(19)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 202210915720.5 (22)申请日 2022.08.01 (71)申请人 东华大学 地址 201620 上海市松江区人民北路2 999 号 (72)发明人 谢锐敏　王华平　郝矿荣　王朝生　 (74)专利代理 机构 上海统摄知识产权代理事务 所(普通合伙) 31303 专利代理师 杜亚 (51)Int.Cl. G16C 20/70(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 基于半监督GRU回归模型的聚酯熔体质量在 线预测方法 (57)摘要 本发明涉及一种基于半监督GRU回归模 型的 聚酯熔体质量在线预测方法， 具体为： (1)建立 半 监督GRU回归模型； 改进的GRU单元中GRU隐藏状 态方程的激活函数为ReLU 函数， 回归层由KELM构 成； (2)对采集的14维过程变量和1维熔体质量变 量进行序列化预处理得到序列 样本， 将序列 样本 划分为训练集和测试集； (3)采用He式初始化方 法对步骤(1)建立的半监督 GRU回归模型中的GRU 进行权重初始化后， 输入训练集进行模 型的离线 训练； (4)将测试集输入至步骤(3)离线训练完的 模型中进行模 型的验证， 并利用验证后的模型进 行预测， 输出实时的聚酯熔体质量预测值。 本发 明的方法提升了算法在聚酯熔体质量上的预测 精度， 并实现了实时在线预测。 权利要求书2页 说明书9页 附图3页 CN 115274009 A 2022.11.01 CN 115274009 A 1.基于半监 督GRU回归 模型的聚酯熔体质量在线预测方法， 其特 征在于包括如下步骤： (1)建立半监 督GRU回归 模型； 半监督GRU回归模型由输入层、 循环层和回归层构成， 循环层由k个改进的GRU单元构 成， 改进的GRU单 元中GRU隐藏状态方程的激活函数为ReLU函数， 回归层由KELM构成； (2)对采集的14维过程变量和1维熔体质量变量进行序列 化预处理得到序列样本， 将序 列样本划分为训练集和 测试集； (3)采用He式初始化方法对步骤(1)建立的半监督GRU回归模型中的GRU进行权重初始 化后， 输入训练集进行模型的离线训练； (4)将测试集输入至步骤(3)离线训练完的模型中进行模型的验证， 并利用验证后的模 型进行预测， 输出实时的聚酯熔体质量预测值。 2.根据权利要求1所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， 步骤(1)中半监督GRU 回归模型改进隐藏状态方程激活函数后的GRU单元计算公式 如下： zt＝σ(Uzxt+Wzht‑1+bz)； rt＝σ(Urxt+Wrht‑1+br)； 其中， xt表示当前时刻的输入， ht‑1表示上一时刻隐藏层 输出， U*表示输入层 到隐藏层的 连接权重， W*表示相邻时刻隐藏层之间的连接权重， b*表示偏置项， zt表示t时刻的更新门， rt表示t时刻的重置门， 表示t时刻的候选状态， ht表示t时刻的隐藏状态， 通过使用更新门 zt来对前一时刻隐藏状态ht‑1和当前时刻候选状态 做线性耦合组合， σ(*)表示sigmoid函 数， ReLU(*)表示线性整流 函数。 3.根据权利要求1所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， 步骤(2)中14维过程变量由注射浆料前部温度、 注 射浆料后部温度、 虹吸管压力、 泵 流量、 泵转速、 UFPP  PH出口温度、 UFPP  16th出口温度、 UFPP压力、 UFPP  EG喷淋温度、 FINISHER进口液位、 FINISHER出口液位、 FINISHER出口温度、 FINISHER压力和FINISHER搅拌 器转速组成。 4.根据权利要求1所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， 步骤(2)中训练集和 测试集的样本比例为9 ∶ 1。 5.根据权利要求1所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， 步骤(3)中采用He式初始化方式对GRU 进行权重初始化， 表示 为： 其中， W表示GRU网络的权 重， 服从一个均值 为0的高斯分布， ni表示第i层的神经 元个数。 6.根据权利要求1所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， 步骤(3)的具体过程 为： (3.1)确定GRU和KELM的隐藏层节点数及核参数C， 以MSE为模型训练的评价指标； (3.2)采用He式初始化方法对半监 督GRU回归 模型中的GRU 进行权重初始化；权　利　要　求　书 1/2 页 2 CN 115274009 A 2(3.3)将训练集输入至半监督GRU回归模型中， 采用BPTT方法更新半监督GRU回归模型 的权重， 直至MSE值小于 0.03停止训练； (3.4)将测试集输入至步骤(3.3)训练好的模型中， 得到测试 结果。 7.根据权利要求1所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， 假设实际工业过程采集到的数据每隔k个时刻出现一次有标签样本， 其集合表示 为： Dataset＝{x1， x2，…， xk‑1， xk， y1， xk+1， xk+2，…， x2k‑1， x2k， y2，…}； 其中， x*表示样本向量， y*表示标签值， 即每两个有标签样本之间有k ‑1个无标签样本； 步骤(2)中对数据进行序列化预处 理后得到的序列样本形式如下： 其中， 表示第i个序列样本； uj＝{xj}表示采样 得到的第j个样本， 为无标签的样本， 表示采样得到 的第m个样本， 为有标签的 样本， 且为第i个有标签样本 。 8.根据权利要求1所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， KELM的公式如下： 其中， x表示输入参数， 表示KELM最后的输出函数， x1， ...， xN表示数据样本， κ (·，·)表示核函数， Y表示由标签组成的向量， C为核参数， I 为单位矩阵。 9.根据权利要求8所述的基于半监督GRU回归模型的聚酯熔体质量在线预测方法， 其特 征在于， 核函数为RBF， 其公式为： κ(x1， x2)＝exp(‑γ||x1‑x2||2)； 其中， σ 为自由参数。权　利　要　求　书 2/2 页 3 CN 115274009 A 3