基于主成分分析法和神经网络的工艺优化方法技术

本发明专利技术实施例提供一种基于主成分分析法和神经网络的工艺优化方法，属于大数据的工艺建模领域，包括：获取工艺中位点上的样本点数据；运用主成分分析法进行降维处理，得到工艺中位点对应的特征数据；运用主成分分析法确定工艺中位点对应的特征数据的权重；根据工艺中位点对应的特征数据的权重确定工艺中主要位点；将工艺中主要位点上的样本点数据输入循环神经网络进行训练，以还原糖占糖浆干物质的百分比作为目标，训练所述循环神经网络，并根据循环神经网络的权值矩阵确定工艺中主要位点的重要度值；根据工艺中主要位点的重要度值确定工艺中用于优化工艺参数的位点。本发明专利技术将工艺中主要位点运用工艺参数调节，能优化生产成本和加工效率。本和加工效率。本和加工效率。

【技术实现步骤摘要】
基于主成分分析法和神经网络的工艺优化方法


[0001]本专利技术涉及大数据的工艺建模领域，具体地涉及一种基于主成分分析法和神经网络的工艺优化方法。

技术介绍

[0002]随着工业飞速发展，工厂规模和产量不断扩大，产品种类不断增多，旧工厂的升级改造或为了市场需求等进行参数调节优化的过程中都存在众多困难。在众多工业工艺发展日新月异，其产品广泛应用于食品、化工、医药和其他工业过程中，在我国国民经济的发展中起着越来越重要的作用。如，以淀粉为原材料生产糖品的过程统称为淀粉糖工艺。淀粉糖工艺包含四段液化工段、糖化工段、葡糖糖过滤工段、脱色工段、四段离交工段、蒸发工段和异构化工段等，整个加工过程涉及较长的工艺路线和复杂的流程控制，由于原料体系复杂，生产工况变动频繁等因素的影响，不能针对产品质量波动做出迅速的调参指令和优化方案，往往会导致产品质量不稳定、原料利用率偏低等一系列问题。淀粉糖工艺中双酶法工艺是淀粉糖的主要生产工艺。双酶法工艺中，淀粉首先经过液化酶水解成糊精和低聚糖范围较小分子产物，随后再采用糖化酶进一步将这些产物水解成葡萄糖，最终产品包括结晶葡萄糖、全糖、葡麦糖浆和麦芽糖浆等。这是由于淀粉糖生产过程受到pH值、液糖化时间、加酶量等大量操作因素(工艺位点)的影响，仅仅依靠工程师经验进行调参过程会导致产品品质参差不齐。
[0003]在工厂普遍实现数字化监控和记录的基础上，充分挖掘数据本身包含的大量有用信息，开发利用隐藏在数据背后的潜在价值，通过基于大数据分析，帮助生产管理部门迅速发现影响产品质量的关键参数是我们要解决的技术难题。

技术实现思路

[0004]本专利技术实施例的目的是提供一种基于主成分分析法和神经网络的工艺优化方法，主要解决如何确定工艺中用于优化工艺参数的位点，以提高工艺调整的效率。
[0005]为了实现上述目的，本专利技术实施例提供一种基于主成分分析法和神经网络的工艺优化方法，包括：
[0006]获取工艺中位点上的样本点数据；
[0007]将工艺中位点和所述工艺中位点上的样本点数据运用主成分分析法进行降维处理，得到工艺中位点对应的特征数据；
[0008]运用主成分分析法确定所述工艺中位点对应的特征数据的权重；
[0009]根据所述工艺中位点对应的特征数据的权重确定工艺中主要位点；
[0010]将所述工艺中主要位点上的样本点数据输入循环神经网络进行训练，以还原糖占糖浆干物质的百分比作为目标，训练所述循环神经网络，并根据所述循环神经网络的权值矩阵确定所述工艺中主要位点的重要度值；
[0011]根据所述工艺中主要位点的重要度值确定工艺中用于优化工艺参数的位点。
[0012]可选的，所述根据所述工艺中主要位点的重要度值确定工艺中用于优化工艺参数的位点，包括：
[0013]根据工艺中主要位点的重要度值按照从大到小进行排序，得到重要度值序列；
[0014]将重要度值序列的前N位运用双酶法淀粉糖加工工艺分析，得到工艺中用于优化工艺参数的位点。
[0015]可选的，在将工艺中位点上的样本点数据和工艺中位点运用主成分分析法进行降维处理之前，还包括：
[0016]将工艺中位点上的样本点数据进行噪声预处理。
[0017]可选的，所述将工艺中位点上的样本点数据和工艺中位点运用主成分分析法进行降维处理，得到工艺中位点对应的特征数据，包括：
[0018]将所述工艺中位点上的样本点数据和工艺中位点组合成的相关性的变量进行正交变换，将正交变换得到的变量作为工艺中位点对应的特征数据。
[0019]可选的，所述运用主成分分析法确定所述工艺中位点对应的特征数据的权重，包括：
[0020]运用主成分分析法确定所述工艺中位点对应的特征数据的变量成分矩阵、主元特征值和主元方差贡献率；
[0021]计算变量成分矩阵与主元特征值的算术平方根的比值，作为成分得分系数矩阵；
[0022]以主元方差贡献率为权重，对成分得分系数矩阵进行加权平均，得到综合得分模型系数；
[0023]根据所述综合得分模型系数确定所述工艺中位点对应的特征数据的权重。
[0024]可选的，所述根据所述综合得分模型系数确定所述工艺中位点对应的特征数据的权重，包括：
[0025]将所述综合得分模型系数进行归一化处理，将处理后的结果作为所述工艺中位点对应的特征数据的权重。
[0026]可选的，所述根据所述工艺中位点对应的特征数据的权重确定工艺中主要位点，包括：
[0027]将所述工艺中位点对应的特征数据的权重从大到小进行排序，得到排位序列，将排位序列的前M位对应的位点作为工艺中主要位点。
[0028]可选的，所述循环神经网络包括LSTM和人工神经网络层；
[0029]将所述工艺中主要位点上的样本点数据输入循环神经网络进行训练，以还原糖占糖浆干物质的百分比作为目标，训练所述循环神经网络，包括：
[0030]将所述工艺中主要位点上的样本点数据分别输入LSTM和人工神经网络层，以还原糖占糖浆干物质的百分比作为目标，训练所述LSTM和人工神经网络层。
[0031]可选的，所述循环神经网络的权值矩阵的计算步骤包括：
[0032]将人工神经网络层中每次训练后的每个神经元的权值组成的矩阵进行矩阵相乘，得到人工神经网络层的权值矩阵；
[0033]将LSTM的综合权值矩阵与所述人工神经网络层的权值矩阵进行矩阵相乘，得到循环神经网络的权值矩阵。
[0034]可选的，所述循环神经网络的权值矩阵的计算步骤包括：
[0035]将所述工艺中主要位点上的样本点数据分批输入人工神经网络层进行训练，每批工艺中主要位点上的样本点数据训练完成后神经元的权值的平均值作为该批训练中神经元的批权值；将所有的批权值组成的矩阵进行矩阵相乘，得到人工神经网络层的权值矩阵；
[0036]将LSTM的综合权值矩阵与所述人工神经网络层的权值矩阵进行矩阵相乘，得到循环神经网络的权值矩阵。
[0037]可选的，所述根据循环神经网络的权值矩阵确定所述工艺中主要位点的重要度值，包括：
[0038]将循环神经网络的权值矩阵中的元素归一化，得到所述工艺中主要位点的重要度值。
[0039]可选的，所述根据工艺中主要位点的重要度值确定工艺中用于优化工艺参数的位点，包括：
[0040]将所述工艺中主要位点的重要度值进行排序的到重要度值序列，将重要度值序列的前K位对应的位点作为工艺中用于优化工艺参数的位点。
[0041]通过上述技术方案，通过主成分分析法筛选出影响工艺过程的主要位点，另一方面可以依据这些主要位点采用循环神经网络对过程进行基于大数据的建模，循环神经网络能有效处理时序数据，实现目标参数的精准预测，并进一步获得关键控制位点(工艺中主要位点)；将关键控制位点(工艺中主要位点)运用到对于指导现场工艺参数调节具备重要意义，能够在保证产品质量的同时，最优化生产成本和加工效率。
[0042]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主成分分析法和神经网络的工艺优化方法，其特征在于，包括：获取工艺中位点上的样本点数据；将工艺中位点和所述工艺中位点上的样本点数据运用主成分分析法进行降维处理，得到工艺中位点对应的特征数据；运用主成分分析法确定所述工艺中位点对应的特征数据的权重；根据所述工艺中位点对应的特征数据的权重确定工艺中主要位点；将所述工艺中主要位点上的样本点数据输入循环神经网络进行训练，以还原糖占糖浆干物质的百分比作为目标，训练所述循环神经网络，并根据所述循环神经网络的权值矩阵确定所述工艺中主要位点的重要度值；根据所述工艺中主要位点的重要度值确定工艺中用于优化工艺参数的位点。2.根据权利要求1所述的工艺优化方法，其特征在于，所述根据所述工艺中主要位点的重要度值确定工艺中用于优化工艺参数的位点，包括：根据工艺中主要位点的重要度值按照从大到小进行排序，得到重要度值序列；将重要度值序列的前N位运用双酶法淀粉糖加工工艺分析，得到工艺中用于优化工艺参数的位点。3.根据权利要求1所述的工艺优化方法，其特征在于，在将工艺中位点和工艺中位点上的样本点数据运用主成分分析法进行降维处理之前，还包括：将工艺中位点上的样本点数据进行噪声预处理。4.根据权利要求1所述的工艺优化方法，其特征在于，所述将工艺中位点和工艺中位点上的样本点数据运用主成分分析法进行降维处理，得到工艺中位点对应的特征数据，包括：将工艺中位点和工艺中位点上的样本点数据组合成的相关性的变量进行正交变换，将正交变换得到的变量作为工艺中位点对应的特征数据。5.根据权利要求1所述的工艺优化方法，其特征在于，所述运用主成分分析法确定所述工艺中位点对应的特征数据的权重，包括：运用主成分分析法确定所述工艺中位点对应的特征数据的变量成分矩阵、主元特征值和主元方差贡献率；计算变量成分矩阵与主元特征值的算术平方根的比值，作为成分得分系数矩阵；以主元方差贡献率为权重，对成分得分系数矩阵进行加权平均，得到综合得分模型系数；根据所述综合得分模型系数确定所述工艺中位点对应的特征数据的权重。6.根据权利要求5所述的工艺优化方法，其特征在于，所述根据所述综合得分模型系数确定所述工艺中位点对应的特征数据的权重，包括：将所述综合得分...

【专利技术属性】
技术研发人员：佟毅，李明鑫，叔谋，李义，都健，张磊，刘颖慰，赵优，徐杨，赵国兴，刘琳琳，董亚超，陶然，周聪聪，
申请(专利权)人：中粮生物科技股份有限公司大连理工大学中粮营养健康研究院有限公司，
类型：发明
国别省市：