面向工业过程非理想样本条件下的软测量建模方法研究.pdf

摘要

摘要

工业软测量模型在实现过程优化和提升生产效率方面扮演着关键角色。软测

量模型旨在通过对生产数据的分析和处理，预测产品质量、设备性能等关键参数，

从而监控和控制生产过程。软测量模型是通过建立关键质量变量和容易获得的辅

助变量之间的函数关系搭建而成的数学模型。传统测量技术通常通过仪表等硬件

设备实现变量的测量，而软测量模型以软件替代硬件功能，能够及时快速地预测得

到一些难以获得的关键变量。在目前现有的软测量技术应用实例中，基于数据驱动

的软测量建模方法应用最为广泛。但是工业过程中样本数据往往不是理想的，存在

着非线性、动态性及复杂数据噪声等问题。在这样的非理想样本数据条件下，如何

构建具有较高预测性能的软测量模型，以实现精确的测量是本文的研究重点。

本文讨论了流程工业在软测量建模方面遇到的挑战及其研究进展。论文针对

工业过程样本数据的非线性、动态性以及复杂噪声问题，研究了采用深度学习技术

构建软测量模型的方法。主要研究内容可归纳为以下几点：

（1）工业生产是一个非常复杂的过程，工业生产过程中的辅助变量对关键质

量变量的影响不能用简单的线性关系来表示，称为样本数据的非线性问题。针对样

本数据的非线性问题，本文提出了一种基于特征表示增强的软测量建模方法。该方

法的主要思想是利用自编码器网络的表示学习能力，通过提取高价值中间隐层特

征来实现特征的复用，进而实现对关键质量变量的精准预测。在工业过程蒸汽量数

据集上进行了大量实验，验证了该方法能够提高模型的预测精度。

（2）工业生产是一个连续的过程，每个时刻的状态必然和前一段时间范围的

条件状态密切相关，且工业环境中数据是实时变化的，称为样本数据的动态性问题。

针对样本数据的动态性问题，本文提出了一种基于并行多样时空特征融合的软测

量建模方法。该方法的主要思想是通过多种神经网络并行提取多样的时空特征，并

通过叠加的方式融合多种特征，从而提升模型的预测性能。在工业过程蒸汽量数据

集上进行了大量实验，验证了该方法能够提高模型的预测精度。

（3）在实际工业过程中，原料性状差异、人为操作失误以及硬件设备故障等

因素都会不可避免地引入噪声，并对软测量模型性能有影响。针对样本数据包含复

杂噪声的问题，本文提出了基于数据去噪的软测量建模方法，其主要思想是利用降

噪自编码器的降噪特征提取能力，去除噪声的影响。结合基于特征表示增强的软测

量建模方法的强特征提取能力，以及基于并行多样时空特征融合的软测量建模方

I

西北师范大学硕士学位论文

法的多样特征提取能力，实现更好的预测性能。在工业过程蒸汽量数据集上进行了

大量实验，验证了该方法能够提高模型的预测精度。

关键词：软测量；非理想样本数据；特征表示增强；多样时空特征；并行融合；

降噪特征提取

II

目录

目录

第1章绪论1

1.1研究背景和意义1

1.2研究现状2

1.2.1非线性问题研究现状2

1.2.2动态性问题研究现状3

1.2.3复杂噪声问题研究现状4

1.3研究内容5

1.4章节安排6

1.4.1论文组织结构6

1.4.2各章节主要内容7

1.5本章小结8

第2章相关理论基础与技术9

2.1基于特征表示增强的相关理论与技术9

2.1.1自编码器9

2.1.2Transformer10

2.2基于并行多样时空特征融合的相关理论与技术11

2.2.1卷积神经网络11

2.2.2双向长短时记忆网络12

2.3基于数据去噪的相关理论与技术14

2.4实验数据集介绍15

2.5