照采样时间依次映射生成状态向量，得到高维动态潜变量集合/>，/>表示第/>个样本的状态向量，/>，/>表示高维的特征数量；状态向量的具体计算公式如下：
（2）；
式中，为/>时刻第/>个样本的状态向量；/>为非线性激活函数；/>为输入权值矩阵；/>为/>时刻的第/>个样本；/>为储备池状态权值矩阵；/>为/>时刻第/>个样本的状态向量；非线性激活函数的表达式如公式（3）所示：
（3）；
式中，为双曲正切激活函数；/>为函数输入向量；
步骤3.2、通过求解以下优化目标计算的第一主元投影向量/>：
（4）；
式中，为关于/>的优化目标；/>；
步骤3.3、计算得到的第一主元/>和残差矩阵/>，计算公式分别如下：
（5）；
（6）；
步骤3.4、将残差矩阵作为新的/>，按照与步骤3.2-步骤3.3相同的过程继续进行主元提取，依次得到第2主元/>至第/>主元/>，最终得到降维动态潜变量集合；
步骤3.5、将降维动态潜变量集合和真实质量变量集合/>组合，得到建模数据；
步骤4、在线采集查询数据并进行标准化处理，同样采用基于递归神经网络的时间序列特征映射方法提取查询数据的高维潜变量，再降维得到查询数据低维潜变量集合；
步骤5、构建查询数据的空间近邻样本集、原始时间近邻样本集和扩展时间近邻样本集，并组合得到查询数据低维潜变量集合的局部近邻样本集；
步骤6、将原始时间近邻样本集中的标签样本作为训练数据，通过即时学习统一优化建模方法建立关于查询数据低维潜变量集合的局部监督模型；
步骤7、基于查询数据低维潜变量集合的局部近邻样本集以及局部监督模型，通过基于局部标签传播的即时学习统一优化建模方法计算查询数据低维潜变量集合对应的质量变量预测值；
步骤8、利用最新采集到的过程数据更新训练数据集。
2.根据权利要求1所述基于时间序列特征提取的即时学习的软测量建模方法，其特征在于，所述步骤4的具体过程为：对于在线采集的查询数据，首先，按照与公式（1）同样的计算方式进行标准化处理，得到标准查询数据；然后，利用基于递归神经网络的时间序列特征映射方法，从/>中提取得到查询数据高维潜变量集合/>，/>；最后，对进行降维，得到查询数据低维潜变量集合/>。
3.根据权利要求2所述基于时间序列特征提取的即时学习的软测量建模方法，其特征在于，所述步骤5的具体过程为：
步骤5.1、根据距离度量计算查询数据低维潜变量集合与建模数据/>中所有建模样本之间的空间距离，并对空间距离进行排序，选择与查询数据空间相似度最大的/>个样本，构成查询数据的空间近邻样本集/>，其中，既包含标签样本也包含无标签样本；距离度量表达式如下所示：
（7）；
式中，为第/>个建模样本与查询样本的相似度；/>表示指数函数；/>表示第/>个建模样本降维动态潜变量集合，/>为核映射宽度；
步骤5.2、选择最新采集到的个标签作为查询数据的原始时间近邻样本集/>；对于查询数据的空间近邻样本集/>中的第/>个样本，在所有建模样本中选择出第/>个样本的/>个时间近邻样本/>，其中/>，从而得到查询数据的扩展时间近邻样本集/>；
步骤5.3、构建查询数据低维潜变量集合的局部近邻样本集。
4.根据权利要求3所述基于时间序列特征提取的即时学习的软测量建模方法，其特征在于，所述步骤6的具体过程为：
步骤6.1、将查询数据的原始时间近邻样本集中的标签样本作为训练数据，通过即时学习统一优化建模方法建立局部监督模型，局部监督模型的优化目标如下所示：
（8）；
式中，为关于/>的优化目标；/>是平衡即时学习统一优化建模方法两个子任务的权重系数；/>为重构系数向量/>的权重矩阵，/>，/>，/>为第个样本关于查询数据的重构系数；/>为回归系数向量/>的权重矩阵，/>，，/>为第/>主元对应的回归系数向量；/>为欧式距离向量的权重矩阵，/>；/>为回归系数向量/>的正则化系数，/>为重构系数向量/>的正则化系数；
、/>、/>的表达式如下所示：
（9）；
（10）；
（11）；
式中，为向量对角化函数；/>为查询数据与第/>个样本之间的欧式距离；
步骤6.2、固定回归系数向量求解重构系数向量/>，将公式（8）重新描述为公式（12）：
（12）；
式中，为关于/>的优化目标，/>为关于/>的对角矩阵，/>的对角元素为训练误差，；/>为第/>个样本的训练误差，，/>为第/>个样本对应的真实质量变量，/>为第/>个样本的降维动态潜变量集合；/>代表所有与重构系数向量/>无关的常数项；
计算得到重构系数向量的表达式如公式（13）所示：
（13）；
步骤6.3、固定重构系数向量求解回归系数向量/>，将公式（8）重新描述为公式（14）：
（14）；
式中，为关于/>的优化目标；/>为关于/>的对角矩阵，/>，为第/>主元的重构误差，/>的对角元素为样本的重构误差，定义重构误差向量；/>为关于第/>个样本的对角矩阵，，/>为第/>个样本与查询样本关于第/>主元的差，/>的对角元素为第/>个样本与查询样关于各特征的距离差值，定义距离差值向量；
计算得到回归系数向量的表达式如公式（15）所示：
（15）；
式中，为重构系数向量/>相关项；
通过最终求解得到的回归系数向量，得到关于查询数据低维潜变量集合/>的局部监督模型/>，模型系数为回归系数向量/>。
5.根据权利要求4所述基于时间序列特征提取的即时学习的软测量建模方法，其特征在于，所述步骤7的具体过程为：
步骤7.1、将查询数据低维潜变量集合与其局部近邻样本集/>合并为一个数据集/>，/>为/>中样本数量；将/>分为标签样本子集以及无标签样本子集/>，其中，/>表示标签样本子集中第/>个样本，/>表示第/>个样本对应的标签，/>和/>分别为/>中标签样本和无标签样本数量，/>为第/>个无标签样本；
基于局部标签传播的即时学习统一优化建模方法的优化目标如公式（16）所示：
（16）；
式中，为关于伪标签/>的优化目标；/>为/>中所有样本的质量变量预测值，/>为第/>个样本的质量变量预测值；/>为标签样本子集中第个样本的质量变量预测值；/>为样本集/>中第/>个样本和第/>个样本在辅助变量空间上的相似度；/>为第/>个样本的质量变量预测值；/>是通过即时学习统一优化建模方法监督模型计算出的/>的质量变量预测值；/>、/>均表示加权系数；
步骤7.2、通过公式（17）计算中所有样本的质量变量预测值/>，从而得到查询数据低维潜变量集合/>对应的质量变量预测值：
（17）；
式中，为对角矩阵，标签样本对应的对角元素为1，无标签样本对应的对角元素为0，为拉普拉斯矩阵，/>为相似度矩阵，矩阵元素为/>，对角矩阵为邻接矩阵，对角元素/>；/>为单位矩阵，即对角元素均为1的对角矩阵；/>为通过局部监督模型计算得到的/>中所有样本的预测值，/>为通过局部监督模型计算得到的第/>个样本的预测值；/>为/>中所有样本的标签值，无标签样本标签值为0。
6.根据权利要求5所述基于时间序列特征提取的即时学习的软测量建模方法，其特征在于，所述步骤8的具体过程为：当通过实验室化验分析标准查询数据得到真实质量变量时，将样本加入到初始训练数据集/>中，以扩充建模数据集所包含的工作区间；否则，维持初始训练数据集/>中所包含的样本不变。
CN202311007772.3A 2023-08-11 2023-08-11 一种基于时间序列特征提取的即时学习的软测量建模方法 Active CN116738866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311007772.3A CN116738866B (zh) 2023-08-11 2023-08-11 一种基于时间序列特征提取的即时学习的软测量建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311007772.3A CN116738866B (zh) 2023-08-11 2023-08-11 一种基于时间序列特征提取的即时学习的软测量建模方法

Publications (2)

Publication Number Publication Date
CN116738866A CN116738866A (zh) 2023-09-12
CN116738866B true CN116738866B (zh) 2023-10-27

Family

ID=87909931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311007772.3A Active CN116738866B (zh) 2023-08-11 2023-08-11 一种基于时间序列特征提取的即时学习的软测量建模方法

Country Status (1)

Country Link
CN (1) CN116738866B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272244B (zh) * 2023-11-21 2024-03-15 中国石油大学(华东) 一种融合特征提取和自适应构图的软测量建模方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106644162A (zh) * 2016-10-12 2017-05-10 云南大学 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法
CN109840362A (zh) * 2019-01-16 2019-06-04 昆明理工大学 一种基于多目标优化的集成即时学习工业过程软测量建模方法
US10678196B1 (en) * 2020-01-27 2020-06-09 King Abdulaziz University Soft sensing of a nonlinear and multimode processes based on semi-supervised weighted Gaussian regression
CN113158473A (zh) * 2021-04-27 2021-07-23 昆明理工大学 一种半监督集成即时学习工业混炼胶门尼粘度软测量方法
CN114117919A (zh) * 2021-11-29 2022-03-01 中国石油大学(华东) 基于样本协同表示的即时学习的软测量建模方法
CN114239397A (zh) * 2021-12-16 2022-03-25 浙江大学 基于动态特征提取与局部加权深度学习的软测量建模方法
CN114528764A (zh) * 2022-02-18 2022-05-24 清华大学 基于整体优化的即时学习的软测量建模方法及装置
CN114841073A (zh) * 2022-05-17 2022-08-02 中国石油大学(华东) 基于局部标签传播的即时学习半监督软测量建模方法
CN114936528A (zh) * 2022-06-07 2022-08-23 中国石油大学(华东) 一种基于变量加权自适应局部构图的极限学习机半监督软测量建模方法
WO2022178977A1 (zh) * 2021-02-26 2022-09-01 西北工业大学 一种基于自适应近邻图嵌入的无监督数据降维方法
CN115186584A (zh) * 2022-07-11 2022-10-14 中国石油大学(华东) 一种融合注意力机制和自适应构图的宽度学习半监督软测量建模方法
CN116401528A (zh) * 2023-03-21 2023-07-07 中国人民解放军空军工程大学 一种基于全局-局部散度的多元时间序列无监督降维方法
WO2023138140A1 (zh) * 2022-01-19 2023-07-27 北京工业大学 基于宽度混合森林回归的mswi过程二噁英排放软测量方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106644162A (zh) * 2016-10-12 2017-05-10 云南大学 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法
CN109840362A (zh) * 2019-01-16 2019-06-04 昆明理工大学 一种基于多目标优化的集成即时学习工业过程软测量建模方法
US10678196B1 (en) * 2020-01-27 2020-06-09 King Abdulaziz University Soft sensing of a nonlinear and multimode processes based on semi-supervised weighted Gaussian regression
WO2022178977A1 (zh) * 2021-02-26 2022-09-01 西北工业大学 一种基于自适应近邻图嵌入的无监督数据降维方法
CN113158473A (zh) * 2021-04-27 2021-07-23 昆明理工大学 一种半监督集成即时学习工业混炼胶门尼粘度软测量方法
CN114117919A (zh) * 2021-11-29 2022-03-01 中国石油大学(华东) 基于样本协同表示的即时学习的软测量建模方法
CN114239397A (zh) * 2021-12-16 2022-03-25 浙江大学 基于动态特征提取与局部加权深度学习的软测量建模方法
WO2023138140A1 (zh) * 2022-01-19 2023-07-27 北京工业大学 基于宽度混合森林回归的mswi过程二噁英排放软测量方法
CN114528764A (zh) * 2022-02-18 2022-05-24 清华大学 基于整体优化的即时学习的软测量建模方法及装置
CN114841073A (zh) * 2022-05-17 2022-08-02 中国石油大学(华东) 基于局部标签传播的即时学习半监督软测量建模方法
CN114936528A (zh) * 2022-06-07 2022-08-23 中国石油大学(华东) 一种基于变量加权自适应局部构图的极限学习机半监督软测量建模方法
CN115186584A (zh) * 2022-07-11 2022-10-14 中国石油大学(华东) 一种融合注意力机制和自适应构图的宽度学习半监督软测量建模方法
CN116401528A (zh) * 2023-03-21 2023-07-07 中国人民解放军空军工程大学 一种基于全局-局部散度的多元时间序列无监督降维方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Online prediction of total sugar content and optimal control of glucose feed rate during chlortetracycline fermentation based on soft sensor modeling;Ping Wang；Qiaoyan Sun；Yuxin Qiao；Lili Liu；Xiang Han；Xiangguang Chen;Mathematical Biosciences and Engineering;第19卷(第10期);第10687-10709页 *
基于ISOMAP-ELM的软测量建模及化工应用;李荣雨;王立明;计量学报(第5期);第94-98页 *

Also Published As

Publication number Publication date
CN116738866A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Jiang et al. Monitoring multi-mode plant-wide processes by using mutual information-based multi-block PCA, joint probability, and Bayesian inference
Zhang et al. Local parameter optimization of LSSVM for industrial soft sensing with big data and cloud implementation
Yao et al. Cooperative deep dynamic feature extraction and variable time-delay estimation for industrial quality prediction
CN116738866B (zh) 一种基于时间序列特征提取的即时学习的软测量建模方法
Liu et al. Fault detection and diagnosis using Bayesian network model combining mechanism correlation analysis and process data: Application to unmonitored root cause variables type faults
CN112884089A (zh) 一种基于数据挖掘的电力变压器故障预警***
Xiang et al. Multimode process monitoring based on fuzzy C-means in locality preserving projection subspace
Yang et al. Domain adaptation network with uncertainty modeling and its application to the online energy consumption prediction of ethylene distillation processes
Zhong et al. Distributed dynamic process monitoring based on dynamic slow feature analysis with minimal redundancy maximal relevance
Yuan et al. Virtual sensor modeling for nonlinear dynamic processes based on local weighted PSFA
Li et al. Data cleaning method for the process of acid production with flue gas based on improved random forest
Li et al. A neural networks based method for multivariate time-series forecasting
CN116821695B (zh) 一种半监督神经网络软测量建模方法
CN109033524A (zh) 一种基于鲁棒混合模型的化工过程浓度变量在线估计方法
Chen et al. Fault monitoring for chemical processes using neighborhood embedding discriminative analysis
Chen et al. Multimodal process monitoring based on transition-constrained Gaussian mixture model
Chang et al. Multimode process mode identification with coexistence of quantitative information and qualitative information
Yang et al. A semi-supervised feature contrast convolutional neural network for processes fault diagnosis
CN116779172A (zh) 一种基于集成学习的肺癌疾病负担风险预警方法
Ma et al. State-of-Health assessment for aero-engine based on density-distance clustering and fuzzy Bayesian risk
Si et al. A data-driven fault detection framework using mahalanobis distance based dynamic time warping
Wang et al. A Semisupervised Just-In-Time Learning Framework Based on Local Label Propagation and Its Application to Industrial Virtual Sensing
CN113707240A (zh) 基于半监督非线性变分贝叶斯混合模型的成分参数鲁棒软测量方法
Shao et al. Improving the generalization performance of data-driven predictive model for dynamic process systems
Wang et al. Hierarchical multihead self-attention for time-series-based fault diagnosis

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