CN115238962B 聚酯纤维酯化阶段性能指标的多生产线时间序列预测方法 （东华大学）

号multi-sourcedeeptransferneB016-1468.聚酯纤维酯化阶段性能指标的多生产线时本发明提出一种基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预测方基于迁移学习的聚酯纤维酯化阶段性能指标的阶段性能指标未来一段时间内的真实值进行预2基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预测模型的建模步(2)将目标域时序数据集和多个子源域时序数据集输入多源域深度迁移网络中进行训2.根据权利要求1所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间3.根据权利要求2所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间多元时间序列数据x=[x,x,…,x,]eR"⃞,其中L是观测序列的长度，m是序列维度，为X在j时刻的观测点；X中指定预测序列为"-[x…He",其中为xp在j时刻的观测点；X中除指定预测序列之外的其余序列为非预测序列，非预测序列为其中为xnp在j时多元时间序列数据X通过滑动窗口法转换为时序数据集其中N为数据集x,…,x-leR",其中l为窗口大小，表示预测序列未来第h4.根据权利要求3所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间35.根据权利要求4所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间6.根据权利要求5所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间D,为第j个子源域对应的域判别器；sy为平衡常数；y是通过sy在域判别器D,上的损失取平均获得的，当xt来自于第j个子源域的概率7.根据权利要求6所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间域混淆分数S:(";F,D,)重新加权对应的预测器预测结果然后累加获得最8.根据权利要求7所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间(1)预训练：用K个子源域中的带标签时序数据集联合训练特征提取器F和多路预测器4(2)多路对抗训练：固定多路预测器用目标域中的去标签的时序数据集和K个子源域中的带标签的时序数据集根据多路对抗策略分别更新特征提取器F和多路域判别器多路对抗策略中每条线路的对抗训练寻求能使域判别器损失最大化的特征提取器F，为预测器固定下K个子源域数据集的平均预测损失；表示计算均值；分别更新特征提取器F和多路预测器并计算得9.根据权利要求8所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间的传感器数据，目标域中的酯化阶段历史数据集包含连续2天每隔1分钟采集的传感器数5指由对苯二甲酸(PTA)和乙二醇(EG)为原料通过聚合过程形成聚对苯二甲酸乙二醇酯[0004]传感器的大规模部署使得基于数据驱动的工业时间序列预测技术得到了长足的进步，这些技术依赖传感器收集的历史数据来推断未来生产设备的工作状况和健康程度。或最大限度地减少目标域训练学习器所需的标一生产线获取历史标签数据有限，难以建立准确且泛化能力强的时间序列预测模型的问6多源域深度迁移网络(DomainAdversarial_basedMulti_sourceDeepTransfer程度上利用目标域的有标签数据，提升模型在目标域上的预测性能并保证模型的泛化能[0009]一种基于迁移学习的聚酯纤维酯化阶段性能指标的多生选取一条工况稳定(聚酯产品指标要求不发生变化)且连续生产两个月以上的生产线作为[0010]基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预测模型的建[0012](2)将目标域时序数据集和多个子源域时序数据集输入多源域深度迁移网络(DomainAdversarial_basedMulti_sourcedomainDeepTransferNetwork,DA_MDTN)[0013]建模完成后，将目标域中酯化阶段的工艺特征时序数据[0015]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预7[0024]上述优化问题的学习目标是通过搜索K和对应时间区段的边界来最大化平均分布[0025]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预[0026]多元时间序列数据x=[x,sx,…,x,]eR",其中L是观测序列的长度，m是序列维预测的单个序列)为其中x-je'为xp在j时刻的观测点；X中除指定预测序列之外的其余序列为非预测序列，非预测序列为[0027]多元时间序列数据X通过滑动窗口法转换为时序数据集其中N为数[0028]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预[0029]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预[0030]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预8自子源域j的样本只会经过特定域判别器n,得到判别结果但是来自目标域的样本xt会经过多路域判别器产生K个域判别结果它们用于更新多多路域判别器用于向K个预测器提供目标域样本xt的域混淆分数的计算公式如下：ey是通过y在域判别器D,上的损失取平均获得的，当xt来自于子源域j的概率[0039]每一个子源域对应一个预测器P，则多子源域的预测器(多路预测器)表示为测器首先用子源域j的带标签数据预训练，在多路对抗学习后再用源域和目标域带标签数[0040]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预F(xt)，目标域预测器Pt取对应每个子源域的域混淆分数S.(";F,D,)重新加权对应的预测[0042]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预9器用源域带标签和目标域去标签训练集根据多路对抗策略更新特征提取器F和多路域判别器最后用源域和目标域带标签数据更新特征提取器F和多路预测器[0043](1)预训练：用K个子源域的带标签时序数据集联合训练特征提取器F和多路预测K个子源域中的带标签的时序数据集根据多路对抗策略分别更新特征提取器F和多路域判[0052]多路对抗策略中每条线路的对抗训练寻求能使域判别器损失最大化的特征提取[0065]为了最终获得理想的预测器，结合源域和目标域带标签样本对F和进行微[0074]如上所述的基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预[0076](1)本发明采用基于最大熵理论的源域分割方法，通过分割源时间序列为多个区[0077](2)本发明中的多源域迁移网络通过多路对抗训练学习域不变、可迁移的特征表[0078](3)本发明中网络训练采用三阶段训练方法有效提升训练效率，并在多路对抗训[0079]图1是基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序列预测模型[0085]如图1所示，一种基于迁移学习的聚酯纤维酯化阶段性能指标的多生产线时间序[0087](1.1)选取一条工况稳定(聚酯产品指标要的生产线作为源域，采取该生产线连续两个月每隔1分钟采集的传感器数据作为原始源域[0088](1.2)选取一条缺乏历史数据集(仅采[0090](1.3)对原始源域时间序列和原始不可控因素造成的偏离正常工况太多的观测数值，一般定义时间窗口ω,在这内通过3δ法则来检测异常值并将其替代为前一个时间步和后一个时间步的平均值，具体[0098]采用z_score方法对特征数据进行标准化处理，对于时间序列的所有特征维度[0105]通过搜索K和对应时间区段的边界来最大化平均分布距离，使得不同时间区段的[0106](1.5)将目标域时间序列和所有子度，为X在j时刻的观测点；X中指定预测序列(即被预测的单个序列)为其中为xp在j时刻的观测点；X中除指定预测[0109]多元时间序列数据X通过滑动窗口法转换为时序数据集其中N为数[0111]将步骤(1)得到的目标域时序数据集和多个子源域时序数据集输入基于域对抗的多源域深度迁移网络(DomainAdversarial_basedMulti_sourcedomainDeepTransfer的网络模型可直接用于目标域中酯化阶段的时间序为0，目标域的域标签为1；来自子源域j的样本只会经过特定域判别器DS,得到判别结果n,rtc"n.但是来自目标域的样本xt会经过多路域判别器产生K个域判别结果它们用于更新多路域判别器域间差异可以由域判别器的分类损目标域样本xt的域混淆分数S.("';F,D,),S.(X"';F,D,)的计算公式如下：是通过y在域判别器D,上的损失取平均获得的，当xt来j的时序数据，只有预测器被激活并进行梯度的反向传播；对xt，会经过多路预测器输出K个预测结果预测器首先用子源域j的带征F(xt)，目标域预测器Pt取对应每个子源域的域混淆分数S.:(X";F,D,)重新加权对应的预[0132]多路对抗训练阶段时，固定多路预测器用目标域中的去标签的时序数据集和K个子源域中的带标签的时序数据集根据多路对抗策略分别更新特征提取器F和多路域判别器多路对抗策略中每条线路的对抗训练寻求能使域判别器损失最大化的[0139]预测器适应阶段时，用K个子源域中的带标签时序数据集和目标域中的带标签时序数据集分别更新特征提取器F和多路预测器训练轮次设置为30，然后计算得到[0148]引入两个对比实验的设置标准：1)表现最好的子源域(Singlebest)：在多源域与LSTM网络相结合、DTN(DeepTransferNetwork)为深度迁移网络，SDS_DTM(SourceDomainSegmentation_basedDeepTransferModel)为基于源域分割的深度迁移模型，Onlysourcedomain方法表示仅用源域数据训练模型，然后直接用于目标域的预测任务，DANN(DomainAdversarialNeuralNetwork)为基于域对抗的单源域迁移方法；DANN在前两种设置标准下都取得