基于GAN的化工过程领域虚拟样本生成方法研究
在过程工业中，数据驱动的软测量模型被用于获取实际生产中难以得到的信息。数据的质量与数量对软测量模型的构建都是至关重要的。然而,由于化工生产过程数据的波动小、多重复、采集成本高等原因，有效样本的规模不足、分布不均与多样性不足成为了导致软测量模型精度差强人意的重要因素。在这类问题上，通过生成虚拟输入样本和其对应的输出样本来构建完整的虚拟样本并用于扩充数据集，是一种新颖有效的方法。 为了生成更具多样性以及均匀性的虚拟输入样本，从而填补数据稀疏区域，使得构建的模型能够从化工数据中发掘出更多的潜在信息，本文提出了一种基于梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)的稀疏区虚拟输入样本生成方法。在所提的方法中，先使用KNN去识别数据稀疏区域所在点并由此构建出超矩形数据稀疏区，然后使用WGAN-GP并根据均匀度挑选法在数据稀缺区域中生成虚拟输入样本。接着，使用数值仿真和实际化工数据集来验证所提方法，由实验结果可得:该方法生成的虚拟输入样本在符合原始样本特性的基础上,增加了输入空间的覆盖性与均匀性，有效填补了样本输入空间的数据间空缺。 为了进一步提升软测量模型的精度，本文基于条件对抗生成网络(CGAN)并对其进行改进形成循环结构的CGAN(CS-CGAN)来生成虚拟输出样本。反向的CGAN能通过捕获条件分布P(y|x)来生成输出样本，而CS-CGAN具有学习双向条件分布的特性，可以通过其结构的特殊性进行一致性筛选以挑选多次输入输出映射中信息损失较小的一次映射来提升虚拟输入与输出映射的精确性，从而保证虚拟输出的准确性和与原始输出分布的一致性，并进一步提升软模型精度。将输入生成方法与输出生成方法结合可以得到完整的虚拟样本生成方法。在数值仿真和化工应用的验证下，结果表明:所提的虚拟样本生成方法有效地提升了软测量模型的精度，并且CS-CGAN的提升作用高于反向CGAN。
数据集;虚拟样本生成;软测量模型;生成对抗网络;梯度惩罚
北京化工大学
硕士
计算机技术
朱群雄;顾祥柏
2023
中文
TP311.13
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）