一种基于数字孪生与深度学习融合的多变量时序预测与闭环控制方法

本申请涉及工业智能控制与预测性维护技术领域，尤其涉及一种基于数字孪生与深度学习融合的多变量时序预测与闭环控制方法，包括：构建基于数字孪生五维模型的多层次数据架构；数据预处理与SMOTE重采样；基于1D‑CNN的时序特征提取；基于Bi‑LSTM与注意力机制的虚拟孪生数据生成；基于RNN‑LSTM混合网络的多模态故障诊断；基于李雅普诺夫稳定性的自适应反馈控制；采用多任务学习机制，联合优化虚拟孪生数据生成和故障诊断。本申请在半导体蚀刻工艺数据集上验证了其优异的预测精度与控制性能，显著提升了复杂工业过程的故障诊断效果与系统自主优化能力。