基于深度学习的工业过程软测量
基于深度学习的数据驱动软测量的发展概况
深层模型训练面临的挑战
虽然几十年前人们就发现了深度网络在理论上的简洁性和较强的表达 能力，但在深度学习问世之前，在训练深度网络方面传统的反向传播 和梯度下降来训练深层模型时面临诸多困难： 1.数据获取问题。 2.局部极值问题。 3.梯度弥散问题。 2006年，Hinton提出了以自编码为训练方式的逐层贪婪训练算法，为 深度神经网络带来了希望。
确定网络的体系结构
预训练：逐层贪婪训练算法
微调：初始化权值，BP算法微调
是否过拟合
Y
N
模型测试 结束
原油蒸馏装置应用
软测量建模在线质量预测指标：
95％重柴油分馏点温度
原油蒸馏装置应用
在本研究中，数据集包含351个选自于最近一年的工艺操作中的过程/ 质量的样本。该数据集将251个样本分成训练集，另100个样本分为测 试集。 应特别注意，选取的过程变量中另有1724个“无标签”的样本数据， 这些数据没有质量样本作为回归目标。在这方面，过程变量中1724个 “无标签”的样本被用于DL的无监督训练。但这些无监督数据不能被 传统的数据驱动模型利用。
预处理训练的有效性验证
A：随机初始化的深 度NN 训练误差 6.20 B：无先验知识的 C：有先验知识的 深度NN 深度NN 1.95 1.84
测试误差
7.95
3.04
3.02
1、逐层贪婪训练算法让模型处于一个较为接近全局最优的位置，从 而获得更好的效果。 2、没有先验知识DL模型仍然具有很好的表现能力。
逐层贪婪算法的主要思路
ቤተ መጻሕፍቲ ባይዱ
1.每次只训练网络中的一层，即首先训练一个只含一个隐藏层的网络。 2.当这层网络训练结束之后才开始训练一个有两个隐藏层的网络，以 此类推。 3.在每一步中，我们把已经训练好的前K-1层固定，然后将前K-1层的 输出作为输入，训练第K层。
深度学习在易结焦加热炉温度场软测量应用总结
深度学习在易结焦加热炉温度场软测量应用总结
高丽岩
【期刊名称】《炼油技术与工程》
【年(卷),期】2024(54)5
【摘要】易结焦加热炉燃烧过程不稳定,会引起炉管局部超温,导致加热炉的损耗和破坏,因此实际工程中需要对加热炉各处的温度进行测量。
文中提出一种基于红外图像与计算流体力学(CFD)的加热炉炉管温度场软测量方法,利用不同工况数据构建实验数据集,建立深度学习训练温度场实时预测模型,实现输入工况后模型即可输出对应温度场,实现工业加热炉温度场的软测量。
本研究通过CFD仿真计算得出的温度场与炉管壁热电偶实测值误差均在5%以内,因此可以认为CFD仿真得到的加热炉三维温度场能够很好地代表炉膛内的真实温度场。
【总页数】4页(P41-44)
【作者】高丽岩
【作者单位】中石化(天津)石油化工有限公司装备研究院
【正文语种】中文
【中图分类】TG3
【相关文献】
1.软测量技术在预测钢坯内部温度场的应用研究
2.软测量在常减压加热炉控制方案中的应用
3.基于深度学习的复杂化工过程软测量模型研究与应用
4.基于误差迭代的时空分组软测量技术在加热炉中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的工业过程软测量
通过脱丁烷塔过程Benchmark仿真验证该方法对非线性动态工业 过程软测量建模的可行性和有效性。(2)提出了一种基于深度森 林回归的非线性多模态过程软测量建模方法。
根据集成学习思想,将随机森林回归嵌入到深度森林结构,建立 了一种非神经网络结构的深度预测模型,在训练过程可自适应调 节模型结构,增强了数据模型的表示学习能力和适用范围。通过 一段炉过程实际数据仿真,验证了该方法对非线性多模态工业过 程软测量建模的可行性,进一步与传统回归方法比较预测性能差 异。
(3)提出了一种基于多粒度级联循环神经网络的复杂过程软测量 建模方法。基于深度森林回归的框架,将循环神经网络作为基学 习器,构建了一种多粒度循环神经网络和级联循环神经网络结构, 可适用于过程数据的非线性、动态性、多模态等复杂特性问题。
通过脱丁烷塔过程Benchmark仿真和合成氨一段炉过程实际运行 数据仿真,验证了该方法的有效性。
由于其易于开发、灵活配置、及时跟踪、快速响应的优点,在学 术界和工业界得到了迅速的发展和有效的实践。根据过程的不 同数据特性,多种软测量方法相继被提出和应用。
本文以深度学习算法为主要研究方法,开展复杂工业过程的软测 量建模研究工作,主要研究工作如下:(1)提出了一种基于堆叠循 环神经网络的非线性动态过程软测量建模方法。对循环神经网 络、长短时记忆单元和门控循环单元进行stacking集成,构建了 堆叠循环神经网络模型结构,可有效缓解过拟合问题,同时提升 预测效果。
基于深度学习的工业过程软测量
为了降低生产成本、监测过程状态、调整控制策略、提高生产 效率、优化产品质量,过程关键质量变量的实时测量和准确预报 十分重要。面对复杂生产环境下测量仪器仪表不能实时测量质 量变量值的问题,软测量方法通过构造以辅助变量为输入、主导 变量为输出的估计模型,间接估计预测关键质量变量。
基于深度学习的复杂化工过程软测量模型研究与应用
点的可观测数据进行合并得到完整的数据集，再划分出训练集和测试集，用带有注意力机制的深度学习算法进
行训练和泛化，进而建立软测量模型。最后将提出的方法应用到对苯二甲酸 （PTA） 生产装置乙酸消耗的软测量
中。通过与极限学习机 （extreme learning machine，ELM）、多层感知器 （multi-layer perceptron，MLP） 以及普
CIESC Journal, 2019, 70(2): 564-571
化工学报 2019 年 第 70 卷 第 2 期 |
������������������
������������������
������������������������������������������������
Abstract: Because some raw material consumption in complex chemical production process is difficult to measure directly, a soft sensor method based on the deep learning is proposed. Based on a period of the historical data, the proposed method extracts multi-scale information from the historical data using stationary wavelet decomposition. Then the observable data at every point of time are combined to get a complete dataset which is divided into the training dataset and the testing dataset. Moreover, the soft sensor model is trained and obtained by using the depth learning algorithm based on the attention mechanism. Finally, the proposed method is applied to the soft measurement of acetic acid consumption in a terephthalic acid (PTA) production unit. Compared with the extreme learning machine (ELM), multi-layer perceptron (MLP) and common long short-term memory (LSTM) method, the result analysis shows that the validity and the applicability of the proposed model is verified. Meanwhile, the consumption of acetic acid in the PTA production plant is predicted and analyzed to improve the production
基于深度置信网络的4-CBA软测量建模
基于深度置信网络的4-CBA软测量建模刘瑞兰;毛佳敏【摘要】In industrial PTA production process, 4-CBA concentration is the important basis of PTA product quality evaluation.This paper combining the deep belief networks and BP neural networks proposes a soft sensor model of 4-CBA based on deep belief networks. Deep belief network is one kind of typical deep learning algorithm. The algorithm has remarkable superiority in feature learning. According to experimental results, a soft sensor model based on deep belief networks can predict 4-CBA concentration well. Compared with BP neural network model, the model based on deep belief networks has higher prediction precision.%PTA工业生产过程中4-CBA的含量是评价其产品质量的重要依据.将深度置信网络和已有的浅层算法相结合,提出基于深度置信网络的4-CBA软测量模型.深度置信网络是一种典型的深度学习算法,该算法在特征学习方面优势显著.根据实验结果,基于深度置信网络的软测量模型能够很好地估计4-CBA含量,和单纯的BP神经网络模型相比,基于深度置信网络的模型预测精度更高.【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)006【总页数】4页(P227-230)【关键词】深度学习;深度置信网络;神经网络;软测量【作者】刘瑞兰;毛佳敏【作者单位】南京邮电大学自动化学院,南京 210023;南京邮电大学自动化学院,南京 210023【正文语种】中文【中图分类】TP274工业生产过程中4-CBA（对羧基苯甲醛）含量关系到PTA（精对苯二甲酸）产品质量。
软测量心得体会优质(1)
软测量心得体会优质(1)软测量心得体会优质软测量技术作为一种基于数据建模的实时智能监测手段，已经广泛应用于各个领域，如化工、制造业、能源等。
在我的工作中，我也用到了软测量技术，通过实践和体验，我深刻体会到了软测量技术的优点。
1. 提高产品质量软测量技术能够对生产过程中的各种因素进行实时监测和分析，同时预测，从而及时调整和优化生产工艺和工作条件，提高产品质量。
例如，在化工产品的生产过程中，控制温度和流量等因素的精准度可以控制产品质量，并可以保证产品的稳定性。
2. 精准预测通过软测量技术可以对产品质量、生产过程等关键指标进行精准预测，以降低质量不良率和生产成本，并且能够提高生产效率。
通过建立预测模型，可以及时发现流程中的异常情况，并进行调整。
3. 实时监测软测量技术可以在生产过程中实时监测关键因素和参数的变化，及时检测生产工艺的偏差和异常情况，并预测未来的趋势变化。
这可以帮助生产管理人员更快地发现问题和异常，并及时解决问题。
4. 降低生产成本软测量技术通过数据分析和建模，能够精准地优化生产工艺，降低生产成本。
例如，通过软测量可以优化产品的加工工艺，减少浪费的时间、成本和材料资源。
5. 改善运营管理软测量技术通过对生产过程的实时监测和分析，能够帮助企业管理者实现对生产过程的整体掌控，快速发现问题和异常，并及时采取措施，从而避免生产事故和质量问题。
总之，软测量技术是一种非常重要的实时监测手段。
通过对生产过程进行数据建模和分析，软测量技术可以帮助企业管理者及时发现和解决生产过程中存在的问题和异常，提高产品质量和生产效率，降低生产成本，从而改善企业的运营管理水平。
未来，随着数据技术的发展和应用场景的不断拓展，软测量技术的重要性将越来越受到重视。
【CN110096810B】一种基于逐层数据扩充深度学习的工业过程软测量方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利(10)授权公告号 (45)授权公告日 (21)申请号 201910366487.8(22)申请日 2019.05.05(65)同一申请的已公布的文献号申请公布号 CN 110096810 A(43)申请公布日 2019.08.06(73)专利权人 中南大学地址 410000 湖南省长沙市岳麓区麓山南路932号(72)发明人 袁小锋 欧晨 王雅琳 阳春华 桂卫华 (74)专利代理机构 长沙轩荣专利代理有限公司43235代理人 王丹(51)Int.Cl.G06F 30/20(2020.01)G06N 3/04(2006.01)G06N 3/08(2006.01)审查员 刘天晓 (54)发明名称一种基于逐层数据扩充深度学习的工业过程软测量方法(57)摘要本发明公开了一种基于逐层数据扩充深度学习的工业过程软测量方法，属于软测量技术领域，本发明所公开的技术方案通过采取数据扩充自编码器扩充过程变量的样本量，并利用多个数据扩充自编码器堆栈成深度网络模型，从工业过程数据中逐层获得由低层次到高层次的大量样本，为深度学习模型提供足够多的样本量，实现对产品质量的准确预测，能广泛运用于复杂工业过程如加氢裂化过程、钢铁烧结过程的产品质量预测，具有预测精度高、泛化性好等优点。
权利要求书4页 说明书16页 附图2页CN 110096810 B 2020.03.17C N 110096810B1.一种基于逐层数据扩充深度学习的工业过程软测量方法，其特征在于，包括：第一步：获取工业生产过程中的过程变量和质量变量并进行归一化处理：采集一定生产时间内的过程变量x i ,j 和质量变量y i ，作为样本数据进行归一化处理：其中i＝1,2,...,N ,j＝1,2,...,m ,N为获得的样本总数，m为过程变量数；x min ,j 和x max ,j 分别为第j个过程变量的最小值和最大值，y min 和y max 分别为质量变量的最小值和最大值；第二步：训练深度学习模型：所述深度学习模型包括三个数据扩充自编码器，分别为第一数据扩充自编码器、第二数据扩充自编码器和第三数据扩充自编码器，每相邻的两个数据扩充自编码器中，将排列在前的数据扩充自编码器的隐含层特征数据经数据扩充后作为排列在后的数据扩充自编码器的输入，对排列在后的数据扩充自编码器进行训练；训练步骤为：2.1、获取第一扩充数据集：对每两相邻过程变量样本x i 、x i+1之间线性插值得到虚拟样本并将所有的虚拟样本x v 和原样本x组成第一扩充数据集x A(i)：其中i＝1,2,...,2N -1；2.2、获得第一数据扩充自编码器的隐含层特征数据：将第一扩充数据集x A(i)作为第一数据扩充自编码器的输入，记第一数据扩充自编码器隐含层数据为i＝1,2,...,2N -1，对应输出层的重构数据为i＝1,2,...,2N -1，将第一数据扩充自编码器网络参数集记为θ1＝{W 1,b 1,W 1′,b ′1}；从而有各个网络层之间的关系式可表示为：f 1、f 1′为sigmoid函数；将第一数据扩充自编码器的输出层表示为输入层函数式：将所述第一扩充数据集作为输入，构建第一数据扩充自编码器的预训练目标函数：权 利 要 求 书1/4页2CN 110096810 B。
基于深度学习的工业生产质量检测算法研究
基于深度学习的工业生产质量检测算法研究深度学习是人工智能领域中的一种技术，近年来在工业生产领域中的应用得到了广泛关注。
基于深度学习的工业生产质量检测算法，能够高效准确地检测产品的质量问题，提高生产过程的效率和准确性。
本文将对基于深度学习的工业生产质量检测算法进行研究和探讨。
首先，我们需要明确工业生产质量检测的目标和需求。
工业生产质量检测的目的是找出产品中存在的缺陷和问题，确保产品符合标准和规格要求。
这对于保证产品质量和提高生产效率非常重要。
传统的质量检测方法通常需要大量的人力和时间成本，而基于深度学习的算法可以通过学习和训练，自动化地实现质量检测过程，减少了人力成本并提高了检测准确性。
基于深度学习的工业生产质量检测算法的关键是如何有效地提取和学习产品图像的特征。
深度学习算法中最常用的网络结构是卷积神经网络（Convolutional Neural Network，简称CNN）。
CNN能够通过多层的卷积和池化操作，自动地提取图像的特征，从而实现准确的分类和识别。
在工业生产质量检测中，我们需要将产品的图像输入到CNN模型中进行训练。
训练的目的是让CNN模型能够学习到不同类型的缺陷和问题，并能够准确地进行分类和判断。
为了使CNN模型更准确地学习和判断，我们需要构建一个包含大量样本的数据集，其中包含了正常产品和不同类型的缺陷样本。
通过在这个数据集上进行反复的训练和微调，CNN模型可以逐渐提高准确度。
除了CNN模型外，还有一些其他的深度学习算法可以用于工业生产质量检测。
例如，循环神经网络（Recurrent Neural Network，简称RNN）可以用于处理序列数据，对于一些需要考虑上下文关系的工业生产问题，RNN可以提供更准确的预测和判断。
另外，生成对抗网络（Generative Adversarial Network，简称GAN）可以用于生成合成的产品图像，以扩充数据集和增加多样性。
这些算法的选择取决于具体的问题和应用场景。
基于深度学习技术的工业质量检测应用研究
基于深度学习技术的工业质量检测应用研究随着工业化的不断发展，工业品的生产量也不断增加。
如何确保工业品的质量稳定可靠，成为了众多制造企业必须面对的重要问题。
传统的工业质量检测方法需要大量的人力、物力和时间投入，效率低下、成本高昂，无法满足现代工业大规模生产的需求。
而基于深度学习技术的工业质量检测应用，正在逐渐成为一种新的解决方案。
一、深度学习技术简介深度学习是一种模拟人类大脑神经网络的计算机技术，旨在通过模拟神经元、构建深层神经网络，并利用大量的数据自动学习和优化网络模型，从而实现高效、准确的模式识别和数据分析。
深度学习技术已广泛应用于计算机视觉、自然语言处理、语音识别等领域，其强大的模式识别和特征提取能力，对于工业质量检测来说也具有重要价值。
二、基于深度学习技术的工业质量检测应用1. 检测方法基于深度学习技术的工业质量检测应用，通常采用视觉检测方法。
利用机器视觉系统获取工业品的图像信息，将该信息输入深层神经网络模型，经过训练和优化后，模型可以自动识别和判断工业品的各种缺陷，如表面裂纹、气泡、瑕疵等。
2. 优势特点相较于传统的工业质量检测方法，基于深度学习技术的工业质量检测应用具有以下优势：（1）准确度高：深度学习模型可以有效利用大量的数据进行训练和优化，能够从复杂的图像信息中精确提取关键特征，达到高度准确的检测结果。
（2）自适应性强：由于深度学习模型的自我学习和优化能力，即使在工业品样本数量较少或出现新型缺陷情况下，也能够快速适应和更新模型，保持检测 accuracy 高度稳定。
（3）实时性好：基于深度学习技术的工业质量检测应用，通常采用计算机视觉技术进行图像处理和识别，能够实现高速实时的工业质量检测。
（4）效率高：相较于传统的人工检测方法，基于深度学习技术的工业质量检测应用可以极大地提高检测效率和降低成本，同时也避免了人工因疲劳、主观因素等问题引起的误差。
三、工业质量检测应用案例1. 基于深度学习技术的钢板表面缺陷识别钢板是工业生产中常见的材料，其表面缺陷的存在会直接影响其品质和使用寿命。
深度学习知识：深度学习在工业检测中的应用
深度学习知识：深度学习在工业检测中的应用随着深度学习技术的不断进步，它的应用领域也越来越广泛，其中在工业检测领域的应用也日益增多。
工业检测是指对工业生产中的各项产品、工艺和设备等进行监测、检验和测量的一项工作。
而深度学习技术可以通过训练神经网络来实现自动化检测，并取得比传统检测方法更好的效果。
一、深度学习在工业检测中的应用现状1.产品缺陷检测在工业产品生产过程中，可能会因为各种原因导致产品出现缺陷。
传统的产品缺陷检测方法需要大量人力去检验每个产品，而使用深度学习技术可以通过训练神经网络，来实现对产品进行自动化检测。
例如，可以使用卷积神经网络(Convolutional Neural Networks，简称CNN)对产品图片进行分类，从而判断其中是否存在缺陷。
近年来，深度学习在产品缺陷检测领域已经取得了一些突破性进展。
比如，在图像分类方面，可以通过叠加多个卷积层和池化层来提高模型的准确性，同时还可以使用滑动窗口或者图像金字塔等技术，来对不同尺寸的缺陷进行精准检测。
2.故障预测与维护深度学习在工业设备故障预测和维护方面的应用也变得越来越普遍。
通过监测设备运行时的各项参数，比如温度、压力、电流等指标，可以构造出多个时间序列数据。
而这些时间序列数据就可以作为输入，训练模型来预测设备是否会出现故障。
例如，在制造业中，可以通过安装传感器和数据采集设备，收集各项参数数据，从而实现对设备的预测和维护。
这不仅能够提高设备的利用率，还可以大幅降低故障发生的概率，从而降低企业的维修成本和停机时间。
3.质量控制质量控制是制造领域中非常重要的一环。
而深度学习在这方面的应用也是非常广泛的。
例如，在电子产品制造业中，可以通过对关键部件的测量和检测，来保证产品的质量。
通过训练一个深度神经网络，可以对产品进行自动化的检测，从而大幅提高产品生产的效率和稳定性。
4.可见光与红外图像的缺陷检测在工业检测中，可见光图像与红外图像的缺陷检测是一个非常复杂的问题。
深度学习知识：深度学习在工业检测中的应用
深度学习知识：深度学习在工业检测中的应用随着人工智能技术的不断发展，深度学习在工业检测中的应用越来越广泛。
工业检测是指对工业产品、设备或生产过程进行检验和监测，以确保其符合标准和要求，保证产品质量和生产效率。
传统的工业检测方法通常需要大量的人力和时间成本，而且存在一定的误差率。
深度学习技术的应用可以提高工业检测的效率和准确性，从而降低成本，提高产品质量。
本文将从以下几个方面介绍深度学习在工业检测中的应用：工业缺陷检测、质量控制、设备监测和生产过程优化。
1.工业缺陷检测工业产品在生产过程中往往会出现各种各样的缺陷，如表面裂纹、变形、划痕等。
传统的工业缺陷检测方法通常需要人工视觉检查或使用特定设备进行检测，但由于人工检查受主观因素影响，而且需要大量的时间和人力成本，而设备检测的准确性和泛用性受到技术和成本的限制。
深度学习技术可以通过训练大量的图像数据，采用卷积神经网络（CNN）等算法进行图像识别和分类，实现对工业产品缺陷的自动检测。
以视觉检测为例，深度学习可以识别产品表面的缺陷、变形等问题，并进行智能分类和定位，从而实现高效、准确的工业缺陷检测。
2.质量控制工业生产过程中质量控制是非常重要的一环，合格的产品可以提高企业的竞争力，而不合格的产品不仅浪费了成本，还会影响企业的信誉。
为了保证产品质量，传统的质量控制方法主要依靠人工检查或设备检测，但由于人力成本和技术限制，往往难以实现对每个产品的全面检查。
深度学习技术可以通过训练大量的数据，实现工业产品的自动分类和质量评估。
例如，利用深度学习技术可以对产品的尺寸、外观、重量等方面进行智能检测和评估，实现对产品质量的实时监测和控制。
3.设备监测工业设备的监测是确保生产过程正常运行的关键环节。
而传统的设备监测方法往往需要大量的数据采集和人工分析，存在一定的滞后性和不准确性。
而深度学习技术可以通过对设备运行数据进行训练，实现对设备状态的实时监测和预测。
例如，对于机械设备的运行状态可以通过深度学习算法实现故障预警和提前维修，提高设备的稳定性和可靠性。
深度学习技术在工业测量与检测中的应用研究
深度学习技术在工业测量与检测中的应用研究近年来，随着人工智能技术的快速发展，深度学习技术被广泛应用于各行各业中，其中包括工业测量与检测领域。
深度学习技术以其快速、准确、自动化的特点，为工业测量与检测过程带来了很大的便利和发展机遇。
本文将从深度学习技术在工业测量与检测中的应用场景、技术特点及未来发展方向等方面进行探讨。
一、深度学习在工业测量与检测中的应用场景随着工业生产水平的不断提高，产品的生产质量和检测要求也越来越高，越来越注重检测设备的灵敏度、准确性和及时性。
同时，由于工业产品种类繁多，每种产品的尺寸、性质和检测标准也不尽相同，因此需要开发出高效、快速且个性化的工业测量与检测技术。
此时，深度学习技术的出现为解决这一难题提供了有力工具。
1. 告警诊断在大型工厂中，如电力厂或者炼油厂，往往存在大量的测量设备，每个测量设备都有特定的测量任务。
如果测量异常，可能会对工厂的生产运行产生不利影响。
传统的测量设备，准确性较高，但误判率比较高，不能快速处理大量的数据。
而深度学习技术可以大幅提高测量设备的应用效率，有助于判断故障，保证工厂生产的正常运行。
2. 质量检测深度学习技术在质量检测方面也有着得天独厚的优势。
以某厂生产的饼干为例，每批生产饼干都有严格的检测标准，深度学习技术在如此庞大的数据中，可以准确地识别不符合标准的饼干，从而对不良产品进行筛查和分类。
在此基础上，厂家可以及时采取纠正措施，提高产品的质量和安全性。
二、深度学习在工业测量与检测中的技术特点1. 自动化深度学习技术能够自适应于不同的数据集和变化之中，使得测量与检测的自动化程度大大提高。
深度学习技术具有很强的模式识别和抽象能力，可以快速地适应新的数据执行指定的任务。
此外，深度学习技术自动特征提取与选择的能力，可以减轻工业测量与检测中需要寻找与筛选特征的负担，降低了手动干预的成本。
2. 高效性深度学习技术可以在很短的时间内达到极高的效率，能够快速完成大量产品的检测和测量工作，特别是对于复杂的大数据场景，其优势更为明显。
基于深度学习的工业视觉检测算法研究
基于深度学习的工业视觉检测算法研究随着工业自动化的发展，工业视觉检测技术已经成为了关键的技术之一。
它可以帮助工业生产企业实现准确、高效的生产。
然而，由于工业视觉检测技术往往需要大量的视觉处理，因此传统的视觉检测算法已经无法胜任这一任务了。
因此，基于深度学习的工业视觉检测算法开始逐渐成为了主流。
深度学习是一种以人工神经网络为基础的机器学习技术。
与传统的机器学习算法相比，深度学习算法可以自动学习特征，并有效地解决维度灾难问题。
因此，深度学习算法在图像处理、语音识别、自然语言处理等领域有着广泛的应用。
工业视觉检测算法是一种特殊的图像处理技术。
需要实现的任务包括零件定位、形状识别、大小检测等。
在传统的视觉处理算法中，这些任务通常需要手工设计特征，并采用传统的机器学习算法进行分类。
在实际应用中，经常需要处理不同形状、大小和光照条件的对象，这使得手工设计特征变得尤其困难。
基于深度学习的工业视觉检测算法采用卷积神经网络进行训练。
卷积神经网络可以通过多层卷积运算和池化操作来自动学习图像特征。
在深度学习算法中，卷积神经网络的深度往往比传统的机器学习算法更深，可以处理更加复杂的特征。
对于基于深度学习的工业视觉检测算法，数据集的质量非常关键。
因此，在数据预处理阶段需要进行图像增强操作，包括光照均衡、梯度滤波等操作。
此外，还需要进行数据集的分割，对于不同类别的零件，需要将其分为训练集和测试集进行训练和测试，以求得最佳的模型性能。
模型的选择也是工业视觉检测算法的关键。
目前，常用的模型包括AlexNet、VGG、GoogLeNet、ResNet等。
在模型选择时，需要考虑到模型的复杂度、计算量以及模型在实际应用中的性能表现。
在实际工业应用中，基于深度学习的工业视觉检测算法已经被广泛使用。
例如，在汽车制造业中，基于深度学习的工业视觉检测算法可以对汽车零件进行精准的定位、分类和检测，从而提高生产效率和产品质量。
在电子制造业中，基于深度学习的工业视觉检测算法可以帮助实现对电子产品的自动化检测和质量控制。
深度学习技术在工业质检中的实际应用案例
深度学习技术在工业质检中的实际应用案例随着工业化的发展和全球竞争的加剧，制造业对产品质量的要求越来越高。
而工业质检是确保产品质量的关键环节之一。
传统的质检方法通常需要大量的人力和时间成本，并且存在一定的主观性。
而近年来，深度学习技术的快速发展为工业质检带来了新的机遇与挑战。
本文将介绍一些深度学习技术在工业质检中的实际应用案例。
1. 缺陷检测深度学习技术在工业质检中的一个常见应用是缺陷检测。
传统的缺陷检测方法通常依赖于人工设计特征和阈值的设定，容易受到环境变化的影响。
而深度学习可以通过学习大量的样本数据来自动学习特征，并能够更好地适应不同的环境。
例如，在电子产品制造中，深度学习可以通过学习正常产品的图像特征，从而检测出产品表面的划痕、裂纹等缺陷。
这种方法不仅可以提高检测的准确性，还可以大幅度减少人力成本和时间成本。
2. 过程控制深度学习技术还可以应用于工业生产过程中的质检。
在某些生产过程中，产品可能会因为材料的异常、设备的故障或操作的失误而出现问题。
传统的方法通常基于规则和经验来判定是否存在问题，但对于一些复杂的生产过程来说，这种方法不够准确和灵活。
而深度学习可以通过学习历史数据和反馈信息来判断当前生产过程是否正常，并及时发现潜在问题。
例如，在汽车制造中，深度学习可以通过学习不同车型的组装数据，从而检测出可能存在的装配问题，提前进行调整和修正，以保证产品的质量和安全性。
3. 智能分类在工业质检中，常常需要将产品按照不同的品类或质量等级进行分类。
传统的分类方法通常需要事先规定分类的标准和特征，并由人工根据这些标准进行分类。
而深度学习可以通过学习大量的样本数据来自动学习分类规则，并可以根据实际情况进行灵活调整。
例如，在食品加工行业中，深度学习可以通过学习不同食品的外观、形状、颜色等特征，并结合传感器数据，进行智能分类和鉴定。
这种方法不仅可以提高分类的准确性，还可以提高整体工作效率和产品质量。
4. 异常检测工业质检中，经常需要检测设备是否存在异常运行或故障。
基于深度集成支持向量机的工业过程软测量方法
基于深度集成支持向量机的工业过程软测量方法马建;邓晓刚;王磊【期刊名称】《化工学报》【年(卷),期】2018(069)003【摘要】The soft sensor modeling method based on support vector machine (SVM) has been widely used in the field of industrial process control. However, the traditional support vector machine directly models the original measurement variables without fully extracting the intrinsic data information to improve the prediction accuracy. Aiming at this problem, a soft sensor modeling method based on deep ensemble support vector machine (DESVM) is proposed in this paper. Firstly, this method uses the deep belief network (DBN) to carry on the deep information mining, and extracts the intrinsic data characteristic. Then the ensemble learning strategy based on the Bagging algorithm is introduced to construct the ensemble support vector machine model based on the deep data characteristic, which can enhance generalization ability of soft measurement prediction model. Finally, the applications on a numerical system and real industrial data are used to validate the proposed method. The results show that the proposed method can effectively improve the prediction accuracy of the soft vector model of support vector machine and can predict the change of process quality index better.%基于支持向量机(SVM)的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度.针对该问题,本文提出一种基于深度集成支持向量机(DESVM)的软测量建模方法.该方法首先利用深度置信网络(DBN)来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力.最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化.【总页数】8页(P1121-1128)【作者】马建;邓晓刚;王磊【作者单位】中国石油大学(华东)信息与控制工程学院,山东青岛 266580;中国石油大学(华东)信息与控制工程学院,山东青岛 266580;中国石油大学(华东)信息与控制工程学院,山东青岛 266580【正文语种】中文【中图分类】TP277【相关文献】1.基于集成学习的多产品化工过程软测量建模方法 [J], 邵伟明;田学民;宋执环2.基于混合核函数PCR方法的工业过程软测量建模 [J], 王华忠;俞金寿3.基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模 [J], 赵超;李俊;戴坤成;王贵评4.基于支持向量机算法的造纸过程磨后纤维形态软测量模型 [J], 江伦;满奕;李继庚;洪蒙纳;孟子薇;朱小林5.基于支持向量机的软测量方法及其在生化过程中的应用 [J], 常玉清;王福利;王小刚;吕哲因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(3)提出了一种基于多粒度级联循环神经网络的复杂过程软测量 建模方法。基于深度森林回归的框架,将循环神经网络作为基学 习器,构建了一种多粒度循环神经网络和级联循环神经网络结构, 可适用于过程数据的非线性、动态性、多模态等复杂特性问题。
通过脱丁烷塔过程Benchmark仿真和合成氨一段炉过程实际运行 数据仿真,验证了该方法的有效性。
通过脱丁烷塔过程Benchmark仿真验证该方法对非线性动态工业 过程软测量建模的可行性和有效性。(2)提出了一种基于深度森 林回归的非线性多模态过程软测பைடு நூலகம்建模方法。
根据集成学习思想,将随机森林回归嵌入到深度森林结构,建立 了一种非神经网络结构的深度预测模型,在训练过程可自适应调 节模型结构,增强了数据模型的表示学习能力和适用范围。通过 一段炉过程实际数据仿真,验证了该方法对非线性多模态工业过 程软测量建模的可行性,进一步与传统回归方法比较预测性能差 异。
由于其易于开发、灵活配置、及时跟踪、快速响应的优点,在学 术界和工业界得到了迅速的发展和有效的实践。根据过程的不 同数据特性,多种软测量方法相继被提出和应用。
本文以深度学习算法为主要研究方法,开展复杂工业过程的软测 量建模研究工作,主要研究工作如下:(1)提出了一种基于堆叠循 环神经网络的非线性动态过程软测量建模方法。对循环神经网 络、长短时记忆单元和门控循环单元进行stacking集成,构建了 堆叠循环神经网络模型结构,可有效缓解过拟合问题,同时提升 预测效果。
基于深度学习的工业过程软测量
为了降低生产成本、监测过程状态、调整控制策略、提高生产 效率、优化产品质量,过程关键质量变量的实时测量和准确预报 十分重要。面对复杂生产环境下测量仪器仪表不能实时测量质 量变量值的问题,软测量方法通过构造以辅助变量为输入、主导 变量为输出的估计模型,间接估计预测关键质量变量。