首页|基于GSA-LSTM动态结构特征提取的间歇过程监测方法

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
间歇过程监测对于保证批次生产过程的稳定运行具有重要意义.传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征.为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测.首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征.进一步地,利用典型相关分析方法对残差建立监测模型.最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性.
Intermittent process monitoring based on GSA-LSTM dynamic structure feature extraction

王雅琳、潘雨晴、刘晨亮

展开 >

中南大学自动化学院,湖南长沙 410083

过程监测 间歇性 图神经网络 长短期记忆网络 典型相关分析 算法 过程系统

2020YFB1713800U19114012021RC4054CX202102492021zzts0698

2022

10.11949/0438-1157.20220665

化工学报
中国化工学会 化学工业出版社

化工学报

CSTPCDCSCD北大核心
影响因子：1.26
ISSN：0438-1157
年,卷(期)：2022.73(9)
  • 2
  • 3