基于循环神经网络的半监督动态软测量建模方法

被引：43

作者：

邵伟明

葛志强

李浩

宋执环

机构：

[1] 浙江大学控制科学与工程学院工业控制技术国家重点实验室

来源：

电子测量与仪器学报 | 2019年 / 33卷 / 11期

基金：

中国博士后科学基金;

关键词：

软测量; 动态特性; 半监督; 循环神经网络; 长短时记忆单元; 注意力机制;

D O I：

10.13382/j.jemi.B1902339

中图分类号：

TP18 [人工智能理论]; O212.2 [抽样理论、频率分布];

学科分类号：

070103 [概率论与数理统计]; 140502 [人工智能];

摘要：

数据驱动的软测量技术被广泛应用于难测关键变量的在线实时预报。然而,在工业过程中,有标签样本通常十分稀少,且动态特性显著,导致传统有监督、静态的软测量建模方法性能不佳。为此,提出一种基于循环神经网络的建模方法,首先将传统带有长短时记忆单元(LSTM)的循环神经网络(RNN)扩展为半监督模式,然后针对LSTM的不足,进一步提出一种基于注意力机制的改进方案。通过一个实际工业案例验证半监督LSTM-RNN在软测量应用中的有效性,以及所提出的改进方案的有效性。

引用

页码：7 / 13

页数：7

共 10 条

[1]

基于稀疏高斯伯努利受限玻尔兹曼机的故障分类 [D].

杨杰 .

浙江大学,

2018

[2]

Quality Variable Prediction for Chemical Processes Based on Semisupervised Dirichlet Process Mixture of Gaussians.[J].Weiming Shao;Zhiqiang Ge;Zhihuan Song.Chemical Engineering Science.2018,

[3]

A novel recurrent neural network soft sensor via a differential evolution training algorithm for the tire contact patch.[J].Carlos A. Duchanoy;Marco A. Moreno-Armendáriz;Leopoldo Urbina;Carlos A. Cruz-Villar;Hiram Calvo;J. de J. Rubio.Neurocomputing.2016,

[4]

Data-driven soft sensor development based on deep learning technique [J].