使用深度学习的软传感器建模,具有最大的相关性和最小的冗余性,用于工业过程的质量预测
Huaiping Jin1, Xin Dong2, Bin Qian1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China; The Higher Educational Key Laboratory for Industrial Intelligence and Systems of Yunnan Province, Kunming University of Science and Technology, Kunming 650500, China.
ISA transactions
|February 17, 2025
概括
基于最大相关性和最小冗余性的表示学习 (MRMRRL) 通过增强特征提取和减少冗余性来改善软传感器质量预测. 这种深度学习方法在工业应用中明显优于传统方法.
科学领域:
- 机器学习 机器学习
- 工业过程控制 工业过程控制
- 数据科学数据科学数据科学
背景情况:
- 自动编码器 (AE) 和堆叠自动编码器 (SAE) 在软传感器应用中很受欢迎.
- 现有的方法存在功能质量相关性差,信息丢失和功能冗余等问题.
研究的目的:
- 提出一种基于最大相关性和最小冗余性的代表性学习 (MRMRRL) 的新方法.
- 通过深度学习在工业过程中提高质量预测的准确性.
主要方法:
- MRMRRL集成了与质量相关的特征提取,用于减少冗余的内核主要组件分析 (KPCA) 和用于信息补偿的扩展层.
- 结合了来自三个道的优点:质量相关性,通过KPCA减少冗余,以及信息补偿.
主要成果:
- 在两个应用示例中,MRMRRL在基线SAE上显示出大约37%和38%的显著性能改善.
- 超过了几种最先进的深度学习软传感器.
结论:
- MRMRRL有效地提取与质量相关的隐藏特征,同时消除冗余并保持结构简单性.
- 拟议的方法为工业过程中的软传感器应用提供了卓越的效率和性能.


