基于深度学习的工业过程软测量
基于深度学习的数据驱动软测量的发展概况
深层模型训练面临的挑战
虽然几十年前人们就发现了深度网络在理论上的简洁性和较强的表达 能力，但在深度学习问世之前，在训练深度网络方面传统的反向传播 和梯度下降来训练深层模型时面临诸多困难： 1.数据获取问题。 2.局部极值问题。 3.梯度弥散问题。 2006年，Hinton提出了以自编码为训练方式的逐层贪婪训练算法，为 深度神经网络带来了希望。
确定网络的体系结构
预训练：逐层贪婪训练算法
微调：初始化权值，BP算法微调
是否过拟合
Y
N
模型测试 结束
原油蒸馏装置应用
软测量建模在线质量预测指标：
95％重柴油分馏点温度
原油蒸馏装置应用
在本研究中，数据集包含351个选自于最近一年的工艺操作中的过程/ 质量的样本。该数据集将251个样本分成训练集，另100个样本分为测 试集。 应特别注意，选取的过程变量中另有1724个“无标签”的样本数据， 这些数据没有质量样本作为回归目标。在这方面，过程变量中1724个 “无标签”的样本被用于DL的无监督训练。但这些无监督数据不能被 传统的数据驱动模型利用。
预处理训练的有效性验证
A：随机初始化的深 度NN 训练误差 6.20 B：无先验知识的 C：有先验知识的 深度NN 深度NN 1.95 1.84
测试误差
7.95
3.04
3.02
1、逐层贪婪训练算法让模型处于一个较为接近全局最优的位置，从 而获得更好的效果。 2、没有先验知识DL模型仍然具有很好的表现能力。
逐层贪婪算法的主要思路
ቤተ መጻሕፍቲ ባይዱ
1.每次只训练网络中的一层，即首先训练一个只含一个隐藏层的网络。 2.当这层网络训练结束之后才开始训练一个有两个隐藏层的网络，以 此类推。 3.在每一步中，我们把已经训练好的前K-1层固定，然后将前K-1层的 输出作为输入，训练第K层。
深度学习在易结焦加热炉温度场软测量应用总结
深度学习在易结焦加热炉温度场软测量应用总结
高丽岩
【期刊名称】《炼油技术与工程》
【年(卷),期】2024(54)5
【摘要】易结焦加热炉燃烧过程不稳定,会引起炉管局部超温,导致加热炉的损耗和破坏,因此实际工程中需要对加热炉各处的温度进行测量。
文中提出一种基于红外图像与计算流体力学(CFD)的加热炉炉管温度场软测量方法,利用不同工况数据构建实验数据集,建立深度学习训练温度场实时预测模型,实现输入工况后模型即可输出对应温度场,实现工业加热炉温度场的软测量。
本研究通过CFD仿真计算得出的温度场与炉管壁热电偶实测值误差均在5%以内,因此可以认为CFD仿真得到的加热炉三维温度场能够很好地代表炉膛内的真实温度场。
【总页数】4页(P41-44)
【作者】高丽岩
【作者单位】中石化(天津)石油化工有限公司装备研究院
【正文语种】中文
【中图分类】TG3
【相关文献】
1.软测量技术在预测钢坯内部温度场的应用研究
2.软测量在常减压加热炉控制方案中的应用
3.基于深度学习的复杂化工过程软测量模型研究与应用
4.基于误差迭代的时空分组软测量技术在加热炉中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的工业过程软测量
通过脱丁烷塔过程Benchmark仿真验证该方法对非线性动态工业 过程软测量建模的可行性和有效性。(2)提出了一种基于深度森 林回归的非线性多模态过程软测量建模方法。
根据集成学习思想,将随机森林回归嵌入到深度森林结构,建立 了一种非神经网络结构的深度预测模型,在训练过程可自适应调 节模型结构,增强了数据模型的表示学习能力和适用范围。通过 一段炉过程实际数据仿真,验证了该方法对非线性多模态工业过 程软测量建模的可行性,进一步与传统回归方法比较预测性能差 异。
(3)提出了一种基于多粒度级联循环神经网络的复杂过程软测量 建模方法。基于深度森林回归的框架,将循环神经网络作为基学 习器,构建了一种多粒度循环神经网络和级联循环神经网络结构, 可适用于过程数据的非线性、动态性、多模态等复杂特性问题。
通过脱丁烷塔过程Benchmark仿真和合成氨一段炉过程实际运行 数据仿真,验证了该方法的有效性。
由于其易于开发、灵活配置、及时跟踪、快速响应的优点,在学 术界和工业界得到了迅速的发展和有效的实践。根据过程的不 同数据特性,多种软测量方法相继被提出和应用。
本文以深度学习算法为主要研究方法,开展复杂工业过程的软测 量建模研究工作,主要研究工作如下:(1)提出了一种基于堆叠循 环神经网络的非线性动态过程软测量建模方法。对循环神经网 络、长短时记忆单元和门控循环单元进行stacking集成,构建了 堆叠循环神经网络模型结构,可有效缓解过拟合问题,同时提升 预测效果。
基于深度学习的工业过程软测量
为了降低生产成本、监测过程状态、调整控制策略、提高生产 效率、优化产品质量,过程关键质量变量的实时测量和准确预报 十分重要。面对复杂生产环境下测量仪器仪表不能实时测量质 量变量值的问题,软测量方法通过构造以辅助变量为输入、主导 变量为输出的估计模型,间接估计预测关键质量变量。
基于深度学习的复杂化工过程软测量模型研究与应用
点的可观测数据进行合并得到完整的数据集，再划分出训练集和测试集，用带有注意力机制的深度学习算法进
行训练和泛化，进而建立软测量模型。最后将提出的方法应用到对苯二甲酸 （PTA） 生产装置乙酸消耗的软测量
中。通过与极限学习机 （extreme learning machine，ELM）、多层感知器 （multi-layer perceptron，MLP） 以及普
CIESC Journal, 2019, 70(2): 564-571
化工学报 2019 年 第 70 卷 第 2 期 |
������������������
������������������
������������������������������������������������
Abstract: Because some raw material consumption in complex chemical production process is difficult to measure directly, a soft sensor method based on the deep learning is proposed. Based on a period of the historical data, the proposed method extracts multi-scale information from the historical data using stationary wavelet decomposition. Then the observable data at every point of time are combined to get a complete dataset which is divided into the training dataset and the testing dataset. Moreover, the soft sensor model is trained and obtained by using the depth learning algorithm based on the attention mechanism. Finally, the proposed method is applied to the soft measurement of acetic acid consumption in a terephthalic acid (PTA) production unit. Compared with the extreme learning machine (ELM), multi-layer perceptron (MLP) and common long short-term memory (LSTM) method, the result analysis shows that the validity and the applicability of the proposed model is verified. Meanwhile, the consumption of acetic acid in the PTA production plant is predicted and analyzed to improve the production
基于深度置信网络的4-CBA软测量建模
基于深度置信网络的4-CBA软测量建模刘瑞兰;毛佳敏【摘要】In industrial PTA production process, 4-CBA concentration is the important basis of PTA product quality evaluation.This paper combining the deep belief networks and BP neural networks proposes a soft sensor model of 4-CBA based on deep belief networks. Deep belief network is one kind of typical deep learning algorithm. The algorithm has remarkable superiority in feature learning. According to experimental results, a soft sensor model based on deep belief networks can predict 4-CBA concentration well. Compared with BP neural network model, the model based on deep belief networks has higher prediction precision.%PTA工业生产过程中4-CBA的含量是评价其产品质量的重要依据.将深度置信网络和已有的浅层算法相结合,提出基于深度置信网络的4-CBA软测量模型.深度置信网络是一种典型的深度学习算法,该算法在特征学习方面优势显著.根据实验结果,基于深度置信网络的软测量模型能够很好地估计4-CBA含量,和单纯的BP神经网络模型相比,基于深度置信网络的模型预测精度更高.【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)006【总页数】4页(P227-230)【关键词】深度学习;深度置信网络;神经网络;软测量【作者】刘瑞兰;毛佳敏【作者单位】南京邮电大学自动化学院,南京 210023;南京邮电大学自动化学院,南京 210023【正文语种】中文【中图分类】TP274工业生产过程中4-CBA（对羧基苯甲醛）含量关系到PTA（精对苯二甲酸）产品质量。
软测量心得体会优质(1)
软测量心得体会优质(1)软测量心得体会优质软测量技术作为一种基于数据建模的实时智能监测手段，已经广泛应用于各个领域，如化工、制造业、能源等。
在我的工作中，我也用到了软测量技术，通过实践和体验，我深刻体会到了软测量技术的优点。
1. 提高产品质量软测量技术能够对生产过程中的各种因素进行实时监测和分析，同时预测，从而及时调整和优化生产工艺和工作条件，提高产品质量。
例如，在化工产品的生产过程中，控制温度和流量等因素的精准度可以控制产品质量，并可以保证产品的稳定性。
2. 精准预测通过软测量技术可以对产品质量、生产过程等关键指标进行精准预测，以降低质量不良率和生产成本，并且能够提高生产效率。
通过建立预测模型，可以及时发现流程中的异常情况，并进行调整。
3. 实时监测软测量技术可以在生产过程中实时监测关键因素和参数的变化，及时检测生产工艺的偏差和异常情况，并预测未来的趋势变化。
这可以帮助生产管理人员更快地发现问题和异常，并及时解决问题。
4. 降低生产成本软测量技术通过数据分析和建模，能够精准地优化生产工艺，降低生产成本。
例如，通过软测量可以优化产品的加工工艺，减少浪费的时间、成本和材料资源。
5. 改善运营管理软测量技术通过对生产过程的实时监测和分析，能够帮助企业管理者实现对生产过程的整体掌控，快速发现问题和异常，并及时采取措施，从而避免生产事故和质量问题。
总之，软测量技术是一种非常重要的实时监测手段。
通过对生产过程进行数据建模和分析，软测量技术可以帮助企业管理者及时发现和解决生产过程中存在的问题和异常，提高产品质量和生产效率，降低生产成本，从而改善企业的运营管理水平。
未来，随着数据技术的发展和应用场景的不断拓展，软测量技术的重要性将越来越受到重视。
【CN110096810B】一种基于逐层数据扩充深度学习的工业过程软测量方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利(10)授权公告号 (45)授权公告日 (21)申请号 201910366487.8(22)申请日 2019.05.05(65)同一申请的已公布的文献号申请公布号 CN 110096810 A(43)申请公布日 2019.08.06(73)专利权人 中南大学地址 410000 湖南省长沙市岳麓区麓山南路932号(72)发明人 袁小锋 欧晨 王雅琳 阳春华 桂卫华 (74)专利代理机构 长沙轩荣专利代理有限公司43235代理人 王丹(51)Int.Cl.G06F 30/20(2020.01)G06N 3/04(2006.01)G06N 3/08(2006.01)审查员 刘天晓 (54)发明名称一种基于逐层数据扩充深度学习的工业过程软测量方法(57)摘要本发明公开了一种基于逐层数据扩充深度学习的工业过程软测量方法，属于软测量技术领域，本发明所公开的技术方案通过采取数据扩充自编码器扩充过程变量的样本量，并利用多个数据扩充自编码器堆栈成深度网络模型，从工业过程数据中逐层获得由低层次到高层次的大量样本，为深度学习模型提供足够多的样本量，实现对产品质量的准确预测，能广泛运用于复杂工业过程如加氢裂化过程、钢铁烧结过程的产品质量预测，具有预测精度高、泛化性好等优点。
权利要求书4页 说明书16页 附图2页CN 110096810 B 2020.03.17C N 110096810B1.一种基于逐层数据扩充深度学习的工业过程软测量方法，其特征在于，包括：第一步：获取工业生产过程中的过程变量和质量变量并进行归一化处理：采集一定生产时间内的过程变量x i ,j 和质量变量y i ，作为样本数据进行归一化处理：其中i＝1,2,...,N ,j＝1,2,...,m ,N为获得的样本总数，m为过程变量数；x min ,j 和x max ,j 分别为第j个过程变量的最小值和最大值，y min 和y max 分别为质量变量的最小值和最大值；第二步：训练深度学习模型：所述深度学习模型包括三个数据扩充自编码器，分别为第一数据扩充自编码器、第二数据扩充自编码器和第三数据扩充自编码器，每相邻的两个数据扩充自编码器中，将排列在前的数据扩充自编码器的隐含层特征数据经数据扩充后作为排列在后的数据扩充自编码器的输入，对排列在后的数据扩充自编码器进行训练；训练步骤为：2.1、获取第一扩充数据集：对每两相邻过程变量样本x i 、x i+1之间线性插值得到虚拟样本并将所有的虚拟样本x v 和原样本x组成第一扩充数据集x A(i)：其中i＝1,2,...,2N -1；2.2、获得第一数据扩充自编码器的隐含层特征数据：将第一扩充数据集x A(i)作为第一数据扩充自编码器的输入，记第一数据扩充自编码器隐含层数据为i＝1,2,...,2N -1，对应输出层的重构数据为i＝1,2,...,2N -1，将第一数据扩充自编码器网络参数集记为θ1＝{W 1,b 1,W 1′,b ′1}；从而有各个网络层之间的关系式可表示为：f 1、f 1′为sigmoid函数；将第一数据扩充自编码器的输出层表示为输入层函数式：将所述第一扩充数据集作为输入，构建第一数据扩充自编码器的预训练目标函数：权 利 要 求 书1/4页2CN 110096810 B。
基于深度学习的工业生产质量检测算法研究
基于深度学习的工业生产质量检测算法研究深度学习是人工智能领域中的一种技术，近年来在工业生产领域中的应用得到了广泛关注。
基于深度学习的工业生产质量检测算法，能够高效准确地检测产品的质量问题，提高生产过程的效率和准确性。
本文将对基于深度学习的工业生产质量检测算法进行研究和探讨。
首先，我们需要明确工业生产质量检测的目标和需求。
工业生产质量检测的目的是找出产品中存在的缺陷和问题，确保产品符合标准和规格要求。
这对于保证产品质量和提高生产效率非常重要。
传统的质量检测方法通常需要大量的人力和时间成本，而基于深度学习的算法可以通过学习和训练，自动化地实现质量检测过程，减少了人力成本并提高了检测准确性。
基于深度学习的工业生产质量检测算法的关键是如何有效地提取和学习产品图像的特征。
深度学习算法中最常用的网络结构是卷积神经网络（Convolutional Neural Network，简称CNN）。
CNN能够通过多层的卷积和池化操作，自动地提取图像的特征，从而实现准确的分类和识别。
在工业生产质量检测中，我们需要将产品的图像输入到CNN模型中进行训练。
训练的目的是让CNN模型能够学习到不同类型的缺陷和问题，并能够准确地进行分类和判断。
为了使CNN模型更准确地学习和判断，我们需要构建一个包含大量样本的数据集，其中包含了正常产品和不同类型的缺陷样本。
通过在这个数据集上进行反复的训练和微调，CNN模型可以逐渐提高准确度。
除了CNN模型外，还有一些其他的深度学习算法可以用于工业生产质量检测。
例如，循环神经网络（Recurrent Neural Network，简称RNN）可以用于处理序列数据，对于一些需要考虑上下文关系的工业生产问题，RNN可以提供更准确的预测和判断。
另外，生成对抗网络（Generative Adversarial Network，简称GAN）可以用于生成合成的产品图像，以扩充数据集和增加多样性。
这些算法的选择取决于具体的问题和应用场景。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(3)提出了一种基于多粒度级联循环神经网络的复杂过程软测量 建模方法。基于深度森林回归的框架,将循环神经网络作为基学 习器,构建了一种多粒度循环神经网络和级联循环神经网络结构, 可适用于过程数据的非线性、动态性、多模态等复杂特性问题。
通过脱丁烷塔过程Benchmark仿真和合成氨一段炉过程实际运行 数据仿真,验证了该方法的有效性。
通过脱丁烷塔过程Benchmark仿真验证该方法对非线性动态工业 过程软测量建模的可行性和有效性。(2)提出了一种基于深度森 林回归的非线性多模态过程软测பைடு நூலகம்建模方法。
根据集成学习思想,将随机森林回归嵌入到深度森林结构,建立 了一种非神经网络结构的深度预测模型,在训练过程可自适应调 节模型结构,增强了数据模型的表示学习能力和适用范围。通过 一段炉过程实际数据仿真,验证了该方法对非线性多模态工业过 程软测量建模的可行性,进一步与传统回归方法比较预测性能差 异。
由于其易于开发、灵活配置、及时跟踪、快速响应的优点,在学 术界和工业界得到了迅速的发展和有效的实践。根据过程的不 同数据特性,多种软测量方法相继被提出和应用。
本文以深度学习算法为主要研究方法,开展复杂工业过程的软测 量建模研究工作,主要研究工作如下:(1)提出了一种基于堆叠循 环神经网络的非线性动态过程软测量建模方法。对循环神经网 络、长短时记忆单元和门控循环单元进行stacking集成,构建了 堆叠循环神经网络模型结构,可有效缓解过拟合问题,同时提升 预测效果。
基于深度学习的工业过程软测量
为了降低生产成本、监测过程状态、调整控制策略、提高生产 效率、优化产品质量,过程关键质量变量的实时测量和准确预报 十分重要。面对复杂生产环境下测量仪器仪表不能实时测量质 量变量值的问题,软测量方法通过构造以辅助变量为输入、主导 变量为输出的估计模型,间接估计预测关键质量变量。