CN110991605A - 多变量时间序列深度信念网络的低压铸造模温预测方法 - Google Patents
多变量时间序列深度信念网络的低压铸造模温预测方法 Download PDFInfo
- Publication number
- CN110991605A CN110991605A CN201911024388.8A CN201911024388A CN110991605A CN 110991605 A CN110991605 A CN 110991605A CN 201911024388 A CN201911024388 A CN 201911024388A CN 110991605 A CN110991605 A CN 110991605A
- Authority
- CN
- China
- Prior art keywords
- low
- pressure casting
- time series
- mold temperature
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005266 casting Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 10
- 239000000498 cooling water Substances 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 239000000956 alloy Substances 0.000 claims description 7
- 229910045601 alloy Inorganic materials 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 45
- 230000006870 function Effects 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000465 moulding Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种多变量时间序列深度信念网络的低压铸造模温预测方法，包括以下步骤：选取多个变量，每个变量按照一定时间段内的时间序列作为模型输入；对多个变量进行归一化处理，构建多变量时间序列深度信念网络的低压铸造模温预测模型的输入层；初步建立模温预测模型；确定初始参数，进行无监督的前向训练；采用误差修正算法进行反向微调，优化权值w和偏置b；利用训练好的模温预测模型进行低压铸造模具温度实时预测。本发明解决了多个变量与模具温度之间时延问题，避免了计算各变量与模具温度之间时延的工作，降低了多变量数据所需的运算量，同时提高了模具温度预测的精确度。
Description
技术领域
本发明涉及低压铸造模具温度预测技术领域，尤其涉及一种多变量时间序列深度信念网络的低压铸造模温预测方法。
背景技术
模具温度是低压铸造生产中衡量铸件质量的一个重要指标。模具温度的精准预测对铸件科学的生产调度和合理的能源规划提供依据，从而为铸件制造的优化生产和降低能源提供条件。所以铸件生产过程中的模具温度精准预测对铸件生产的质量具有重要的意义。目前低压铸造的模具温度很难精确在线监测，主要依靠测温传感器远距离进行测量，其测量误差大，低压铸造压铸过程是一个复杂的过程并具有时变性、大滞后性、不确定性和非线性等特点，从而导致难于建立一个精确的模具温度预测模型。针对上述问题，一些学者采用了不同的预测建模算法来研究模温预测模型。江苏大学王雷刚等选用三个与低压铸造成型的相关变量，建立BP神经网络预测模型，来分析影响铸造模具温度的关键因素。虽然BP神经网络预测模型的收敛速度快，但是BP神经网络难以解决工业数据中时间延迟的问题，导致预测精度不高。湖南大学莫建虎等基于BP神经网络算法根据铸造工艺特性建立的有限元模具温度预测模型。上述方法解决了铸造工艺过程中的非线性问题，但该模型更适用于小规模的样本数据，难以寻找大数据中变量间的变化规律。由于汽车零部件成型过程的复杂多变，如果想要得到更为有效的模具温度预测建模方法，必须考虑多变量与模具温度之间的时间延迟问题，同时能够充分提取变量数据的特征信息。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种多变量时间序列深度信念网络的低压铸造模温预测方法，消除各变量时延对模具温度预测的影响，提高低压铸造模具温度预测的精确度。
为实现上述目的，本发明采用了如下技术方案：
一种多变量时间序列深度信念网络的低压铸造模温预测方法，包括以下步骤：
步骤S1：根据低压铸造工艺选取与模具温度密切相关的多个变量作为预测模具温度的辅助变量，每个变量按照一定时间段内的时间序列作为模型输入；
步骤S2：对步骤S1中选取的所述多个变量进行归一化处理，构建多变量时间序列深度信念网络的低压铸造模温预测模型的输入层；
步骤S3：初步建立多变量时间序列深度信念网络的低压铸造模温预测模型；
步骤S4：确定多变量时间序列深度信念网络的低压铸造模温预测模型的初始参数，并对多变量时间序列深度信念网络的低压铸造模温预测模型进行无监督的前向训练；其中，初始参数包括多变量时间序列深度信念网络的低压铸造模温预测模型的结构层数以及隐含单元数、学习率、权值w和偏置b；
步骤S5：采用误差修正算法进行反向微调，通过对误差的修正，优化多变量时间序列深度信念网络的低压铸造模温预测模型中的权值w和偏置b，完成对多变量时间序列深度信念网络的低压铸造模温预测模型的构建；
步骤S6：利用训练好的多变量时间序列深度信念网络的低压铸造模温预测模型进行低压铸造模具温度实时预测。
优选的，步骤S1中所述多个变量为七个变量，七个变量的选取方法如下：分析铸造成型过程中模具温度变化机理，以及影响模具温度高低的主要因素，从工业铸造企业的数据管理系统中采集训练样本数据集，选取与模具温度密切相关的七个变量，作为模具温度预测模型的辅助变量。
优选的，所述七个变量分别为：冷却水流量、冷却水温度、冷却时间、冷却水管道与模具之间距离、冷却水管道个数、合金液压力、电机转速。
优选的，步骤S1中每个变量按照一定时间段内的时间序列作为模型输入，即选用包含数据特征的时间序列作为多变量时间序列深度信念网络的低压铸造模温预测模型的输入，用于消除多个因变量对模具温度预测的时延影响。
优选的，步骤S2中，根据步骤S1选取的所述多个变量建立二维矩阵数组作为多变量时间序列深度信念网络的低压铸造模温预测模型的输入，其中每列代表各个变量归一化之后的数值。
优选的，步骤S4中，无监督的前向训练方法如下：将多变量时间序列深度信念网络的低压铸造模温预测模型中的相邻两个结构层看作成一个受限玻尔兹曼机，依次训练每个受限玻尔兹曼机，最终完成对整个多变量时间序列深度信念网络的低压铸造模温预测模型的前向无监督训练。
优选的，步骤S5中，所述误差修正算法采用BP神经网络反向修正有监督训练算法逐层修正并优化多变量时间序列深度信念网络的低压铸造模温预测模型中的权值w和偏置b。
优选的，步骤S5中，反向微调采用有监督训练算法。
与现有技术相比，本发明的有益效果为：
1、本发明建立的多变量时间序列深度信念网络的低压铸造模温预测模型解决了选取的多个变量与模具温度之间时延问题，避免了计算各变量与模具温度之间时延的工作，降低了多变量数据所需的运算量，同时提高了模具温度预测的精确度；
2、本发明根据低压铸造多变量时间序列的特征，所构建的多变量时间序列深度信念网络的低压铸造模温预测模型，相比其他传统的人工神经网络算法，提高了模型的收敛速度、精度和泛化能力；
3、本发明能提高预测模具温度的精度，对提高铸造质量和降低生产能耗有重要的指导作用，从而为低压铸造行业降低能耗提供条件。
附图说明
图1为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测方法的框图；
图2为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测方法的流程图；
图3为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测模型的结构图；
图4为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测模型中受限玻尔兹曼机的示意图；
图5为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测模型中输入层的结构原理图。
具体实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
深度信念网络，Deep Belief Nets，简称DBN，属于神经网络的一种，既可以用于非监督学习，类似于一个自编码机；也可以用于监督学习，作为分类器来使用。DBN由若干层神经元构成，组成元件是受限玻尔兹曼机(restricted Boltzmann machine，RBM，是一种可通过输入数据集学习概率分布的随机生成神经网络)。多变量时间序列深度信念网络，multivariate time series deep belief network,简称MTS-DBN，选取多个变量作为辅助变量，每个变量按照时间序列作为模型输入。
请结合参见图1和图2，图1为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测方法的框图；图2为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测方法的流程图。本发明实施例1的一种多变量时间序列深度信念网络的低压铸造模温预测方法，包括以下步骤：
步骤S1：根据低压铸造工艺选取与模具温度密切相关的多个变量作为预测模具温度的辅助变量，每个变量按照一定时间段内的时间序列作为模型输入。
本发明实施例1的步骤S1中多个变量为七个变量，七个变量的选取方法如下：分析铸造成型过程中模具温度变化机理，以及影响模具温度高低的主要因素，从工业铸造企业的数据管理系统中采集训练样本数据集，选取与模具温度密切相关的七个变量，作为模具温度预测模型的辅助变量。
由铸造工艺学可知，铸件成型是铸造企业生产铸件时的关键技术，其核心任务是对合金液进行加压和冷却，从而达到凝固成型的过程。在模具内发生一系列的物理反应生产符合产品需要的合格的铸件。模具温度决定合金液的凝固方式，并直接影响铸件的内部和表面状况，模具温度过高会使铸件表面产生气泡、粘膜、收缩等缺陷，过低导致铸件全部发生欠铸、破裂、流纹等缺陷，因此模具温度需要控制在合理的范围之内。铸件成型过程中，热交换的各个参量对模具温度有着至关重要的作用，热交换的热量来源是冷却水流量、冷却水温度、冷却时间以及冷却水管道与模具之间距离和冷却水管道个数，此时热交换热量来源的各个参量直接影响模具温度。保温炉内合金液压力使模具内部产生巨大的气压差，保证铸造系统气路畅通，维持模具内部压力稳定。保温炉在旋转时需要电机提供动力，保证模具内部热交换传递的均匀性。
由上述分析可知，选取与铸造模具温度密切相关的七个变量：冷却水流量、冷却水温度、冷却时间、冷却水管道与模具之间距离、冷却水管道个数、合金液压力、电机转速。
步骤S1中每个变量按照一定时间段内的时间序列作为模型输入，即选用包含数据特征的时间序列作为多变量时间序列深度信念网络的低压铸造模温预测模型的输入，用于消除多个因变量对模具温度预测的时延影响。
步骤S2：对步骤S1中选取的多个变量进行归一化处理，构建多变量时间序列深度信念网络的低压铸造模温预测模型的输入层。
由于多变量数据单位不尽相同，所以训练之前对多数据进行统一的归一化处理；归一化处理中，根据步骤S1选取的多个变量建立二维矩阵数组作为多变量时间序列深度信念网络的低压铸造模温预测模型的输入，其中每列代表各个变量归一化之后的数值。
由于MTS-DBN预测模型建立多变量时间序列能够消除时间延迟对模温预测精度的影响，所以输入变量不需要复杂的清洗，只需要进行异常值去除和归一化处理，这相比于传统的神经网络算法数据处理简单很多，处理过程更快。
步骤S3：初步建立多变量时间序列深度信念网络的低压铸造模温预测模型。
步骤S4：确定多变量时间序列深度信念网络的低压铸造模温预测模型的初始参数，并对多变量时间序列深度信念网络的低压铸造模温预测模型进行无监督的前向训练；其中，初始参数包括多变量时间序列深度信念网络的低压铸造模温预测模型的结构层数以及隐含单元数、学习率、权值w和偏置b。
步骤S4中，无监督的前向训练方法如下：将多变量时间序列深度信念网络的低压铸造模温预测模型中的相邻两个结构层看作成一个受限玻尔兹曼机，依次训练每个受限玻尔兹曼机，最终完成对整个多变量时间序列深度信念网络的低压铸造模温预测模型的前向无监督训练。
根据铸造过程中变量在一段时间内连续的时间特性，首先建立一个包含各个变量特征信息的时间序列作为建模数据。
1、MTS-DBN预测模型初步建立
MTS-DBN模型包括七个变量时间序列输入层，MTS-DBN预测模型采用4层网络结构，每层的单元数分别为420、10、10、1，学习率为0.001。建立的多变量时间序列深度信念网络的低压铸造模温预测模型结构图如图3所示。
2、MTS-DBN预测模型的前向无监督训练
MTS-DBN预测模型通过前向训练提取特征，然后根据梯度下降法反向修正权值和偏置，训练误差，预测模型的中间层是由多个受限玻尔兹曼机(RBM)连续叠加而成，RBM是一种随机的神经网络，受限玻尔兹曼机的结构如图4所示，它借鉴了统计物理学思想，采用无监督训练的方法来学习特征。RBM包括隐层、可见层和偏置层，与前馈神经网络不一样，它在可见层和隐层间的链接方向不定的和完全链接的。
(1)MTS-DBN输入层
选择一区间段(second)作为时间序列的长度，将各个变量按时间序列排序形成一个数据矩阵，每列表示不同时刻的数据量形成连续的时间序列。请参见图5，图5为本发明实施例1的多变量时间序列深度信念网络的低压铸造模温预测模型中输入层的结构原理图。
输入层中包括所选的七个变量的时间序列，可表示为：
x＝(x1,x2,K,x7) (1)
输入变量集合为：
Xi＝{Xi(t-k)|k＝0,1,2…M},i＝1,2,3,4,5,6，7 (2)
(2)式中，t为某个预测时刻点，M为每次训练一段数据变量的时间长度，i表示有7种输入变量。
(2)MT-DBN中间层
依据铸造数据的特性，MTS-DBN的中间层采用多个受限玻尔兹曼机(RBM)连续叠加组成，RBM是基于能量的概率分布模型，共分为两部分。第一部分是能量函数，第二部分是基于能量函数的概率分布函数。一个受限玻尔兹曼机是由向量v的可见单元和向量h的隐藏单元组成，对于给定的一组状态向量的{h,v}，则受限玻尔兹曼机(RBM)的第一部分能量函数可以表示为：
E(v,h)＝-aTv-bTh-hTWv (3)
(3)式中，向量h是隐藏层神经元的值，向量v是可见层神经元的值，隐藏层和可见层之间是全连接，矩阵W是连接权重，向量a是隐藏层的偏置，向量b是可见层的偏置。其中矩阵W、向量a和b构成首先玻尔兹曼机的参数，受限玻尔兹曼机的第二部分基于能量函数的概率分布函数可以表示为：
式(4)中Z为归一化因子，类似于softmax中的归一化因子，表达式为：
由式(4)和(5)可以推导出：如果可见层状态完全确定时，隐藏层第i个神经元激活状态的激活概率为：
P(hj＝1|v)＝σ(bj+Wj,:v) (6)
如果隐藏层状态完全确定时，可见层第j个神经元激活状态的激活概率为：
其中
为sigmoid激活函数，学习RBM的任务是求出参数值，来拟合给定的训练数据，采用Hinton提出的快速学习算法，即对比散度算法(ContrastiveDivergence，CD)，能够快速得到更新的参数矩阵W、向量a和b；在一般应用中k通常取1。
MTS-DBN预测模型是由2个RBM叠加而成，要依次训练RBM来完成对权值的偏置和初始化。具体的，先训练最底层的RBM，由公式(6)，求得隐藏层第i个神经元的激活状态的激活概率P(hj＝1|v)，再由公式(7)，反向更新可见层第j个神经元激活状态的激活概率P(vi＝1|h)。完成对第一个RBM的无监督训练。重复上述方法，对剩下的一个RBM进行无监督训练，并得到所有的权值和偏置。
(3)MTS-DBN输出层
为了避免过拟合，在该网络模型输出层前采用正则化方法——丢失数据(Dropout)技术，达到提升网络模型泛化能力的目的。MTS-DBN输出层采用线性加权求和直接计算模具温度值。则该层输入变量Xi与输出模具预测的温度值Y'之间的计算公式为：
Y'＝WXi+b (8)
式(8)中，W和b分别为输出层的权重和偏置。
步骤S5：采用误差修正算法进行反向微调，通过对误差的修正，优化多变量时间序列深度信念网络的低压铸造模温预测模型中的权值w和偏置b，完成对多变量时间序列深度信念网络的低压铸造模温预测模型的构建。步骤S5中，误差修正算法采用BP神经网络反向修正有监督训练算法逐层修正并优化多变量时间序列深度信念网络的低压铸造模温预测模型中的权值w和偏置b；反向微调采用有监督训练算法。
MTS-DBN模型经过前向无监督训练得到初始参数后，再根据训练数据进行反向有监督训练来微调权值、校正偏置，实现参数的更新。在该模型中，选取平均平方和误差函数作为损失函数，如式(9)所示：
其中
式(10)中，Y(i)是训练数据样本的真实值，Y'(X(i))是预测模型的预测值；f(·)是激活函数。
对于单个样本xk，第L层的权值和偏置的变化量为：
最后权值和偏置的更新公式如下：
wl＝wl-η*Δwl (13)
bl＝bl-η*Δbl (14)
式(13)、式(14)中η是学习率。
步骤S6：利用训练好的多变量时间序列深度信念网络的低压铸造模温预测模型进行低压铸造模具温度实时预测。
用步骤S4和步骤S5训练好的MTS-DBN模型对模具温度值进行实时预测。其中输入变量为：冷却水流量、冷却水温度、冷却时间、冷却水管道与模具之间距离、冷却水管道个数、合金液压力、电机转速。预测的输出变量为未来某时刻的模具温度值。
本发明基于多变量时间序列深度信念网络构建低压铸造模具温度预测模型，首先，进行变量的选取，从工业铸造企业的数据管理系统的数据库中采集训练样本数据集和预测样本数据集，之后采用包含各个变量特征信息的时间序列作为模型数据的输入层，构建MTS-DBN的模具温度预测模型；之后采用前向无监督算法提取特征，采用BP反向传播有监督算法参数的微调，并完成了MTS-DBN模具温度预测模型的构建。
本发明建立的多变量时间序列深度信念网络的低压铸造模温预测模型解决了选取的多个变量与模具温度之间时延问题，避免了计算各变量与模具温度之间时延的工作，降低了多变量数据所需的运算量，同时提高了模具温度预测的精确度；根据低压铸造多变量时间序列的特征，所构建的多变量时间序列深度信念网络的低压铸造模温预测模型，相比其他传统的人工神经网络算法，提高了模型的收敛速度、精度和泛化能力；本发明能提高预测模具温度的精度，对提高铸造质量和降低生产能耗有重要的指导作用，从而为低压铸造行业降低能耗提供条件。
本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。
Claims (8)
1.一种多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：包括以下步骤：
步骤S1：根据低压铸造工艺选取与模具温度密切相关的多个变量作为预测模具温度的辅助变量，每个变量按照一定时间段内的时间序列作为模型输入；
步骤S2：对步骤S1中选取的所述多个变量进行归一化处理，构建多变量时间序列深度信念网络的低压铸造模温预测模型的输入层；
步骤S3：初步建立多变量时间序列深度信念网络的低压铸造模温预测模型；
步骤S4：确定多变量时间序列深度信念网络的低压铸造模温预测模型的初始参数，并对多变量时间序列深度信念网络的低压铸造模温预测模型进行无监督的前向训练；其中，初始参数包括多变量时间序列深度信念网络的低压铸造模温预测模型的结构层数以及隐含单元数、学习率、权值w和偏置b；
步骤S5：采用误差修正算法进行反向微调，通过对误差的修正，优化多变量时间序列深度信念网络的低压铸造模温预测模型中的权值w和偏置b，完成对多变量时间序列深度信念网络的低压铸造模温预测模型的构建；
步骤S6：利用训练好的多变量时间序列深度信念网络的低压铸造模温预测模型进行低压铸造模具温度实时预测。
2.如权利要求1所述的多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：步骤S1中所述多个变量为七个变量，七个变量的选取方法如下：分析铸造成型过程中模具温度变化机理，以及影响模具温度高低的主要因素，从工业铸造企业的数据管理系统中采集训练样本数据集，选取与模具温度密切相关的七个变量，作为模具温度预测模型的辅助变量。
3.如权利要求2所述的多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：所述七个变量分别为：冷却水流量、冷却水温度、冷却时间、冷却水管道与模具之间距离、冷却水管道个数、合金液压力、电机转速。
4.如权利要求1所述的多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：步骤S1中每个变量按照一定时间段内的时间序列作为模型输入，即选用包含数据特征的时间序列作为多变量时间序列深度信念网络的低压铸造模温预测模型的输入，用于消除多个因变量对模具温度预测的时延影响。
5.如权利要求1所述的多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：步骤S2中，根据步骤S1选取的所述多个变量建立二维矩阵数组作为多变量时间序列深度信念网络的低压铸造模温预测模型的输入，其中每列代表各个变量归一化之后的数值。
6.如权利要求1所述的多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：步骤S4中，无监督的前向训练方法如下：将多变量时间序列深度信念网络的低压铸造模温预测模型中的相邻两个结构层看作成一个受限玻尔兹曼机，依次训练每个受限玻尔兹曼机，最终完成对整个多变量时间序列深度信念网络的低压铸造模温预测模型的前向无监督训练。
7.如权利要求1所述的多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：步骤S5中，所述误差修正算法采用BP神经网络反向修正有监督训练算法逐层修正并优化多变量时间序列深度信念网络的低压铸造模温预测模型中的权值w和偏置b。
8.如权利要求1所述的多变量时间序列深度信念网络的低压铸造模温预测方法，其特征在于：步骤S5中，反向微调采用有监督训练算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024388.8A CN110991605A (zh) | 2019-10-25 | 2019-10-25 | 多变量时间序列深度信念网络的低压铸造模温预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024388.8A CN110991605A (zh) | 2019-10-25 | 2019-10-25 | 多变量时间序列深度信念网络的低压铸造模温预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991605A true CN110991605A (zh) | 2020-04-10 |
Family
ID=70082376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911024388.8A Pending CN110991605A (zh) | 2019-10-25 | 2019-10-25 | 多变量时间序列深度信念网络的低压铸造模温预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991605A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
| CN113536620A (zh) * | 2021-06-10 | 2021-10-22 | 北京航空航天大学 | 水平圆管内超临界碳氢燃料温度场和速度场的预测方法 |
| CN114818914A (zh) * | 2022-04-24 | 2022-07-29 | 重庆大学 | 基于相空间和光流图像的多变量时间序列的分类方法 |
| CN117634324A (zh) * | 2024-01-26 | 2024-03-01 | 中信戴卡股份有限公司 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
| CN114818914B (zh) * | 2022-04-24 | 2024-05-24 | 重庆大学 | 基于相空间和光流图像的多变量时间序列的分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
| CN107506590A (zh) * | 2017-08-26 | 2017-12-22 | 郑州大学 | 一种基于改进深度信念网络的心血管疾病预测模型 |
| CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
| CN109147878A (zh) * | 2018-10-08 | 2019-01-04 | 燕山大学 | 一种水泥熟料游离钙软测量方法 |
-
2019
- 2019-10-25 CN CN201911024388.8A patent/CN110991605A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
| CN107506590A (zh) * | 2017-08-26 | 2017-12-22 | 郑州大学 | 一种基于改进深度信念网络的心血管疾病预测模型 |
| CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
| CN109147878A (zh) * | 2018-10-08 | 2019-01-04 | 燕山大学 | 一种水泥熟料游离钙软测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 中国统计学会: "当代机器深度学习方法与应用研究", 电子科技大学出版社, pages: 636 - 637 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
| CN113536620A (zh) * | 2021-06-10 | 2021-10-22 | 北京航空航天大学 | 水平圆管内超临界碳氢燃料温度场和速度场的预测方法 |
| CN114818914A (zh) * | 2022-04-24 | 2022-07-29 | 重庆大学 | 基于相空间和光流图像的多变量时间序列的分类方法 |
| CN114818914B (zh) * | 2022-04-24 | 2024-05-24 | 重庆大学 | 基于相空间和光流图像的多变量时间序列的分类方法 |
| CN117634324A (zh) * | 2024-01-26 | 2024-03-01 | 中信戴卡股份有限公司 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
| CN117634324B (zh) * | 2024-01-26 | 2024-04-09 | 中信戴卡股份有限公司 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
| CN110991605A (zh) | 多变量时间序列深度信念网络的低压铸造模温预测方法 | |
| CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN108920888B (zh) | 一种基于深度神经网络的连续搅拌釜式反应过程辨识方法 | |
| CN114021290B (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
| CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
| CN116882585A (zh) | 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN113191092A (zh) | 一种基于正交增量随机配置网络的工业过程产品质量软测量方法 | |
| CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
| CN107729988B (zh) | 基于动态深度置信网络的蓝藻水华预测方法 | |
| CN110245398B (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
| CN114274457B (zh) | 基于Kriging-GA的注塑模具浇注系统结构参数决策方法 | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| Liu et al. | A fault prediction method based on modified Genetic Algorithm using BP neural network algorithm | |
| CN116484747A (zh) | 一种基于自适应优化算法与深度学习的污水智能监控方法 | |
| CN115794805A (zh) | 一种中低压配网量测数据补齐方法 | |
| CN115481554A (zh) | 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法 | |
| CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
| CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
| CN111258996B (zh) | 一种面向工业大数据的产品质量多源深度融合预报方法 | |
| CN113779724A (zh) | 一种充填包装机故障智能预测方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |