中國地質(zhì)大學(xué)(武漢)自動化學(xué)院SchoolofAutomation,ChinaUniversityofGeosciences2026年1月27日流程工業(yè)智能制造技術(shù)理論及應(yīng)用工業(yè)大數(shù)據(jù)的定義與特點(diǎn)1工業(yè)數(shù)據(jù)關(guān)聯(lián)性分析技術(shù)3第三章工業(yè)大數(shù)據(jù)與智能制造工業(yè)數(shù)據(jù)預(yù)處理方法2工業(yè)過程建模技術(shù)41、工業(yè)大數(shù)據(jù)的定義與特征———定義內(nèi)涵1工業(yè)大數(shù)據(jù)是指在產(chǎn)品生命周期中產(chǎn)生的各類數(shù)據(jù)及相關(guān)技術(shù)和應(yīng)用的總稱按數(shù)據(jù)類型分類，可分為結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)在智能制造中應(yīng)用廣泛，可以通過數(shù)據(jù)分析實(shí)現(xiàn)價值挖掘，助力生產(chǎn)過程的決策與優(yōu)化結(jié)構(gòu)化數(shù)據(jù)非結(jié)構(gòu)化數(shù)據(jù)半結(jié)構(gòu)化數(shù)據(jù)環(huán)境數(shù)據(jù)（環(huán)境溫度、環(huán)境濕度、工作電壓等）知識數(shù)據(jù)（工藝機(jī)理、工程圖紙等）接口數(shù)據(jù)等（JSON格式、XML格式等）設(shè)備數(shù)據(jù)（設(shè)備溫度壓力、速度等）物料信息（生產(chǎn)原料圖、原料信息文檔）能耗數(shù)據(jù)產(chǎn)品數(shù)據(jù)等（屬性數(shù)據(jù)、指標(biāo)數(shù)據(jù)等）生產(chǎn)監(jiān)控信息等（監(jiān)控圖片、視頻、音頻等）表3.1工業(yè)數(shù)據(jù)按數(shù)據(jù)類型分類表

1、工業(yè)大數(shù)據(jù)的定義與特征———數(shù)據(jù)特征2工業(yè)大數(shù)據(jù)既具有傳統(tǒng)大數(shù)據(jù)的特點(diǎn)，也具有其工業(yè)過程背景下的數(shù)據(jù)特點(diǎn)多源異構(gòu)，工業(yè)過程一般設(shè)置了多類傳感器，數(shù)據(jù)量大，包含各部門的不同類型的文本、圖像、聲音等數(shù)據(jù)質(zhì)量參差不齊，受測量儀表、變送器、環(huán)境以及異常干擾的影響，工業(yè)數(shù)據(jù)中常常會混雜如噪聲等不真實(shí)數(shù)據(jù)時空尺度跨度大，過程數(shù)據(jù)涉及到多個空間層面和不同時間尺度內(nèi)部蘊(yùn)含強(qiáng)機(jī)理，工業(yè)生產(chǎn)運(yùn)行過程中，任何生產(chǎn)單元及其子系統(tǒng)發(fā)生變化，在不同系統(tǒng)層級間傳播并不斷演化大數(shù)據(jù)傳統(tǒng)5V特征：容量大、多樣性、快速快、價值密度低、真實(shí)性工業(yè)過程的復(fù)雜動態(tài)特性賦予工業(yè)數(shù)據(jù)的特征：2、工業(yè)數(shù)據(jù)預(yù)處理方法———缺失值填補(bǔ)缺失值是指某些數(shù)據(jù)項(xiàng)在數(shù)據(jù)集中沒有相應(yīng)數(shù)值或信息的情況由于生產(chǎn)運(yùn)行、檢測裝置、網(wǎng)絡(luò)傳輸?shù)葐栴}造成整條數(shù)據(jù)信息或部分維度數(shù)據(jù)丟失某參數(shù)的規(guī)律時間采樣中出現(xiàn)前一條數(shù)據(jù)與后一條數(shù)據(jù)時間間隔增大的情況缺失值會影響數(shù)據(jù)質(zhì)量和后續(xù)分析的準(zhǔn)確性，處理缺失值，以盡可能減少信息損失3根據(jù)數(shù)據(jù)的特點(diǎn)和缺失值的性質(zhì)選擇適當(dāng)?shù)娜笔е堤幚矸椒ê雎匀笔е?，?dāng)數(shù)據(jù)量較大或缺失值占比很小時，可以考慮直接刪除缺失值填充缺失值，使用統(tǒng)計量（均值、中位數(shù)或眾數(shù)等)、機(jī)器學(xué)習(xí)算法（如決策樹、隨機(jī)森林）預(yù)測缺失值、特征工程（引入相關(guān)性較高的特征）來填充或預(yù)測缺失值圖3.1爐溫數(shù)據(jù)缺失示意圖42、工業(yè)數(shù)據(jù)預(yù)處理方法———離群點(diǎn)判斷與數(shù)據(jù)濾波圖3.2某工業(yè)爐的數(shù)據(jù)噪聲和離群點(diǎn)由于生產(chǎn)過程的工況波動、局域網(wǎng)信號波動等原因使得數(shù)據(jù)產(chǎn)生噪聲毛刺，或?qū)е聰?shù)據(jù)本身產(chǎn)生隨機(jī)錯誤從而產(chǎn)生離群值因工藝機(jī)理產(chǎn)生的在局部反復(fù)出現(xiàn)的離群值，具有特定的工業(yè)意義，需要區(qū)別于噪聲而作為有效信息最大程度保留傳輸過程中因信號干擾產(chǎn)生的數(shù)據(jù)瞬時異常波動等異常數(shù)據(jù)，沒有工業(yè)意義，會對后續(xù)數(shù)據(jù)處理產(chǎn)生負(fù)面影響，需要剔除在完成離群點(diǎn)判斷后，需要對有效離群點(diǎn)保留和對異常離群點(diǎn)的數(shù)據(jù)濾波，常見的濾波方法包括均值濾波、中值濾波、高斯濾波、滑動平均濾波和卡爾曼濾波等根據(jù)生產(chǎn)經(jīng)驗(yàn)確定出相鄰兩次采樣間允許的最大偏差值e，將采樣值與前一次歷史采樣值進(jìn)行求差，將所得差值與最大偏差值進(jìn)行比較適用于慢變化的物理參數(shù)的采樣，如溫度、物理位置等測量系統(tǒng)的采樣限幅濾波52、工業(yè)數(shù)據(jù)預(yù)處理方法———數(shù)據(jù)濾波方法圖3.3

原始與限幅濾波處理后的數(shù)據(jù)優(yōu)點(diǎn)：簡單易實(shí)現(xiàn)，對于一些特定的噪聲類型效果較好，能有效克服因偶然因素引起的脈沖干擾缺點(diǎn)：對于非均勻分布的信號變化較快的情況下可能會引入失真，無法抑制那種周期性的干擾，平滑度差e是允許的最大偏差值,x[n]是原始信號序列，y[n]是去除噪聲后的信號序列對采樣參數(shù)進(jìn)行連續(xù)采樣（通常為奇數(shù)次），將采樣值按數(shù)值大小排序排列后，選取采樣序列的中間值、最大或最小值作為該參數(shù)的有效采樣結(jié)果中值、最大值和最小值濾波62、工業(yè)數(shù)據(jù)預(yù)處理方法———數(shù)據(jù)濾波方法優(yōu)點(diǎn)：能有效克服因偶然因素引起的波動干擾，對溫度、液位的變化緩慢的被測參數(shù)有良好的濾波效果缺點(diǎn)：不適用于快速變化的參數(shù)，如流量、速度等ymid、ymax和ymin是分別采用中值、最大值與最小值濾波方法去除噪聲后的信號序列，w是窗口大小圖3.4濾波后的數(shù)據(jù)對信號的連續(xù)若干個采樣值進(jìn)行平均計算，用平均值來代替這些采樣值，以實(shí)現(xiàn)信號的平滑處理適用于信號中包含高頻噪聲或突變噪聲的情況，如對壓力、流量等周期脈動的采樣值進(jìn)行平滑加工處理滑動算術(shù)平均值濾波72、工業(yè)數(shù)據(jù)預(yù)處理方法———數(shù)據(jù)濾波方法優(yōu)點(diǎn)：

對周期性干擾有良好的抑制作用，平滑度高，適用于高頻振蕩系統(tǒng)缺點(diǎn)：靈敏度低，對偶然出現(xiàn)的脈沖性干擾的抑制作用較差，不易消除由于脈沖干擾所引起的采樣值偏差w是窗口大小,x[n]是原始信號序列y[n]是去除噪聲后的信號序列圖3.5濾波后的數(shù)據(jù)當(dāng)輸入信號通過FIR濾波器時，濾波器對輸入信號的每個采樣點(diǎn)都進(jìn)行加權(quán)求和，得到輸出信號FIR濾波82、工業(yè)數(shù)據(jù)預(yù)處理方法———離群點(diǎn)判斷與數(shù)據(jù)濾波圖3.6濾波后的數(shù)據(jù)優(yōu)點(diǎn)：在頻域上進(jìn)行截斷，濾波后的信號比較平滑缺點(diǎn)：計算量大，容易丟失高頻信息x[n]是原始信號序列，y[n]是去除噪聲后的信號序列b0、b1...bM是前向系數(shù)，M是濾波器階數(shù)根據(jù)對阻帶衰減及過渡帶的指標(biāo)要求，選擇窗函數(shù)類型，并估計窗口長度設(shè)計FIR濾波器通常需要確定濾波器的階數(shù)、頻率響應(yīng)特性及系數(shù)等參數(shù)數(shù)據(jù)歸一化用于消除不同量綱之間數(shù)量級的巨大差別造成的奇異解92、工業(yè)數(shù)據(jù)預(yù)處理方法———數(shù)據(jù)歸一化在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)任務(wù)中，輸入數(shù)據(jù)往往具有不同的特征和量綱，會對模型的訓(xùn)練和性能產(chǎn)生影響將不同特征之間的數(shù)據(jù)范圍統(tǒng)一或者縮放到相似的范圍內(nèi)，以避免數(shù)值的差異對模型訓(xùn)練產(chǎn)生影響，并提高模型的穩(wěn)定性和收斂速度常見的數(shù)據(jù)歸一化方法包括：零均值化，給定某一原始數(shù)據(jù)集合，將每一屬性的數(shù)據(jù)都減去該屬性的均值，形成新集合，將數(shù)據(jù)的均值調(diào)整為零最小-最大歸一化，將數(shù)據(jù)線性縮放到一個指定的范圍內(nèi)，通常是[0,1]或者[-1,1]Z-score標(biāo)準(zhǔn)化，減去均值，然后除以標(biāo)準(zhǔn)差，將數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布10工業(yè)數(shù)據(jù)預(yù)處理案例圖3.7

水箱參數(shù)數(shù)據(jù)處理前后對比圖單容水箱液位控制系統(tǒng)數(shù)據(jù)預(yù)處理控制水箱的液位達(dá)到期望的設(shè)定值，水箱液位值為被控量，進(jìn)水管流量值為控制量由于數(shù)據(jù)采集設(shè)備故障、傳輸干擾等原因，原始數(shù)據(jù)出現(xiàn)測量值缺失和噪聲毛刺對原始數(shù)據(jù)進(jìn)行預(yù)處理，具體包括利用列前列后的均值對缺失值進(jìn)行填補(bǔ)、中值濾波去除噪聲毛刺、最小-最大規(guī)范化將原始數(shù)據(jù)按比例縮放到區(qū)間0到1之內(nèi)113、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———相關(guān)性分析相關(guān)系數(shù)的取值介于-1與1之間，可以通過散點(diǎn)圖來定性地了解變量間大致的關(guān)系情況當(dāng)相關(guān)系數(shù)為正時，變量間存在正相關(guān)關(guān)系；當(dāng)相關(guān)系數(shù)為負(fù)時，變量間存在負(fù)相關(guān)關(guān)系隨機(jī)變量X與Y之間不存在相互關(guān)系，則數(shù)據(jù)點(diǎn)在散點(diǎn)圖上表現(xiàn)為隨機(jī)分布；如果存在某種相關(guān)性，那么大部分的數(shù)據(jù)點(diǎn)在散點(diǎn)圖上會相對密集并以某種趨勢呈現(xiàn)圖3.8數(shù)據(jù)相關(guān)性散點(diǎn)示意圖通常使用的相關(guān)系數(shù)有三類，分別為：Pearson相關(guān)系數(shù)、Spearman等級相關(guān)系數(shù)和Kendall相關(guān)系數(shù)數(shù)據(jù)相關(guān)性分析是工業(yè)數(shù)據(jù)信息挖掘中的重要分支123、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———相關(guān)性分析rxy為X和Y之間的Pearson相關(guān)系數(shù)，n為樣本數(shù)量，X、Y分別表示變量的值在工業(yè)數(shù)據(jù)處理過程中，對計算出的Pearson相關(guān)系數(shù)按以下取值區(qū)間進(jìn)行相關(guān)性強(qiáng)弱判斷當(dāng)兩個變量的標(biāo)準(zhǔn)差都不為零時，相關(guān)系數(shù)才有意義，Pearson相關(guān)系數(shù)的適用于：|rxy|[0.0,0.2][0.2,0.4][0.4，0.6][0.6，0.8][0.8,1.0]相關(guān)性強(qiáng)弱無相關(guān)關(guān)系弱相關(guān)關(guān)系中等強(qiáng)度相關(guān)關(guān)系強(qiáng)相關(guān)關(guān)系極強(qiáng)相關(guān)關(guān)系變量之間為連續(xù)的線性關(guān)系總體服從正態(tài)分布，或接近正態(tài)的單峰分布變量的觀測值成對存在，且每對觀測值之間相互獨(dú)立Pearson相關(guān)系數(shù)（皮爾遜相關(guān)系數(shù)）表3.2Pearson系數(shù)相關(guān)性強(qiáng)弱表

133、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———相關(guān)性分析ρ為Spearman相關(guān)系數(shù)，N為變量的元素個數(shù)，d

為有序排行的差分集合，其中di=xi-yi，xi、yi分別為Xi在X有序排列中的排行、Yi在Y有序排列中的排行τa為Kendall相關(guān)系數(shù)，N為變量的元素個數(shù)，

C表示X和Y中擁有一致性的元素對數(shù)，D表示X和Y中擁有不一致性的元素對數(shù)Kendall相關(guān)系數(shù)用于衡量變量之間的順序關(guān)系，將每個變量的數(shù)據(jù)進(jìn)行排列，當(dāng)元素在各自排行相同時，認(rèn)為這兩個元素為一致對計算兩個變量之間的一致對對數(shù)，求和得到最終的相關(guān)系數(shù)Spearman相關(guān)系數(shù)用單調(diào)函數(shù)來估計兩個變量之間線性相關(guān)性對數(shù)據(jù)要求較低，只要兩個變量的觀測值是成對有序排行集合，或者可由連續(xù)變量觀測值轉(zhuǎn)化得到成對有序排行集合143、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———因果性分析基于工業(yè)機(jī)理分析數(shù)據(jù)之間的因果關(guān)系可以更好地指導(dǎo)生產(chǎn)決策和優(yōu)化控制策略因果分析是確認(rèn)因果關(guān)系方向和強(qiáng)弱的方法，可通過基于知識和基于數(shù)據(jù)的方法獲取常用的因果分析方法主要包括互相關(guān)分析（Cross-correlationanalysis，CCA）、格蘭杰因果關(guān)系（Grangercausality，GC）、傳遞熵（Transferentropy，TE）方法等方法分類優(yōu)點(diǎn)缺點(diǎn)互相關(guān)分析基本原理簡單、過程易于實(shí)現(xiàn)無法分析非線性因果關(guān)系、不能區(qū)分直接與間接因果關(guān)系格蘭杰因果關(guān)系計算復(fù)雜度低、具有預(yù)測功能無法分析非線性因果關(guān)系、易出現(xiàn)虛假冗余因果關(guān)系傳遞熵可分析線性及非線性因果關(guān)系聯(lián)合概率分布函數(shù)計算量大、無法區(qū)分直接與間接因果關(guān)系表3.3因果分析方法分類挖掘工業(yè)過程變量之間的關(guān)聯(lián)信息，實(shí)現(xiàn)因果關(guān)系的確定以及傳播路徑的識別153、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———因果性分析互相關(guān)分析要求成對比較檢驗(yàn)，無法判斷直接及間接因果關(guān)系，難以應(yīng)用于某些高維度、強(qiáng)耦合的工業(yè)過程因果溯源與因果關(guān)系傳播路徑識別

Φmax、Φmin為互相關(guān)函數(shù)最大、最小值kmax、kmin為分別對應(yīng)的時延常數(shù)若λi,j

>0，則表明傳播方向?yàn)閤i→xj；若λi,j

<0，則傳播方向?yàn)閤j→xi若ρi,j>0，則表示兩變量呈正相關(guān)關(guān)系；若ρi,j

<0，則兩變量呈負(fù)相關(guān)關(guān)系

假設(shè)xi、xj為某工業(yè)過程中的兩個變量，λi,j為時滯，ρi,j為關(guān)聯(lián)系數(shù)互相關(guān)分析（Cross-correlationanalysis，CCA）結(jié)合顯著性檢驗(yàn)和因果假設(shè)，通過分析工業(yè)過程變量時間序列間的時滯和關(guān)聯(lián)信息來推斷因果適用于分析平穩(wěn)時間序列間的相關(guān)性，對非平穩(wěn)時間序列的工業(yè)過程數(shù)據(jù)難以準(zhǔn)確地描述時間序列間的非線性相關(guān)關(guān)系163、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———因果性分析Granger因果關(guān)系分析局限性在于只能夠定性的分析出變量間關(guān)聯(lián)關(guān)系的方向，但是無法進(jìn)行定量分析來確定關(guān)聯(lián)關(guān)系的強(qiáng)弱傳遞熵（TransferEntropy,TE）涉及到概率密度函數(shù)的計算，當(dāng)變量維度較高或樣本較多時，其計算的復(fù)雜程度會顯著增加,并且分析結(jié)果的精度也會受到嚴(yán)重影響格蘭杰因果分析（GrangerCausality,GC）通過多元線性回歸等技術(shù)，挖掘工業(yè)過程變量時間序列間的領(lǐng)先滯后關(guān)系需要足夠長的時間序列數(shù)據(jù)來進(jìn)行可靠的估計和檢驗(yàn)，基于線性向量自回歸模型，在實(shí)際工業(yè)過程中存在大量的非線性關(guān)系，因而存在應(yīng)用限制傳遞熵是基于信息論的非對稱式測量方法，將信號復(fù)雜程度變化與信息傳遞統(tǒng)一量化，用于描述由于信息流動所產(chǎn)生的方向性動態(tài)信息能夠計算過程變量間的非線性關(guān)系，計算自由度高數(shù)據(jù)擬合可以幫助解析和預(yù)測數(shù)據(jù)之間的關(guān)系，指導(dǎo)決策和優(yōu)化173、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———數(shù)據(jù)擬合數(shù)據(jù)擬合是指通過對已知數(shù)據(jù)的分析和處理，建立數(shù)學(xué)模型，使該模型能夠最好地描述數(shù)據(jù)的規(guī)律性工業(yè)中常用的數(shù)據(jù)擬合方法包括線性回歸、非線性回歸、多項(xiàng)式擬合、曲線擬合等通過擬合優(yōu)度指標(biāo)（如R方、均方誤差等）對擬合結(jié)果進(jìn)行評估，判斷擬合效果的好壞圖3.9

數(shù)據(jù)擬合示意圖廣泛應(yīng)用于工業(yè)數(shù)據(jù)擬合的概率擬合模型有卡方分布擬合、泊松分布擬合以及高斯分布擬合等判斷數(shù)據(jù)集的觀測經(jīng)驗(yàn)分布是否符合已知的概率理論分布，典型的檢驗(yàn)方法為Kolmogorov-Smirnov檢驗(yàn)、Anderson-Darling檢驗(yàn)、Chi-Square檢驗(yàn)等工業(yè)數(shù)據(jù)一般服從能夠用參數(shù)化分布模型進(jìn)行描述的概率分布卡方分布用于計算數(shù)據(jù)的卡方分布自由度以及概率分布模型參數(shù)183、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———數(shù)據(jù)擬合泊松分布擬合泊松分布適合于描述單位時間內(nèi)隨機(jī)事件發(fā)生的次數(shù)是單位時間（或面積）內(nèi)隨機(jī)事件平均發(fā)生次數(shù)

卡方分布擬合x為隨機(jī)變量的取值，k為自由度圖3.10卡方分布概率密度及分布函數(shù)示意圖圖3.11泊松分布概率密度及分布函數(shù)示意圖因果高斯分布又稱正態(tài)分布，是統(tǒng)計學(xué)中最常見的連續(xù)概率分布之一，其特點(diǎn)是具有單峰對稱形態(tài)高斯分布可以用均值（μ）和標(biāo)準(zhǔn)差（σ）來描述擬合完成后，可以通過觀察擬合的曲線與真實(shí)數(shù)據(jù)之間的吻合度、殘差等指標(biāo)來評估擬合效果193、工業(yè)數(shù)據(jù)的關(guān)聯(lián)性分析技術(shù)———數(shù)據(jù)擬合??是隨機(jī)變量的取值，??是分布的均值（期望值），??是分布的標(biāo)準(zhǔn)差高斯分布擬合圖3.12一維高斯分布概率密度及分布函數(shù)示意圖圖3.13二維高斯分布概率密度示意圖20工業(yè)數(shù)據(jù)關(guān)聯(lián)性分析案例單容水箱液位控制系統(tǒng)中的參數(shù)關(guān)聯(lián)性分析單容水箱液位控制系統(tǒng)中的水箱液位值、進(jìn)水管流量值、進(jìn)水管壓力值三個變量之間存在著關(guān)聯(lián)性，對三個實(shí)驗(yàn)變量分別進(jìn)行相關(guān)系數(shù)計算，研究各變量之間的相關(guān)關(guān)系和緊密程度Spearman相關(guān)系數(shù)適用范圍廣泛、不受數(shù)據(jù)分布的影響且可用于評估非線性相關(guān)關(guān)系，對參數(shù)進(jìn)行Spearman相關(guān)系數(shù)計算進(jìn)水管壓力值和進(jìn)水管流量值之間有高度的正相關(guān)，進(jìn)

水管壓力值和水箱液位值、進(jìn)水管壓力值和水箱液位值之

間具有中等程度的負(fù)相關(guān)水箱液位值進(jìn)水管流量值進(jìn)水管壓力值水箱液位值1-0.524-0.472進(jìn)水管流量值-0.52410.759進(jìn)水管壓力值-0.4720.7591表3.4各變量之間Spearman相關(guān)系數(shù)圖3.14相關(guān)性熱力圖213、工業(yè)過程建模技術(shù)———工業(yè)過程建模任務(wù)工業(yè)過程關(guān)鍵參數(shù)軟測量利用數(shù)學(xué)建模和計算機(jī)技術(shù)，對難以直接測量的參數(shù)或變量進(jìn)行間接估計軟測量技術(shù)主要包括相關(guān)性分析，數(shù)據(jù)預(yù)處理，建立模型，模型輸出和輸出校正軟測量模型可分為機(jī)理模型、數(shù)據(jù)驅(qū)動模型和混合模型工業(yè)生產(chǎn)過程指標(biāo)預(yù)測從時空數(shù)據(jù)庫中提取隱含的知識、時間和空間關(guān)系及其它模式，并由此建立預(yù)測模型過程工業(yè)時序數(shù)據(jù)內(nèi)嵌于連續(xù)空間，其樣本在時間、空間上存在很強(qiáng)的自相關(guān)性，其中隱含的模式往往是局部的，從而使時空數(shù)據(jù)挖掘具有特殊性和復(fù)雜性時空預(yù)測建模方法可分為基于參數(shù)模型的方法，基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法，基于深度學(xué)習(xí)的方法223、工業(yè)過程建模技術(shù)———工業(yè)過程建模任務(wù)工業(yè)過程故障診斷對自動化系統(tǒng)或設(shè)備狀態(tài)進(jìn)行監(jiān)測，及時準(zhǔn)確感知故障發(fā)生的時間、位置、類型等信息，并反饋故障信息，從而根據(jù)故障信息做出優(yōu)化決策故障診斷流程包含故障檢測、故障溯源、故障識別、故障修復(fù)四個環(huán)節(jié)故障診斷方法分為三類：基于經(jīng)驗(yàn)知識的方法、基于機(jī)理模型的方法以及基于數(shù)據(jù)驅(qū)動的方法圖3.15

故障診斷過程示意圖圖3.16

故障診斷方法分類233、工業(yè)過程建模技術(shù)———工業(yè)過程智能建模方法監(jiān)督學(xué)習(xí)：在帶有標(biāo)簽的數(shù)據(jù)集上進(jìn)行訓(xùn)練，每個輸入數(shù)據(jù)對應(yīng)一個已知的輸出，學(xué)習(xí)從輸入到輸出的映射關(guān)系無監(jiān)督學(xué)習(xí)：在沒有標(biāo)簽的數(shù)據(jù)集上進(jìn)行訓(xùn)練，發(fā)現(xiàn)數(shù)據(jù)的結(jié)構(gòu)或模式半監(jiān)督學(xué)習(xí)：結(jié)合少量帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，利用未帶標(biāo)簽的數(shù)據(jù)提高學(xué)習(xí)效果強(qiáng)化學(xué)習(xí)：通過與環(huán)境交互來學(xué)習(xí)策略，通過試錯學(xué)習(xí)，逐步改進(jìn)決策機(jī)器學(xué)習(xí)是數(shù)據(jù)挖掘的支撐，為其提供解決實(shí)際問題的方法核心在于通過算法自動發(fā)現(xiàn)數(shù)據(jù)中的模式和規(guī)律，并基于這些模式和規(guī)律進(jìn)行預(yù)測和決策機(jī)器學(xué)習(xí)通?？梢苑譃楸O(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)四類適用于數(shù)據(jù)量較小、需要解釋性、計算資源有限、需要快速迭代的任務(wù)常見的淺層機(jī)器學(xué)習(xí)算法有線性回歸、支持向量機(jī)、k-最近鄰、隨機(jī)森林、樸素貝葉斯等243、工業(yè)過程建模技術(shù)———工業(yè)過程智能建模方法深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為框架，對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)對于數(shù)據(jù)的預(yù)測能力和分類效果較好，通過對數(shù)據(jù)的端到端學(xué)習(xí)，實(shí)現(xiàn)自動化的特征提取適用于數(shù)據(jù)量大且復(fù)雜、需要高性能和精度的任務(wù)根據(jù)不同結(jié)構(gòu)，分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)在于解釋性強(qiáng)、訓(xùn)練速度快、模型結(jié)構(gòu)簡單，易于調(diào)試和優(yōu)化、計算資源需求低，在數(shù)據(jù)量較小的情況下，表現(xiàn)良好缺點(diǎn)在于特征工程依賴強(qiáng)，需要領(lǐng)域知識和經(jīng)驗(yàn)，在處理復(fù)雜和高維數(shù)據(jù)時，模型性能有限淺層機(jī)器學(xué)習(xí)（傳統(tǒng)機(jī)器學(xué)習(xí)方法）25知識-數(shù)據(jù)混合驅(qū)動的工業(yè)過程智能建模案例（1）加熱過程是鋼鐵工業(yè)產(chǎn)出高端鋼材的關(guān)鍵流程，包含預(yù)熱、加熱、均熱等工序，其目的是將帶鋼加熱到目標(biāo)溫度并穩(wěn)定在目標(biāo)溫度區(qū)間內(nèi)在現(xiàn)場傳感器提供了大量生產(chǎn)數(shù)據(jù)的條件下，支持向量機(jī)能通過構(gòu)造最優(yōu)分類超平面或超曲面，揭示加熱過程中輸入及輸出參數(shù)的復(fù)雜關(guān)系采用網(wǎng)格搜索方法和十折交叉驗(yàn)證方法對支持向量機(jī)模型中的進(jìn)行參數(shù)優(yōu)化加熱過程爐板溫預(yù)測案例圖3.17

加熱爐工藝圖26知識-數(shù)據(jù)混合驅(qū)動的工業(yè)過程智能建模案例（1）圖3.18測試集中部分出口板溫的預(yù)測結(jié)果圖3.19出口帶鋼溫度預(yù)測的相對錯誤率加熱過程爐板溫預(yù)測相對誤差率在要求區(qū)間[0,2]內(nèi)的樣本共占97.8%，達(dá)到了較高比例，僅有2.2%的樣本不滿足要求用平均絕對誤差（AAE）與平均絕對誤差率（AAER）來評估預(yù)測效果，得到的平均絕對誤差A(yù)AE為3.3826，平均絕對誤差率AAER為0.54%實(shí)驗(yàn)分析表明出口板溫的預(yù)測效果良好，在實(shí)際生產(chǎn)的可接受范圍內(nèi)，可為后續(xù)的性能評估基準(zhǔn)庫驗(yàn)證提供模型支撐高爐生產(chǎn)過程變量相關(guān)性分析高爐煉鐵是典型的復(fù)雜工業(yè)過程鐵水硅含量是高爐生產(chǎn)狀態(tài)的重要評價指標(biāo)鐵水硅含量的采樣化驗(yàn)過程存在工程滯后性，難以滿足實(shí)時的狀態(tài)評估要求27知識-數(shù)據(jù)混合驅(qū)動的工業(yè)過程智能建模案例（2）復(fù)雜工業(yè)過程時序預(yù)測案例在高爐冶煉過程中，影響鐵水硅含量的因素包括鼓風(fēng)特性、入爐原料的性質(zhì)、爐內(nèi)物理狀況等自相關(guān)性分析發(fā)現(xiàn)，渣鐵處理系統(tǒng)的上一時刻硅含量與當(dāng)前時刻的鐵水硅含量具有較強(qiáng)的一階時滯相關(guān)性鐵水硅含量互相關(guān)因素的分析，篩選出和鐵水硅含量波動相關(guān)的變量圖3.20硅含量自相關(guān)性分析結(jié)果圖高爐鐵水硅含量時序預(yù)測流程28知識-數(shù)據(jù)混合驅(qū)動的工業(yè)過程智能建模案例（2）基于LSTM的鐵水硅含量預(yù)測模型長短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM），能夠保留