The invention discloses a prediction method of tobacco quality inspection index based on improved neural network, which includes the following steps: collecting relevant data corresponding to different batches of raw materials for tobacco production in cigarette factories; cleaning and processing the collected relevant data, normalizing the relevant data after cleaning and processing to obtain the normalized results, and using the results as test set and training set. Based on the training set, several BP GA regression models are established, and several BP GA regression models are synthesized into an integrated regression model; based on the training set, several classification models are established, and several classification models are synthesized into an integrated classification model; through the established accurate model, the output results are output, and the output results are normalized to obtain the predictive classification results. The method can effectively predict the quality inspection parameters of tobacco by using the process parameters of the silk-making process, and can effectively avoid the prediction result falling into the local minimum value. In addition, the model has the advantages of stable structure and reliable recognition effect.
【技术实现步骤摘要】
基于改进神经网络的烟丝质检指标预测方法、装置及系统
本专利技术涉及人工智能故障诊断
，尤其涉及一种基于改进神经网络的烟丝质检指标预测方法、装置及系统。
技术介绍
制丝工艺作为制烟过程中的一个重要的环节，其工序的变化直接影响到烟丝的质量以及烟支的口感，所以卷烟厂会在制丝工艺完成后对烟丝的关键物理指标进行质检。然而，一旦质检时发现烟丝质量不合格后再去解决这一问题时已经为厂家带来了不可避免的损失。所以，卷烟厂会根据制丝过程中的各关键工序参数对烟丝质检参数进行预测从而通过回溯对生产线上各关键参数做到提前调控。但是，由于制丝是一个多相关、非线性、低耦合、高干扰的复杂过程，目前常采用的一种方法是建立简单一维物理模型对烟丝质检参数进行预测，这种方法预测成功率较低、效果较差且很难适用于当前情况；而一般的神经网络虽然能反映出一定的非线性关系，但又容易陷入局部最小值得到错误的预测结果。因此，一般神经网络的稳定性、泛化性又难以达到工程实际要求。
技术实现思路
本专利技术针对现有技术中的缺点，提供了一种基于改进神经网络的烟丝质检指标预测方法、装置及系统。为了解决上述技术问题，本专利技术...
【技术保护点】
1.一种基于改进神经网络的烟丝质检指标预测方法，其特征在于包括以下步骤：采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP‑GA回归模型，将若干个BP‑GA回归模型合成一个集成回归模型；基于所述填充值形...
【技术特征摘要】
1.一种基于改进神经网络的烟丝质检指标预测方法，其特征在于包括以下步骤：采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。2.根据权利要求1所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型具体为：根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型；对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练。3.根据权利要求2所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型具体为：设置遗传算法初始参数，即将种群规模设置为若干个，取交叉、变异率分布为80％和5％，进化代数取100；通过预测数据与实际数据的残差绝对值之和建立损失函数，基于损失函数建立适应度函数，所述适应度函数如下：其中，fit为适应度值，y为实际数据，为预测数据，C为系数；选择出群体中的每个个体都对应不同的适应度值，将选中的两个个体的遗传编码提取出来，进行交叉操作，交叉操作表示如下：a1＝a1p1+a2(1-p1)a2＝a2p1+a1(1-p1)其中，a1代表选择的父代染色体，a2代表选择的母带染色体，p1是0-1范围内的随机数，通过交叉操作交换两个染色体之间的遗传编码，生成新的染色体；针对交叉操作结果采用第m个个体的第n个基因进行变异操作，得到遗传优化算法模型fg，变异操作和所述遗传优化算法模型fg如下：amn＝amn+(amn-bmin)*fgamn＝amn+(bmax-amn)*fgfg＝rand(1-g/GMAX)2其中，amn表示第m个个体的第n个基因，rand为0-1之间的随机数，g为当前代数，GMAX为最大进化代数，遗传编码的上下界范围为[-1,1]，在此用bmin与bmax表示，按照一定的概率随机产生新的染色体。4.根据权利要求1所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练，具体步骤为：输出隐含层值，公式如下：其中，i，h，o分别表示输入层、隐含层与输出层神经元的个数，Hh为隐含层的输出值，fs为传递函数取S型函数，wuv为输入层到隐含层之间的权值，Bh为隐含层神经元的阈值；输出输出层的值，公式如下：其中，Yo为输出层的输出值，wvz为隐含层值输出层之间的权值，Bo为输出层神经元的阈值；对隐含层输出值和输出层值的权值进行更新，更新公式如下：根据权值的预测值与权值的实际值之间...
【专利技术属性】
技术研发人员：潘凡，张开桓，蒋家成，易永余，吴芳基，
申请(专利权)人：杭州安脉盛智能技术有限公司，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。