一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法


[0001]本专利技术属于智能
，具体涉及一种基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法。

技术介绍

[0002]流程制造业中的工艺质量指标是整个生产线非常重要的一个部分，对于提高生产质量的内在质量具有重要作用。工艺参数设计不合理常常会导致生产过程质量波动，进而严重影响产品的产出数量和质量。目前工艺参数主要是根据满足后续工序加工要求的质量指标进行调控，且基本采用模糊控制技术调控工艺参数，使工艺质量控制在标准范围内，满足工艺要求。
[0003]在生产过程中影响工艺质量的因素有很多，并且在控制过程中存在比较强的不确定性、耦合性、滞后性和非线性。国内外一般对质量预测的模型研究主要分为两类：一类是时间序列分析方法，基本思想是从随机时间序列的过去值及现在值来预测未来值，它的优点在于考虑了数据的时序性关系，缺点在于对非线性关系数据的预测能力有限；另一类是机器学习分析方法，该方法兼顾数据的时序性和非线性关系，被逐渐运用在质量预测领域，取得了较好的应用效果。
[0004]随着车间生产工艺的不断改进，车间生产复杂性也不断提升，加剧了车间质量指标预测的难度，造成流程制造生产过程中存在一些问题，如卷烟制丝车间现场操作人员难以对关键加工工序出料烟草含水率作出准确调控，可能会导致加工质量波动，进而影响卷烟产品质量等问题。
[0005]为解决上述问题提出本专利技术。

技术实现思路

[0006]本专利技术提供一种基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法。本专利技术的预测方法能够对工艺加工质量指标进行精准预测，提升产品质量控制水平，增强企业核心竞争力。
[0007]本专利技术的技术方案如下：
[0008]一种基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，包括如下步骤：
[0009](1)采集数据，测量并记录与质量指标相关的变量，获得初始变量；
[0010](2)数据筛选，通过相关性分析对初始变量进行筛选，去除掉冗余变量后获得输入变量；选取数据集的前80％数据作为训练集，剩余20％的数据作为测试集；
[0011](3)采用CNN
‑
LSTM神经网络建立预测模型，并结合时序注意力机制，在模型中输入输入变量，获得质量指标的预测数据；
[0012](4)根据获得的质量指标预测数据与真实数据进行分析评价，验证预测方法的有效性。
[0013]优选地，在步骤(1)中，确定与质量指标相关的变量，确定质量指标。
[0014]优选地，步骤(2)中通过相关性分析对初始变量进行筛选步骤为：通过下式进行相关性分析计算各个特征变量与目标变量的相关程度：式中：X为n维数据变量，Y为质量指标；cov(X,Y)为两者间协方差；σ
X
、σ
Y
分别为X、Y标准差。
[0015]优选地，步骤(3)中，CNN
‑
LSTM神经网络包括：一层输入层；一层卷积层，神经元个数为512，卷积核大小为3*3，激活函数为Relu；一层池化层，过滤器大小为2*2；一层卷积层，神经元个数为128，卷积核大小为3*3，激活函数为Relu；一层池化层，过滤器大小为2*2；一层扁平层，将三维向量数组压成长度为128的一维向量数组；使用时序注意力层来对LSTM输出赋予不同权重；四层LSTM层，神经元个数分别为32个、64个和128个；一层全连接层，神经元个数为32，激活函数为Sigmoid；一层输出层，神经元个数为1，用来输出最终的预测值。
[0016]优选地，步骤(3)中结合时序注意力机制，赋予不同时刻输入特征向量权重，其权重的公式如下：式中：x
′
i
工艺参数特征重要性值；表示输入特征；表示输入特征对应的参数权重。
[0017]优选地，在步骤(4)中，验证预测方法有效性的两个参数：平均绝对误差(MAE)和根均方误差(RMSE)作为衡量标准，所述平均绝对误差(MAE)和根均方误差(RMSE)的计算方法分别为：分别为：式中：n为预测总次数；y
i
和分别为i时刻的质量指标真实值和预测值。
[0018]优选地，平均绝对误差(MAE)或根均方误差(RMSE)数字越小，则预测方法的精度越高。
[0019]本专利技术的有益效果：
[0020](1)本专利技术的基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，通过相关性分析对初始变量进行特征筛选，解决了现有技术中没有充分提取时间序列的周期特征从而导致预测精度不够的问题。
[0021](2)本专利技术的基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，结合时序注意力机制对特征向量进行注意力权重的分配，实现时序数据的自主处理，解决循环神经网络的短期记忆问题。
[0022](3)本专利技术的基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，通过CNN有效地对工艺参数进行特征提取，并通过增加LSTM网络单元来增加模型的深度有助于提高模型的预测能力。
[0023](4)本专利技术的基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，首先对时间序列数据进行预处理，其中包含了归一化处理和滑动窗口处理；通过归一化处理，将数据转换至0～1之间，节约了计算资源，加快了神经网络的收敛速度；通过滑动窗口处理使得数据更加平稳。
[0024](5)本专利技术的基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，有针对性地
解决了流程制造行业产品质量预测难的问题，也就是在成品前就可以提前预测到产品质量问题，即可在提前预判缺陷和及时弥补缺陷，最大和最迅速地稳定产品质量，把质量缺陷降到最低。
附图说明
[0025]图1为本专利技术的工艺质量预测方法的结构示意图。
[0026]图2为本专利技术的时序注意力机制内部结构示意图。
[0027]图3为本专利技术的LSTM神经网络内部结构示意图。
[0028]图4为本专利技术实施例的烟丝出料含水率部分真实值。
[0029]图5为本专利技术实施例的烟丝出料含水率预测值与真实值对比图。
具体实施方式
[0030]下面结合附图和实施例，对本专利技术作进一步说明，但本专利技术的内容并不限于所述范围。
[0031]实施例：本专利技术的基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，以卷烟制丝环节的烟丝加工为例；质量指标为烟丝出料含水率。
[0032]参照图1
‑
图5中所示，本专利技术公开的一种基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，包括如下步骤：
[0033]步骤1：采集数据，传感器、数据采集与监视控制系统(Super本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
LSTM混合神经网络模型的工艺质量预测方法，其特征在于，包括如下步骤：(1)采集数据，测量并记录与质量指标相关的变量，获得初始变量；(2)数据筛选，通过相关性分析对初始变量进行筛选，去除掉冗余变量后获得输入变量；选取数据集的前80％数据作为训练集，剩余20％的数据作为测试集；(3)采用CNN
‑
LSTM神经网络建立预测模型，并结合时序注意力机制，在模型中输入输入变量，获得质量指标的预测数据；(4)根据获得的质量指标的预测数据与真实数据之间进行分析评价，验证预测方法的有效性。2.根据权利要求1所述的工艺质量预测方法，其特征在于，在步骤(1)中，确定与质量指标相关的变量，确定质量指标。3.根据权利要求1所述的工艺质量预测方法，其特征在于，步骤(2)中通过相关性分析对初始变量进行筛选步骤为：通过下式进行相关性分析计算各个特征变量与目标变量的相关程度：式中：X为n维数据变量，Y为质量指标；cov(X,Y)为两者间协方差；σ
X
、σ
Y
分别为X、Y标准差。4.根据权利要求1所述的工艺质量预测方法，其特征在于，步骤(3)中，CNN
‑
LSTM神经网络包括：一层输入层；一层卷积层，神经元个数为512，...

【专利技术属性】
技术研发人员：唐军，何邦华，周冰，林文强，易斌，谭国治，蔡波，唐丽，马宁，陈文，阴艳超，王明悦，张曦，
申请(专利权)人：云南中烟工业有限责任公司，
类型：发明
国别省市：