[發(fā)明專(zhuān)利]基于WGANs數(shù)據(jù)增強(qiáng)的非線性工業(yè)過(guò)程建模方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010803150.1
• 申請(qǐng)日: 2020-08-11
• 公開(kāi)（公告）號(hào): CN112966429A
• 公開(kāi)（公告）日: 2021-06-15
• 發(fā)明（設(shè)計(jì)）人: 褚菲;丁珮寬;吳新忠;何大闊;常玉清;賈潤(rùn)達(dá);李康;賈明興;馬小平
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)礦業(yè)大學(xué)
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06N20/10;G06K9/62;G06F111/10
• 代理公司: 徐州市三聯(lián)專(zhuān)利事務(wù)所 32220
• 代理人: 張斌

1.一種基于WGANs數(shù)據(jù)增強(qiáng)的非線性工業(yè)過(guò)程建模方法，其特征在于：該方法包含以下步驟：

步驟A、利用拉丁超立方采樣方法，采集目標(biāo)非線性工業(yè)過(guò)程建模初始數(shù)據(jù)集；

步驟B、將初始數(shù)據(jù)集歸一化處理，同時(shí)將數(shù)據(jù)劃分兩部分，分別是建模過(guò)程中的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

步驟C、用步驟B中的訓(xùn)練數(shù)據(jù)集訓(xùn)練WGANs，當(dāng)訓(xùn)練次數(shù)達(dá)到初始設(shè)定閾值時(shí)，停止網(wǎng)絡(luò)訓(xùn)練；

步驟D、利用已經(jīng)訓(xùn)練好的WGANs模型中的生成器得到生成樣本；

步驟E、將生成樣本與訓(xùn)練數(shù)據(jù)集混合后得到增強(qiáng)后的混合數(shù)據(jù)集。利用混合數(shù)據(jù)集訓(xùn)練支持向量回歸模型，得到非線性工業(yè)過(guò)程的預(yù)測(cè)模型；

步驟F、模型驗(yàn)證，若步驟E所得模型在測(cè)試集上的預(yù)測(cè)精度滿足實(shí)驗(yàn)設(shè)定閾值，則建模過(guò)程完成；否則，重復(fù)步驟D，將新的N組生成樣本加入到混合樣本中，重新繼續(xù)SVR模型，直至SVR模型在測(cè)試集上的預(yù)測(cè)精度滿足實(shí)驗(yàn)設(shè)定閾值。

2.根據(jù)權(quán)利要求1所述的基于WGANs數(shù)據(jù)增強(qiáng)的非線性工業(yè)過(guò)程建模方法，其特征在于：所述步驟B包含：將所述步驟A采集的數(shù)據(jù)集進(jìn)行預(yù)處理，具體步驟如下所示：

1)初始采集數(shù)據(jù)包含工業(yè)過(guò)程輸出與輸入數(shù)據(jù)，記為：

其中X和x是工業(yè)過(guò)程輸入數(shù)據(jù)，Y和y是工業(yè)過(guò)程輸出數(shù)據(jù)，n_ori是初始采集樣本總個(gè)數(shù)；

2)根據(jù)公式對(duì)采集數(shù)據(jù)進(jìn)行歸一化處理，記歸一化后的數(shù)據(jù)集為同時(shí)根據(jù)小樣本定義要求，取n_train＜20，將數(shù)據(jù)集合劃分訓(xùn)練集和測(cè)試集；

其中，x_i和y_i分別過(guò)程的輸入和輸出，x_min和x_max分別過(guò)程運(yùn)行區(qū)間下限和上限，y_min和y_max分別過(guò)程輸出的下限和上限；S^trian是用來(lái)訓(xùn)練WGANs的訓(xùn)練樣本集，S^test是用來(lái)驗(yàn)證最后預(yù)測(cè)模型的測(cè)試樣本集。

3.根據(jù)權(quán)利要求1所述的基于WGANs數(shù)據(jù)增強(qiáng)的非線性工業(yè)過(guò)程建模方法，其特征在于：所述步驟C包含：

輸入：訓(xùn)練數(shù)據(jù)集是工業(yè)過(guò)程的輸入變量，是工業(yè)過(guò)程的輸出變量；高斯噪聲服從z～N(0,1)；

輸出：生成樣本

1)初始化相關(guān)參數(shù)：θ_d為判別模型參數(shù)；θ_g為生成模型參數(shù)；每訓(xùn)練一次生成模型，訓(xùn)練判別模型的次數(shù)n_critic＝2；自適應(yīng)矩估計(jì)(Adaptive Moment Estimation，Adam)的參數(shù)：α＝0.00005,β₁＝0,β₂＝0.7；采樣的數(shù)量m＝5；裁剪系數(shù)c＝0.01；

2)從訓(xùn)練數(shù)據(jù)中采集m個(gè)訓(xùn)練樣本從高斯分布中采集m個(gè)噪聲樣本{z₁,z₂,...,z_m}，從生成器模型中獲得m個(gè)生產(chǎn)樣本其中

3)計(jì)算判別器損失其中ε～U(0,1)；

4)更新判別器參數(shù)，

5)重復(fù)步驟2)-步驟4)n_critic次；

6)從高斯分布中采集m個(gè)噪聲樣本{z₁,z₂,...,z_m}，更新生成器參數(shù)，

7)重復(fù)步驟2)-步驟6)直至模型收斂(訓(xùn)練次數(shù)達(dá)到Epochs)。

4.根據(jù)權(quán)利要求1所述的基于WGANs數(shù)據(jù)增強(qiáng)的非線性工業(yè)過(guò)程建模方法，其特征在于：

所述步驟D中得到生成樣本的方法為：從高斯分布中采集N組噪聲樣本{z₁,z₂,...,z_N}，將這N組噪聲作為生成器的輸入，則可以得到對(duì)應(yīng)的N組輸出，這N組輸出就記住N組生成樣本