本发明专利技术涉及质量预测技术领域，具体涉及一种基于DNN神经网络的复合产品的质量指标预测方法；本发明专利技术采用DNN神经网络模型，将采集的基础数据进行量纲化预处理，然后构建DNN神经网络模型，进行训练DNN神经网络模型，最后通过改变输入变量进行预测，能够有效的实现对于复合产品的质量指标预测目的。产品的质量指标预测目的。产品的质量指标预测目的。
【技术实现步骤摘要】
一种基于DNN神经网络的复合产品的质量指标预测方法
[0001]本专利技术涉及质量预测
，具体涉及一种基于DNN神经网络的复合产品的质量指标预测方法。
技术介绍
[0002]产品质量是指产品满足规定需要和潜在需要的特征和特性的总和。任何产品都是为满足用户的使用需要而制造的。对于产品质量来说，不论是简单产品还是复杂产品，都应当用产品质量特性或特征去描述。在产品制造业中，有大量数据在加工生产环节保留下来，目前的方式是利用大量数据对制造的产品进行质量预测。但是现有技术中回归预测算法如线性回归、最小二乘法等算法对该复杂场景预测精度不够，影响了对于复合产品的预测效果，无法满足使用者的使用需求。
[0003]综上所述，研发一种基于DNN神经网络的复合产品的质量指标预测方法，仍是质量预测
中急需解决的关键问题。
技术实现思路
[0004]本专利技术所要解决的技术问题是：提供一种基于DNN神经网络的复合产品的质量指标预测方法，实现对于复合产品的质量指标预测的目的。
[0005]为实现上述目的，本专利技术提供了如下技术方案：
[0006]本专利技术提供了一种基于DNN神经网络的复合产品的质量指标预测方法，包括以下步骤：
[0007](1)采集用于质量指标的基础数据；
[0008](2)将步骤(1)中的基础数据采用Min
‑
Max归一化方法进行量纲化预处理；
[0009](3)构建DNN神经网络模型，其中DNN神经网络模型包括输入层、隐藏层和输出层，DNN神经网络模型中每个层的神经元数量为64个；
[0010](4)训练DNN神经网络模型；
[0011](5)DNN神经网络模型预测复合产品的质量。
[0012]本专利技术进一步设置为：在步骤(1)中，所述基础数据包括SP配比、酸值、皂化值、碘值、T
‑
152配比、160S配比、160S粘度、HL2#配比、HL2
#
粘度、荆3
#
配比、荆3
#
粘度、济4
#
配比、济4
#
粘度、FSL配比、石蜡配比、石蜡粘度、机油配比、1
#
粉状脂配比、1
#
粉状脂粘度、FL配比、70
#
微晶蜡配比、70
#
微晶蜡粘度和软脂酸配比。
[0013]本专利技术进一步设置为：在步骤(2)中，所述Min
‑
Max归一化方法是将基础数据进行线性变换，使结果映射到[0,1]的范围，实现对原始数据的等比缩放，其归一化公式为：
[0014]式中，X为基础数据，X
min
为数值最小值，X
max
为数值最大值。
[0015]本专利技术进一步设置为：在步骤(3)中，所述DNN神经网络模型中损失函数使用均方误差MSE，选取MSE最小的为最优模型，其中损失函数的公式为：
[0016]式中，m为样本数，为预测值，y为真实值。
[0017]本专利技术进一步设置为：在步骤(3)中，采用ReLU作为DNN神经网络模型的激活函数，其表达式如下：
[0018]f
l
(z
l
)＝max(0,z
l
)，式中，z
l
为第l层有n
l
个神经元输入组成的向量。
[0019]本专利技术进一步设置为：在步骤(4)中，所述训练DNN神经网络模型是将量纲化预处理的基础数据作为样本数据，分为训练集和测试集，损失函数采用均方误差，采用优化器adam对DNN神经网络模型的权重参数进行优化，指定批数量和迭代次数，对DNN神经网络模型进行训练。
[0020]本专利技术进一步设置为：所述样本数据为63组数据。
[0021]本专利技术进一步设置为：所述样本数据中训练集和测试集的比值为8:2。
[0022]本专利技术进一步设置为：在步骤(4)中，通过训练后调整DNN神经网络模型的隐藏层数为2层。
[0023]本专利技术进一步设置为：在步骤(5)中，所述DNN神经网络模型预测复合产品的质量是将重新获取的基础数据作为输入数据，输出对于复合产品的质量指标粘度的预测。
[0024]有益效果
[0025]采用本专利技术提供的技术方案，与已知的公有技术相比，具有如下有益效果：
[0026]本专利技术采用DNN神经网络模型，将采集的基础数据进行量纲化预处理，然后构建DNN神经网络模型，进行训练DNN神经网络模型，最后通过改变输入变量进行预测，能够有效的实现对于复合产品的质量指标预测目的。
附图说明
[0027]图1为本专利技术一种基于DNN神经网络的复合产品的质量指标预测方法的流程图。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]实施例：
[0030]如图1所示，本专利技术提供了一种基于DNN神经网络的复合产品的质量指标预测方法，包括以下步骤：
[0031](1)采集用于质量指标的基础数据。
[0032]进一步的，基础数据包括SP配比(％)、酸值(KOH mg/g)、皂化值(KOH mg/g)、碘值(KOH mg/g)、T
‑
152配比(％)、160S配比(％)、160S粘度(mm2/s)、HL2#配比(％)、HL2
#
粘度(mm2/s)、荆3
#
配比(％)、荆3
#
粘度(mm2/s)、济4
#
配比(％)、济4
#
粘度(mm2/s)、FSL配比(％)、石蜡配比(％)、石蜡粘度(mm2/s)、机油配比(％)、1
#
粉状脂配比(％)、1
#
粉状脂粘度(mm2/s)、FL配比(％)、70
#
微晶蜡配比(％)、70
#
微晶蜡粘度(mm2/s)、软脂酸配比(％)。
[0033]在本步骤中，基础数据由复合产品的配方和原材料质量影响因素数据构成，所选
用的基础数据影响复合产品的质量，因此，将其作为指标预测所有的数据。
[0034](2)将步骤(1)中的基础数据采用Min
‑
Max归一化方法进行量纲化预处理。
[0035]进一步的，Min
‑
Max归一化方法是将基础数据进行线性变换，使结果映射到[0,1]的范围，实现对原始数据的等比缩放，其归一化公式为：
[0036]式中，X为基础数据，X
min
为数值最小值，X
max
为数值最大值。
[0037]在本实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于DNN神经网络的复合产品的质量指标预测方法，其特征在于，包括以下步骤：(1)采集用于质量指标的基础数据；(2)将步骤(1)中的基础数据采用Min
‑
Max归一化方法进行量纲化预处理；(3)构建DNN神经网络模型，其中DNN神经网络模型包括输入层、隐藏层和输出层，DNN神经网络模型中每个层的神经元数量为64个；(4)训练DNN神经网络模型；(5)DNN神经网络模型预测复合产品的质量。2.根据权利要求1所述的一种基于DNN神经网络的复合产品的质量指标预测方法，其特征在于，在步骤(1)中，所述基础数据包括SP配比、酸值、皂化值、碘值、T
‑
152配比、160S配比、160S粘度、HL2#配比、HL2
#
粘度、荆3
#
配比、荆3
#
粘度、济4
#
配比、济4
#
粘度、FSL配比、石蜡配比、石蜡粘度、机油配比、1
#
粉状脂配比、1
#
粉状脂粘度、FL配比、70
#
微晶蜡配比、70
#
微晶蜡粘度和软脂酸配比。3.根据权利要求1所述的一种基于DNN神经网络的复合产品的质量指标预测方法，其特征在于，在步骤(2)中，所述Min
‑
Max归一化方法是将基础数据进行线性变换，使结果映射到[0,1]的范围，实现对原始数据的等比缩放，其归一化公式为：式中，X为基础数据，X
min
为数值最小值，X
max
为数值最大值。4.根据权利要求1所述的一种基于DNN神经网络的复合产品的质...
【专利技术属性】
技术研发人员：欧阳曙光，朱斌，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：
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。