CN115456460A - 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 - Google Patents
一种制丝松散回潮工艺的多质量指标输出预测方法、系统 Download PDFInfo
- Publication number
- CN115456460A CN115456460A CN202211208462.3A CN202211208462A CN115456460A CN 115456460 A CN115456460 A CN 115456460A CN 202211208462 A CN202211208462 A CN 202211208462A CN 115456460 A CN115456460 A CN 115456460A
- Authority
- CN
- China
- Prior art keywords
- loosening
- quality
- quality index
- time sequence
- making
- 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 245
- 230000008569 process Effects 0.000 title claims abstract description 214
- 230000003750 conditioning effect Effects 0.000 title claims abstract description 61
- 241000208125 Nicotiana Species 0.000 title claims abstract description 18
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 239000010410 layer Substances 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract 1
- 238000013499 data model Methods 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010923 batch production Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种制丝松散回潮工艺的多质量指标输出预测方法、系统，方法包括：获取制丝松散回潮工艺的工艺参数和质量指标；获取制丝松散回潮工艺的工艺参数和质量指标历史数据；对历史数据进行预处理，获取预处理后的历史数据，并划分训练集和测试集；利用训练集对松散回潮工艺质量多输出预测模型CB_A_L进行训练；利用训练好的预测模型CB_A_L对测试集进行测试。本发明避免了传统关联算法的经验依赖限制，自主充分提取工艺数据中蕴含的复杂关联时序信息，而且预测精度较高，实现了车间质量预测需求，能够对质量异常数据做出及时预警。
Description
技术领域
本发明涉及一种制丝松散回潮工艺的多质量指标输出预测方法、系统，属于工业车间质量预测技术领域。
背景技术
物联网、工艺大数据及人工智能等新型信息技术为流程型制造车间智能化的发展奠定了夯实的技术基础。然而，对于流程型工业而言，生产工序流程由众多工序组合而成，且各工序之间的耦合关系与各工序的工艺机理都极其复杂，同时生产过程中的物质信息、能量信息以及数据信息相互闭塞、互不相通，导致车间生产流程的工艺参数缺乏时序分析与关联融合，降低了对生产过程全流程要素的预见性、联动性和自治性水平，严重影响了车间生产系统智能化水平的提升。因此，研究基于高维多尺度工艺数据的流程制造过程质量精准预测方法是支撑车间生产线群智决策和优化调控的核心问题。
发明内容
本发明提供了一种制丝松散回潮工艺的多质量指标输出预测方法、系统，以用于解决在制丝加工过程中松散回潮多质量目标预测的技术问题。
本发明的技术方案是：一种制丝松散回潮工艺的多质量指标输出预测方法，包括：
S1、获取制丝松散回潮工艺的工艺参数和质量指标；
S2、获取制丝松散回潮工艺的工艺参数和质量指标历史数据；
S3、对历史数据进行预处理，获取预处理后的历史数据，并划分训练集和测试集；
S4、利用训练集对松散回潮工艺质量多输出预测模型CB_A_L进行训练；
S5、利用训练好的预测模型CB_A_L对测试集进行测试。
所述S1，具体为：依据制丝车间中松散回潮的具体工艺流程，确定工艺参数和质量指标；其中，工艺参数和质量指标的数量均为多个。
所述工艺参数为可调参数，包括工艺流量、气水混合自动阀门开度、加水比例、加水流量、加水累计量、物料累计量、蒸汽自动阀门开度、工艺热风温度。
所述质量指标，包括：出料温度和出料含水率。
所述获取制丝松散回潮工艺的工艺参数和质量指标历史数据，包括：对不同工艺数据按照生产批次号为单位，衔接牌号、模型名称、工序名称、工艺参数名称、指标类型和数据采集开始和结束时间收集不同传感器数据信息，再将这些传感器数据按照批次号、工序名称、工艺参数、质量指标和采集时间进行融合，形成制丝松散回潮工艺的工艺参数和质量指标历史数据。
所述预处理具体为：对制丝松散回潮工艺的工艺参数和质量指标历史数据进行异常值处理、归一化处理。
所述松散回潮工艺质量多输出预测模型CB_A_L，包括：基于CNN-BiLSTM特征学习的编码器、基于时序注意力网络的解码器；
所述基于CNN-BiLSTM特征学习的编码器，包括卷积神经网络、BiLSTM；以松散回潮工艺的工艺参数历史数据构建的一维工艺参数时序矩阵作为编码器的输入，首先利用卷积神经网络将一维工艺参数时序矩阵构建成二维时序特征信息矩阵，随后通过BiLSTM学习提取出的二维时序特征信息矩阵中的时间特征并定义成固定长度向量，输出工艺参数关联时序特征序列；
所述基于时序注意力网络的解码器，包括时序注意力网络、LSTM网络、全连接网络；以松散回潮工艺的质量指标历史数据作为解码器网络中LSTM网络的输入，用以提取质量指标的时序信息，即LSTM网络的隐层状态；并以CNN-BiLSTM特征学习的编码器得到的工艺参数关联时序特征序列作为时序注意力网络的输入，经过迭代计算出t时刻下所有时间步长的注意力权重；使用softmax函数对计算得到的所有注意力权重进行归一化处理，细化表达时间步长下各时刻编码器工艺参数关联时序特征序列对预测目标的影响程度；利用得到的影响程度和编码器工艺参数关联时序特征序列进行加权求和来综合编码器所有时刻信息，得到t时刻中间语义向量；在解码器LSTM网络经过T次迭代计算后，再利用单层全连接网络整合LSTM网络的隐层状态与时序注意力网络输出的中间语义向量，最终经过维度变换得到工艺质量预测值。
根据本发明的另一方面，还提供了一种制丝松散回潮工艺的多质量指标输出预测系统，包括：
第一获取模块，用于获取制丝松散回潮工艺的工艺参数和质量指标；
第二获取模块，用于获取制丝松散回潮工艺的工艺参数和质量指标历史数据；
划分模块，用于对历史数据进行预处理，获取预处理后的历史数据，并划分训练集和测试集；
训练模块，用于利用训练集对松散回潮工艺质量多输出预测模型CB_A_L进行训练；
测试模块，用于利用训练好的预测模型CB_A_L对测试集进行测试。
根据本发明的另一方面，还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序，所述处理器执行所述程序时实现上述中任意一项所述的制丝松散回潮工艺的多质量指标输出预测方法。
根据本发明的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的制丝松散回潮工艺的多质量指标输出预测方法。
本发明的有益效果是：首先传统数理统计方法，需要依赖于专家经验预设的阈值，导致获取的关联特征带有一定的主观性；目前工业质量预测聚集于机器学习和神经网络等人工智能领域，但采用单一的网络结构无法有效解决流程型制造车间生产过程中存在多分布参数、高维多尺度、强耦合等复杂问题，进而无法完整提取工业生产中复杂的时序关联信息，丢失局部信息表达，致使预测结果无法达到满意精度。而本发明首先对制丝松散回潮加工过程进行分析，确定可调参数和质量指标，再对以上参数进行数据融合，整理汇总成数据表格；将工艺参数数据和质量指标历史数据分别作为模型中编码器和解码器的输入，基于序列到序列的学习结构，并利用BiLSTM、CNN和时序注意力机制算法构建松散回潮预测模型，避免了传统关联算法的经验依赖限制，自主充分提取工艺数据中蕴含的复杂关联时序信息，而且预测精度较高，实现了车间质量预测需求，能够对质量异常数据做出及时预警。
附图说明
图1为本发明构建的制丝松散回潮工艺质量多输出预测模型结构示意图；
图2为本发明的BiLSTM网络结构图；
图3为本发明的松散回潮工艺参数关系图；
图4为对比模型CNN_BiLSTM与本发明CB_A_L模型的出料含水率实验对比分析图；
图5为对比模型CNN_BiLSTM与本发明CB_A_L模型的出料温度实验对比分析图。
具体实施方式
下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-5所示，一种制丝松散回潮工艺的多质量指标输出预测方法，包括：
S1、获取制丝松散回潮工艺的工艺参数和质量指标；
S2、获取制丝松散回潮工艺的工艺参数和质量指标历史数据；
S3、对历史数据进行预处理，获取预处理后的历史数据，并划分训练集和测试集；
S4、利用训练集对松散回潮工艺质量多输出预测模型CB_A_L进行训练；
S5、利用训练好的预测模型CB_A_L对测试集进行测试；或者也可以将待预测数据采用该训练好的模型进行预测。
可选地，所述S1，具体为：依据制丝车间中松散回潮的具体工艺流程，确定工艺参数和质量指标；其中，工艺参数和质量指标的数量均为多个。
可选地，所述工艺参数为可调参数，包括工艺流量、气水混合自动阀门开度、加水比例、加水流量、加水累计量、物料累计量、蒸汽自动阀门开度、工艺热风温度；
可选地，所述质量指标，包括：出料温度和出料含水率。
可选地，所述获取制丝松散回潮工艺的工艺参数和质量指标历史数据，包括：对不同工艺数据按照生产批次号为单位，衔接牌号、模型名称、工序名称、工艺参数名称、指标类型和数据采集开始和结束时间收集不同传感器数据信息，再将这些传感器数据按照批次号、工序名称、工艺参数、质量指标和采集时间进行融合，形成制丝松散回潮工艺的工艺参数和质量指标历史数据。
可选地，所述预处理具体为：对制丝松散回潮工艺的工艺参数和质量指标历史数据进行异常值处理、归一化处理。异常值处理，即对每历史数据进行空值或零值筛选，如果存在空值或零值，则将该条历史数据删除；通过该处理，可以去除由于设备问题和批次生产导致停机断料、料头料尾引发的异常值。
可选地，所述松散回潮工艺质量多输出预测模型CB_A_L，包括：基于CNN-BiLSTM特征学习的编码器、基于时序注意力网络的解码器；
所述基于CNN-BiLSTM特征学习的编码器，包括卷积神经网络、BiLSTM；以松散回潮工艺的工艺参数历史数据构建的一维工艺参数时序矩阵作为编码器的输入，首先利用卷积神经网络将一维工艺参数时序矩阵构建成二维时序特征信息矩阵，随后通过BiLSTM学习提取出的二维时序特征信息矩阵中的时间特征并定义成固定长度向量，输出工艺参数关联时序特征序列；
所述基于时序注意力网络的解码器，包括时序注意力网络、LSTM网络、全连接网络；以松散回潮工艺的质量指标历史数据作为解码器网络中LSTM网络的输入，用以提取质量指标的时序信息，即LSTM网络的隐层状态；并以CNN-BiLSTM特征学习的编码器得到的工艺参数关联时序特征序列作为时序注意力网络的输入，经过迭代计算出t时刻下所有时间步长的注意力权重；使用softmax函数对计算得到的所有注意力权重进行归一化处理，细化表达时间步长下各时刻编码器工艺参数关联时序特征序列对预测目标的影响程度；利用得到的影响程度和编码器工艺参数关联时序特征序列进行加权求和来综合编码器所有时刻信息，得到t时刻中间语义向量；在解码器LSTM网络经过T次迭代计算后，再利用单层全连接网络整合LSTM网络的隐层状态与时序注意力网络输出的中间语义向量，最终经过维度变换得到工艺质量预测值。
下面对本发明一种可选的实施方式进行详细说明。
步骤(1)：分析制丝车间中松散回潮的具体工艺流程，确定工艺参数和质量指标，并从车间MES数据库中获取上述相关工艺参量历史数据；
步骤(2)：由于设备问题和批次生产导致停机断料和料头料尾引发的异常值，且各工艺参数量级不统一，需要对采集到的松散回潮工艺历史数据进行预处理；
步骤(3)：分析松散回潮参数特征，根据内部蕴含的特征信息建立松散回潮工艺质量多输出预测模型CB_A_L；
步骤(4)：利用预处理后的历史工艺数据训练所构建的预测模型CB_A_L，并将训练结果和当前工艺质量预测算法形成对比，验证所提算法的实用性和有效性。
所述步骤(1)包括如下步骤：
步骤(1.1)：分析松散回潮工艺流程，其是在回潮机中完成加工，由进料装置、滚筒、蒸汽系统、供水系统、压缩空气系统、循环风系统、排潮系统、出料装置组成，内部加工参数可分成3类：静态参数、工艺参数和质量指标。
步骤(1.2)：静态参数在整个设备加工前预设定的参数，固定不动；工艺参数分为可调参数和不可调参数，其中可调参数为工艺流量、气水混合自动阀门开度、加水比例、加水流量、加水累计量、物料累计量、蒸汽自动阀门开度、工艺热风温度8个工艺参数；质量指标为出料温度和出料含水率，如表1所示。为实现质量指标提前预知，需要密切关注可调参数与质量指标之间的关系；本发明通过分析松散回潮实际生产过程中各工艺参数的加工特性，去除不可调参数，选取可调参数和质量指标数据；一方面，为后续优化工作直接选定可调动参数，无需考虑不可调参数；另一方面，在不影响预测效果的同时降低了计算工作。
表1松散回潮设备性能参数表
步骤(1.3)：从制丝车间MES数据库中获取松散回潮工序原始数据，由于不同工艺数据由不同传感器采集，因此需要对工艺数据进行融合处理，形成可直接使用的数据表格。具体依据松散回潮加工过程，如表2所示，对不同工艺数据按照生产批次号为单位，衔接牌号、模型名称、工序名称、工艺参数名称、指标类型和数据采集开始和结束时间收集不同传感器数据信息，再将这些传感器数据按照批次号、工序名称和采集时间进行融合，形成制丝松散回潮工艺的工艺参数和质量指标历史数据，如表3所示。
表2
| 批次号 | 牌号 | 模型名称 | 工序名 | 工艺参数名称 | 指标类型 | 开始时间 | 结束时间 |
| 70 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮工艺流量 | 稳态指标 | 2021-01-26 22:50:18 | |
| 70 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮出料含水率 | 稳态指标 | 2021-01-26 21:59:54 | 2021-01-26 22:54:30 |
| 70 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮出料温度 | 稳态指标 | 2021-01-26 21:59:54 | 2021-01-26 22:54:30 |
| 70 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮工艺热风温度 | 稳态指标 | 2021-01-26 21:59:54 | 2021-01-26 22:50:18 |
| 71 | 云烟(紫)模组二 | 数据模型0 | 松散回湖 | 松散回潮工艺流量 | 稳态指标 | 2021-01-27 17:19:48 | 2021-01-27 18:13:48 |
| 71 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮出料含水率 | 稳态指标 | 2021-01-27 17:23:24 | 2021-01-27 18:18:00 |
| 71 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮出料温度 | 稳态指标 | 2021-01-27 17:23:24 | 2021-01-27 18:18:00 |
| 71 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮工艺热风温度 | 稳态指标 | 2021-01-27 17:23:24 | 2021-01-27 18:13:48 |
| 73 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮工艺流量 | 稳态指标 | 2021-01-27 20:48:36 | |
| 73 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮出料含水率 | 稳态指标 | 2021-01-27 20:52:48 | |
| 73 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮出料温度 | 稳态指标 | 2021-01-27 20:52:48 | |
| 73 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮工艺热风温度 | 稳态指标 | 2021-01-27 20:48:36 | |
| 75 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮工艺流量 | 稳态指标 | 2021-01-28 16:54:18 | 2021-01-28 17:48:30 |
| 75 | 云烟(紫)模组二 | 数据模型0 | 松散回潮 | 松散回潮出料含水率 | 稳态指标 | 2021-01-28 16:58:00 | 2021-01-28 17:52:42 |
表3
所述步骤(2)包括如下步骤：
通过上述步骤(1.3)的数据融合整理后得到2020年1月2日-8月25日生产的松散回潮数据，共收集近十万条历史数据，这些数据中存在由于设备问题和批次生产导致停机断料、料头料尾引发的异常值，需要删除这些异常值；同时各工艺数据数量级不统一，需要应用归一化地数据进行处理，将所有数据控制在[0，1]范围内，具体如式(1)所示；
所述步骤(3)包括如下步骤：
将步骤(2)获取得到的松散回潮归一化数据以7：3的比例划分数据，分别作为训练集和测试集，并以训练集数据作为预测模型的输入数据，构建以松散回潮质量指标为目标的预测模型。该模型基于序列到序列的学习结构，同步学习车间工艺参数关联时序特征和质量指标时序信息。在编码器中利用CNN自主挖掘松散回潮中关键工序间的关联关系，随后串联BiLSTM提取双向时序信息用以完善工艺特征信息，并在此基础上利用时序注意力机制聚焦重要工艺历史时刻，削弱冗余信息；在解码器中利用LSTM提取质量指标时序信息；有效融合提取的全部特征信息，输入至全连接网络，最后以预测下一时刻工艺质量为建模目标构建完整预测模型。
基于CNN-BiLSTM特征学习的编码器：针对流程车间工艺过程中存在着复杂时序关联信息，以松散回潮中工艺参数X＝(x1,x2,…,xT)＝(x1,x2,…,xN)T作为编码器的输入数据，首先利用卷积神经网络将一维工艺时序矩阵按照一定规则构建成二维时序特征信息矩阵，随后通过BiLSTM学习提取出的矩阵中的时间特征并定义成固定长度向量。其中，BiLSTM是基于长短时记忆网络演化而来的扩展结构，核心思想在于LSTM的基础上再增加一层LSTM来反向处理数据，具体结构如图2所示。BiLSTM使用两个独立的LSTM从前后端挖掘工艺时序信息，可以完整捕捉多序列数据中双向时间结构信息。下层是前向LSTM，上层是后向LSTM，都是采用相同的计算过程。
LSTM采用了门控输出的方式，即输入门、遗忘门、输出门和两种时间状态(CellState和Hidden State)。在t时刻的输出值分别为it、ft、ot、ct和ht，LSTM具体求解方式如下：
假设给定输入序列由x＝{x1,x2,x3,…,xt,…,xT}表示，其中t表示第t时刻，T表示总时间数，最后通过以下公式得到输出结果。
上述公式中：ht表示在t时刻隐层的输出；
表示t时刻的LSTM输出结果；σ为Sigmids激活函数；bα表示偏差，其中α∈{i,f,c,o,h}，W＝{Wxi,Whi,Wci,Wxf,Whf,Wcf,Wxo,Who,Wco,Wxc,Whc,Wxh,Whh}表示通过时间反向传播得到的加权参数，如输入层与隐藏层之间的权重矩阵。
BiLSTM则是通过将两个LSTM层的输出结果拼接得到最终的输出值，具体方式如下：
其中：
和
分别为前后向LSTM的输出，以完全相反的序列顺序作为输入；α和β为序列控制前后向LSTM的因子(α+β＝1)；
表示在时间t时BiLSTM的隐层状态输出值，即工艺参数关联时序特征序列；
为整体BiLSTM的输出值。
基于时序注意力机制的解码器：在编码器-解码器网络中，随着输入工艺参数序列长度的增加将可能会导致获取到的深度特征会被后续特征不断覆盖，从而丢失部分关键信息。针对上述问题引入自动聚焦关键区域信息并弱化其他冗余区域表达的时序注意力机制，分析判定由编码器输出各时刻关联时序的隐藏状态序列
对预测目标工艺质量
的影响程度。以上述中得到的工艺参数关联时序特征序列作为时序注意力网络的输入，并以松散回潮中质量指标序列Y＝(y1,y2,…,yT)∈RT作为解码器LSTM网络的输入，用以提取质量指标的时序信息dT-1。如式(5)所示，迭代计算出当前时刻下所有时间步长的注意力权重
并使用softmax函数对计算得到的所有注意力权重进行归一化处理，如式(6)所示，细化表达时间步长下各时刻编码器关联时序的隐藏状态序列
对预测目标的影响程度
式中：
为解码器LSTM网络前一时刻的隐层状态dt-1和门控信息
融合表达；Vd∈Rq、Wd∈Rq×(2q)和ud∈Rp×p为注意力机制网络的权重和偏置参数；p为编码器中BiLSTM网络隐藏单元个数。
利用得到的影响程度
和编码器所有隐层状态信息
进行加权求和来综合编码器所有时刻信息，如式(7)所示，得到中间语义向量ct∈R1×p，该向量综合表达了工艺参数的关联时序信息和历史质量指标的时序信息。
式(8)在解码器LSTM网络经过T次迭代计算后，再利用单层全连接网络整合隐层状态dT-1与时序注意力机制输出的中间语义向量cT，最终经过维度变换得到工艺质量预测值
如式(9)所示。
dT＝fLSTM(dT-1,yT)∈R1×q (8)
式中：Wy∈Rq×(p+q)、bw∈Rq、Vy∈Rq、by∈R分别表示全连接网络和进行维度变换时的权重和偏置。
所述步骤(4)包括如下步骤：
松散回潮工艺质量多输出预测模型CB_A_L中参数具体可设置为：时间步长s＝10，即采用前1分钟的历史松散回潮工艺数据预测下一时刻的质量指标数据；迭代次数为100；学习率为0.001；模型结构中BiLSTM网络和LSTM网络具有相同网络层级L＝3；隐藏层数分别为p＝8，q＝10。经试验验证CB_A_L模型中CNN卷积核最佳大小为512，此时预测精度达到最优状态。同时为验证模型的预测效果，如表4所示，将CB_A_L模型与传统回归方法(线性回归和多项式回归)、支持向机回归(LINEAR、POLY和RBF)、DNN、循环神经网络(RNN、LSTM和GRU)、Seq2Seq、CNN_BiLSTM以上11种模型进行比较。其中深度学习模型参数配置均参照本文模型设置，其中默认神经网络层数设置为1，最后以将平均绝对误差(Mean Absolute Error，MAE)和均方根误差(Root Mean Square Error,RMSE)作为模型评估分析指标，并选取上述对比模型中最优结果CNN_BiLSTM与CB_A_L模型部分测试集数据绘图，如图4、图5所示。
表4不同模型的预测对比结果
由于松散回潮工序生产过程中具有工艺复杂、质量影响因素多、工艺耦合程度高等特点，造成工艺过程中参量间难以细致表征的关联关系，同时生产物料按照工艺流程沿着不同工艺和生产流程流转，在流转过程中其内部的物料流、信息流、能量流随之发生有序变动，不同时刻的设备状态相互影响，最终获取到的工艺数据的时序性特征明显，因此需重点分析工艺参数间的关联关系和时序信息，同时把握质量指标数据内部的时序信息；通过本发明所构建的CB_A_L模型，能够解决上述中的难点，并通过测试集对比证明CB_A_L模型在制丝松散回潮工艺质量多输出预测方面具有明显的优越性，质量指标的真实值和模型输出的预测值能够最大程度的拟合，且CB_A_L模型评估分析指标也远小于其他对比模型，证明了CB_A_L模型的预测稳定性。
根据本发明实施例的另一方面，还提供了一种制丝松散回潮工艺的多质量指标输出预测系统，包括：
第一获取模块，用于获取制丝松散回潮工艺的工艺参数和质量指标；
第二获取模块，用于获取制丝松散回潮工艺的工艺参数和质量指标历史数据；
划分模块，用于对历史数据进行预处理，获取预处理后的历史数据，并划分训练集和测试集；
训练模块，用于利用训练集对松散回潮工艺质量多输出预测模型CB_A_L进行训练；
测试模块，用于利用训练好的预测模型CB_A_L对测试集进行测试。
此处需要说明的是，上述第一获取模块、第二获取模块、划分模块、训练模块和测试模块对应于实施例1中的步骤S1至S5，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
根据本发明实施例的另一方面，还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序，所述处理器执行所述程序时实现上述中任意一项所述的制丝松散回潮工艺的多质量指标输出预测方法。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的制丝松散回潮工艺的多质量指标输出预测方法。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种制丝松散回潮工艺的多质量指标输出预测方法，其特征在于，包括：
S1、获取制丝松散回潮工艺的工艺参数和质量指标；
S2、获取制丝松散回潮工艺的工艺参数和质量指标历史数据；
S3、对历史数据进行预处理，获取预处理后的历史数据，并划分训练集和测试集；
S4、利用训练集对松散回潮工艺质量多输出预测模型CB_A_L进行训练；
S5、利用训练好的预测模型CB_A_L对测试集进行测试。
2.根据权利要求1所述的制丝松散回潮工艺的多质量指标输出预测方法，其特征在于，所述S1，具体为：依据制丝车间中松散回潮的具体工艺流程，确定工艺参数和质量指标；其中，工艺参数和质量指标的数量均为多个。
3.根据权利要求2所述的制丝松散回潮工艺的多质量指标输出预测方法，其特征在于，所述工艺参数为可调参数，包括工艺流量、气水混合自动阀门开度、加水比例、加水流量、加水累计量、物料累计量、蒸汽自动阀门开度、工艺热风温度。
4.根据权利要求2所述的制丝松散回潮工艺的多质量指标输出预测方法，其特征在于，所述质量指标，包括：出料温度和出料含水率。
5.根据权利要求1所述的制丝松散回潮工艺的多质量指标输出预测方法，其特征在于，所述获取制丝松散回潮工艺的工艺参数和质量指标历史数据，包括：对不同工艺数据按照生产批次号为单位，衔接牌号、模型名称、工序名称、工艺参数名称、指标类型和数据采集开始和结束时间收集不同传感器数据信息，再将这些传感器数据按照批次号、工序名称、工艺参数、质量指标和采集时间进行融合，形成制丝松散回潮工艺的工艺参数和质量指标历史数据。
6.根据权利要求1所述的制丝松散回潮工艺的多质量指标输出预测方法，其特征在于，所述预处理具体为：对制丝松散回潮工艺的工艺参数和质量指标历史数据进行异常值处理、归一化处理。
7.根据权利要求1所述的制丝松散回潮工艺的多质量指标输出预测方法，其特征在于，所述松散回潮工艺质量多输出预测模型CB_A_L，包括：基于CNN-BiLSTM特征学习的编码器、基于时序注意力网络的解码器；
所述基于CNN-BiLSTM特征学习的编码器，包括卷积神经网络、BiLSTM；以松散回潮工艺的工艺参数历史数据构建的一维工艺参数时序矩阵作为编码器的输入，首先利用卷积神经网络将一维工艺参数时序矩阵构建成二维时序特征信息矩阵，随后通过BiLSTM学习提取出的二维时序特征信息矩阵中的时间特征并定义成固定长度向量，输出工艺参数关联时序特征序列；
所述基于时序注意力网络的解码器，包括时序注意力网络、LSTM网络、全连接网络；以松散回潮工艺的质量指标历史数据作为解码器网络中LSTM网络的输入，用以提取质量指标的时序信息，即LSTM网络的隐层状态；并以CNN-BiLSTM特征学习的编码器得到的工艺参数关联时序特征序列作为时序注意力网络的输入，经过迭代计算出t时刻下所有时间步长的注意力权重；使用softmax函数对计算得到的所有注意力权重进行归一化处理，细化表达时间步长下各时刻编码器工艺参数关联时序特征序列对预测目标的影响程度；利用得到的影响程度和编码器工艺参数关联时序特征序列进行加权求和来综合编码器所有时刻信息，得到t时刻中间语义向量；在解码器LSTM网络经过T次迭代计算后，再利用单层全连接网络整合LSTM网络的隐层状态与时序注意力网络输出的中间语义向量，最终经过维度变换得到工艺质量预测值。
8.一种制丝松散回潮工艺的多质量指标输出预测系统，其特征在于，包括：
第一获取模块，用于获取制丝松散回潮工艺的工艺参数和质量指标；
第二获取模块，用于获取制丝松散回潮工艺的工艺参数和质量指标历史数据；
划分模块，用于对历史数据进行预处理，获取预处理后的历史数据，并划分训练集和测试集；
训练模块，用于利用训练集对松散回潮工艺质量多输出预测模型CB_A_L进行训练；
测试模块，用于利用训练好的预测模型CB_A_L对测试集进行测试。
9.一种终端设备，其特征在于：包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的制丝松散回潮工艺的多质量指标输出预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-7中任意一项所述的制丝松散回潮工艺的多质量指标输出预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211208462.3A CN115456460A (zh) | 2022-09-30 | 2022-09-30 | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211208462.3A CN115456460A (zh) | 2022-09-30 | 2022-09-30 | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115456460A true CN115456460A (zh) | 2022-12-09 |
Family
ID=84308567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211208462.3A Pending CN115456460A (zh) | 2022-09-30 | 2022-09-30 | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456460A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115935192A (zh) * | 2023-01-10 | 2023-04-07 | 中国民用航空飞行学院 | 一种基于增量式在线学习框架的飞行训练数据预测方法 |
| CN116189906A (zh) * | 2023-04-28 | 2023-05-30 | 江苏未来网络集团有限公司 | 脓毒症实时预警的神经网络模型、方法和电子设备 |
| CN116541436A (zh) * | 2023-04-13 | 2023-08-04 | 华院计算技术(上海)股份有限公司 | 用于连铸生产线的相关性查询方法及装置、介质、终端 |
| CN117495070A (zh) * | 2023-12-27 | 2024-02-02 | 中控技术股份有限公司 | 一种工业流水线的工艺参数推荐方法及系统 |
-
2022
- 2022-09-30 CN CN202211208462.3A patent/CN115456460A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115935192A (zh) * | 2023-01-10 | 2023-04-07 | 中国民用航空飞行学院 | 一种基于增量式在线学习框架的飞行训练数据预测方法 |
| CN116541436A (zh) * | 2023-04-13 | 2023-08-04 | 华院计算技术(上海)股份有限公司 | 用于连铸生产线的相关性查询方法及装置、介质、终端 |
| CN116541436B (zh) * | 2023-04-13 | 2024-02-27 | 华院计算技术(上海)股份有限公司 | 用于连铸生产线的相关性查询方法及装置、介质、终端 |
| CN116189906A (zh) * | 2023-04-28 | 2023-05-30 | 江苏未来网络集团有限公司 | 脓毒症实时预警的神经网络模型、方法和电子设备 |
| CN117495070A (zh) * | 2023-12-27 | 2024-02-02 | 中控技术股份有限公司 | 一种工业流水线的工艺参数推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115456460A (zh) | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 | |
| CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
| KR102139358B1 (ko) | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 | |
| CN106355192A (zh) | 一种基于混沌灰狼优化的支持向量机方法 | |
| CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
| CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
| CN110175416A (zh) | 基于主成分分析和神经网络的三峡水库水温预测方法 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN106778838A (zh) | 一种预测空气质量的方法 | |
| CN114757104B (zh) | 一种串联闸群调水工程水力实时调控模型的构建方法 | |
| CN110264079A (zh) | 基于CNN算法和Lasso回归模型的热轧产品质量预测方法 | |
| CN110838364A (zh) | 一种基于深度学习混合模型的克罗恩病预测方法及装置 | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
| CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
| CN111861002A (zh) | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 | |
| CN111524023A (zh) | 温室调节方法及系统 | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
| CN114595884A (zh) | 一种遗传智能优化的神经网络风力发电设备温度预测方法 | |
| CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN113609772B (zh) | 基于卷积准循环神经网络的水泥成品比表面积预测方法 | |
| CN115481715A (zh) | 一种基于am-gru-bpnn的产品质量指标预测方法、系统 | |
| CN113743652B (zh) | 一种基于深度特征识别的甘蔗压榨过程预测方法 | |
| Huangpeng et al. | Surface Defects Classification Using Transfer Learning and Deep Sparse Coding |
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 |