[發明專利]工業過程運行指標智能預報方法、裝置、設備及存儲介質

有效

• 申請號: 202011435311.2
• 申請日: 2020-12-10
• 公開（公告）號: CN112631215B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 柴天佑;張菁雯
• 申請（專利權）人: 東北大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 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

1.一種工業過程運行指標智能預報方法，其特征在于，所述方法包括：

利用工業過程控制系統特性建立運行指標動態模型，所述運行指標動態模型為運行指標與工業過程閉環控制系統的輸入和輸出數據之間的動態模型，所述運行指標動態模型包括可辨識模型和未建模動態兩部分；

估計所述運行指標動態模型中的所述可辨識模型的參數；

將所述運行指標動態模型中的所述可辨識模型的參數的辨識誤差與所述運行指標動態模型中的所述未建模動態合并為未知非線性動態系統；

采用自適應深度學習建立所述未知非線性動態系統的在線智能預報模型；

由所述運行指標動態模型中的所述可辨識模型的輸出與所述未知非線性動態系統的所述在線智能預報模型的輸出得到所述運行指標的預報值；

所述在線智能預報模型包括在線深度學習預報模型、深度學習校正模型和自校正機制；

采用LSTM架構建立所述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所述深度學習校正模型；

當所述在線深度學習預報模型的輸出與標簽數據的誤差大于設定閾值時，采用自校正機制，用所述深度學習校正模型的權重與偏置校正所述在線深度學習預報模型的權重與偏置；

其中，所述深度學習校正模型所用的歷史數據比所述在線深度學習預報模型所用的歷史數據多；所述工業過程為電熔鎂群爐運行過程，所述運行指標為電熔鎂群爐功率。

2.根據權利要求1所述的方法，其特征在于，所述在線深度學習預報模型和所述深度學習校正模型均包括輸入層、隱藏層、全連接層和輸出層，其中，隱藏層的層數為L，L為大于或等于1的正整數；

固定所述在線深度學習預報模型中的所述隱藏層的權重與偏置，并在線校正所述在線深度學習預報模型中的所述全連接層的權重與偏置；

在線訓練所述深度學習校正模型中的所述隱藏層和所述全連接層的權重與偏置；

當所述在線深度學習預報模型的輸出與標簽數據的誤差大于設定閾值時，采用自校正機制，用所述深度學習校正模型的所述隱藏層的權重與偏置替換所述在線深度學習預報模型的所述隱藏層的權重與偏置，用所述深度學習校正模型的所述全連接層的權重與偏置替換所述在線深度學習預報模型的所述全連接層的權重與偏置。

3.一種工業過程運行指標智能預報裝置，其特征在于，所述裝置包括：

運行指標動態模型建模模塊，用于利用工業過程控制系統特性建立運行指標動態模型，所述運行指標動態模型為運行指標與工業過程閉環控制系統的輸入和輸出數據之間的動態模型，所述運行指標動態模型包括可辨識模型和未建模動態兩部分；

參數辨識模塊，用于估計所述運行指標動態模型中的所述可辨識模型的參數；

非線性動態獲取模塊，用于將所述運行指標動態模型中的所述可辨識模型的參數的辨識誤差與所述運行指標動態模型中的所述未建模動態合并為未知非線性動態系統；

在線智能預報模型建模模塊，用于采用自適應深度學習建立所述未知非線性動態系統的在線智能預報模型；

預報模塊，用于由所述運行指標動態模型中的所述可辨識模型的輸出與所述未知非線性動態系統的所述在線智能預報模型的輸出得到所述運行指標的預報值；

所述在線智能預報模型建模模塊包括預報模型建模模塊、校正模型建模模塊和自校正模塊；

所述預報模型建模模塊采用LSTM架構建立在線深度學習預報模型；

所述校正模型建模模塊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；

所述自校正模塊，在所述在線深度學習預報模型的輸出與標簽數據的誤差大于設定閾值時，采用自校正機制，用所述深度學習校正模型的權重與偏置校正所述在線深度學習預報模型的權重與偏置；

其中，所述深度學習校正模型所用的歷史數據比所述在線深度學習預報模型所用的歷史數據多；所述工業過程為電熔鎂群爐運行過程，所述運行指標為電熔鎂群爐功率。