中服云简介

软传感器在复杂工业过程的质量预测中得到了越来越多的应用，这些过程通常具有不同的拓扑规模和高度耦合的时空特征。然而，现有的软测量模型在提取多耦合复杂过程数据中的多尺度局部时空特征并充分利用它们来提高预测性能方面通常面临困难。因此，本文提出了一种基于多尺度注意力的CNN（MSACNN）来缓解这些问题。在MSACNN中，不同大小的卷积核首先在卷积层中并行设计，可以生成包含不同尺度局部时空特征的特征图。同时，在特征图上并行设计了一种通道式注意力机制，以获得它们的注意力权重，代表不同尺度下局部时空特征的重要性。通过两个实际工业过程的性能评估，验证了所提出的MSACNNover方法相对于其他最先进方法的优越性。关键词：卷积神经网络（CNN）、基于多尺度注意力的CNN（MSACNN）、质量预测、软传感器。

阅读15

【IEEESENSORSJOURNAL】KSLDTNet：工业过程多步预测的关键样本定位和蒸馏变压器网络

关键质量指标的多步提前预测是优化和控制工业过程的基石。在长期预测范围内进行精确的多步预测，在提高工业过程的生产性能方面具有巨大的潜力。然而，提取历史特征对于实现这一目标具有重要意义。最近的进展表明，变压器网络为这一挑战提供了一种有前景的技术解决方案。然而，缺乏样本简化机制使得深度特征提取变得困难。它需要大量的计算成本，这使得传统的变压器网络在工业过程中不太适用。为了探索克服这些障碍的策略，并提高变压器网络对有效多步预测的适用性，本文提出了一种新的关键样本定位和分解变压器网络（KSLD-TNet）。具体来说，它首先使用注意力得分矩阵定位具有强交互作用的关键样本。然后，在KSLD TNet编解码器结构中逐层过滤非关键样本。这样，每层的输入样本数量可以呈指数级下降，显著降低了深度特征提取的难度和计算量。值得注意的是，本文还设计了一种信息存储结构，以避免样本分离过程中的信息丢失。利用两个工业过程数据集构建了广泛的实验，以证明所提出方法的有效性。关键词：深度学习、工业过程、关键样本定位（KSL）和蒸馏变压器、多步预测

阅读6

【IEEE/CAAJOURNALOFAUTOMATICASINICA】工业过程数据驱动质量预测建模的深度残差PLS

偏最小二乘（PLS）模型是软测量等质量相关工业任务中最典型的数据驱动方法。然而，在PLS中，输入和输出数据之间只捕获了线性关系。在残差子空间中很难获得剩余的非线性信息，这可能会降低复杂工业过程中的预测性能。为了充分利用PLS残差子空间中的数据信息，本文提出了一种用于质量预测的深度残差PLS（DRPLS）框架。受深度学习的启发，DRPLS是通过连续堆叠多个PLS来设计的，其中前一个PLS的输入残差被用作层连接。为了增强表示，在使用它们堆叠高级PLS之前，对输入残差应用非线性函数。对于每个PLS，输出部分只是其先前PLS的输出残差。最后，通过将每个PLS的结果相加得到输出预测。在工业加氢裂化过程中验证了所提出的DRPLS的有效性。关键词：深度残差偏最小二乘（DRPLS）、非线性函数、质量预测、软测量。