一种基于RNN-Markov组合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RNN

【技术实现步骤摘要】
一种基于RNN
‑
Markov组合模型的工艺质量预测方法


[0001]本专利技术属于智能制造领域，尤其涉及一种基于RNN
‑
Markov组合模型的工艺质量预测方法。

技术介绍

[0002]与传统的离散制造有所不同，流程生产质量指标影响因素多且众耦合复杂，工艺参数时序特征显著，原料成分波动频繁等特点。传统的过程质量指标预测方法大多依赖对于生产过程非稳定、非平衡和强非线性机理的理解，存在建模困难、预测精度低、可靠性难以保证等问题。本专利技术提出的RNN
‑
Markov组合模型为工艺质量指标预测提供一种新方法。

技术实现思路

[0003]本专利技术的目的是提供一种基于RNN
‑
Markov组合模型的工艺质量预测方法。本专利技术提供的预测方法可以对工艺质量进行准确预测，提高生产车间的生产效益，避免原材料的损耗，降低生产成本。
[0004]本专利技术所采用的技术方案如下：
[0005]一种基于RNN
‑
Markov组合模型的工艺质量预测方法，包括以下步骤：
[0006](1)数据采集，采集生产车间中的历史工艺数据，获得初始工艺数据集；并对工艺数据进行归一化处理；然后将初始工艺数据集按一定的比例划分为训练集和测试集；
[0007](2)构建RNN网络模型，将划分后的初始工艺数据集输入RNN网络模型，调整超参数并进行训练和预测，输出训练集和测试集的工艺质量指标预测值；
[0008](3)划分Markov模型的状态空间，根据RNN网络模型输出训练集的预测值与采集的初始工艺数据的真实值之间的相对残差划分状态空间；
[0009](4)根据划分的状态空间和RNN网络模型训练集的预测值，得到Markov模型的状态转移概率矩阵；
[0010](5)根据Markov模型的状态转移概率矩阵和划分的状态区间对RNN网络模型测试集的工艺质量指标预测值进行修正，得到RNN
‑
Markov组合模型的工艺质量指标预测值；
[0011](6)对RNN
‑
Markov组合模型的工艺质量指标测试集的预测值和真实值进行对比与分析，验证RNN
‑
Markov组合模型的工艺质量预测方法的有效性和准确性。
[0012]优选地，步骤(1)数据采集具体包括以下步骤：确定生产工艺中的工艺参数项数和工艺质量指标个数，采集生产车间中的历史工艺数据作为初始工艺数据集；然后对工艺数据进行归一化处理，计算如下：其中，y
scale
为归一化后的值，y为采集的工艺数据序列的实际值，y
min
、y
max
分别为采集的工艺数据序列的最小值和最大值。
[0013]优选地，步骤(2)RNN网络模型基本参数如下：一层输入层；一层RNN层，神经元个数为256，激活函数为Relu；一层全连接层，神经元个数为8，激活函数为Relu；一层输出层，输出训练集和测试集的工艺质量指标预测值。
[0014]优选地，步骤(3)划分Markov模型状态空间包括以下步骤：将RNN网络模型的训练集工艺质量指标的真实值和预测值作相对残差(η
i
)序列，计算如下：其中y
i
和y
′
i
分别为RNN网络模型中训练集第i个真实值和预测值，以相对残差(η
i
)的大小划分状态空间
[0015]优选地，步骤(4)通过相对残差序列和和划分的状态空间，确定每个训练集工艺质量指标预测值所处的状态空间，并结合各状态空间变化情况计算其状态转移概率矩阵；计算如下：其中，P
ab
为训练集工艺质量指标的预测值从状态转移到状态的概率，E
ab
为训练集工艺质量指标的预测值从状态转移到状态的次数，E
a
为训练集工艺质量指标的预测值正处于状态的次数，P为状态转移概率矩阵。
[0016]优选地，步骤(5)修正RNN网络模型测试集工艺质量指标预测值包括以下步骤：
[0017](5.1)根据状态转移概率矩阵(P)确定RNN网络模型测试集的工艺质量指标预测值在下一个时刻最大可能所处的状态空间；
[0018](5.2)通过式对RNN网络模型的测试集工艺质量指标预测值进行修正，得到修正后的组合模型预测值；其中，为通过Markov模型修正后的预测值，y'为RNN网络模型的预测结果，s1和s2为下一个时刻最大可能所处状态空间的区间范围。
[0019]优选地，步骤(6)通过决定系数(R2)和均方误差(MSE)两个指标的大小作为RNN
‑
Markov组合模型的工艺质量预测方法有效性和准确性的评价指标；R2的值在0～1之间，R2的值越接近于1，模型的预测效果越好；MSE的值在0～1之间，MSE的值越接近于0，模型的预测效果越好。
[0020]优选地，决定系数(R2)和均方误差(MSE)的计算如下：)和均方误差(MSE)的计算如下：其中，n为所有时刻工艺质量指标预测值的数量，y
i
，分别为第i个工艺质量指标的实际值和Markov修正后的拟合值，为工艺质量指标实际值的平均值。
[0021]本专利技术的有益效果是:
[0022]1、本专利技术提供一种基于RNN
‑
Markov组合模型的工艺质量预测方法，通过对采集到的工艺数据进行归一化处理，将工艺数据归一化到0～1之间，避免了各工艺数据之间因量纲的差异进而影响模型的预测效果。
[0023]2、本专利技术的基于RNN
‑
Markov组合模型的工艺质量预测方法，通过将采集的工艺数据输入到RNN网络模型中，利用RNN网络模型的特点挖掘工艺数据中的时序信息，充分获取工艺数据之间的特征。
[0024]3.本专利技术的基于RNN
‑
Markov组合模型的工艺质量预测方法，实现了RNN
‑
Markov组合模型的工艺质量准确预测。相比传统的单个RNN网络模型预测方法，经过Markov模型修正后的预测精度更加准确。本专利技术的方法为工艺质量的预测提供新的方法。
附图说明
[0025]图1为本专利技术所述的工艺质量预测方法流程图。
[0026]图2为本专利技术所述RNN神经网络内部结构图。
[0027]图3为本专利技术所述RNN
‑
Markov组合模型结构图。
[0028]图4为本专利技术实施例的采集的部分数据。
[0029]图5为本专利技术实施例的RNN网络模型松散回潮出料温度预测值和真实值对比图。
[0030]图6为本专利技术实施例的RNN网络模型松散回潮出料温度预测值和真实值之间的部分相对残差表。
[0031]图7为本专利技术实施例的RNN
‑
Markov组合模型的松散回潮出料温度预测值和真实值对比图。
具体实施方式
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RNN
‑
Markov组合模型的工艺质量预测方法，其特征在于，包括以下步骤：(1)数据采集，采集生产车间中的历史工艺数据，获得初始工艺数据集；并对工艺数据进行归一化处理；然后将初始工艺数据集按一定的比例划分为训练集和测试集；(2)构建RNN网络模型，将划分后的初始工艺数据集输入RNN网络模型，调整超参数并进行训练和预测，输出训练集和测试集的工艺质量指标预测值；(3)划分Markov模型的状态空间，根据RNN网络模型输出训练集的预测值与采集的初始工艺数据的真实值之间的相对残差划分状态空间；(4)根据划分的状态空间和RNN网络模型训练集的预测值，得到Markov模型的状态转移概率矩阵；(5)根据Markov模型的状态转移概率矩阵和划分的状态区间对RNN网络模型测试集的工艺质量指标预测值进行修正，得到RNN
‑
Markov组合模型的工艺质量指标预测值；(6)对RNN
‑
Markov组合模型的工艺质量指标测试集的预测值和真实值进行对比与分析，验证RNN
‑
Markov组合模型的工艺质量预测方法的有效性和准确性。2.根据权利要求1所述的工艺质量预测方法，其特征在于，步骤(1)数据采集具体包括以下步骤：确定生产工艺中的工艺参数项数和工艺质量指标个数，采集生产车间中的历史工艺数据作为初始工艺数据集；然后对工艺数据进行归一化处理，计算如下：其中，y
scale
为归一化后的值，y为采集的工艺数据序列的实际值，y
min
、y
max
分别为采集的工艺数据序列的最小值和最大值。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)RNN网络模型基本参数如下：一层输入层；一层RNN层，神经元个数为256，激活函数为Relu；一层全连接层，神经元个数为8，激活函数为Relu；一层输出层，输出训练集和测试集的工艺质量指标预测值。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)划分Markov模型状态空间包括以下步骤：将RNN网络模型的训练集工艺质量指标的真实值和预测值作...

【专利技术属性】
技术研发人员：易斌，李雯琦，唐军，林文强，方俊俊，秦鹏，高宇雷，高晓华，张立斌，周晓龙，周冰，谭国治，何邦华，刘丹楹，许晓黎，聂蓉，
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：