【技術實現步驟摘要】
本專利技術屬于工業過程數據驅動建模與應用領域，特別涉及一種基于半監督深度概率模型的二氧化碳濃度預測方法。
技術介紹
1、作為大型合成氨生產過程的一種不可或缺的裝置，二氧化碳吸收塔在其中扮演著重要的角色。在該裝置上，二氧化碳的濃度是一個核心變量，如何實時地獲取塔中二氧化碳的濃度值，對于二氧化碳吸收塔的整體運行品質控制和質量優化至關重要。但是，受限于目前的測量手段，想要通過較為簡單而且經濟的方式對塔中二氧化碳含量進行實時測量，依然是一個難以解決的問題。隨著數據驅動建模技術的不斷發展，利用模型來預測二氧化碳濃度來間接地實現實時測量成為可能。雖然主元回歸模型是數據驅動建模中最為常用的方法之一，但是，模型的預測性能一方面受限于淺層架構，另一方面由于有標簽數據樣本的稀缺，導致模型難以獲得滿意的實際應用效果。本專利技術通過有效地結合半監督學習和深度學習思路，將概率主元回歸模型擴展為深度模型的同時，通過半監督模型結構大量引進廉價的無標簽數據樣本，建立一個半監督深度概率模型，并將其用于二氧化碳吸收塔中二氧化碳濃度的在線預測。相比傳統方法，本專利技術方法不僅能利用大規模無標簽數據信息，同時對過程數據信息進行深度提取，從而有效提升二氧化碳濃度含量的在線預測效果。
技術實現思路
1、本專利技術的目的在于針對二氧化碳吸收塔中二氧化碳濃度預測性能受限的問題，提供一種基于半監督深度概率模型的預測新方法。
2、本專利技術的目的是通過以下技術方案來實現的：
3、一種基于半監督深度概率模型的二
4、(1)利用常規的儀表測量系統收集二氧化碳吸收塔運行過程中的正常工況數據，作為構建預測模型時的輸入數據訓練樣本集：x∈rn×m。其中，n為模型輸入數據集的訓練樣本個數，m為輸入數據的變量個數，將該輸入數據訓練樣本集存入建模數據庫中備用。
5、(2)通過工業生產現場人工取樣以及分析小屋化驗分析的方式，離線獲取建模二氧化碳吸收塔中的二氧化碳含量值，作為構建預測模型時的的輸出數據訓練樣本集y∈rn，其中，n為樣本數據集的個數，同樣將該數據集存入建模數據庫中備用。
6、(3)從建模數據庫中提取訓練樣本集，并將其分為有標簽數據集和無標簽數據集分別對輸入數據和輸出數據的不同變量做歸一化處理，使得各個變量的均值為零，方差為1，將變量的量綱統一到相同的尺度。
7、(4)基于標準化之后的數據樣本集，首先建立深度概率回歸模型的第一層結構，也即半監督概率主元回歸模型，將該模型的參數存入模型庫中備用。
8、(5)從上一層半監督概率主元回歸模中提取出來的主元變量出發，重新調用輸出變量信息建立深度概率模型的第二層結構，即第二層半監督形式的概率主元回歸模型，同樣將模型參數存入模型庫中備用。
9、(6)以此類推，我們建立一個包括l個隱層的半監督深度概率模型，將所有隱層的模型參數全部存入模型庫中備用。同時，將每一個隱層提取出來的主元變量集成在一起，形成一個新的綜合主元變量。
10、(7)基于綜合主元變量對應的數據樣本，建立其與輸出變量的回歸關系，即構造一個最終的半監督概率主元回歸模型，同樣將模型的參數存入模型數據庫中備用。
11、(8)在二氧化碳吸收塔中收集新的工業現場實時測量數據，利用半監督概率模型庫中保存的參數，對新的數據進行歸一化處理，作為后續模型預測的準備，(9)將歸一化之后的新數據作為半監督深度概率模型的輸入，計算當前數據所對應的模型輸出值，完成對二氧化碳濃度值的在線預測。
12、一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述程序時實現所述的基于半監督深度概率模型的二氧化碳濃度預測方法。
13、一種計算機可讀存儲介質，其上存儲有計算機指令，該計算機指令被處理器執行時實現所述的基于半監督深度概率模型的二氧化碳濃度預測方法。
14、本專利技術的有益效果：
15、本專利技術通過在基本的概率主元回歸模型基礎上，通過融合半監督學習和深度學習思路，建立二氧化碳吸收塔中容易測量的變量和二氧化碳濃度之間的回歸關系模型，實現塔中二氧化碳濃度的在線預測。
本文檔來自技高網...【技術保護點】
1.一種基于半監督深度概率模型的二氧化碳濃度預測方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述一種基于半監督深度概率模型的二氧化碳濃度預測方法，其特征在于，所述步驟(4)具體為：基于標準化之后的數據樣本集，首先建立深度概率回歸模型的第一層結構，也即半監督概率主元回歸模型，將該模型的參數存入模型庫中備用，其中，第一層的半監督概率主元回歸模型結構如下：
3.根據權利要求1所述一種基于半監督深度概率模型的二氧化碳濃度預測方法，其特征在于，所述步驟(5)和(6)具體為：從上一層半監督概率主元回歸模中提取出來的主元變量出發，重新調用輸出變量信息Y＝[y1,y2,...,ynlb]T，建立深度概率模型的第二層結構，即第二層半監督形式的概率主元回歸模型，同樣將模型參數存入模型庫中備用，以此類推，建立一個包括L個隱層的半監督深度概率模型，將所有隱層的模型參數全部存入模型庫中備用，同時，將每一個隱層提取出來的主元變量集成在一起，形成一個新的綜合主元變量，其中，半監督深度概率模型的每一層的似然函數由下式給出：
4.根據權利要求1所述一種基于半監督
5.根據權利要求1所述一種基于半監督深度概率模型的二氧化碳濃度預測方法，其特征在于，所述步驟(9)具體為：將標準化之后的新數據作為半監督深度概率模型的輸入，計算該實時數據所對應的輸出變量值，完成對二氧化碳濃度的在線預測，首先，利用深度模型中每一個隱層的模型參數，求取新數據xnew所對應的主元變量后驗概率分布如下：
6.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于：所述處理器執行所述程序時實現如上述權利要求1至5中的任意一項所述的基于半監督深度概率模型的二氧化碳濃度預測方法。
7.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于：該計算機指令被處理器執行時實現如權利要求1-5中任一項所述的基于半監督深度概率模型的二氧化碳濃度預測方法。
...【技術特征摘要】
1.一種基于半監督深度概率模型的二氧化碳濃度預測方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述一種基于半監督深度概率模型的二氧化碳濃度預測方法，其特征在于，所述步驟(4)具體為：基于標準化之后的數據樣本集，首先建立深度概率回歸模型的第一層結構，也即半監督概率主元回歸模型，將該模型的參數存入模型庫中備用，其中，第一層的半監督概率主元回歸模型結構如下：
3.根據權利要求1所述一種基于半監督深度概率模型的二氧化碳濃度預測方法，其特征在于，所述步驟(5)和(6)具體為：從上一層半監督概率主元回歸模中提取出來的主元變量出發，重新調用輸出變量信息y＝[y1,y2,...,ynlb]t，建立深度概率模型的第二層結構，即第二層半監督形式的概率主元回歸模型，同樣將模型參數存入模型庫中備用，以此類推，建立一個包括l個隱層的半監督深度概率模型，將所有隱層的模型參數全部存入模型庫中備用，同時，將每一個隱層提取出來的主元變量集成在一起，形成一個新的綜合主元變量，其中，半監督深度概率模型的每一層的似然函數由下式給出：
4.根據權利要求1所述一種基于半監督深...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。