一种基于大数据分析的光纤预制棒沉积工序智能优化的方法技术

本发明专利技术公开了一种基于大数据分析的预制棒沉积工序智能优化方法，该方法主要包括以下步骤:1、将质量分类后的光纤预制棒指标测试结果与生产工况和配方进行拼接，去除冗余、矛盾记录后形成决策表2、通过数据预处理实现滤波、去离群数据等功能3、采用粗糙集算法分析影响预制棒质量的关键配方和工况4、根据粗糙集给出的关键配方+工况训练神经网络，预测关键质量参数DELTA、CV、B/A、SLOPE，调整找出最高精度的配方工况组合5、单变量分析找出配方工况跟DELTA的方向性关系6、阶跃实验验证神经网络预测的配方跟预制棒质量的方向性及量化关系7、实现在线预测、虚拟设备等实际功能应用。本发明专利技术确保了优化过程紧凑有序运行，降低了生产成本，实现效益最大化。

【技术实现步骤摘要】
一种基于大数据分析的光纤预制棒沉积工序智能优化的方法
本专利技术属于基于大数据挖掘的复杂工业过程智能化
，具体涉及一种基于历史生产数据分析的光纤预制棒沉积过程智能优化方法。
技术介绍
光纤预制棒沉积过程是一个存在强耦合、MIMO、化学与物理变化共存、干扰因素难以精确定位的典型复杂工业过程。配方涉及15钟气体，15种气体配方组合存在非线性的耦合关系，简单的线性阶跃模型难以描述配方跟预制棒关键质量指标间的关系。在配方稳定的情况下，环境的波动也会影响预制棒质量，导致预制棒关键质量出现跟随环境工况的随机波动，但超过十个的环境工况都会引起关键质量参数波动，环境工况和预制棒关键质量参数间的关系也是一个复杂模型。基于历史生产数据，拼接生产工况、配方和质量关键参数，形成决策表，然后对经过预处理后的决策表采用粗糙集等属性约简算法找出核属性，然后采用深度神经网络学习“工况+配方-->关键质量指标”的关系。沉积过程智能化对提高生产效益和企业竞争能力具有重要意义，目前我国大多数光纤预制棒生产过程的管理技术和信息化水平明显滞后于发达经济体的相关行业水平，没有形成实际可行的的智能化系统。
技术实现思路
为解决基于历史生产数据分析，对光纤预制棒沉积工序进行智能化的问题，本专利技术目的在于从历史生产数据中挖掘影响预制棒质量的关键配方和工况因素，建立神经网络在线质量预测模型给出DELTA、CV_VALUE、B/A和SLOPE等预制棒关键质量参数变化趋势的在线预测；同时分析配方和工况对质量参数的影响关系。为实现上述目的，图1为本专利技术方案框架图，本专利技术技术方案主要包括以下内容：根据历史沉积数据，深入分析预制棒生产沉积工序工艺，研究预制棒质量参数影响因素，拼接生产工况，配方和PK测试点，形成决策表，并进行数据预处理实现滤波、去离群数据等功能，采用粗糙集算法进行属性约简，采用上下近似集实现最优配方工况组合，基于预制棒关键质量参数，深度训练神经网络，并不断调整从而实现在线预测等实际应用。该智能化主要包括以下几个步骤：1)、数据对齐和拼接：对数据进行拼接主要是将PK测试结果与生产时沉积的数据进行拼接，而PK测试结果表(PPD_NHCS)与沉积的生产数据表(PPD_EQU_YRP)没有直接的对应关系，因此需要运用数据对齐方案里的方法来将数据进行对齐和拼接。所述数据对齐是将每一条PK测试结果计算出对应在粉棒上的长度位置，通过棒号和粉棒上的长度位置就能够将PK测试结果和沉积生产数据进行对齐的过程。2)、数据预处理：所述数据预处理指将拼接后的数据去除数据库中异常数据冗余数据、矛盾数据的过程，该过程首先进行离群点去除、空数据去除等基本的预处理操作，然后绘制配方+工况对DELTA的对比散点图，找出对DELTA有直接影响的配方和工况，绘制配方实际值与MFC设定值的对比误差散点图，分析MFC精度对预制棒质量的影响度，去除没有变化的列属性，空白缺失值等异常数据，主要包括如下内容：a、依据棒子多组PK测试结果的6个参数(CV、Delta、Slope、工艺方式、内径、剖面类型)将历史数据化分为三类：tight类、standard类、报废类。b、采用聚类和分类两种方法对数据分析其特性，K-Means是聚类算法中的最常用的一种，算法最大的特点是简单，好理解，运算速度快，但是只能应用于连续型的数据。本项目数据根据kmeans算法尝试聚类，但是聚类结果与现场工艺分类结果有较大差异。故放弃用聚类算法。c、所述空白缺失值即为去除各个配方为空的行数据，不参与模型训练。当前数据库里面只有YRP1、YRP2、YRP8、YRP9有非空的配方数据。而在这四个设备中只要其中一个配方有缺失值情况出现，其余所有的配方也会同样存在缺失值，所以在处理配方缺失值时，只需把其中一个配方的缺失值全部剔除即可。d、所述异常数据判断标准主要有以下三个方面：(1)坏点数据，通过工艺业务逻辑，筛选数据库中明显的坏点数据。(2)箱形图分析，箱形图标准：离群值为小于Q1-1.5IQR或大于Q3+1.5IQR的值，Q1为下四分位，Q3为上四分位，IQR位四分位数间距，是上四分位和下四分位的差值，包含全部观察值得一半。(3)阈值判断，因属性DELTA、CV、SLOPE、BA值分布非常稳定，所以通过阈值来判断数据为离群点的标准为平均值20％以外的数据点。3)粗糙集属性约简:所述粗糙集是一种离群的数据预处理算法，目的是减少属性冗余，提高神经网络模型精度。该算法首先将拼接后配方、工况和预制棒质量数据分别离散化，然后去除冗余和矛盾数据，形成决策表形式，然后采用重要度相对算法及分辨矩阵对条件属性进行约减，采用上下近似集方法获取最优配方+工况组合，主要包括以下内容：a、所述决策表是一种知识表示方法，决策表将各类影响因素描述为条件属性，将配方+工况描述为决策属性。b、所述相对重要度算法是根据对决策属性的分类所做贡献的重要程度对条件属性进行约减的一种算法，c、所述分辨矩阵认为当决策属性发生变化时，引起该变化的条件属性越少则该条件属性对于决策表的影响越大的思路形成一个三角矩阵，采用分辨函数或者启发式算法对矩阵进行约减，求取核属性及最终的约简属性组合，d、所述上下近似集方法可以求解决策发生的充分条件、决策不发生的充分条件以及决策可能发生也可能不发生的条件，从而给出棒子在Tighte和报废情况下各个配方的最优组合区间。4)、神经网络训练；采用多层bp神经网络，根据粗糙集给出的最优配方+工况组合训练神经网络，预测预制棒关键质量参数DELTA、CV、B/A、SLOPE，同时采用“添油”策略，在粗糙集属性约简的基础上依次筛选对预测结果有帮助的关键属性，不断加入新的配方和工况，最后组成最优良的预测属性组合。主要包括以下内容：a、所述多层bp神经网络目前取3层，调用函数network＝Network([Input,15,Output])，其中Input是输入层数据的属性个数，Output是输出变量个数，15为中间节点个数，python代码，该代码可扩展到深度神经网络(DNN)，b、所述神经网络为离线训练模型，若沉积设备发生重要变动，例如更换喷灯—调整喷灯角度+位置—更换MFC后重新校正等设备更换时需要重新积累数据训练模型，否则模型预测失效；若设备没有明显的设备更改可定期的离线拼接历史数据，基于更多、更新的拼接数据训练网络以期提高模型预测精度。5)单变量影响矩阵：由于阶跃实验配方调整幅度过小，不具备参考意义。所以当变量影响矩阵只能用神经网络模型尝试给出输出与输入的随动关系。以一个样本的输出为参考，修改各个配方值，记录DELTA、CV、BA、SLOPE、GR这五个变量输出的相应变化。制作配方与输出的配方关系表，并进行逻辑分析。6)将设计好的智能优化方法以VC界面的形式展示给用户，并提供手动调整输入实现实际功能应用。本专利技术所采用的技术方案具有以下有益效果：1、可根据实时生产参数预测出产品的优劣评判标准指标，从本文档来自技高网...

【技术保护点】
1.一种基于大数据分析的光纤预制棒沉积工序智能优化的方法，其特征在于：该方法主要包括以下步骤：/n一：将实际的产品质量指标与生产工况和配方进行拼接，去除冗余、矛盾记录形成决策表，主要包括以下步骤：a、深入分析预制棒沉积工序工艺，绘制沉积工艺图，分析影响质量的可能因素，得到详细的配方步骤及工况。b、将实际PK测试点的点位信息与棒子实际生产时间段进行拼接。c、将实际的产品指标与即时的生产数据进行关联，形成标签数据d、去除冗余数据，记录存在的矛盾关系，并形成决策表。/n二：通过数据预处理实现滤波、去离群数据等功能。具体包括如下：a、离群点去除、空数据去除等基本的预处理操作。b、绘制配方+工况对DELTA的对比散点图，找出对DELTA有直接影响的配方和工况。c、绘制配方实际值与MFC设定值的对比误差散点图，分析MFC精度对预制棒质量的影响度。/n三：采用粗糙集算法分析影响预制棒质量的关键配方和工况，本专利技术采用粗糙集上、下近似集算法，具体步骤如下：a、建立决策表，将影响质量可能因素记录，其中将各类影响因素描述为条件属性，将配方+工况描述为决策属性b、属性约减，采用粗糙集重要度相对约减和分辨矩阵算法，约减部分对决策操作影响不大的条件属性c、采用上下近似集方法给出能保证Tight和报废的最优配方集合/n四：根据粗糙集给出的关键配方+工况训练神经网络，预测预制棒关键质量参数DELTA、CV、B/A、SLOPE，同时采用“添油”策略，不断加入新的配方和工况，找出预测精度+跟随性最优的配方和工况组合。/n五：对单因素影响矩阵实验结果进行逻辑分析，单变量分析找出配方、工况跟DELTA的方向性关系。步骤如下：a、制作其他所有变量固定，只有一种因素变化的散点图。b、分析配方、工况和DELTA方向性关系。/n六：采取阶跃实验，分析DELTA阶跃变化前后配方对比关系，现场验证各变量跟预制棒质量的方向性及量化关系。/n七、系统界面展示，将生成的的界面展示给用户，用户可通过控制输入实现在线预测、虚拟设备、调节建议矩阵和PK结果统计分析等实际功能应用。/n...

【技术特征摘要】
1.一种基于大数据分析的光纤预制棒沉积工序智能优化的方法，其特征在于：该方法主要包括以下步骤：
一：将实际的产品质量指标与生产工况和配方进行拼接，去除冗余、矛盾记录形成决策表，主要包括以下步骤：a、深入分析预制棒沉积工序工艺，绘制沉积工艺图，分析影响质量的可能因素，得到详细的配方步骤及工况。b、将实际PK测试点的点位信息与棒子实际生产时间段进行拼接。c、将实际的产品指标与即时的生产数据进行关联，形成标签数据d、去除冗余数据，记录存在的矛盾关系，并形成决策表。
二：通过数据预处理实现滤波、去离群数据等功能。具体包括如下：a、离群点去除、空数据去除等基本的预处理操作。b、绘制配方+工况对DELTA的对比散点图，找出对DELTA有直接影响的配方和工况。c、绘制配方实际值与MFC设定值的对比误差散点图，分析MFC精度对预制棒质量的影响度。
三：采用粗糙集算法分析影响预制棒质量的关键配方和工况，本发明采用粗糙集上、下近似集算法，具体步骤如下：a、建立决策表，将影响质...

【专利技术属性】
技术研发人员：马天雨，赵悦彤，刘金平，全力，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：湖南;43