[發明專利]基于特征自匹配遷移學習的紡紗全流程能耗監測方法

有效

• 申請號: 202010498114.9
• 申請日: 2020-06-04
• 公開（公告）號: CN111738413B
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 張潔;徐楚橋;汪俊亮;任杰;朱子洵;寇恩浦;趙樹煊;李冬武
• 申請（專利權）人: 東華大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G06Q50/04
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

本發明涉及一種基于特征自匹配遷移學習的紡紗全流程能耗監測方法，該方法通過深度卷積神經網絡從舊廠歷史數據集中學習知識規律，并遷移到新廠紡紗能效的異常趨勢識別中，以彌補新廠異常樣本不足的問題。同時，針對遷移過程中由于源域、目標域之間數據特征不匹配造成的負遷移問題，設計了基于聚類的特征自匹配層網絡，通過特征匹配矩陣最小化同類特征的距離，剔除離群特征，促進有效知識的正向遷移，抑制無效干擾知識的負遷移。與現有方法相比，所提模型具有更高的紡紗能效異常偵測精度和更低的漏報率。

技術領域

本發明涉及一種紡紗全流程能耗監測方法，具體涉及一種基于特征自匹配遷移學習的紡紗全流程能耗監測方法，屬于生產能耗監測技術領域。

背景技術

紡紗是典型的能耗密集型民生行業，中國2018年紡紗耗電量達到約700億度，但有效利用率不足75％，其中有大量能耗浪費在滯后的異常發現。在紗線生產過程中，由于生產事件或生產環境的變化，噸紗耗電量時常出現遠遠偏離正常值的異常現象，滯后的發現導致了大量的能源浪費。在生產過程中進行能效監測是抑制這種情況的最有效的手段之一，及時監測發現紡紗過程中的能效異常，對于節能降耗、降低紡紗成本具有重要意義！

隨著數據感知和人工智能技術的發展，部分學者開始使用深度神經網絡通過實時感知的能效時間序列數據來偵測能效的異常趨勢。但是，其有效性需要兩個先決條件：(1)訓練數據與測試數據具有相同的工況和生產環境。(2)具有足夠的歷史異常數據。但在實際紗線生產過程中，紡紗車間具有復雜而實時變化的生產環境，例如原棉的更換，羅拉部件受飛花的纏繞以及車間內溫、濕度的變化等，這往往導致訓練數據和測試數據的不同特征分布。同時，能效異常的歷史數據樣本相對有限，不足以覆蓋紡紗車間復雜多變的能效異常模式和規律。這將會降低異常偵測模型的泛化能力，甚至使該模型不再適用。

為了解決這一問題，有些學者提出了遷移學習方法，通過學習與目標數據相似的其他輔助數據(源域)的知識，然后將學習到的知識遷移到目標域，以訓練泛化能力強的分類器。例如，張康教授團隊將從ImageNet數據集預訓練的網絡遷移到糖尿病的診斷中，其識別能力已經超過了專業醫生。Fawaz做了大量實驗來研究時間序列數據分類的遷移學習問題，實驗結果表明，通過遷移學習在85個數據集中提高了71個數據集的準確性。受以上研究的啟發，考慮從輔助時間序列數據集中學習知識，遷移到紡紗能效異常的識別中。

發明內容

本發明的目的是：實現紡紗全流程能耗提前監測，通過遷移學習方法將舊廠歷史能耗數據遷移到新廠的能耗監測模型中，提高能耗征兆性偵測精度，解決新廠能耗監測冷啟動問題。

為了達到上述目的，本發明提出了基于特征自匹配遷移學習的深度神經網絡。建立了兩個并行卷積神經網絡作為紡紗車間舊廠歷史能效數據集(源域)和新廠能效數據集(目標域)上的特征提取器和分類器。在源域和目標域的并行網絡之間，設計了特征自匹配的適應層分別對源數據集和目標數據集的特征表示進行聚類，然后最小化源域和目標域的最近鄰特征之間的距離，聚攏匹配類特征促進積極遷移，剔除離群類特征抑制負遷移。與最新方法相比，本發明提供的模型能夠更準確地偵測紡紗能效的異常情況。

具體而言，本發明提供了一種基于特征自匹配遷移學習的紡紗全流程能耗監測方法，其特征在于，包括以下步驟：

步驟1、每臺紡紗設備裝有一個智能電表，每T秒鐘讀取一次智能電表的能耗數據并每T秒鐘從信息系統讀取每臺紡紗設備的紗線產量，每T秒鐘獲取一次每個紡紗設備的比能效值，如下式(1)所示：

式(1)中，表示從時間t_n-1到時間t_n生產單位紗線所消耗的電量，代表一臺紡紗設備在時間t_n的功耗，代表一臺紡紗設備在時間t_n的紗線產量；

步驟2、采用下式(2)將不同支數的紗線產量轉換為標準紗支數進行標準統一：