公开(公告)号：CN120013325A

公开(公告)日：2025-05-16

申请号：CN202510030107.9

申请日：2025-01-08

Applicant: 北京科技大学

Inventor： 杨旭 ,  张政煊 ,  黄健 ,  高晶晶 ,  张涛 ,  崔家瑞

IPC: G06Q10/0639 ,  G01D21/02 ,  G06Q50/04 ,  G06F18/10 ,  G06F18/214 ,  G06F18/213 ,  G06F18/27 ,  G06N3/0455 ,  G06N3/044 ,  G06N3/09

Abstract: 本发明提供一种潜在可预测性嵌入深度学习的工业过程软测量方法及装置，涉及深度学习工业过程软测量技术领域。该方法包括：根据变分循环网络构建的潜在特征的概率动态模型、训练数据集构造的时间图和时间滞后常数设计可预测性正则化项，构建概率潜在可预测性模型嵌入的目标相关自编码器，搭建概率潜在可预测性模型嵌入的监督深度网络，得到工业生产过程的质量变量预测值。本发明首先设计了利用概率分布的潜在特征预测设计正则化项，并通过联合训练模型优化网络参数以确保网络的整体收敛。其次提出了一种改进的变分图循环神经网络，将随机性纳入高级潜在空间，对监督深度网络的潜在可预测性进行建模，添加额外的图结构信息来帮助分析时间依赖性。