[發明專利]基于自適應深度學習的復雜工業系統智能預報方法、裝置、設備及存儲介質

有效

• 申請號: 202011435304.2
• 申請日: 2020-12-10
• 公開（公告）號: CN112560338B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 柴天佑;高愫婷
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 晏靜文;陳旭紅

1.一種基于自適應深度學習的復雜工業系統智能預報方法，其特征在于，所述方法包括：

建立復雜工業系統的動態模型；

利用所述動態模型建立離線深度學習預報模型；

利用所述離線深度學習預報模型建立在線深度學習預報模型；

采用與所述在線深度學習預報模型相同的結構建立深度學習校正模型；

利用所述深度學習校正模型校正所述在線深度學習預報模型；

其中，所述在線深度學習預報模型用于對所述復雜工業系統的參數進行實時預報；

所述利用所述深度學習校正模型校正所述在線深度學習預報模型，包括：當滿足預設條件時，采用所述深度學習校正模型的各層的權值參數和偏置參數替換所述在線深度學習預報模型的相應層的權值參數和偏置參數；

所述復雜工業系統為氧化鋁制取系統，所述動態模型為苛性堿濃度檢測誤差動態模型，所述復雜工業系統的參數為所述氧化鋁制取系統的苛性堿濃度檢測誤差，所述苛性堿濃度檢測誤差為苛性堿濃度化驗值與苛性堿濃度在線檢測儀表的測量值之差。

2.根據權利要求1所述的方法，其特征在于，所述建立復雜工業系統的動態模型，包括：確定所述動態模型的輸入變量和輸出變量，所述輸出變量為被預報的變量；

所述利用所述動態模型建立離線深度學習預報模型，包括：采用LSTM建立所述離線深度學習預報模型，將所述動態模型的所述輸入變量作為LSTM的輸入，將所述動態模型的輸出數據作為標簽數據，采用離線訓練算法，根據所述標簽數據與所述離線深度學習預報模型輸出之間的誤差，確定LSTM的神經元個數、單元節點數、網絡層數和各層的權值參數及偏置參數；

所述利用所述離線深度學習預報模型建立在線深度學習預報模型，包括：采用LSTM建立所述在線深度學習預報模型，所述在線深度學習預報模型的單個神經元的輸入、神經元個數、單元節點數和網絡層數均與所述離線深度學習預報模型相同，將所述離線深度學習預報模型的各層的權值參數和偏置參數作為所述在線深度學習預報模型的相應層的權值參數初始值和偏置參數初始值，采用在線訓練算法，根據所述標簽數據與所述在線深度學習預報模型輸出之間的誤差，在線校正所述在線深度學習預報模型的最后一層的權值參數和偏置參數；

所述采用與所述在線深度學習預報模型相同的結構建立深度學習校正模型，包括：采用LSTM建立所述深度學習校正模型，所述深度學習校正模型的單個神經元的輸入、神經元個數、單元節點數和網絡層數均與所述在線深度學習預報模型相同，通過訓練算法，根據所述標簽數據與所述深度學習校正模型輸出之間的誤差，實時校正所述深度學習校正模型的各層的權值參數和偏置參數；

其中，所述深度學習校正模型輸入的歷史數據比所述在線深度學習預報模型輸入的歷史數據多。

3.根據權利要求2所述的方法，其特征在于，所述在線校正所述在線深度學習預報模型的最后一層的權值參數和偏置參數，具體為在線校正所述在線深度學習預報模型的最后一層的部分權值參數和部分偏置參數。

4.一種基于自適應深度學習的復雜工業系統智能預報裝置，其特征在于，所述裝置包括：

動態模型建模模塊，用于建立復雜工業系統的動態模型；

離線深度學習預報模型建模模塊，用于利用所述動態模型建立離線深度學習預報模型；

在線深度學習預報模型建模模塊，用于利用所述離線深度學習預報模型建立在線深度學習預報模型；

深度學習校正模型建模模塊，用于采用與所述在線深度學習預報模型相同的結構建立深度學習校正模型；

自校正模塊，用于利用所述深度學習校正模型校正所述在線深度學習預報模型；

其中，所述在線深度學習預報模型用于對所述復雜工業系統的參數進行實時預報；

所述自校正模塊在滿足預設條件時，采用所述深度學習校正模型的各層的權值參數和偏置參數替換所述在線深度學習預報模型的相應層的權值參數和偏置參數；

所述復雜工業系統為氧化鋁制取系統，所述動態模型為苛性堿濃度檢測誤差動態模型，所述復雜工業系統的參數為所述氧化鋁制取系統的苛性堿濃度檢測誤差，所述苛性堿濃度檢測誤差為苛性堿濃度化驗值與苛性堿濃度在線檢測儀表的測量值之差。