基于双重注意力机制和XGBoost的烘丝机水分动态预测方法技术

本发明专利技术公开了一种双重注意力机制和XGBoost的出口水分动态预测方法，采用互信息对过程变量初步特征筛选，选择与出口水分相关性最大的输入，降低特征维数，简化模型复杂度；其次，引入特征注意力机制，捕捉不同过程变量与出口水分之间的非线性关系，突出关键部分权重；在BiLSTM提取时序特征基础上，引入时间注意力机制挖掘过程变量不同时刻，自主选取历史信息关键时间点，将加过权重的变量放入BiLSTM中来进一步学习变量的深层特征。最后，建立基于XGBoost的干燥过程模型，实现出口水分精准预测；实验结果验证本文算法的可行性和有效性。本发明专利技术能够实现过程变量自动赋权重信息，以高精度预测烟丝水分的变化趋势。

【技术实现步骤摘要】

本专利技术属于自动化，尤其涉及一种基于双重注意力机制和xgboost的烘丝机水分动态预测方法。

技术介绍

1、烟丝干燥过程是是制丝工艺流程的后段和关键工序，通过蒸汽筒壁传导和热风对流传热方式干燥烘丝筒内的烟丝脱水,使得烟丝含水率符合卷烟工艺的要求。烟丝出口含水率是制丝生产中对烟丝质量评价的关键指标,然而，干燥过程受来料水分、品种等级、环境温湿度等影响，反应机理极其复杂，由于缺乏可靠的检测仪器，烟丝水分指标难以直接实时在线检测,导致批次质量不稳定，因此，亟需建立高精度烟丝水分预测模型，为干燥过程的稳定控制与操作优化奠定基础。

2、基于数据驱动的建模无需了解复杂的烟丝干燥机理知识，主要依赖工业数据和机器学习等理论方法，构建容易测量过程变量与检测困难变量之间的数学模型，可以实现关键工艺指标或者质量指标的预测难题，因此，吸引学者和技术人员高度关注。在制丝过程领域，例如，王龙柱等人通过建立rbf神经网络模型用于预测叶丝生丝含水率。刘大卫使用mlp神经网络及多元线性回归分析模型预测叶丝切丝含水率。尽管这些模型取得积极研究成果，但仍存在以下问题：一方面，el本文档来自技高网...

【技术保护点】

1.一种基于双重注意力机制和XGBoost的烘丝机水分动态预测方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种基于双重注意力机制和XGBoost的烘丝机水分动态预测方法，其特征在于，所述构建数据采集模块包括：采集叶丝膨胀-入口物料流量瞬时值、叶丝膨胀-入口物料含水率、叶丝膨胀-蒸汽流量实际值、叶丝膨胀-出口温度、滚筒干燥-筒壁温度实际值、滚筒干燥-蒸汽压力、滚筒干燥-蒸汽阀门开度、滚筒干燥_热风蒸汽流量、滚筒干燥_热风温度实际值、滚筒干燥_排潮风门开度、滚筒干燥_排潮负压、滚筒干燥_出口物料温度实际值；

3.根据权利要求1所述的一种基于双重注意...

【技术特征摘要】

1.一种基于双重注意力机制和xgboost的烘丝机水分动态预测方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种基于双重注意力机制和xgboost的烘丝机水分动态预测方法，其特征在于，所述构建数据采集模块包括：采集叶丝膨胀-入口物料流量瞬时值、叶丝膨胀-入口物料含水率、叶丝膨胀-蒸汽流量实际值、叶丝膨胀-出口温度、滚筒干燥-筒壁温度实际值、滚筒干燥-蒸汽压力、滚筒干燥-蒸汽阀门开度、滚筒干燥_热风蒸汽流量、滚筒干燥_热风温度实际值、滚筒干燥_排潮风门开度、滚筒干燥_排潮负压、滚筒干燥_出口物料温度实际值；

3.根据权利要求1所述的一种基于双重注意力机制和xgboost的烘丝机水分动态预测方法，其特征在于，所述建立数据预处理模块包括：对数据采集模块采集的原始数据进行归一化处理，归一化公式为：其中x代表该变量归一化前的值，x′代表归一化后的值，xmin，xmax代表该变量归一化前的最小、最大值；由于干燥过程中存在大量生产状态参数控制变量，引入冗余信息容易增加网络结构的复杂度，降低模型的预测精度和时效性，通过计算互信息进行特征选择剔除对输出影响较弱的冗余变量；互信息公式如下：其中p(x,y)为x和y联合概率分布函数，p(x)和p(y)分别x和y的边缘概率密度函数；互信息越大，则代表x包含关于y的信息越多，即两者相关性越强。

4.根据权利要求1所述的一种基于双重注意力机制和xgboost的烘丝机水分动态预测方法，其特征在于，所述引入特征注意力机制包括：在t时刻，特征向量其中，m是特征数量，采用单层神经网络计算注意力权重at；其中at为t时刻输入特征的权重系数；

5.根据权利要求1所述的一种基于双重注意力机制和xgboost的烘丝机水分动态预测方法，其特征在于，所述构建bilstm时序特征提取模...

【专利技术属性】
技术研发人员：张雷，李善莲，张二强，任国峰，刘振宇，苏子淇，李辉，徐大勇，堵劲松，李银华，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：