任巍，翟博豪，彭炜淞

（1.山西太钢不锈钢股份有限公司冷轧厂，山西 太原 030003；2.天津电气科学研究院有限公司，天津 300180）

在现代工业过程中，某些关键性指标的预测对安全、环保生产而言显得越来越重要，其很大程度上决定着生产过程的规划及产品的质量[1]。近年来，基于数据驱动的预测模型在冶金、生化工业等领域非常流行且有效，这主要得益于大量的过程历史数据[2]。数据驱动模型无需对生产的物理化学过程进行深入了解，仅基于生产变量间的关系进行建模。与机理模型相比，其具有成本低、响应快、维护方便等优点[3]。

过程数据的特征表示在建立精确的预测模型中起着不可或缺的作用[4]。由于过程数据的高维、大容量增长，在捕获复杂数据特征方面受到限制。这使得传统的特征学习方法，如典型相关分析（canonical correlation analysis，CCA），主成分分析（principal component analysis，PCA）和偏最小二乘（partial least squares，PLS）等浅层学习网络模型，难以在现代大规模流程中描述数据。与浅层模型相比，多层神经网络具有更强的非线性建模能力。由于多层非线性的堆叠结构，深度神经网络能够处理任何高度非线性的数据关系[5]。深度网络主要以分层无监督预训练和有监督微调的方式进行训练，为此开发了深度信念网络（deep belief network，DBN）、长短期记忆（long and short term memory，LSTM）、卷积神经网络（convolutional neural network，CNN）、堆叠自编码器（stack autoencoder，SAE）等深度学习模型。

在以上模型中，虽然分层预训练方式可以从工业过程数据中学习到层次特征，但是大多数深度网络主要基于无监督训练的方式对原始输入数据进行特征表示，因此提取的特征可能不适合用于目标预测过程。……