(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111302383.4 (22)申请日 2021.11.04 (71)申请人 奥星制药设备 （石家庄） 有限公司 地址 050000 河北省石家庄市中山 东路289 号长安广场 (72)发明人 何国强　杜金旺　陈跃武　邓哲　 刘玉杰　黄胜军　肖方煜　张军　 (74)专利代理 机构 石家庄国为知识产权事务所 13120 代理人 张一 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于大数据的批次过程建模与最终产 品质量预测方法 (57)摘要 本发明提供了一种基于大数据的批次过程 建模与最终产品质量预测方法， 属于精细化工与 制药批次过程建模与最终产品质量预测技术领 域， 具体包括使用编码器将过程测量变量和控制 输入变量非线性映射到更高维的状态变量中， 使 用循环神经网络构建状态变量动态模 型； 将状态 变量经解码器映射回测量变量形成非线性映射 参数； 利用批次过程历史运行大数据学习非线性 映射参数和动态模型； 结合注意力机制建立批次 过程最终产品质量预测模型。 本发 明避免了分阶 段建模与学习， 最终产品质量预测模 型显式地考 虑了历史时刻状态变量对最终产品质量的影响， 克服循环神经网络随着输入长度增加预测最终 产品质量 性能下降的问题。 权利要求书1页 说明书5页 附图1页 CN 114036832 A 2022.02.11 CN 114036832 A 1.一种基于大数据的批次过程建模与最终产品质量预测方法， 其特征在于， 具体包括 以下步骤： S1： 使用编码器将过程测量变量和控制输入变量非线性映射到更高维的状态变量中， 使用循环神经网络构建状态变量动态模型； S2： 将状态变量经解码器映射回测量变量形成非线性映射 参数； S3： 利用批次过程历史运行 大数据学习非线性映射 参数和动态模型； S4： 利用学习推断得到的状态变量， 结合注意力机制建立批次过程最终产品质量预测 模型。 2.如权利要求1所述的一种基于大数据的批次过程建模与最终产品质量预测方法， 其 特征在于： 在步骤S1和S2中， 使用编码器fc和fe， 将t时刻的过程测量变量x(t)和控制输入变量u (t)非线性映射到更高维的状态变量中， 使用循环神经网络RN N构建状态变量动态模型： t时刻的状态变量h(t)再经解码器fd非线性映射回测量变量x(t)， 形成非线性映射参 数： x(t)＝fd(h(t))； 在步骤S4中， 结合注意力机制Attention建立批 次过程最终产品质量指标变量q(tf)预 测模型， 利用历史批次质量分析 结果拟合质量预测模型： q(tf)＝Attention(h1,…,ht,…hf)。 3.如权利要求1所述的一种基于大数据的批次过程建模与最终产品质量预测方法， 其 特征在于， 在步骤S1中， 选取多个采样 批次和多个采样时刻的测量向量构成过程测量变量， 选取多个采样批次和多个采样时刻的控制向量构成控制输入变量， 多个测量向量和多个测 量向量利用PI控制或开环控制的历时运行 数据建立训练数据库。 4.如权利要求3所述的一种基于大数据的批次过程建模与最终产品质量预测方法， 其 特征在于， 所述测量向量包括温度、 压力、 密度和经反应釜搅拌电机转矩转换得到的黏度 值； 所述控制向量包括蒸汽夹套压力和排气率。 5.如权利要求1所述的一种基于大数据的批次过程建模与最终产品质量预测方法， 其 特征在于， 在步骤S 3中， 将多个批次的序列数据每批次逐步滑动， 取特定窗口长度的序列数 据构件序列训练集； 将多个序列数据集分为训练集和验证集， 通过优化最小目标函数可得 到优化映射 参数， 使用验证集选取最优动态模型和优化映射 参数。权　利　要　求　书 1/1 页 2 CN 114036832 A 2一种基于大数据的批次 过程建模与最终产品质量预测方 法 技术领域 [0001]本发明属于精细化工与制药批次过程建模与最终产品质量预测技术领域， 更具体 地说， 是涉及一种基于大 数据的批次过程建模与最终产品质量预测方法。 背景技术 [0002]现有的面向精细化工与制药领域的基于批次运行数据的过程建模、 控制 与最终产 品质量预测方法大致有如下三类： [0003]第一类为基于第一性原理建立批次过程模型， 利用批次运行数据辨识模型参数。 该方法建立的模型具有很强的解释性， 但是所建立模型的一些参数和方程是根据实验室小 批量实验运行结果估算的， 而实际的大规模批次过程时变和非线性因素多， 所辨识的模型 不够准确， 而且一些批次过程使用的是开环控制， 所以控制精度不高， 最 终产品质量预测精 度低， 质量结果经常是批次过程结束以后测试 得到。 [0004]第二类为基于统计批次控制的方法， 对批次运行数据使用主成分分析、 偏最小二 乘和典型相关分析学习等方法得到潜 变量， 或者利用子空间辨识法直接学习线性状态空间 模型。 这类方法学习批次运行数据与最终产品质量的线性相关关系， 利用过去批次的数据 来预测最终产品质量。 此方法的优点是建立系统动态线性模型， 便于 设计控制器， 使用迭代 学习控制算法能 降低控制算法对模型准确 性的依赖； 也可结合模型预测控制， 能将产品质 量控制融入动态优化问题中。 但是此方法建立的模型是时不变线性动态模型， 是非线性系 统的线性近似， 而精细化工和制药过程由于原材料成分的不确定性、 产品种类多及工艺复 杂等原因， 产品质量波动较大， 因此利用统计批次控制的方法控制精度仍有 待提高。 [0005]第三类是基于前馈神经网络、 循环神经网络和支持向量机等非线性建模方法在过 程变量数据与产品质量之间建立非线性模型， 这些方法有较好的预测能力， 能够为长时间 预测提供经验模型。 这些方法利用最后一个时间点的预测状态与最 终产品质量建立 非线性 映射模型， 预测结果非常依赖于最后一个时间点的状态预测质量， 没有考虑同批次历史时 刻过程运行对最 终产品质量的动态影响。 同时此方法仍没有解决批次过程产品质量控制存 在的问题， 即为得到理想的最终产品质量难以设置运行给定轨迹， 即使利用这些非线性模 型设计控制算法使得反应 器能跟踪给定温度运行轨 迹， 但是未必能达 到理想的产品质量。 [0006]可见， 上述三类方法在最终产品质量预测时均在一定缺陷。 发明内容 [0007]为了克服已有的基于大数据的精细化工与制药批次过程建模与最终产品质量预 测方面的不足， 本发明提供了一种基于大 数据的批次过程建模与最终产品质量预测方法。 [0008]为实现上述目的， 本发明采用的技术方案是： 提供一种基于大数据的批次过程建 模与最终产品质量预测方法， 具体包括以下步骤： [0009]S1： 使用编码器将 过程测量变量和控制输入变量非线性映射到更高维的状态变量 中， 使用循环神经网络构建状态变量动态模型；说　明　书 1/5 页 3 CN 114036832 A 3