[發明專利]一種物理仿真模型訓練方法、裝置、設備和存儲介質

在審

• 申請號: 202210060135.1
• 申請日: 2022-01-19
• 公開（公告）號: CN114462309A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 陳曦;王超
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 勞奕琴

1.一種物理仿真模型訓練方法，用于構建工業場景下的機組工況預測模型，其特征在于，所述方法包括：

對機組工況歷史采樣數據進行數據清洗，獲得清洗后數據；

對所述清洗后數據采用感知/擬合算法，獲得機組物理仿真模型；

采用所述清洗后數據訓練神經網絡預測模型；

將所述神經網絡預測模型改造為初始決策網絡，將所述機組物理仿真模型作為評價函數，通過強化學習優化決策網絡的性能。

2.根據權利要求1所述的一種物理仿真模型訓練方法，其特征在于，所述將所述神經網絡預測模型改造為初始決策網絡，將所述機組物理仿真模型作為評價函數，通過強化學習優化決策網絡的性能包括：

保持所述神經網絡預測模型的整體結構不變，模型參數不變，輸入參數不變，將輸出參數由運行狀態特征參數改變為運行狀態特征參數的平均值和標準差；

使用所述評價函數評估所述決策網絡的輸出參數的優劣；

采用隨機梯度上升算法繼續訓練所述決策網絡。

3.根據權利要求1所述的一種物理仿真模型訓練方法，其特征在于，所述對機組工況歷史采樣數據進行數據清洗，獲得清洗后數據包括：

對所述機組工況歷史采樣數據執行數據刪除，和/或數據增補；

對執行過數據刪除，和/或數據增補后的機組工況歷史采樣數據采用3σ準則進行粗大誤差校正；

對執行過粗大誤差校正后的機組工況歷史采樣數據采用基于滑動窗口的高斯濾波法進行噪聲數據校正；

對執行過噪聲數據校正后的機組工況歷史采樣數據采用迪基-福勒檢驗方法進行穩態工況篩選，獲得所述清洗后數據。

4.根據權利要求3所述的一種物理仿真模型訓練方法，其特征在于，所述對所述機組工況歷史采樣數據執行數據刪除，和/或數據增補包括：

刪除所述機組工況歷史采樣數據中的長期缺失的數據；

和/或，

采用線性插補法處理所述機組工況歷史采樣數據中的短時缺失的數據。

5.根據權利要求1所述的一種物理仿真模型訓練方法，其特征在于，所述對所述清洗后數據采用感知/擬合算法，獲得機組物理仿真模型包括：

根據所述清洗后數據，求解機組中各個部件運行狀態特征參數的變工況模型；

疊加所述機組中各個部件運行狀態特征參數的變工況模型，獲得機組物理仿真模型。

6.根據權利要求5所述的一種物理仿真模型訓練方法，其特征在于，所述根據所述清洗后數據，求解機組中各個部件運行狀態特征參數的變工況模型包括：

對所述機組中的每一個部件，執行如下方法：

選取多項式函數作為機組中某一個部件的運行狀態特征參數的變工況模型；

采用感知/擬合算法求解運行狀態特征參數的變工況模型中的待定系數；

通過k折交叉驗證判斷多項式函數選取的準確性；

若判斷多項式函數選取準確，則將擬合后的多項式函數作為所述部件的運行狀態特征參數的變工況模型，并開始求解機組中下一個部件運行狀態特征參數的變工況模型；

若判斷多項式函數選取不準確，則重新選取多項式函數作為所述機組中某一個部件的運行狀態特征參數的變工況模型。

7.根據權利要求1所述的一種物理仿真模型訓練方法，其特征在于，所述采用所述清洗后數據訓練神經網絡預測模型包括：

對所述清洗后數據使用啟發式優化算法，獲得各工況下的最優運行狀態特征參數組合；

使用所述最優運行狀態特征參數組合，訓練神經網絡預測模型。