CN116423924A - 纸板线湿部生产速度模型构建方法及生产速度预测方法 - Google Patents

纸板线湿部生产速度模型构建方法及生产速度预测方法 Download PDF

Info

Publication number
CN116423924A
CN116423924A CN202310341630.4A CN202310341630A CN116423924A CN 116423924 A CN116423924 A CN 116423924A CN 202310341630 A CN202310341630 A CN 202310341630A CN 116423924 A CN116423924 A CN 116423924A
Authority
CN
China
Prior art keywords
model
neural network
trained
optimal
production speed
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
Application number
CN202310341630.4A
Other languages
English (en)
Inventor
赵庆军
蒋勉
黄玮
曹曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Guangdong Fosber Intelligent Equipment Co Ltd
Original Assignee
Foshan University
Guangdong Fosber Intelligent Equipment Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University, Guangdong Fosber Intelligent Equipment Co Ltd filed Critical Foshan University
Priority to CN202310341630.4A priority Critical patent/CN116423924A/zh
Publication of CN116423924A publication Critical patent/CN116423924A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B31—MAKING ARTICLES OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER; WORKING PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
    • B31F—MECHANICAL WORKING OR DEFORMATION OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
    • B31F1/00—Mechanical deformation without removing material, e.g. in combination with laminating
    • B31F1/20—Corrugating; Corrugating combined with laminating to other layers
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21H—PULP COMPOSITIONS; PREPARATION THEREOF NOT COVERED BY SUBCLASSES D21C OR D21D; IMPREGNATING OR COATING OF PAPER; TREATMENT OF FINISHED PAPER NOT COVERED BY CLASS B31 OR SUBCLASS D21G; PAPER NOT OTHERWISE PROVIDED FOR
    • D21H25/00—After-treatment of paper not provided for in groups D21H17/00 - D21H23/00
    • D21H25/04—Physical treatment, e.g. heating, irradiating
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21H—PULP COMPOSITIONS; PREPARATION THEREOF NOT COVERED BY SUBCLASSES D21C OR D21D; IMPREGNATING OR COATING OF PAPER; TREATMENT OF FINISHED PAPER NOT COVERED BY CLASS B31 OR SUBCLASS D21G; PAPER NOT OTHERWISE PROVIDED FOR
    • D21H25/00—After-treatment of paper not provided for in groups D21H17/00 - D21H23/00
    • D21H25/04—Physical treatment, e.g. heating, irradiating
    • D21H25/06—Physical treatment, e.g. heating, irradiating of impregnated or coated paper
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明涉及瓦楞纸板生产领域，公开了纸板线湿部生产速度模型构建方法及生产速度预测方法，该方法用于构建用于预测纸板线湿部生产速度的预测模型。该方法包括获取样本数据集，并划分为训练集和测试集；构建BP神经网络模型，并将训练集输入BP神经网络模型进行训练，并寻优BP神经网络模型的超参数，得到训练后的BP神经网络模型；构建XGBOOST模型，并将训练集输入XGBOOST模型进行训练，并寻优XGBOOST模型的超参数，得到训练后的XGBOOST模型；基于训练后的BP神经网络模型和训练后的XGBOOST模型构建生产速度初始模型；寻优得到训练后的BP神经网络模型的最优权重a和训练后的XGBOOST模型的最优权重b，基于最优权重a和最优权重b优化生产速度初始模型，得到生产速度预测模型。

Description

纸板线湿部生产速度模型构建方法及生产速度预测方法
技术领域
本发明涉及瓦楞纸板生产技术领域，尤其涉及一种纸板线湿部生产速度模型构建方法及生产速度预测方法。
背景技术
瓦楞纸板生产线包括相对独立的湿部设备和干部部分。湿部设备生产速度是瓦楞纸板生产的重要指标参数，不仅反应出瓦楞纸板生产效率，同时反应出不同生产情况。
现有技术中针对瓦楞纸板生产线的研究如纸张张力、机械结构、胶水种类等已经取得了一定成果，但是对湿部设备生产速度的研究相对较少。
因此，现有技术还有待发展和改进。
发明内容
本发明提供了一种纸板线湿部生产速度预测模型构建方法，用于构建纸板线湿部生产速度预测模型，通过对纸板线湿部生产速度的预测更加精准。
本发明第一方面提供了一种纸板线湿部生产速度预测模型构建方法，所述生产速度预测模型构建方法包括：获取样本数据集，并对所述样本数据集进行预处理，得到处理后数据集，并将所述处理后数据集划分为训练集和测试集；构建BP神经网络模型，并将所述训练集输入BP神经网络模型进行训练，并寻优所述BP神经网络模型的超参数，得到训练后的BP神经网络模型，并将所述测试集输入所述训练后的BP神经网络模型进行测试，得到第一测试结果；构建XGBOOST模型，并将所述训练集输入XGBOOST模型进行训练，并寻优所述XGBOOST模型的超参数，得到训练后的XGBOOST模型，并将所述测试集输入所述训练后的XGBOOST模型进行测试，得到第二测试结果；当所述第一测试结果和所述第二测试结果均符合预设准确率时，则基于所述训练后的BP神经网络模型和所述训练后的XGBOOST模型构建生产速度初始模型；寻优得到所述训练后的BP神经网络模型的最优权重a和所述训练后的XGBOOST模型的最优权重b，并基于最优权重a和最优权重b优化所述生产速度初始模型，得到生产速度预测模型，其中，a∈(0，1)，b＝1-a。
优选地，所述获取样本数据集，并对所述样本数据集进行预处理，得到处理后数据集，并将所述处理后数据集划分为训练集和测试集，包括：获取样本数据集，并按照采样时间对所述样本数据集中的样本数据进行排序，得到预处理数据集；统一所述预处理数据集中的样本数据的数据类型，得到预设类型的时序生产数据集；去除所述时序生产数据集中的异常数据和重复数据，得到处理后数据集；将所述处理后数据集划分为训练集和测试集。
优选地，所述去除所述时序生产数据集中的异常数据和重复数据，得到处理后数据集，包括：对所述时序生产数据集中的样本数据的生产速度数据进行滤波，得到滤波后数据；基于所述滤波后数据采用四分位距统计量方法筛选出不稳定区间，并删除不稳定区间内的所有参数，得到稳定数据集；去除所述稳定数据集中的样本数据的重复数据，得到处理后数据集。
优选地，所述构建BP神经网络模型，并将所述训练集输入BP神经网络模型进行训练，并寻优所述BP神经网络模型的超参数，得到训练后的BP神经网络模型，并将所述测试集输入所述训练后的BP神经网络模型进行测试，得到第一测试结果，包括：构建BP神经网络模型，并将所述训练集输入BP神经网络模型进行训练；采用贝叶斯优化寻优所述BP神经网络模型的超参数，得到最优隐藏层神经元个数、最优优化器和最优学习率；根据所述最优隐藏层神经元个数、所述最优优化器和所述最优学习率优化所述BP神经网络模型，得到训练后的BP神经网络模型；将所述测试集输入所述训练后的BP神经网络模型进行测试，得到第一测试结果。
优选地，当所述BP神经网络模型的隐藏层为一层，获取第一测试结果A；当所述BP神经网络模型的隐藏层为两层，获取第一测试结果B；比对第一测试结果A和第一测试结果B的误差大小，选取误差小的训练后的BP神经网络模型和所述训练后的XGBOOST模型构建所述生产速度初始模型。
优选地，所述构建XGBOOST模型，并将所述训练集输入XGBOOST模型进行训练，并寻优所述XGBOOST模型的超参数，得到训练后的XGBOOST模型，并将所述测试集输入所述训练后的XGBOOST模型进行测试，得到第二测试结果，包括：构建XGBOOST模型，并将所述训练集输入XGBOOST模型进行训练；采用网格搜索寻优所述XGBOOST模型的超参数，得到最优最大深度，最优最小叶子节点样本权重，最优弱学习器个数和最优学习率；根据所述最优最大深度、所述最优最小叶子节点样本权重、所述最优弱学习器个数和所述最优学习率优化所述XGBOOST模型，得到训练后的XGBOOST模型；将所述测试集输入所述训练后的XGBOOST模型进行测试，得到第二测试结果。
优选地，所述寻优得到所述训练后的BP神经网络模型的最优权重a和所述训练后的XGBOOST模型的最优权重b，并基于最优权重a和最优权重b优化所述生产速度初始模型，得到生产速度预测模型，包括：将所述第一测试结果和所述第二测试结果加权求和，得到加权相加值；基于所述加权相加值采用粒子群算法对所述训练后的BP神经网络模型的权重a和所述训练后的XGBOOST模型的权重b寻优，得到与最小测试集误差对应的最优权重a和最优权重b；基于所述最优权重a和所述最优权重b优化生产速度初始模型，得到生产速度预测模型。
本发明第二方面提供了一种纸板线湿部生产速度预测方法，所述纸板线湿部生产速度预测方法包括：获取纸板线生产的纸板类型；采集纸板线湿部设备的实时生产参数；将实时生产参数输入与纸板类型对应的生产速度预测模型，输出预测生产速度；所述生产速度预测模型的构建方法采用如上所述的生产速度预测模型构建方法。
本发明提供的纸板线湿部生产速度预测模型构建方法中，基于训练后的BP神经网络模型和训练后的XGBOOST模型构建生产速度初始模型；并寻优得到训练后的BP神经网络模型的最优权重a和训练后的XGBOOST模型的最优权重b，基于最优权重a和最优权重b得到生产速度预测模型，使得生产速度预测模型预测准确度更高，对纸板线湿部生产速度的预测更加精准。
本发明提供的纸板线湿部生产速度预测方法通过构建生产速度预测模型，可有效预测不同原纸、温度、湿度等情况下的湿部生产速度，提高瓦楞纸板生产线在不同生产条件的适应性，优化生产过程提高效率。
附图说明
图1为本发明实施例提供的纸板线湿部生产速度预测模型构建方法的种流程图；
图2为本发明实施例提供的纸板线湿部生产速度预测方法的流程图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例的纸板线湿部生产速度预测模型构建方法包括：
S101、获取样本数据集，并对样本数据集进行预处理，得到处理后数据集，并将处理后数据集划分为训练集和测试集。
S102、构建BP神经网络模型，并将训练集输入BP神经网络模型进行训练，并寻优BP神经网络模型的超参数，得到训练后的BP神经网络模型，并将测试集输入训练后的BP神经网络模型进行测试，得到第一测试结果。
S103、构建XGBOOST模型，并将训练集输入XGBOOST模型进行训练，并寻优XGBOOST模型的超参数，得到训练后的XGBOOST模型，并将测试集输入训练后的XGBOOST模型进行测试，得到第二测试结果。
S104、当第一测试结果和第二测试结果均符合预设准确率时，则基于训练后的BP神经网络模型和训练后的XGBOOST模型构建生产速度初始模型。
S105、寻优得到训练后的BP神经网络模型的最优权重a和训练后的XGBOOST模型的最优权重b，基于最优权重a和最优权重b优化生产速度初始模型，得到生产速度预测模型，其中，a∈(0，1)，b＝1-a。
可以理解地，为了更加精准地预测纸板线湿部生产速度，针对纸板线生产的纸板类型构建与纸板类型对应的纸板线湿部生产速度预测模型，构建与纸板类型对应的纸板线湿部生产速度预测模型时获取对应的纸板类型的样本数据集，例如，构建对应B瓦型瓦楞纸板的纸板线湿部生产速度预测模型时，获取纸板线湿部生产B瓦型瓦楞纸板时的样本数据集；构建对应BC瓦型瓦楞纸板的纸板线湿部生产速度预测模型时，获取纸板线湿部生产BC瓦型瓦楞纸板时的样本数据集。
本实施例提供的是一种纸板线湿部生产速度预测模型，其基于训练后的BP神经网络模型和训练后的XGBOOST模型构建生产速度初始模型；并寻优得到训练后的BP神经网络模型的最优权重a和训练后的XGBOOST模型的最优权重b，基于最优权重a和最优权重b得到生产速度预测模型，使得生产速度预测模型预测准确度更高，对纸板线湿部生产速度的预测更加精准。
在本实施例中，步骤S101的获取样本数据集，并对样本数据集进行预处理，得到处理后数据集，并将处理后数据集划分为训练集和测试集，包括：
S1011、获取样本数据集，并按照采样时间对样本数据集中的样本数据进行排序，得到预处理数据集。
获取样本数据集中的样本数据包括纸板线湿部设备生产参数，纸板线湿部设备生产参数可以通过采集纸板线湿部设备的各传感器的数据以及系统参数得到，在各传感器进行采集数据前，设定各传感器的采样间隔为同一采样间隔，例如可以设定采样间隔为1s。
各传感器采集的数据包括双面机上胶单元上层上胶量、双面机上胶单元下层上胶量、双面机段热板蒸汽压力、双面机段压板压力、双面机段热板蒸汽压力、双面机段压板压力、双面机段热板蒸汽压力、双面机段压板压力、双面机段压板压力、双面机冷段压板压力、生产速度，系统参数包括纸板材质，纸板材质采用one-hot编码。
在本实施例中，按照采样时间对样本数据集中的样本数据进行排序有利于进行后续处理，进行排序时，将样本数据集中所有的样本数据以采样时间为索引放入一张表中。
S1012、统一预处理数据集中的样本数据的数据类型，得到预设类型的时序生产数据集。
在本实施例中，可以根据各样本数据的数据类型和预设的统一数据模型，将各样本数据的数据类型转换为预设类型。
S1013、去除时序生产数据集中的异常数据和重复数据，得到处理后数据集。
在本实施例中，去除时序生产数据集中的异常数据和重复数据，得到处理后数据集包括：对时序生产数据集的生产速度数据进行滤波，得到滤波后数据；基于滤波后数据采用四分位距统计量方法筛选出不稳定区间值，并删除不稳定区间值内的所有参数，得到稳定数据集；去除稳定数据集中的样本数据的重复数据，得到处理后数据集。
具体地，采用二阶Butterworth滤波器高通滤波。
具体地，基于滤波后数据采用四分位距统计量方法筛选出不稳定区间值时，计算得出滤波后数据Q1＝-0.000074，Q3＝0.000064，IQR＝0.000138。正常区间端点值为Q1-3×IQR＝-0.000488，Q3-3×IQR＝0.000478，正常区间值为(-0.000488，0.000478)，正常区间范围外数据即为不稳定数据。
把筛选出的不稳定区间值与时序生产数据集对应，并删除不稳定区间值内的所有参数，即，记录下不稳定数据索引，删除索引对应的所有生产参数。
S1014、将处理后数据集划分为训练集和测试集。
作为举例说明，处理后数据集为70600，则训练集的数据为63540(90％)，测试集的数据有7060(10％)；数据集为179490，则训练集161541(90％)，测试集17949(10％)。
本实施例中，通过去除生产速度不稳定的数据、异常区间的数据和重复数据使得训练样本的有效性更强。
在本实施例中，步骤S102的构建BP神经网络模型，并将训练集输入BP神经网络模型进行训练，并寻优BP神经网络模型的超参数，得到训练后的BP神经网络模型，并将测试集输入训练后的BP神经网络模型进行测试，得到第一测试结果，包括：
S1021、构建BP神经网络模型，并将训练集输入BP神经网络模型进行训练。
可以理解地，为了提高模型的预测精度，分别构建隐藏层为一层的BP神经网络模型和隐藏层为两层的BP神经网络模型，并采用同样的方法得到对应的训练后的BP神经网络模型。
训练时，输入参数为双面机上胶单元上层上胶量、双面机上胶单元下层上胶量、双面机段热板蒸汽压力、双面机段压板压力、双面机段热板蒸汽压力、双面机段压板压力、双面机段热板蒸汽压力、双面机段压板压力、双面机段压板压力、双面机冷段压板压力和纸板材质，纸板材质采用one-hot编码，输出参数为生产速度。
S1022、采用贝叶斯优化寻优BP神经网络模型的超参数，得到最优隐藏层神经元个数、最优优化器和最优学习率。
在本实施例中，将训练集输入BP神经网络模型进行训练，并输入测试集进行测试，再根据测试结果采用贝叶斯优化寻优BP神经网络模型的超参数，得到最优隐藏层神经元个数、最优优化器和最优学习率。
可以理解地，对于隐藏层为一层的BP神经网络模型的超参数主要包括隐藏层神经元个数、优化器和学习率，其它超参数采用默认值。
对于隐藏层为二层的BP神经网络模型的超参数主要包括第一层隐藏层神经元个数、第二层隐藏层神经元个数、优化器和学习率，其它超参数采用默认值。
作为举例说明，构建与B瓦型瓦楞纸板对应的纸板线湿部生产速度预测模型时，隐藏层为一层的BP神经网络模型的超参数设置范围如下：优化器寻优范围(Adam，RMSprop，SGD，AdamW)，学习率寻优范围(1e-6，1e-3)，隐藏层寻优范围(0，2000)，损失函数为soomthl1loss，batch_size为64，迭代次数为4000，寻优次数为100。
采用贝叶斯优化寻优BP神经网络模型的超参数，得到的寻优结果为：最优隐藏层神经元个数：1421，最优优化器：Adam，最优学习率：1e-5。
隐藏层为两层的BP神经网络模型的超参数设置范围如下：
优化器寻优范围(Adam，RMSprop，SGD，AdamW)，学习率寻优范围(1e-6，1e-3)，第一层隐藏层寻优范围(0，2000)，第二层隐藏层寻优范围(0，2000)，损失函数为soomthl1loss，batch_size为64，迭代次数为3000，寻优次数为100。
采用贝叶斯优化寻优BP神经网络模型的超参数，得到的寻优结果为：第一层最优隐藏层神经元个数：471，第二层最优隐藏层神经元个数：910，最优优化器：Adam，最优学习率：1.524e-5。
构建与BC瓦型瓦楞纸板对应的纸板线湿部生产速度预测模型时，隐藏层为一层的BP神经网络模型的超参数设置范围如下：优化器寻优范围(Adam，RMSprop，SGD，AdamW)，学习率寻优范围(1e-6，1e-3)，隐藏层寻优范围(0，3000)，损失函数为soomthl1loss，batch_size为256，迭代次数为5000，寻优次数为100。
采用贝叶斯优化寻优BP神经网络模型的超参数，得到的寻优结果为：最优隐藏层：2707，最优优化器：Adam，最优学习率：7.6996e-6。
隐藏层为两层的BP神经网络模型的超参数设置范围如下：优化器寻优范围(Adam，RMSprop，SGD，AdamW)，学习率寻优范围(1e-6，1e-3)，第一层隐藏层寻优范围(0，2000)，第二层隐藏层寻优范围(0，3000)，损失函数为soomthl1loss，batch_size为256，迭代次数为5000，寻优次数为100。
采用贝叶斯优化寻优BP神经网络模型的超参数，得到的寻优结果为：第一层最优隐藏层：868，第二层最优隐藏层：1863，最优优化器：Adam，最优学习率：1.1642e-5。
S1023、根据最优隐藏层神经元个数、最优优化器和最优学习率优化BP神经网络模型，得到训练后的BP神经网络模型。
S1024、将测试集输入训练后的BP神经网络模型进行测试，得到第一测试结果。
可以理解地，当BP神经网络模型的隐藏层为一层，获取第一测试结果A；当BP神经网络模型的隐藏层为两层，获取第一测试结果B。
构建与B瓦型瓦楞纸板对应的生产速度预测模型的测试结果如表1所示，构建与BC瓦型瓦楞纸板对应的生产速度预测模型时测试结果如表2所示。表1和表2中，MSE表示均方误差，RMSE表示均方根误差，MAE表示平均绝对误差，MAPE表示平均绝对百分比误差，误差值越小，表示模型的精确度越高。
在本实施例中，如表1所示，第一测试结果A的RMSE误差比第一测试结果B的RMSE误差小，即隐藏层为一层的BP神经网络模型的RMSE误差比隐藏层为两层的BP神经网络模型的RMSE误差小，因此选取隐藏层为一层的训练后的BP神经网络模型和训练后的XGBOOST模型构建生产速度初始模型。
表1与B瓦型瓦楞纸板对应的模型预测结果
Figure BDA0004158295380000101
表2与BC瓦型瓦楞纸板对应的模型预测结果
Figure BDA0004158295380000111
在本实施例中，将训练集输入BP神经网络模型进行训练，并输入测试集进行测试，再根据测试结果采用贝叶斯优化寻优BP神经网络模型的超参数，得到最优隐藏层神经元个数、最优优化器和最优学习率，并根据最优隐藏层神经元个数、最优优化器和最优学习率优化BP神经网络模型，得到训练后的BP神经网络模型，使得到训练后的BP神经网络模型预测精度更高，最后将测试集输入训练后的BP神经网络模型进行测试，得到第一测试结果。
在本实施例中，步骤S103的构建XGBOOST模型，并将训练集输入XGBOOST模型进行训练，并寻优XGBOOST模型的超参数，得到训练后的XGBOOST模型，并将测试集输入训练后的XGBOOST模型进行测试，得到第二测试结果，包括：
S1031、构建XGBOOST模型，并将训练集输入XGBOOST模型进行训练。
S1032、采用网格搜索寻优XGBOOST模型的超参数，得到最优最大深度，最优最小叶子节点样本权重，最优弱学习器个数和最优学习率。
在本实施例中，将训练集输入XGBOOST模型进行训练，并输入测试集进行测试，再根据测试结果采用网格搜索寻优XGBOOST的超参数，得到最优最大深度，最优最小叶子节点样本权重，最优弱学习器个数和最优学习率。
在本实施例中，作为举例说明，构建与B对应瓦型瓦楞纸板的纸板线湿部生产速度预测模型时，XGBOOST模型的超参数设置范围如下：
最大深度寻优范围(0，30)步长为1，最小叶子节点样本权重和寻优范围(2，15)步长为1，弱学习器个数寻优范围(0，5000)步长为1，学习率寻优范围(0.05，0.7)设置100份等差数列，损失函数为reg:squarederror，其他超参数均为默认值。
采用网格搜索寻优XGBOOST的超参数，得到寻优结果为：最优最大深度：23，最优最小叶子节点样本权重和：9，最优弱学习器个数：3361，最优学习率：0.573822。
构建与BC瓦型瓦楞纸板对应的纸板线湿部生产速度预测模型时，XGBOOST模型的超参数设置范围如下：
最大深度寻优范围(0，38)步长为1，最小叶子节点样本权重和寻优范围(2，15)步长为1，弱学习器个数寻优范围(0，10000)步长为10，学习率寻优范围(0.05，0.8)设置100份等差数列，损失函数为reg:squarederror，其他超参数均为默认值。
采用网格搜索寻优XGBOOST的超参数，得到寻优结果为：最优最大深度：35，最优最小叶子节点样本权重和：7，最优弱学习器个数：8000，最优学习率：0.712244。
S1033、根据最优最大深度、最优最小叶子节点样本权重、最优弱学习器个数和最优学习率优化XGBOOST模型，得到训练后的XGBOOST模型。
S1034、将测试集输入训练后的XGBOOST模型进行测试，得到第二测试结果。
在本实施例中，构建与B瓦型瓦楞纸板对应的生产速度预测模型的测试结果如表1所示，构建与BC瓦型瓦楞纸板对应的生产速度预测模型时测试结果如表2所示。
在本实施例中，将训练集输入XGBOOST模型进行训练，并输入测试集进行测试，再根据测试结果采用网格搜索寻优XGBOOST的超参数，得到最优最大深度，最优最小叶子节点样本权重，最优弱学习器个数和最优学习率，并根据得到最优最大深度，最优最小叶子节点样本权重，最优弱学习器个数和最优学习率优化XGBOOST模型，得到训练后的XGBOOST模型，使得到训练后的XGBOOST模型预测精度更高，最后将测试集输入训练后的XGBOOST模型进行测试，得到第二测试结果。
在本实施例中，步骤S105的寻优得到训练后的BP神经网络模型的最优权重a和训练后的XGBOOST模型的最优权重b，基于最优权重a和最优权重b优化生产速度初始模型，得到生产速度预测模型，包括：
S1051、将第一测试结果和第二测试结果加权求和，得到加权相加值。
可以理解地，由于选取了隐藏层为一层的训练后的BP神经网络模型和训练后的XGBOOST模型构建生产速度初始模型，因此，将第一测试结果和第二测试结果加权求和时，隐藏层为一层的训练后的BP神经网络模型对应的测试结果与训练后的XGBOOST模型的测试结果加权相加。
S1052、基于加权相加值采用粒子群算法对训练后的BP神经网络模型的权重a和训练后的XGBOOST模型的权重b寻优，得到与最小测试集误差对应的最优权重a和最优权重b。
在本实施例中，基于加权相加值采用粒子群算法寻优过程中，维度设置为1，种群个数为50，迭代次数为300，加速度常数分别为2，2，随机数分别为0.7，0.5，目标函数为加权相加值和测试集RMSE。寻优结果为：a＝0.36，b＝0.64。
S1053、基于最优权重a和最优权重b优化生产速度初始模型，得到生产速度预测模型。
在本实施例中，构建与B瓦型瓦楞纸板对应的生产速度预测模型的测试结果如表1所示，构建与BC瓦型瓦楞纸板对应的生产速度预测模型时测试结果如表2所示。
请参阅图1和图2所示，本发明实施例还提供了一种纸板线湿部生产速度预测方法，包括：
S201、获取纸板线生产的纸板类型。
纸板的类型可以预先配置，获取时可以通过系统参数获取。
S202、采集纸板线湿部设备的实时生产参数。
实时生产参数包括双面机上胶单元上层上胶量、双面机上胶单元下层上胶量、双面机段热板蒸汽压力、双面机段压板压力、双面机段热板蒸汽压力、双面机段压板压力、双面机段热板蒸汽压力、双面机段压板压力、双面机段压板压力、双面机冷段压板压力和纸板材质，纸板材质采用one-hot编码。
S203、将实时生产参数输入与纸板类型对应的生产速度预测模型，输出预测生产速度；生产速度预测模型的构建方法采用如上所述的生产速度预测模型构建方法。
可以理解地，利用生产速度预测模型进行预测时，通过训练后的BP神经网络模型得到第一预测值，通过训练后的XGBOOST模型得到第二预测值，再通过第一预测值和第二预测值加权相知得到生产速度预测值，例如，a＝0.36，b＝0.64，生产速度预测值＝0.36*第一预测值+0.64*第二预测值。
本发明实施例的纸板线湿部生产速度预测方法通过构建生产速度预测模型，可有效预测不同原纸、温度、湿度等情况下的湿部生产速度，提高瓦楞纸板生产线在不同生产条件的适应性，优化生产过程提高效率。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种生产速度预测模型构建方法，其特征在于，所述生产速度预测模型构建方法包括：
获取样本数据集，并对所述样本数据集进行预处理，得到处理后数据集，并将所述处理后数据集划分为训练集和测试集；
构建BP神经网络模型，并将所述训练集输入BP神经网络模型进行训练，并寻优所述BP神经网络模型的超参数，得到训练后的BP神经网络模型，并将所述测试集输入所述训练后的BP神经网络模型进行测试，得到第一测试结果；
构建XGBOOST模型，并将所述训练集输入XGBOOST模型进行训练，并寻优所述XGBOOST模型的超参数，得到训练后的XGBOOST模型，并将所述测试集输入所述训练后的XGBOOST模型进行测试，得到第二测试结果；
当所述第一测试结果和所述第二测试结果均符合预设准确率时，则基于所述训练后的BP神经网络模型和所述训练后的XGBOOST模型构建生产速度初始模型；
寻优得到所述训练后的BP神经网络模型的最优权重a和所述训练后的XGBOOST模型的最优权重b，并基于最优权重a和最优权重b优化所述生产速度初始模型，得到生产速度预测模型，其中，a∈(0，1)，b＝1-a。
2.根据权利要求1所述的生产速度预测模型构建方法，其特征在于，所述获取样本数据集，并对所述样本数据集进行预处理，得到处理后数据集，并将所述处理后数据集划分为训练集和测试集，包括：
获取样本数据集，并按照采样时间对所述样本数据集中的样本数据进行排序，得到预处理数据集；
统一所述预处理数据集中的样本数据的数据类型，得到预设类型的时序生产数据集；
去除所述时序生产数据集中的异常数据和重复数据，得到处理后数据集；
将所述处理后数据集划分为训练集和测试集。
3.根据权利要求2所述的生产速度预测模型构建方法，其特征在于，所述去除所述时序生产数据集中的异常数据和重复数据，得到处理后数据集，包括：
对所述时序生产数据集中的样本数据的生产速度数据进行滤波，得到滤波后数据；
基于所述滤波后数据采用四分位距统计量方法筛选出不稳定区间，并删除不稳定区间内的所有参数，得到稳定数据集；
去除所述稳定数据集中的样本数据的重复数据，得到处理后数据集。
4.根据权利要求1所述的生产速度预测模型构建方法，其特征在于，所述构建BP神经网络模型，并将所述训练集输入BP神经网络模型进行训练，并寻优所述BP神经网络模型的超参数，得到训练后的BP神经网络模型，并将所述测试集输入所述训练后的BP神经网络模型进行测试，得到第一测试结果，包括：
构建BP神经网络模型，并将所述训练集输入BP神经网络模型进行训练；
采用贝叶斯优化寻优所述BP神经网络模型的超参数，得到最优隐藏层神经元个数、最优优化器和最优学习率；
根据所述最优隐藏层神经元个数、所述最优优化器和所述最优学习率优化所述BP神经网络模型，得到训练后的BP神经网络模型；
将所述测试集输入所述训练后的BP神经网络模型进行测试，得到第一测试结果。
5.根据权利要求4所述的生产速度预测模型构建方法，其特征在于，当所述BP神经网络模型的隐藏层为一层，获取第一测试结果A；
当所述BP神经网络模型的隐藏层为两层，获取第一测试结果B；
比对第一测试结果A和第一测试结果B的误差大小，选取误差小的训练后的BP神经网络模型和所述训练后的XGBOOST模型构建所述生产速度初始模型。
6.根据权利要求1所述的生产速度预测模型构建方法，其特征在于，所述构建XGBOOST模型，并将所述训练集输入XGBOOST模型进行训练，并寻优所述XGBOOST模型的超参数，得到训练后的XGBOOST模型，并将所述测试集输入所述训练后的XGBOOST模型进行测试，得到第二测试结果，包括：
构建XGBOOST模型，并将所述训练集输入XGBOOST模型进行训练；
采用网格搜索寻优所述XGBOOST模型的超参数，得到最优最大深度，最优最小叶子节点样本权重，最优弱学习器个数和最优学习率；
根据所述最优最大深度、所述最优最小叶子节点样本权重、所述最优弱学习器个数和所述最优学习率优化所述XGBOOST模型，得到训练后的XGBOOST模型；
将所述测试集输入所述训练后的XGBOOST模型进行测试，得到第二测试结果。
7.根据权利要求1所述的生产速度预测模型构建方法，其特征在于，所述寻优得到所述训练后的BP神经网络模型的最优权重a和所述训练后的XGBOOST模型的最优权重b，并基于最优权重a和最优权重b优化所述生产速度初始模型，得到生产速度预测模型，包括：
将所述第一测试结果和所述第二测试结果加权求和，得到加权相加值；
基于所述加权相加值采用粒子群算法对所述训练后的BP神经网络模型的权重a和所述训练后的XGBOOST模型的权重b寻优，得到与最小测试集误差对应的最优权重a和最优权重b；
基于所述最优权重a和所述最优权重b优化生产速度初始模型，得到生产速度预测模型。
8.一种纸板线湿部生产速度预测方法，其特征在于，所述纸板线湿部生产速度预测方法包括：
获取纸板线生产的纸板类型；
采集纸板线湿部设备的实时生产参数；
将实时生产参数输入与纸板类型对应的生产速度预测模型，输出预测生产速度；所述生产速度预测模型的构建方法采用如权利要求1-7任一项所述的生产速度预测模型构建方法。
CN202310341630.4A 2023-03-31 2023-03-31 纸板线湿部生产速度模型构建方法及生产速度预测方法 Pending CN116423924A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310341630.4A CN116423924A (zh) 2023-03-31 2023-03-31 纸板线湿部生产速度模型构建方法及生产速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310341630.4A CN116423924A (zh) 2023-03-31 2023-03-31 纸板线湿部生产速度模型构建方法及生产速度预测方法

Publications (1)

Publication Number Publication Date
CN116423924A true CN116423924A (zh) 2023-07-14

Family

ID=87086660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310341630.4A Pending CN116423924A (zh) 2023-03-31 2023-03-31 纸板线湿部生产速度模型构建方法及生产速度预测方法

Country Status (1)

Country Link
CN (1) CN116423924A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759031A (zh) * 2023-08-10 2023-09-15 内蒙古工业大学 一种基于ann的污泥灰混凝土材料配合比的设计方法
CN117434908A (zh) * 2023-12-18 2024-01-23 深圳市鑫路远电子设备有限公司 一种精密abc胶水的智能搅拌监测方法及系统
CN117521423A (zh) * 2024-01-05 2024-02-06 山东鑫林纸制品有限公司 瓦楞纸加工的机器速度智能预测方法、装置及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759031A (zh) * 2023-08-10 2023-09-15 内蒙古工业大学 一种基于ann的污泥灰混凝土材料配合比的设计方法
CN116759031B (zh) * 2023-08-10 2024-01-26 内蒙古工业大学 一种基于ann的污泥灰混凝土材料配合比的设计方法
CN117434908A (zh) * 2023-12-18 2024-01-23 深圳市鑫路远电子设备有限公司 一种精密abc胶水的智能搅拌监测方法及系统
CN117434908B (zh) * 2023-12-18 2024-02-20 深圳市鑫路远电子设备有限公司 一种精密abc胶水的智能搅拌监测方法及系统
CN117521423A (zh) * 2024-01-05 2024-02-06 山东鑫林纸制品有限公司 瓦楞纸加工的机器速度智能预测方法、装置及存储介质
CN117521423B (zh) * 2024-01-05 2024-04-05 山东鑫林纸制品有限公司 瓦楞纸加工的机器速度智能预测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN116423924A (zh) 纸板线湿部生产速度模型构建方法及生产速度预测方法
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
Alhoniemi et al. Process monitoring and modeling using the self-organizing map
CN112116198B (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
Chen et al. Data quality evaluation and improvement for prognostic modeling using visual assessment based data partitioning method
CN110119756B (zh) 一种基于投票法的趋势性数据特征自动选择方法
CN109240276B (zh) 基于故障敏感主元选择的多块pca故障监测方法
CN111521398A (zh) 基于bp神经网络和主元分析法的齿轮箱故障诊断方法及系统
CN110490496A (zh) 一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法
CN118094477B (zh) 基于多传感器信息融合的信号处理方法及系统
CN114662790A (zh) 一种基于多维数据的海参养殖水温预测方法
CN116644655A (zh) 一种基于加权目标特征回归神经网络工业过程软测量方法
CN116932384A (zh) 一种基于特征融合和特征选择的软件缺陷预测方法
CN117060353A (zh) 基于前馈神经网络高压直流输电系统故障诊断方法及系统
CN114048958A (zh) 基于深度卷积残差收缩网络的刀具磨损预测方法和系统
CN117520809A (zh) 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法
CN110910528B (zh) 纸页抗张强度的预测方法及装置
CN116738822A (zh) 一种基于LightGBM的排水管道最大腐蚀深度预测方法
Saraee et al. Application of Self Organizing Map (SOM) to model a machining process
CN113033419A (zh) 基于进化神经网络的设备故障辨识方法及系统
Sallehuddin et al. Forecasting small data set using hybrid cooperative feature selection
CN111062118A (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法
Blanco et al. Prediction of the amount of wood using neural networks
CN113670384B (zh) 一种多变量时序图卷积多相流虚拟计量方法及系统
Gobeyn et al. A variable length chromosome genetic algorithm approach to identify species distribution models useful for freshwater ecosystem management

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 528225 No. 2 Qiangshi Road, Shishan Town, Nanhai District, Foshan City, Guangdong Province

Applicant after: Guangdong Fosber Intelligent Equipment Co.,Ltd.

Applicant after: Foshan University

Address before: 528225 No. 2 Qiangshi Road, Shishan Town, Nanhai District, Foshan City, Guangdong Province

Applicant before: Guangdong Fosber Intelligent Equipment Co.,Ltd.

Country or region before: China

Applicant before: FOSHAN University