欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

化工间歇过程产品质量与收率软测量预测实战

上邦 AI 工程团队2026-10-08阅读 约 11 分钟
间歇与批次生产的产品质量、收率往往只能靠事后化验得出,调控严重滞后。本文给出一套可落地的软测量方案:以历史批次的工艺曲线为输入、以离线化验值为标签训练回归模型,并用主动学习挑选下一批次实验点形成闭环。附 pandas + scikit-learn 与轻量 ConvLSTM 的 Python 可复现代码,帮助企业把质量预测前置到生产过程之中。

为什么间歇过程需要软测量

在间歇与批次生产中,关键质量指标(如产品纯度、收率)通常由实验室离线化验给出,存在数小时甚至更长的滞后。等结果出来,这批物料往往已经走完。软测量(soft sensor)的思路是:用过程可在线采集的变量(温度、压力、流量、pH 等)建立模型,实时预测那个体外才能测到的质量值,把判断从事后提前到事中。

数据准备:把批次曲线对齐到统一时间轴

不同批次的持续时间并不一致,建模前需要把每批的工艺曲线重采样到统一的长度(例如 100 个时间步)。下面用 pandas 完成对齐,并把每批对应的离线化验值作为标签。
import pandas as pd
import numpy as np

# 假设 raw 是长表:columns=['batch','t','temp','pressure','flow']
raw = pd.read_csv('batch_curves.csv')
STEPS = 100

def resample_batch(g):
    g = g.sort_values('t')
    return g[['temp','pressure','flow']].values

X, y = [], []
for bid, g in raw.groupby('batch'):
    curve = resample_batch(g)           # (T, 3)
    if len(curve) < 2:
        continue
    xi = np.linspace(0, 1, STEPS)
    ci = np.stack([np.interp(xi, np.linspace(0, 1, len(curve)), curve[:, k]) for k in range(3)], axis=1)
    X.append(ci)
    y.append(g['yield'].iloc[0])         # 该批收率标签
X = np.array(X); y = np.array(y)
print(X.shape, y.shape)

训练软测量回归模型

最简单的起点是树模型或高斯过程回归,能给出预测区间,便于判断不确定性。样本量较大时再考虑时序模型。
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import cross_val_score

model = RandomForestRegressor(n_estimators=300, random_state=0)
score = cross_val_score(model, X.reshape(len(X), -1), y, cv=5, scoring='r2')
print('CV R2:', score.mean())
model.fit(X.reshape(len(X), -1), y)
若想利用曲线的时间顺序信息,可用轻量 ConvLSTM:把(批次、时间步、变量)的输入喂给卷积加 LSTM 结构,通常比把曲线展平更鲁棒。
import torch, torch.nn as nn

class ConvLSTM(nn.Module):
    def __init__(self, vars_n=3, hidden=32):
        super().__init__()
        self.cnn = nn.Conv1d(vars_n, 16, kernel_size=3, padding=1)
        self.lstm = nn.LSTM(16, hidden, batch_first=True)
        self.head = nn.Linear(hidden, 1)
    def forward(self, x):                    # x:(B, T, V)
        x = x.transpose(1, 2)                # (B, V, T)
        x = torch.relu(self.cnn(x)).transpose(1, 2)  # (B, T, 16)
        out, _ = self.lstm(x)
        return self.head(out[:, -1])

用主动学习挑下一批次实验

模型最不确定的区域,往往是最值得做实验的地方。用预测方差或委员会分歧给候选批次打分,把标注预算花在刀刃上,形成数据闭环。
第一步:用已训模型对未化验批次做预测,得到每批的预测值。
第二步:用集成模型(或多 dropout 采样)估计每批预测方差。
第三步:挑选方差最高的若干批次优先安排化验,补充进训练集后重训。
软测量不能替代质检,而是给工艺人员一个实时参考。上线前务必用一段独立批次做回测,确认预测误差在可接受范围;涉及安全与合规的判定仍应以实验室结果为准。

参考来源

微通道气液磺化产率预测:增强 ConvLSTM 软测量 - 科学网
Industrial data science: a review and prospects - Bohrium 科学计算平台
基于软测量技术的间歇聚合过程质量控制 - 控制工程类期刊
基于工业世界模型的产品质量智能预测 - 自动化博览 / 控制网
相关标签:化工AI软测量批次质量主动学习过程建模

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案