Représentation hiérarchique des caractéristiques pertinentes pour la qualité pour la modélisation de capteurs doux : une nouvelle stratégie d'apprentissage profond

L'apprentissage profond est une technique de représentation des caractéristiques récemment développée pour des données avec des structures compliquées, qui a un grand potentiel pour la détection douce des processus industriels. Cependant, la plupart des réseaux profonds se concentrent principalement sur l'apprentissage des caractéristiques hiérarchiques à partir des données d'entrée observées brutes. Pour les applications de capteurs doux, il est important de réduire les informations non pertinentes et d'extraire des caractéristiques pertinentes pour la qualité des données d'entrée brutes pour la prédiction de la qualité. Pour traiter ce problème, un nouveau réseau d'apprentissage profond est proposé pour la représentation des caractéristiques pertinentes pour la qualité dans cet article, basé sur un autoencodeur dirigé par la qualité empilé (SQAE). Tout d'abord, un autoencodeur dirigé par la qualité (QAE) est conçu en exploitant les données de qualité pour guider l'extraction des caractéristiques avec la contrainte que les caractéristiques potentielles doivent largement reconstruire les données de la couche d'entrée et les données de qualité à la couche de sortie. De cette manière, les caractéristiques pertinentes pour la qualité peuvent être capturées par QAE. Ensuite, en empilant plusieurs QAEs pour construire le réseau SQAE profond, SQAE peut progressivement réduire les caractéristiques non pertinentes et apprendre des caractéristiques hiérarchiques pertinentes pour la qualité. Enfin, les caractéristiques pertinentes pour la qualité à un niveau élevé peuvent être directement appliquées pour la détection douce des variables de qualité. L'efficacité et la flexibilité du modèle d'apprentissage profond proposé sont validées sur un processus de colonne de déshydrogénation industrielle.