公开(公告)号：CN112001527B

公开(公告)日：2024-01-30

申请号：CN202010744152.8

申请日：2020-07-29

申请人： 中国计量大学

发明人： 曾九孙 ,  欧阳航 ,  丁克勤 ,  蔡晋辉 ,  姚燕

IPC分类号： G06F18/20 ,  G06F18/15 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0442 ,  G16C20/70 ,  G06F123/02

摘要： 本发明公开了一种多特征融合深度神经网络的工业生产过程目标数据预测方法。利用传感器通过等间隔采样采集工业设备中与关键变量相关的其他变量时间序列数据，对流程工业中关键变量的时间序列数据进行预测分析；输入到预先设计构建的深度卷积神经网络中进行训练；将关键变量的历史数据按时间步分割好后输入至深度门控循环神经网络学习；利用多特征融合方法，将两个网络得到的输出特征融合再输入到全连接层，通过反向传播优化网络参数，提高预测精度。本发明为工业生产中的过程监测提供了可靠有效的目标变量参数预测，缓解了工业生产中对如铁水含硅量等关键性变量测量的滞后性。

公开(公告)号：CN112001527A

公开(公告)日：2020-11-27

申请号：CN202010744152.8

申请日：2020-07-29

申请人： 中国计量大学

发明人： 曾九孙 ,  欧阳航 ,  丁克勤 ,  蔡晋辉 ,  姚燕

IPC分类号： G06Q10/04 ,  G06Q50/04 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种多特征融合深度神经网络的工业生产过程目标数据预测方法。利用传感器通过等间隔采样采集工业设备中与关键变量相关的其他变量时间序列数据，对流程工业中关键变量的时间序列数据进行预测分析；输入到预先设计构建的深度卷积神经网络中进行训练；将关键变量的历史数据按时间步分割好后输入至深度门控循环神经网络学习；利用多特征融合方法，将两个网络得到的输出特征融合再输入到全连接层，通过反向传播优化网络参数，提高预测精度。本发明为工业生产中的过程监测提供了可靠有效的目标变量参数预测，缓解了工业生产中对如铁水含硅量等关键性变量测量的滞后性。