基于序列建模的多尺度工业关键参数长时间预测方法

本发明针对具有时滞特性的工业过程的优化控制需求，提供基于序列建模的多尺度工业关键参数长时间预测方法。该方法首先利用分组卷积对原始序列进行多次下采样，以获得工业数据在不同时间尺度上的特征。然后，将这些特征输入多层网络中分别进行趋势季节分解，以分离模式复杂的季节项特征和模式简单的趋势项特征。随后，将完整的季节项特征输入多头注意力机制(Multi‑Head Attention)中基于序列建模变量维度的依赖关系。接着，提出跨尺度冗余优化机制来缓解多尺度网络固有的信息重叠问题并将以变量为中心的特征依次输入到双向门控循环单元(BiGRU)和卷积网络(CNN)中建模序列之间和序列内的时间维度依赖关系。最后，利用多层感知机(MLP)挖掘趋势项特征并与季节项特征结合来获得工业关键参数数据的潜在特征并进行预测。通过本发明提高了工业关键参数的长时间预测精度，为具有时滞特性的工业过程的优化控制提供了技术支撑。