CN116450904A - 一种基于数据分析的烘干设备参数推荐方法及系统 - Google Patents
一种基于数据分析的烘干设备参数推荐方法及系统 Download PDFInfo
- Publication number
- CN116450904A CN116450904A CN202310411872.6A CN202310411872A CN116450904A CN 116450904 A CN116450904 A CN 116450904A CN 202310411872 A CN202310411872 A CN 202310411872A CN 116450904 A CN116450904 A CN 116450904A
- Authority
- CN
- China
- Prior art keywords
- parameter set
- process parameter
- performance index
- parameters
- post
- 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 305
- 238000001035 drying Methods 0.000 title claims abstract description 46
- 238000007405 data analysis Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 285
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000002950 deficient Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
- A23L5/00—Preparation or treatment of foods or foodstuffs, in general; Food or foodstuffs obtained thereby; Materials therefor
- A23L5/10—General methods of cooking foods, e.g. by roasting or frying
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23P—SHAPING OR WORKING OF FOODSTUFFS, NOT FULLY COVERED BY A SINGLE OTHER SUBCLASS
- A23P30/00—Shaping or working of foodstuffs characterised by the process or apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Polymers & Plastics (AREA)
- Food Science & Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nutrition Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于数据分析的烘干设备参数推荐方法及系统。一种基于数据分析的烘干设备参数推荐系统,包括工艺参数获取模块、工艺参数集生成模块、性能预测模型管理模块、性能预测模型预测模块、性能指标判断模块、历史工艺参数集数据库、固定参数集匹配模块、设备推荐参数集生成模块和前置参数集相似度计算模块。本发明将当前获取的实际工艺参数通过性能预测模型对烘干产品的性能进行预测,当此实际工艺参数下所得烘干产品性能不合适时,通过历史工艺参数集数据库和构建重构理论工艺参数集对此实际工艺参数进行修正,实现设备参数集的推荐,避免每次根据经验手动调节,减少设备调试时间,提升生产效率,同时降低生产过程中的次品率。
Description
技术领域
本发明涉及机器学习领域,更具体的说,它涉及一种基于数据分析的烘干设备参数推荐方法及系统。
背景技术
烘干设备在食品生产等领域是不可或缺的重要设备,在传统生产过程中需要针对使用场景对于烘干设备进行参数设定,并且每次生产前需要人为根据经验来调试烘干设备的参数。同时由于生产过程中外部动力以及供料速度等因素会实时发生变化,导致在生产过程还需要人为调控烘干设备的参数,浪费大量时间,并且如果未及时调整烘干设备的参数,还会导致烘干产品次品率的提升。
发明内容
本发明提供一种基于数据分析的烘干设备参数推荐方法及系统,将当前获取的实际工艺参数通过性能预测模型对烘干产品的性能进行预测,当此实际工艺参数下所得烘干产品性能不合适时,通过历史工艺参数集数据库和构建重构理论工艺参数集对此实际工艺参数进行修正,实现设备参数集的推荐,避免每次根据经验手动调节,减少设备调试时间,提升生产效率,同时降低生产过程中的次品率。
一种基于数据分析的烘干设备参数推荐方法,包括:
S1:获取送入烘干设备的物料对应的物料类型,并根据物料类型生成对应的属性参数Qp,其中p=1,2,3······P,P为物料类型的总个数;获取送入烘干设备的物料对应的物料基本属性,记为前置参数Xi,其中i=1,2,3······I,I为前置参数类型的总个数;获取烘干设备的设备参数,记为后置参数Yj,其中j=1,2,3······J,J为后置参数类型的总个数,并将{X1,X2,X3,······,XI}记为前置参数集,并将{Y1,Y2,Y3,······,YJ}记为后置参数集;
S2:将属性参数、前置参数集和后置参数集按照{属性参数,前置参数集,后置参数集}的形式构建实际工艺参数集,其中将{属性参数,前置参数集}部分记为固定参数集;
S3:将实际工艺参数集送入训练好的性能预测模型,得到预测性能指标;
S4:将预测性能指标与预设性能指标阈值进行对比,若是预测性能指标超过预设性能指标阈值,无操作;若是预测性能指标未超过预设性能指标阈值,进入S5;
S5:遍历历史工艺参数集数据库中,逐一选择历史工艺参数集数据库中的历史工艺参数集,并将选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集进行匹配,若是出现匹配一致的情况,进入S6;若是选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集全部匹配不一致,进入S7;
S6:选取匹配一致的历史工艺参数集中的后置参数集作为设备推荐参数集进行输出;
S7:提取实际工艺参数集中的属性参数,并从历史工艺参数集数据库中选择与此属性参数一致的历史工艺参数集,并逐一将所选择的历史工艺参数集中的前置参数集提取出来,与实际工艺参数集中的前置参数集进行相似度计算,得到前置参数集相似度;
S8:将所有前置参数集相似度按照从大到小进行排序;
S9:选择前k个前置参数集相似度对应的历史工艺参数集,提取选择的历史工艺参数集中的后置参数集,将k个后置参数集进行交叉重组,得到重构后置参数集,将所有重构后置参数集逐个与实际工艺参数集中的固定参数集重新组合,形成重构理论工艺参数集;
S10:将所有重构理论工艺参数集逐个送入训练好的性能预测模型,得到预测理论性能指标,将所有预测理论性能指标按照从大到小的顺序进行排序,选择最大的一个预测理论性能指标,判断此预测理论性能指标是否超过预设性能指标阈值,若是此预测理论性能指标是否超过预设性能指标阈值,进入S11;否则,进入S12;
S11:选择此预测理论性能指标对应的重构理论工艺参数集添加至历史工艺参数集数据库中,选择此预测理论性能指标对应的重构理论工艺参数集中的后置参数集作为设备推荐参数集进行输出;
S12:将k+1赋值给k,回到S9。
作为本发明的一个优选,属性参数Qp的生成包括如下步骤:获取物料类型,根据物料类型从物料分类知识库中获取物料分类编码,物料分类编码的形式为{主分类编码,一级分类编码,二级分类编码······n级分类编码},物料分类编码中的分类编码以二进制进行存储,其中n为分类的总级别数,将物料分类编码中的各级分类编码组合成一个完整二进制数据串,再将此完整二进制数据串转换为十进制数据,此十进制数据即为属性参数Qo;
所述物料分类知识库的建立包括如下步骤:将物料类型进行逐级分类,并且针对每一个级别内的分类类型进行编号,再针对每一个物料类型生成对应的物料分类编码,将所有物料分类编码组合形成物料分类知识库。
作为本发明的一个优选,所述性能预测模型用于根据当前对应的实际工艺参数集预测物料通过烘干设备后的性能指标,基于BP神经网络建立,包括一个输入层、三个隐含层和一个输出层;
所述性能预测模型的训练包括如下内容:获取已经人工标注好目标性能指标的工艺参数样本集,并按照8:2的比例将工艺参数样本集划分为工艺参数训练集和工艺参数测试集;将工艺参数样本集送入初始化的性能预测模型中进行计算,得到预测性能指标,再将预测性能指标和目标性能指标通过交叉熵损失函数计算损失值,判断损失值是否在预设范围内,若是损失值不在预设范围内,根据损失值通过梯度下降法反向传播对性能预测模型进行权值更新,再重复上述步骤对性能预测模型进行迭代训练;若是损失值在预设范围内,输出训练好的性能预测模型。
作为本发明的一个优选,历史工艺参数集数据库的建立包括如下步骤:获取已经人工标注好目标性能指标的工艺参数样本集,针对此工艺参数样本集进行第一次筛选:遍历此工艺参数样本集中所有的工艺参数集,并对每个工艺参数集对应的目标性能指标进行判断,若是目标性能指标超过预设性能指标阈值,将此工艺参数集在工艺参数样本集中进行保留;若是目标性能指标未超过预设性能指标阈值,将此工艺参数集在工艺参数样本集中进行删除;针对此工艺参数样本集进行第二次筛选:遍历经过第一次筛选后的工艺参数样本集中所有的工艺参数集,逐个选择固定参数集相同的一批工艺参数集,选择这批工艺参数集中对应目标性能指标最高的一项工艺参数集进行保留,其余工艺参数集进行删除;选择经过第二次筛选的工艺参数样本集作为历史工艺参数集数据库。
作为本发明的一个优选,重构后置参数集的生成包括如下内容:
T1:获取k个后置参数集,并组成后置参数矩阵Yj,f,后置参数矩阵Yj,f中后置参数记为yj,f其中f=1,2,3······k;
T2:令ε=1,ε用于作为编号选择后置参数;
T3:从后置参数矩阵Yj,f选择所有后置参数yε,f,删除所有后置参数yε,f中重复的内容,将剩余的后置参数yε,f组合形成备选后置参数集δε;
T3:判断“ε<J”是否成立,若是“ε<J”成立,计入T4;若是“ε<J”不成立,将ε+1赋值给ε,回到T3;
T4:获取备选后置参数集δj,j=1,2,3······J,逐个从备选后置参数集δj中选择后置参数yj,f放置在Wj的位置上,以{W1,W2,W3,······,Wj,······,WJ}的形式得到重构后置参数集。
作为本发明的一个优选,还包括,在所述步骤S4中,当出现若是预测性能指标超过预设性能指标阈值时,将此实际工艺参数集与历史工艺参数集数据库中的历史工艺参数集进行匹配,若是出现选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集相同的情况,将预测性能指标与选择的历史工艺参数集对应的目标性能指标进行比较,若是预测性能指标超过选择的历史工艺参数集对应的目标性能指标,说明此实际工艺参数集下的烘干产品具有更好的性能,将此实际工艺参数集替换掉选择的历史工艺参数集;若是预测性能指标未超过选择的历史工艺参数集对应的目标性能指标,说明此选择的历史工艺参数集下的烘干产品具有更好的性能,选取此历史工艺参数集中的后置参数集作为设备推荐参数集进行输出。
一种基于数据分析的烘干设备参数推荐系统,包括:
工艺参数获取模块,用于获取工艺参数,工艺参数包括物料类型、物料基本属性和设备参数;
工艺参数集生成模块,用于生成工艺参数集,工艺参数集包括实际工艺参数集、固定参数集、前置参数集、后置参数集、历史工艺参数集、重构后置参数集和重构理论工艺参数集;
性能预测模型管理模块,用于训练和存储性能预测模型;
性能预测模型预测模块,用于根据性能预测模型和实际工艺参数集生成预测性能指标,根据性能预测模型和重构理论工艺参数集生成预测理论性能指标;
性能指标判断模块,用于将预测性能指标与预设性能指标阈值进行对比,将预测理论性能指标与预设性能指标阈值进行对比;
历史工艺参数集数据库,用于存储历史工艺参数集;
固定参数集匹配模块,用于将选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集进行匹配;
设备推荐参数集生成模块,用于生成设备推荐参数集;
前置参数集相似度计算模块,用于将选择的历史工艺参数集中的前置参数集和实际工艺参数集中的前置参数集进行相似度计算,得到前置参数集相似度。
作为本发明的一个优选,还包括:
历史工艺参数集数据库建立模块,用于建立历史工艺参数集数据库。
本发明具有以下优点:
1、本发明将当前获取的实际工艺参数通过性能预测模型对烘干产品的性能进行预测,当此实际工艺参数下所得烘干产品性能不合适时,通过历史工艺参数集数据库和构建重构理论工艺参数集对此实际工艺参数进行修正,实现设备参数集的推荐,避免每次根据经验手动调节,减少设备调试时间,提升生产效率,同时降低生产过程中的次品率。
2、本发明通过查找与实际工艺参数的前置参数集相似度较高的历史工艺参数集,并将此历史工艺参数集作为标准模拟工艺参数,能够降低计算量,并且提升工艺参数模拟效率。
3、本发明将经过两次筛选的工艺参数样本集作为历史工艺参数集数据库,每个工艺参数集对应的固定参数集都是唯一的,并且目标性能指标也是最高的,在进行设备参数推荐中具有较高的价值,后续的设备参数推荐也更加具有置信度。
4、本发明采用的属性参数的生成方式可以强化不同类之间的区别度,弱化同类之间的区别度,避免在性能预测模型的训练过程造成性能预测模型的过拟合,降低性能预测模型预测性能指标的准确率。
附图说明
图1为本发明实施例中基于数据分析的烘干设备参数推荐系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1
一种基于数据分析的烘干设备参数推荐方法,包括:
S1:获取送入烘干设备的物料对应的物料类型,并根据物料类型生成对应的属性参数Qp,其中p=1,2,3······P,P为物料类型的总个数;获取送入烘干设备的物料对应的物料基本属性,例如供料速度和物料厚度等,记为前置参数Xi,其中i=1,2,3······I,I为前置参数类型的总个数;获取烘干设备的设备参数,例如使用温度、蒸汽压力和进气速度等,记为后置参数Yj,其中j=1,2,3······J,J为后置参数类型的总个数,并将{X1,X2,X3,······,XI}记为前置参数集,并将{Y1,Y2,Y3,······,YJ}记为后置参数集。
属性参数Qp的生成包括如下步骤:获取物料类型,根据物料类型从物料分类知识库中获取物料分类编码,物料分类编码的形式为{主分类编码,一级分类编码,二级分类编码······n级分类编码},物料分类编码中的分类编码以二进制进行存储,其中n为分类的总级别数,例如“00011,00100,00001”的中主分类号“00011”指食品类,“00100”指宠物食品,“00001”指猫粮,物料分类编码“00011,00100,00001”代表的物料类型便是一种猫粮,将物料分类编码中的各级分类编码组合成一个完整二进制数据串,例如上述物料分类编码“00011,00100,00001”转化为的完整二进制数据串为“000110010000001”,再将此完整二进制数据串转换为十进制数据,此十进制数据即为属性参数Qp,例如上述完整二进制数据串“000110010000001”转换的属性参数为“3201”。采用此种属性参数的生成方式可以强化不同类之间的区别度,弱化同类之间的区别度,避免在性能预测模型的训练过程造成性能预测模型的过拟合,降低性能预测模型预测性能指标的准确率。例如完整二进制数据串“000110010000001”和完整二进制数据串“000110010000010”代表的是同属一类的物料类型,转化为十进制后,分别为“3201”和“3202”,属性参数只相差1,相差很小,而对于完整二进制数据串“000110010000001”和完整二进制数据串“000100010000001”,代表的是不同类的物料类型,转换为十进制后,分别为“3201”和“2177”,属性参数相差1024,相差很大。
所述物料分类知识库的建立包括如下步骤:将物料类型进行逐级分类,并且针对每一个级别内的分类类型进行编号,再针对每一个物料类型生成对应的物料分类编码,将所有物料分类编码组合形成物料分类知识库。
S2:将属性参数Qp、前置参数集Xi和后置参数集Yj按照{Qp······,X1,X2,X3,······,XI,Y1,Y2,Y3,······,YJ}的形式构建实际工艺参数集,其中将{Qp······,X1,X2,X3,······,XI}部分记为固定参数集。
S3:将实际工艺参数集送入训练好的性能预测模型(模型是什么,如何进行训练),得到预测性能指标。
所述性能预测模型用于根据当前对应的实际工艺参数集预测物料通过烘干设备后的性能指标,基于BP神经网络建立,包括一个输入层、三个隐含层和一个输出层;
所述性能预测模型的训练包括如下内容:获取已经人工标注好目标性能指标的工艺参数样本集,并按照8:2的比例将工艺参数样本集划分为工艺参数训练集和工艺参数测试集;将工艺参数样本集送入初始化的性能预测模型中进行计算,得到预测性能指标,再将预测性能指标和目标性能指标通过交叉熵损失函数计算损失值,判断损失值是否在预设范围内,预设范围人为设定,用于表征性能预测模型的准确度,若是损失值不在预设范围内,说明性能预测模型的准确度较低,根据损失值通过梯度下降法反向传播对性能预测模型进行权值更新,再重复上述步骤对性能预测模型进行迭代训练;若是损失值在预设范围内,输出训练好的性能预测模型。
S4:将预测性能指标与预设性能指标阈值进行对比,预设性能指标阈值为人为设定,代表达到合格烘干产品的性能指标,若是预测性能指标超过预设性能指标阈值,说明在此实际工艺参数集下,物料经过烘干设备之后的性能指标是合格的,允许烘干设备不进行设备参数调整,不进行参数推荐,无操作;若是预测性能指标未超过预设性能指标阈值,说明在此实际工艺参数集下,物料经过烘干设备之后的性能指标是不合格的,需要进行参数推荐,进入S5。
S5:遍历历史工艺参数集数据库中,逐一选择历史工艺参数集数据库中的历史工艺参数集,并将选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集进行匹配,若是出现匹配一致的情况,说明历史工艺参数集数据库中已经存在和实际工艺参数集中固定参数集相同的历史工艺参数集,由于物料的输入针对于烘干设备来说是固定参数集,所以考虑的是调整烘干设备对应的后置参数集,进入S6;若是选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集全部匹配不一致,说明历史工艺参数集数据库中不存在和实际工艺参数集中前置参数集相同的历史工艺参数集,进入S7。
历史工艺参数集数据库的建立包括如下步骤:获取已经人工标注好目标性能指标的工艺参数样本集,针对此工艺参数样本集进行第一次筛选:遍历此工艺参数样本集中所有的工艺参数集,并对每个工艺参数集对应的目标性能指标进行判断,若是目标性能指标超过预设性能指标阈值,说明此工艺参数集下的烘干产品是合格的,将此工艺参数集在工艺参数样本集中进行保留;若是目标性能指标未超过预设性能指标阈值,说明此工艺参数下的烘干产品是不合格的,不具备参考性,将此工艺参数集在工艺参数样本集中进行删除;针对此工艺参数样本集进行第二次筛选:遍历经过第一次筛选后的工艺参数样本集中所有的工艺参数集,逐个选择固定参数集相同的一批工艺参数集,选择这批工艺参数集中对应目标性能指标最高的一项工艺参数集进行保留,其余工艺参数集进行删除;选择经过第二次筛选的工艺参数样本集作为历史工艺参数集数据库。经过两次筛选的工艺参数样本集中,每个工艺参数集对应的固定参数集都是唯一的,并且目标性能指标也是最高的,在进行设备参数推荐中具有较高的价值,后续的设备参数推荐也更加具有置信度。
S6:选取匹配一致的历史工艺参数集中的后置参数集作为设备推荐参数集进行输出,用户可以根据此设备推荐参数集自行对烘干设备进行参数调整,亦可接受此设备推荐参数集,自动对烘干设备进行参数调整。
S7:提取实际工艺参数集中的属性参数,并从历史工艺参数集数据库中选择与此属性参数一致的历史工艺参数集,并逐一将所选择的历史工艺参数集中的前置参数集提取出来,与实际工艺参数集中的前置参数集进行相似度计算,得到前置参数集相似度,相似度计算采用改进余弦算法。
S8:将所有前置参数集相似度按照从大到小进行排序。
S9:选择前k个前置参数集相似度对应的历史工艺参数集,提取选择的历史工艺参数集中的后置参数集,将k个后置参数集进行交叉重组,得到重构后置参数集,将所有重构后置参数集逐个与实际工艺参数集中的固定参数集重新组合,形成重构理论工艺参数集。
在具体实施中,k一般为3,便能够很好选择到和实际工艺参数集契合的历史工艺参数集,一旦k为3未选择到较为契合的历史工艺参数集,k值增大,扩大查找范围。
重构后置参数集的生成包括如下内容:
T1:获取k个后置参数集,并组成后置参数矩阵Yj,f,后置参数矩阵Yj,f中后置参数记为yj,f其中f=1,2,3······k;
T2:令ε=1,ε用于作为编号选择后置参数;
T3:从后置参数矩阵Yj,f选择所有后置参数yε,f,删除所有后置参数yε,f中重复的内容,将剩余的后置参数yε,f组合形成备选后置参数集δε;
T3:判断“ε<J”是否成立,若是“ε<J”成立,说明已经遍历完了所有后置参数类型,计入T4;若是“ε<J”不成立,说明还没遍历完所有后置参数类型,将ε+1赋值给ε,回到T3;
T4:获取备选后置参数集δj,j=1,2,3······J,逐个从备选后置参数集δj中选择后置参数yj,f放置在Wj的位置上,以{W1,W2,W3,······,Wj,······,WJ}的形式得到重构后置参数集。
本发明通过查找与实际工艺参数的前置参数集相似度较高的历史工艺参数集,并将此历史工艺参数集作为标准模拟工艺参数,能够降低计算量,并且提升工艺参数模拟效率。
S10:将所有重构理论工艺参数集逐个送入训练好的性能预测模型,得到预测理论性能指标,将所有预测理论性能指标按照从大到小的顺序进行排序,选择最大的一个预测理论性能指标,判断此预测理论性能指标是否超过预设性能指标阈值,若是此预测理论性能指标是否超过预设性能指标阈值,进入S11;否则,进入S12。
S11:选择此预测理论性能指标对应的重构理论工艺参数集添加至历史工艺参数集数据库中,并选择此预测理论性能指标对应的重构理论工艺参数集中的后置参数集作为设备推荐参数集进行输出,用户可以根据此设备推荐参数集自行对烘干设备进行参数调整,亦可接受此设备推荐参数集,自动对烘干设备进行参数调整。
S12:将k+1赋值给k,回到S9。
在所述步骤S4中,当出现若是预测性能指标超过预设性能指标阈值时,将此实际工艺参数集与历史工艺参数集数据库中的历史工艺参数集进行匹配,若是出现选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集相同的情况,将预测性能指标与选择的历史工艺参数集对应的目标性能指标进行比较,若是预测性能指标超过选择的历史工艺参数集对应的目标性能指标,说明此实际工艺参数集下的烘干产品具有更好的性能,将此实际工艺参数集替换掉选择的历史工艺参数集;若是预测性能指标未超过选择的历史工艺参数集对应的目标性能指标,说明此选择的历史工艺参数集下的烘干产品具有更好的性能,选取此历史工艺参数集中的后置参数集作为设备推荐参数集进行输出,用户可以根据此设备推荐参数集自行对烘干设备进行参数调整,亦可接受此设备推荐参数集,自动对烘干设备进行参数调整。
本发明将当前获取的实际工艺参数通过性能预测模型对烘干产品的性能进行预测,当此实际工艺参数下所得烘干产品性能不合适时,通过历史工艺参数集数据库和构建重构理论工艺参数集对此实际工艺参数进行修正,实现设备参数集的推荐,避免每次根据经验手动调节,减少设备调试时间,提升生产效率,同时降低生产过程中的次品率。
实施例2
一种基于数据分析的烘干设备参数推荐系统,如图1所示,包括:
工艺参数获取模块,用于获取工艺参数,工艺参数包括物料类型、物料基本属性和设备参数;
工艺参数集生成模块,用于生成工艺参数集,工艺参数集包括实际工艺参数集、固定参数集、前置参数集、后置参数集、历史工艺参数集、重构后置参数集和重构理论工艺参数集;
性能预测模型管理模块,用于训练和存储性能预测模型;
性能预测模型预测模块,用于根据性能预测模型和实际工艺参数集生成预测性能指标,根据性能预测模型和重构理论工艺参数集生成预测理论性能指标;
性能指标判断模块,用于将预测性能指标与预设性能指标阈值进行对比,将预测理论性能指标与预设性能指标阈值进行对比;
历史工艺参数集数据库,用于存储历史工艺参数集;
固定参数集匹配模块,用于将选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集进行匹配;
设备推荐参数集生成模块,用于生成设备推荐参数集;
前置参数集相似度计算模块,用于将选择的历史工艺参数集中的前置参数集和实际工艺参数集中的前置参数集进行相似度计算,得到前置参数集相似度。
一种基于数据分析的烘干设备参数推荐系统,如图1所示,还包括:
历史工艺参数集数据库建立模块,用于建立历史工艺参数集数据库。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于数据分析的烘干设备参数推荐方法,其特征在于,包括:
S1:获取送入烘干设备的物料对应的物料类型,并根据物料类型生成对应的属性参数Qp,其中p=1,2,3……P,P为物料类型的总个数;获取送入烘干设备的物料对应的物料基本属性,记为前置参数Xi,其中i=1,2,3……I,I为前置参数类型的总个数;获取烘干设备的设备参数,记为后置参数Yj,其中j=1,2,3……J,J为后置参数类型的总个数,并将{X1,X2,X3,……,XI}记为前置参数集,并将{Y1,Y2,Y3,……,YJ}记为后置参数集;
S2:将属性参数、前置参数集和后置参数集按照{属性参数,前置参数集,后置参数集}的形式构建实际工艺参数集,其中将{属性参数,前置参数集}部分记为固定参数集;
S3:将实际工艺参数集送入训练好的性能预测模型,得到预测性能指标;
S4:将预测性能指标与预设性能指标阈值进行对比,若是预测性能指标超过预设性能指标阈值,无操作;若是预测性能指标未超过预设性能指标阈值,进入S5;
S5:遍历历史工艺参数集数据库中,逐一选择历史工艺参数集数据库中的历史工艺参数集,并将选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集进行匹配,若是出现匹配一致的情况,进入S6;若是选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集全部匹配不一致,进入S7;
S6:选取匹配一致的历史工艺参数集中的后置参数集作为设备推荐参数集进行输出;
S7:提取实际工艺参数集中的属性参数,并从历史工艺参数集数据库中选择与此属性参数一致的历史工艺参数集,并逐一将所选择的历史工艺参数集中的前置参数集提取出来,与实际工艺参数集中的前置参数集进行相似度计算,得到前置参数集相似度;
S8:将所有前置参数集相似度按照从大到小进行排序;
S9:选择前k个前置参数集相似度对应的历史工艺参数集,提取选择的历史工艺参数集中的后置参数集,将k个后置参数集进行交叉重组,得到重构后置参数集,将所有重构后置参数集逐个与实际工艺参数集中的固定参数集重新组合,形成重构理论工艺参数集;
S10:将所有重构理论工艺参数集逐个送入训练好的性能预测模型,得到预测理论性能指标,将所有预测理论性能指标按照从大到小的顺序进行排序,选择最大的一个预测理论性能指标,判断此预测理论性能指标是否超过预设性能指标阈值,若是此预测理论性能指标是否超过预设性能指标阈值,进入S11;否则,进入S12;
S11:选择此预测理论性能指标对应的重构理论工艺参数集添加至历史工艺参数集数据库中,选择此预测理论性能指标对应的重构理论工艺参数集中的后置参数集作为设备推荐参数集进行输出;
S12:将k+1赋值给k,回到S9。
2.根据权利要求1所述的一种基于数据分析的烘干设备参数推荐方法,其特征在于,属性参数Qp的生成包括如下步骤:获取物料类型,根据物料类型从物料分类知识库中获取物料分类编码,物料分类编码的形式为{主分类编码,一级分类编码,二级分类编码……n级分类编码},物料分类编码中的分类编码以二进制进行存储,其中n为分类的总级别数,将物料分类编码中的各级分类编码组合成一个完整二进制数据串,再将此完整二进制数据串转换为十进制数据,此十进制数据即为属性参数Qp;
所述物料分类知识库的建立包括如下步骤:将物料类型进行逐级分类,并且针对每一个级别内的分类类型进行编号,再针对每一个物料类型生成对应的物料分类编码,将所有物料分类编码组合形成物料分类知识库。
3.根据权利要求2所述的一种基于数据分析的烘干设备参数推荐方法,其特征在于,所述性能预测模型用于根据当前对应的实际工艺参数集预测物料通过烘干设备后的性能指标,基于BP神经网络建立,包括一个输入层、三个隐含层和一个输出层;
所述性能预测模型的训练包括如下内容:获取已经人工标注好目标性能指标的工艺参数样本集,并按照8:2的比例将工艺参数样本集划分为工艺参数训练集和工艺参数测试集;将工艺参数样本集送入初始化的性能预测模型中进行计算,得到预测性能指标,再将预测性能指标和目标性能指标通过交叉熵损失函数计算损失值,判断损失值是否在预设范围内,若是损失值不在预设范围内,根据损失值通过梯度下降法反向传播对性能预测模型进行权值更新,再重复上述步骤对性能预测模型进行迭代训练;若是损失值在预设范围内,输出训练好的性能预测模型。
4.根据权利要求3所述的一种基于数据分析的烘干设备参数推荐方法,其特征在于,历史工艺参数集数据库的建立包括如下步骤:获取已经人工标注好目标性能指标的工艺参数样本集,针对此工艺参数样本集进行第一次筛选:遍历此工艺参数样本集中所有的工艺参数集,并对每个工艺参数集对应的目标性能指标进行判断,若是目标性能指标超过预设性能指标阈值,将此工艺参数集在工艺参数样本集中进行保留;若是目标性能指标未超过预设性能指标阈值,将此工艺参数集在工艺参数样本集中进行删除;针对此工艺参数样本集进行第二次筛选:遍历经过第一次筛选后的工艺参数样本集中所有的工艺参数集,逐个选择固定参数集相同的一批工艺参数集,选择这批工艺参数集中对应目标性能指标最高的一项工艺参数集进行保留,其余工艺参数集进行删除;选择经过第二次筛选的工艺参数样本集作为历史工艺参数集数据库。
5.根据权利要求4所述的一种基于数据分析的烘干设备参数推荐方法,其特征在于,重构后置参数集的生成包括如下内容:
T1:获取k个后置参数集,并组成后置参数矩阵Yj,f,后置参数矩阵Yj,f中后置参数
记为yj,f其中f=1,2,3……k;
T2:令ε=1,ε用于作为编号选择后置参数;
T3:从后置参数矩阵Yj,f选择所有后置参数yε,f,删除所有后置参数yε,f中重复的内容,将剩余的后置参数yε,f组合形成备选后置参数集δε;
T3:判断“ε<J”是否成立,若是“ε<J”成立,计入T4;若是“ε<J”不成立,将ε+1赋值给ε,回到T3;
T4:获取备选后置参数集δj,j=1,2,3……J,逐个从备选后置参数集δj中选择后置参数yj,f放置在Wj的位置上,以{W1,W2,W3,……,Wj,……,WJ}的形式得到重构后置参数集。
6.根据权利要求5所述的一种基于数据分析的烘干设备参数推荐方法,其特征在于,还包括,在所述步骤S4中,当出现若是预测性能指标超过预设性能指标阈值时,将此实际工艺参数集与历史工艺参数集数据库中的历史工艺参数集进行匹配,若是出现选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集相同的情况,将预测性能指标与选择的历史工艺参数集对应的目标性能指标进行比较,若是预测性能指标超过选择的历史工艺参数集对应的目标性能指标,说明此实际工艺参数集下的烘干产品具有更好的性能,将此实际工艺参数集替换掉选择的历史工艺参数集;若是预测性能指标未超过选择的历史工艺参数集对应的目标性能指标,说明此选择的历史工艺参数集下的烘干产品具有更好的性能,选取此历史工艺参数集中的后置参数集作为设备推荐参数集进行输出。
7.一种基于数据分析的烘干设备参数推荐系统,其特征在于,包括:
工艺参数获取模块,用于获取工艺参数,工艺参数包括物料类型、物料基本属性和设备参数;
工艺参数集生成模块,用于生成工艺参数集,工艺参数集包括实际工艺参数集、固定参数集、前置参数集、后置参数集、历史工艺参数集、重构后置参数集和重构理论工艺参数集;
性能预测模型管理模块,用于训练和存储性能预测模型;
性能预测模型预测模块,用于根据性能预测模型和实际工艺参数集生成预测性能指标,根据性能预测模型和重构理论工艺参数集生成预测理论性能指标;
性能指标判断模块,用于将预测性能指标与预设性能指标阈值进行对比,将预测理论性能指标与预设性能指标阈值进行对比;
历史工艺参数集数据库,用于存储历史工艺参数集;
固定参数集匹配模块,用于将选择的历史工艺参数集的固定参数集和实际工艺参数集中的固定参数集进行匹配;
设备推荐参数集生成模块,用于生成设备推荐参数集;
前置参数集相似度计算模块,用于将选择的历史工艺参数集中的前置参数集和实际工艺参数集中的前置参数集进行相似度计算,得到前置参数集相似度。
8.根据权利要求7所述的一种基于数据分析的烘干设备参数推荐系统,其特征在于,还包括:
历史工艺参数集数据库建立模块,用于建立历史工艺参数集数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411872.6A CN116450904A (zh) | 2023-04-17 | 2023-04-17 | 一种基于数据分析的烘干设备参数推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411872.6A CN116450904A (zh) | 2023-04-17 | 2023-04-17 | 一种基于数据分析的烘干设备参数推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116450904A true CN116450904A (zh) | 2023-07-18 |
Family
ID=87128363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310411872.6A Pending CN116450904A (zh) | 2023-04-17 | 2023-04-17 | 一种基于数据分析的烘干设备参数推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116450904A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117064031A (zh) * | 2023-08-30 | 2023-11-17 | 嘉兴美旺机械制造有限公司 | 一种基于流动层的食品加工焙煎方法及系统 |
CN117574784A (zh) * | 2024-01-16 | 2024-02-20 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
-
2023
- 2023-04-17 CN CN202310411872.6A patent/CN116450904A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117064031A (zh) * | 2023-08-30 | 2023-11-17 | 嘉兴美旺机械制造有限公司 | 一种基于流动层的食品加工焙煎方法及系统 |
CN117064031B (zh) * | 2023-08-30 | 2024-04-19 | 嘉兴美旺机械制造有限公司 | 一种基于流动层的食品加工焙煎方法及系统 |
CN117574784A (zh) * | 2024-01-16 | 2024-02-20 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
CN117574784B (zh) * | 2024-01-16 | 2024-04-02 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116450904A (zh) | 一种基于数据分析的烘干设备参数推荐方法及系统 | |
CN108647226B (zh) | 一种基于变分自动编码器的混合推荐方法 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN108984642B (zh) | 一种基于哈希编码的印花织物图像检索方法 | |
CN112990284B (zh) | 一种基于XGBoost算法的个体出行行为预测方法、系统及终端 | |
CN112987664B (zh) | 一种基于深度强化学习的流水车间调度方法 | |
CN108319987A (zh) | 一种基于支持向量机的过滤-封装式组合流量特征选择方法 | |
CN109766935A (zh) | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 | |
CN108985617B (zh) | 一种基于智能制造的产品生产流程调度方法及系统 | |
CN110888859B (zh) | 一种基于组合深度神经网络的连接基数估计方法 | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN112000772A (zh) | 面向智能问答基于语义特征立方体的句子对语义匹配方法 | |
CN111582325B (zh) | 一种基于自动特征编码的多阶特征组合方法 | |
Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
CN109241278A (zh) | 科研知识管理方法及系统 | |
CN112000770A (zh) | 面向智能问答的基于语义特征图的句子对语义匹配方法 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及系统 | |
CN111950195A (zh) | 一种基于画像系统与深度回归模型的工程进度预测方法 | |
CN114840745A (zh) | 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及系统 | |
CN109409434A (zh) | 基于随机森林的肝脏疾病数据分类规则提取的方法 | |
CN116883057A (zh) | 一种基于XGBoost的高精度电力客户营销渠道偏好预测系统 | |
CN116933657A (zh) | 一种复杂型面加工参数特征提取方法、系统、设备及介质 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN113468874B (zh) | 一种基于图卷积自编码的生物医学关系抽取方法 | |
CN112949599B (zh) | 基于大数据的候选内容推送方法 |
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 |