CN112700167A - 基于差分进化的产品质量指标预测方法 - Google Patents
基于差分进化的产品质量指标预测方法 Download PDFInfo
- Publication number
- CN112700167A CN112700167A CN202110047092.9A CN202110047092A CN112700167A CN 112700167 A CN112700167 A CN 112700167A CN 202110047092 A CN202110047092 A CN 202110047092A CN 112700167 A CN112700167 A CN 112700167A
- Authority
- CN
- China
- Prior art keywords
- data
- time window
- production
- sample data
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 11
- 239000011707 mineral Substances 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 36
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 229910052742 iron Inorganic materials 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000013067 intermediate product Substances 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000005245 sintering Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于差分进化的产品质量指标预测方法，所述方法包括：根据差分进化算法对SVM模型进行迭代训练，生成目标SVM模型；获取预测时间窗口内的原始生产数据；对所述原始生产数据进行预处理，生成目标生产数据；将所述目标生产数据输入目标SVM模型进行预测，得到所述预测时间窗口内生产出目标产品的质量指标预测值。本发明有效地解决了工业领域中常见的生产线数据和产品数据采集频率不一致、时间对应关系不明确的问题，避免了传统的依赖人类专家经验而带来预测误差的缺点，并且能够实现自动化寻找最优的时间对应关系，满足了对烧结矿产品质量指标的预测需求。
Description
技术领域
本发明涉及数据预测技术领域，具体涉及一种基于差分进化的产品质量指标预测方法。
背景技术
钢铁生产是一个复杂的流程工业生产过程,生产过程的核心是高炉炼铁,烧结生产作为高炉炼铁生产的前工序,是炼铁生产的原料准备环节,烧结矿的质量直接影响着高炉炼铁的产量、质量及生产能耗，对烧结矿产品质量指标的准确预测是优化钢铁生产的前提，对钢铁生产具有重要的指导意义。
烧结矿产品质量指标的影响因素众多，质量指标与影响质量指标的各变量之间呈现出很强的非线性特征,现有技术通过基于BP神经网络的质量指标预测方法，选取多个与烧结矿质量指标有关的特征，使用BP神经网络建立烧结矿质量指标预测模型，并采用变学习率方法改进BP网络的训练速度，但是该方法在学习数据的内在特征时，需要人为通过经验进行相关数据的关联匹配，并不能自动化地得到最优的预测结果，不能满足对烧结矿产品质量指标的预测需求。
发明内容
针对现有技术中所存在的不足，本发明提供的基于差分进化的产品质量指标预测方法，其解决了现有技术需要需要人为通过经验进行相关数据的关联匹配的问题，能够自动地得到最优的预测结果，满足了对烧结矿产品质量指标的预测需求。
本发明提供一种基于差分进化的产品质量指标预测方法，所述方法包括：根据差分进化算法对SVM模型进行迭代训练，生成目标SVM模型；获取预测时间窗口内的原始生产数据；对所述原始生产数据进行预处理，生成目标生产数据；将所述目标生产数据输入目标SVM模型进行预测，得到所述预测时间窗口内生产出目标产品的质量指标预测值。
可选地，对所述原始生产数据进行预处理，生成目标生产数据，包括：将所述原始生产数据进行缺失值填充，得到预处理数据；根据标准化公式，对所述预处理数据进行标准化处理，得到所述目标生产数据；其中，所述标准化公式为：
f表示生产数据中每个特征的原始值，f′表示生产数据中每个特征的目标值，fmax表示特征的最大取值；fmin表示特征的最小取值；max表示放缩后的最大值，min表示放缩后的最小值。
可选地，所述根据差分进化算法对SVM模型进行迭代训练，生成目标SVM模型，包括：对所述差分进化算法的参数和种群进行初始化，生成初始种群；根据所述初始种群，获取训练数据集；将所述训练数据集输入到所述SVM模型中进行迭代学习，得到训练SVM模型；判断当前迭代次数是否达到所述SVM模型预设的最大迭代次数；若当前迭代次数达到所述SVM模型预设的最大迭代次数时，将最优适应度所对应的训练SVM模型作为所述目标SVM模型。
可选地，所述方法还包括：若当前迭代次数未达到所述SVM模型的最大迭代次数时，根据差分进化算法对所述初始种群中的时间窗口进行优化，将生成的优化种群作为下次迭代训练的初始种群。
可选地，对所述差分进化算法的参数和种群进行初始化，生成初始种群，包括：对所述差分进化算法中的时间窗口参数进行初始化，生成时间窗口数据集；对所述时间窗口数据集进行编码，生成所述初始种群。
可选地，根据所述初始种群，获取训练数据集，包括：获取生产样本数据和质量指标样本数据；根据所述初始种群中的每个时间窗口，对所述生产样本数据与所述质量指标样本数据进行数据匹配，得到每个输入样本数据；将所述每个输入样本数据进行数据拼接，生成所述训练数据集。
可选地，当所述时间窗口参数包括滞后时间m和时间窗口长度△t时，在t时刻的时间窗口为(t-m,t-m+△t)。
可选地，根据所述初始种群中的每个时间窗口，对所述生产样本数据与所述质量指标样本数据进行数据匹配，得到每个输入样本数据，包括：获取t时刻的质量指标样本数据；根据所述t时刻的时间窗口，获取所述t时刻的生产样本数据；将所述t时刻的质量指标样本数据与所述t时刻的生产样本数据进行匹配连接，得到所述t时刻的输入样本数据。
可选地，将所述每个输入样本数据进行数据拼接，生成所述训练数据集，包括：将所述每个输入样本数据中的多维度生产样本数据，拼接成一维的生产样本数据；将所述多维度生成样本数据相匹配的质量指标样本数据拼接到所述一维生成样本数据的中，得到每个输入样本数据的训练数据；将所有训练数据组合成所述训练数据集。
可选地，根据差分进化算法对所述初始种群中的时间窗口进行优化，将生成的优化种群作为下次迭代训练的初始种群，包括：将所述初始种群中的每个原始时间窗口根据变异策略进行修改，得到变异时间窗口；将所述变异时间窗口根据交叉策略，生成交叉时间窗口；根据选择策略，从所述原始时间窗口和所述交叉时间窗口中选择出优化时间窗口；将所有的优化时间窗口生成所述优化种群，并将所述优化种群作为下次迭代训练的初始种群。
相比于现有技术，本发明具有如下有益效果：
本发明根据差分进化算法对SVM模型进行迭代训练生成目标SVM模型，有效地解决了工业领域中常见的生产线数据和产品数据采集频率不一致、时间对应关系不明确的问题，避免了传统的依赖人类专家经验而带来预测误差的缺点，并且能够实现自动化寻找最优的时间对应关系，有效应对缺少人类专家经验的新生产场景。在质量指标预测阶段，实现了高准确度、高可靠性的质量指标预测，既能够帮助生产人员调节生产条件，改善中间产物和最终烧结矿产品的质量，也能够减少工业生产过程中的能源浪费，降低工业产品的生产成本。
附图说明
图1所示为本发明实施例提供的一种基于差分进化的产品质量指标预测方法的流程示意图；
图2所示为图1中步骤S101的具体流程图；
图3所示为本发明实施例提供的数据匹配示意图；
图4所示为本发明实施例提供的数据拼接示意图；
图5所示为本发明实施例提供的一种基于差分进化的产品质量指标预测装置的架构示意图；
图6所示为本发明实施例提供的一种DE-SVM训练流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1所示为本发明实施例提供的一种基于差分进化的产品质量指标预测方法的流程示意图，如图1所示，该基于差分进化的产品质量指标预测方法具体包括如下步骤：
步骤S101，根据差分进化算法对SVM模型进行迭代训练，生成目标SVM模型。
在本实施例中，差分进化算法(DE)类似于遗传算法，是一种基于现代智能理论的优化算法，通过群体内个体之间的相互合作与竞争产生的群体智能来指导优化搜索的方向。该算法的基本思想是：从一个随机产生的初始种群开始，通过把种群中任意两个个体的向量差与第三个个体求和来产生新个体，然后将新个体与当代种群中相应的个体相比较，如果新个体的适应度优于当前个体的适应度，则在下一代中就用新个体取代旧个体，否则仍保存旧个体。通过不断地进化，保留优良个体，淘汰劣质个体，引导搜索向最优解逼近。支持向量机(SVM)是一类按监督学习方式对数据进行分类或者回归的算法。对于回归模型，优化目标函数和分类模型保持一致，但是约束条件不同。
进一步地，如图2所示，所述根据差分进化算法对SVM模型进行迭代训练，生成目标SVM模型具体包括以下步骤：
步骤S201，对所述差分进化算法的参数和种群进行初始化，生成初始种群；
具体地，对所述差分进化算法的参数和种群进行初始化，生成初始种群，包括：对所述差分进化算法中的时间窗口参数进行初始化，生成时间窗口数据集；对所述时间窗口数据集进行编码，生成所述初始种群。
需要说明的是，所述差分进化算法的参数包括但不限于时间窗口参数、种群规模、差分因子、交叉概率、迭代次数、解的维度、解的搜索上界和解的搜索下界，其中所述时间窗口参数包括滞后时间m和时间窗口长度△t，多组时间窗口参数生成时间窗口数据集，也就是种群规模，对每组时间窗口数据集进行二进制或者十进制编码，得到由编码过后的多组时间窗口组成的初始种群。
步骤S202，根据所述初始种群，获取训练数据集；
具体地，根据所述初始种群，获取训练数据集，包括：获取生产样本数据和质量指标样本数据；根据所述初始种群中的每个时间窗口，对所述生产样本数据与所述质量指标样本数据进行数据匹配，得到每个输入样本数据；将所述每个输入样本数据进行数据拼接，生成所述训练数据集。
需要说明的是，根据所述初始种群中的每个时间窗口，对所述生产样本数据与所述质量指标样本数据进行数据匹配，得到每个输入样本数据，包括：获取t时刻的质量指标样本数据；根据所述t时刻的时间窗口，获取所述t时刻的生产样本数据；将所述t时刻的质量指标样本数据与所述t时刻的生产样本数据进行匹配连接，得到所述t时刻的输入样本数据。如图3所示的数据匹配示意图，将采样频率高的生产数据中的某一时间区间内的所有样本与某一时刻的烧结矿质量指标数据进行匹配连接，作为后续机器学习模型的输入样本，如图3所示，给定一个时间窗口长度△t，于是t时刻的时间窗口为(t-m,t-m+△t)，将t时刻的时间窗口内的生产数据与t时刻的烧结矿质量指标数据进行一一匹配。
进一步地，将所述每个输入样本数据进行数据拼接，生成所述训练数据集，包括：将所述每个输入样本数据中的多维度生产样本数据，拼接成一维的生产样本数据；将所述多维度生成样本数据相匹配的质量指标样本数据拼接到所述一维生成样本数据的中，得到每个输入样本数据的训练数据；将所有训练数据组合成所述训练数据集。
如图4所示的数据拼接示意图，设N是符合处于该时间窗口中生产数据样本的数目，d是每条生产数据样本的维度，1是烧结矿质量指标数据的样本数。因此，连接之后的数据样本维度为q＝d*N+1。
步骤S203，将所述训练数据集输入到所述SVM模型中进行迭代学习，得到训练SVM模型；
步骤S204，判断当前迭代次数是否达到所述SVM模型预设的最大迭代次数，若当前迭代次数达到所述SVM模型预设的最大迭代次数时执行步骤S205，若当前迭代次数未达到所述SVM模型的最大迭代次数时执行步骤S206；
步骤S205，将最优适应度所对应的训练SVM模型作为所述目标SVM模型。
需要说明的是，在每次迭代训练结束后得到的训练SVM模型，需要通过测试样本进行验证，计算均方误差作为当前迭代生成的训练SVM模型的适应度，当达到最大迭代次数后，对每次迭代计算出的适应度进行比较，将最优适应度也就是最小均方误差所对应的训练SVM模型作为所述目标SVM模型。
步骤S206，根据差分进化算法对所述初始种群中的时间窗口进行优化，将生成的优化种群作为下次迭代训练的初始种群，并继续执行步骤S202。
具体地，根据差分进化算法对所述初始种群中的时间窗口进行优化，将生成的优化种群作为下次迭代训练的初始种群，包括：将所述初始种群中的每个原始时间窗口根据变异策略进行修改，得到变异时间窗口；将所述变异时间窗口根据交叉策略，生成交叉时间窗口；根据选择策略，从所述原始时间窗口和所述交叉时间窗口中选择出优化时间窗口；将所有的优化时间窗口生成所述优化种群，并将所述优化种群作为下次迭代训练的初始种群。
需要说明的是，在使用DE算法时，算法会根据设定好的迭代次数进行迭代，采用变异策略、交叉策略和选择策略进行种群优化。变异策略会对某个个体按照如下方式进行修改，得到新的变异个体：
△t′k＝△tk+U*(△t1-△t2)
其中，△tk是从上一代种群中待变异的个体，△t′k是变异都的个体，U是差分因子，△t1和△t2是上一代种群中随机选出的任意两个个体。
交叉策略是在变异个体和候选个体之间进行部分分量交换。设
是第n+1代种群中第i个候选个体的第j个基因，则它会由以下操作得到：
其中，
是第n代种群中第i个候选个体的第j个基因，
是第n代种群中生成的变异个体对应位置的一个基因，CR是交叉算子，rnd(0,1)是位于[0,1]内的随机数。
选择策略则是根据个体的适应度选择进入下一代个体△ti+1：
其中，F()是适应度函数，△ti和△t′分别是第i代种群中的一个个体和经过变异交叉后生成的新个体。
步骤S102，获取预测时间窗口内的原始生产数据。
步骤S103，对所述原始生产数据进行预处理，生成目标生产数据。
具体地，对所述原始生产数据进行预处理，生成目标生产数据，包括：将所述原始生产数据进行缺失值填充，得到预处理数据；根据标准化公式，对所述预处理数据进行标准化处理，得到所述目标生产数据；其中，所述标准化公式为：
f表示生产数据中每个特征的原始值，f′表示生产数据中每个特征的目标值，fmax表示特征的最大取值；fmin表示特征的最小取值；max表示放缩后的最大值，min表示放缩后的最小值。
需要说明的是，在本实施中由于工业生产条件比较粗糙而苛刻的原因，烧结矿生产线上采集得到的数据往往会存在一定比例的缺失问题，本方法将综合考虑数据的缺失位置、缺失数量和数据可靠性等因素，采用中位数、平均数、众数或者向前填充等方式对缺失值进行填充。由于烧结矿生产线数据包含了数十个特征，这些特征往往有着不同的量度和单位。为了减小特征尺度不一致带来的学习误差和训练时间加长，需要对采集得到的数据进行标准化处理，将特征放缩到[0,1]之间，本方法所使用的标准化公式如下：
其中，f表示生产数据中每个特征的原始值，f′表示生产数据中每个特征的目标值，fmax表示特征的最大取值；fmin表示特征的最小取值；max表示放缩后的最大值，此处取值为1；min表示放缩后的最小值，此处取值为0。
在本实施例中，对原始生产数据进行缺失值填充和标准化处理后，还需要按照上述所述的拼接方式进行数据拼接，生成所述目标生产数据。
步骤S104，将所述目标生产数据输入目标SVM模型进行预测，得到所述预测时间窗口内生产出目标产品的质量指标预测值。
具体地，将所得到的目标生产数据输入到训练好的SVM模型中，输出SVM模型的预测结果，即烧结矿产品质量指标的预测值。
相比现有技术，本发明具有以下有益效果：
本发明根据差分进化算法对SVM模型进行迭代训练生成目标SVM模型，有效地解决了工业领域中常见的生产线数据和产品数据采集频率不一致、时间对应关系不明确的问题，避免了传统的依赖人类专家经验而带来预测误差的缺点，并且能够实现自动化寻找最优的时间对应关系，有效应对缺少人类专家经验的新生产场景。在质量指标预测阶段，实现了高准确度、高可靠性的质量指标预测，既能够帮助生产人员调节生产条件，改善中间产物和最终烧结矿产品的质量，也能够减少工业生产过程中的能源浪费，降低工业产品的生产成本。
本发明的实现是基于演化计算领域中的差分进化方法，在烧结矿产品质量指标预测中，具有准确率高、适应性强、可扩展性、可移植性等特点，算法优势显著，应用场景宽广。
图5所示为本发明实施例提供的一种基于差分进化的产品质量指标预测装置的架构示意图，本发明由三个主要流程组成，分别为：数据预处理，DE-SVM训练和质量指标预测。在数据预处理阶段，包括了缺失值填充和数据标准化两个主要步骤，对从生产线上采集到的生产数据和实验室化验得到的烧结矿质量指标数据进行预处理，填充缺失的数据，并对数据格式进行了规范化，便于预测期的学习训练。在DE-SVM训练阶段，使用DE算法不断迭代更新时间窗口的种群，根据时间窗口对生产数据和烧结矿质量指标数据进行匹配连接得到现阶段已知待预测变量的训练数据，利用该数据使用SVM算法进行训练，将训练过程中的输出与已知的待预测变量的真实值进行比对，使得SVM算法模型更好地拟合真实数据，将该模型在测试集上的表现作为该个体的适应度，如此往复，直至DE算法到达终止条件，此时适应度最高的个体是最优的时间窗口长度，相应得到的模型将作为最终的质量指标预测器。最后将该质量指标预测器用于烧结矿产品质量指标预测任务中。
图6所示为本发明实施例提供的一种DE-SVM训练流程示意图，如图6所示DE-SVM的算法流程包含以下七个主要步骤：
步骤1参数初始化：设置时间窗口的搜索区间、差分进化算法的各项参数以及所选择的机器学习模型的各项参数。
步骤2种群初始化：对时间窗口进行编码，并生成一定数量的初始种群。
步骤3数据连接匹配：选择当前的时间窗口对生产数据和烧结矿质量指标数据进行连接，并且进行缺失值填充、归一化等操作，作为机器学习模型的学习样本。
步骤4SVM模型训练：将上一步得到的数据集输入到SVM模型进行学习。
步骤5计算适应度：使用训练得到的机器学习模型在测试集进行验证，计算均方误差作为适应度。
步骤6结束条件判断：根据迭代次数判断是否停止迭代，达到最大迭代次数则输出结果，未达到则继续使用差分进化算法进一步优化。
步骤7迭代优化：使用差分进化算法的变异、交叉、选择策略生成新种群，获得最优的时间窗口，并回到步骤3。
本发明提供的基于差分进化的产品质量指标预测方法，对烧结矿生产线数据和产品数据进行时间关系上的匹配，继而对未来产品的质量指标进行估计的产品质量指标预测装置。烧结矿产品质量指标预测装置首先对生产线上采集得到的高频生产线数据和实验室化验得到的低频产品质量数据进行数据预处理，对生产线数据在时间上的长度范围进行控制，与相应的产品质量数据关联起来，将原始数据转化成为可供机器学习算法应用的有效训练数据，训练得到的产品质量指标预测装置通过分析原始的生产线数据，实现对烧结矿产品质量指标的预测。
本发明中所提出的生产线数据和产品数据匹配连接的方案，有效地解决了工业领域中常见的生产线数据和产品数据采集频率不一致、时间对应关系不明确的问题，避免了传统的依赖人类专家经验而带来预测误差的缺点，并且能够实现自动化寻找最优的时间对应关系，有效应对缺少人类专家经验的新生产场景。在质量指标预测阶段，预测器实现了高准确度、高可靠性的质量指标预测，既能够帮助生产人员调节生产条件，改善中间产物和最终烧结矿产品的质量，也能够减少工业生产过程中的能源浪费，降低工业产品的生产成本。本发明的实现是基于演化计算领域中的差分进化方法，在烧结矿产品质量指标预测中，具有准确率高、适应性强、可扩展性、可移植性等特点，算法优势显著，应用场景宽广。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于差分进化的产品质量指标预测方法，其特征在于，所述方法包括：
根据差分进化算法对SVM模型进行迭代训练，生成目标SVM模型；
获取预测时间窗口内的原始生产数据；
对所述原始生产数据进行预处理，生成目标生产数据；
将所述目标生产数据输入目标SVM模型进行预测，得到所述预测时间窗口内生产出目标产品的质量指标预测值。
2.如权利要求1所述的基于差分进化的产品质量指标预测方法，其特征在于，对所述原始生产数据进行预处理，生成目标生产数据，包括：
将所述原始生产数据进行缺失值填充，得到预处理数据；
根据标准化公式，对所述预处理数据进行标准化处理，得到所述目标生产数据；
其中，所述标准化公式为：
f表示生产数据中每个特征的原始值，f′表示生产数据中每个特征的目标值，fmax表示特征的最大取值；fmin表示特征的最小取值；max表示放缩后的最大值，min表示放缩后的最小值。
3.如权利要求1所述的基于差分进化的产品质量指标预测方法，其特征在于，所述根据差分进化算法对SVM模型进行迭代训练，生成目标SVM模型，包括：
对所述差分进化算法的参数和种群进行初始化，生成初始种群；
根据所述初始种群，获取训练数据集；
将所述训练数据集输入到所述SVM模型中进行迭代学习，得到训练SVM模型；
判断当前迭代次数是否达到所述SVM模型预设的最大迭代次数；
若当前迭代次数达到所述SVM模型预设的最大迭代次数时，将最优适应度所对应的训练SVM模型作为所述目标SVM模型。
4.如权利要求3所述的基于差分进化的产品质量指标预测方法，其特征在于，所述方法还包括：
若当前迭代次数未达到所述SVM模型的最大迭代次数时，根据差分进化算法对所述初始种群中的时间窗口进行优化，将生成的优化种群作为下次迭代训练的初始种群。
5.如权利要求3所述的基于差分进化的产品质量指标预测方法，其特征在于，对所述差分进化算法的参数和种群进行初始化，生成初始种群，包括：
对所述差分进化算法中的时间窗口参数进行初始化，生成时间窗口数据集；
对所述时间窗口数据集进行编码，生成所述初始种群。
6.如权利要求5所述的基于差分进化的产品质量指标预测方法，其特征在于，根据所述初始种群，获取训练数据集，包括：
获取生产样本数据和质量指标样本数据；
根据所述初始种群中的每个时间窗口，对所述生产样本数据与所述质量指标样本数据进行数据匹配，得到每个输入样本数据；
将所述每个输入样本数据进行数据拼接，生成所述训练数据集。
7.如权利要求6所述的基于差分进化的产品质量指标预测方法，其特征在于，当所述时间窗口参数包括滞后时间m和时间窗口长度△t时，在t时刻的时间窗口为(t-m,t-m+△t)。
8.如权利要求7所述的基于差分进化的产品质量指标预测方法，其特征在于，根据所述初始种群中的每个时间窗口，对所述生产样本数据与所述质量指标样本数据进行数据匹配，得到每个输入样本数据，包括：
获取t时刻的质量指标样本数据；
根据所述t时刻的时间窗口，获取所述t时刻的生产样本数据；
将所述t时刻的质量指标样本数据与所述t时刻的生产样本数据进行匹配连接，得到所述t时刻的输入样本数据。
9.如权利要求8所述的基于差分进化的产品质量指标预测方法，其特征在于，将所述每个输入样本数据进行数据拼接，生成所述训练数据集，包括：
将所述每个输入样本数据中的多维度生产样本数据，拼接成一维的生产样本数据；
将所述多维度生成样本数据相匹配的质量指标样本数据拼接到所述一维生成样本数据的中，得到每个输入样本数据的训练数据；
将所有训练数据组合成所述训练数据集。
10.如权利要求8所述的基于差分进化的产品质量指标预测方法，其特征在于，根据差分进化算法对所述初始种群中的时间窗口进行优化，将生成的优化种群作为下次迭代训练的初始种群，包括：
将所述初始种群中的每个原始时间窗口根据变异策略进行修改，得到变异时间窗口；
将所述变异时间窗口根据交叉策略，生成交叉时间窗口；
根据选择策略，从所述原始时间窗口和所述交叉时间窗口中选择出优化时间窗口；
将所有的优化时间窗口生成所述优化种群，并将所述优化种群作为下次迭代训练的初始种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110047092.9A CN112700167A (zh) | 2021-01-14 | 2021-01-14 | 基于差分进化的产品质量指标预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110047092.9A CN112700167A (zh) | 2021-01-14 | 2021-01-14 | 基于差分进化的产品质量指标预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112700167A true CN112700167A (zh) | 2021-04-23 |
Family
ID=75514623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110047092.9A Pending CN112700167A (zh) | 2021-01-14 | 2021-01-14 | 基于差分进化的产品质量指标预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112700167A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113391209A (zh) * | 2021-05-26 | 2021-09-14 | 江苏小牛电动科技有限公司 | 电池健康状态的预测方法、装置、系统和电池 |
| CN114187977A (zh) * | 2021-12-09 | 2022-03-15 | 中国特种设备检测研究院 | 一种设备材料球化程度预测方法及系统 |
| CN114971599A (zh) * | 2022-08-02 | 2022-08-30 | 杭州安脉盛智能技术有限公司 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
| CN117273497A (zh) * | 2023-11-20 | 2023-12-22 | 一夫科技股份有限公司 | 一种高强石膏的生产优化方法及系统 |
| CN114187977B (zh) * | 2021-12-09 | 2024-07-12 | 中国特种设备检测研究院 | 一种设备材料球化程度预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130191187A1 (en) * | 2012-01-24 | 2013-07-25 | International Business Machines Corporation | System, method and computer program for identifying value aggregation points from a set of service value maps |
| KR101961144B1 (ko) * | 2017-10-12 | 2019-03-22 | 주식회사 디지털존 | 국가직무능력표준 기반 직무적합 매칭 시스템 및 그 방법 |
| CN109670687A (zh) * | 2018-12-06 | 2019-04-23 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
| CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
-
2021
- 2021-01-14 CN CN202110047092.9A patent/CN112700167A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130191187A1 (en) * | 2012-01-24 | 2013-07-25 | International Business Machines Corporation | System, method and computer program for identifying value aggregation points from a set of service value maps |
| KR101961144B1 (ko) * | 2017-10-12 | 2019-03-22 | 주식회사 디지털존 | 국가직무능력표준 기반 직무적합 매칭 시스템 및 그 방법 |
| CN109670687A (zh) * | 2018-12-06 | 2019-04-23 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
| CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吕攀龙等: "基于差分进化算法SVM的公交通勤乘客识别", 《广西师范大学学报（自然科学版）》, vol. 37, no. 1, 10 January 2019 (2019-01-10), pages 106 - 114 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113391209A (zh) * | 2021-05-26 | 2021-09-14 | 江苏小牛电动科技有限公司 | 电池健康状态的预测方法、装置、系统和电池 |
| CN114187977A (zh) * | 2021-12-09 | 2022-03-15 | 中国特种设备检测研究院 | 一种设备材料球化程度预测方法及系统 |
| CN114187977B (zh) * | 2021-12-09 | 2024-07-12 | 中国特种设备检测研究院 | 一种设备材料球化程度预测方法及系统 |
| CN114971599A (zh) * | 2022-08-02 | 2022-08-30 | 杭州安脉盛智能技术有限公司 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
| CN114971599B (zh) * | 2022-08-02 | 2022-10-25 | 杭州安脉盛智能技术有限公司 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
| CN117273497A (zh) * | 2023-11-20 | 2023-12-22 | 一夫科技股份有限公司 | 一种高强石膏的生产优化方法及系统 |
| CN117273497B (zh) * | 2023-11-20 | 2024-02-09 | 一夫科技股份有限公司 | 一种高强石膏的生产优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700167A (zh) | 基于差分进化的产品质量指标预测方法 | |
| CN113593631B (zh) | 一种预测蛋白质-多肽结合位点的方法及系统 | |
| CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
| CN108346145B (zh) | 一种病理切片中非常规细胞的识别方法 | |
| CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
| CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
| CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
| CN116316599A (zh) | 一种智能用电负荷预测方法 | |
| CN106056244A (zh) | 一种股票价格优化预测方法 | |
| CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
| CN116484745A (zh) | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 | |
| CN114066510A (zh) | 物品销量预测方法、装置、计算机设备和存储介质 | |
| CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及系统 | |
| CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
| CN116341770B (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
| CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
| CN116738297B (zh) | 一种基于深度自编码的糖尿病分型方法和系统 | |
| CN109033413B (zh) | 一种基于神经网络的需求文档和服务文档匹配方法 | |
| CN117095754A (zh) | 一种利用机器学习进行蛋白质分类的方法 | |
| CN116051160A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
| CN116109339A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
| CN116051159A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
| CN116342624A (zh) | 一种结合特征融合与注意力机制的脑肿瘤图像分割方法 | |
| CN116305885A (zh) | 预测或控制硅钢铁损的方法、装置及存储介质 | |
| CN115545319A (zh) | 一种基于气象相似日集的电网短期负荷预测方法 |
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 |