System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于智能制造领域,具体涉及一种基于cnn-lstm-attention组合神经网络模型的烘丝加工强度预测方法。
技术介绍
1、在烘丝工序中,加工强度被视为评估产品质量和品质的关键指标,对于提升生产品质至关重要。然而,由于生产过程中受到多种因素的影响,烘丝质量的控制充满不确定性和耦合性,因此准确预测烘丝加工强度成为产品质量控制的一项重要挑战。尽管有许多实验和论文对烘丝加工强度进行了表征,但对其准确预测的研究相对较少。
2、为此提出本专利技术。
技术实现思路
1、为解决现有技术没有准确预测烘丝加工强度的方法,本专利技术提出了一种烘丝加工强度预测方法,本专利技术的方法采用cnn-lstm-attention组合神经网络预测模型对烘丝加工强度进行预测。本专利技术的预测模型在综合考虑加工强度对制丝关键工序的影响方面具有实际应用潜力,为精准预测烘丝加工强度提供了新途径。当前制丝生产线以烟丝水分稳定性调控为核心的加工模式虽然维护了烟丝水分的稳定性,却往往忽略了加工强度对卷烟内在质量的潜在影响,甚至以加工强度波动为代价。这突显了在制丝过程中综合考虑加工强度的重要性,与本专利技术所提出的预测模型的应用理念相一致。本专利技术提供的预测方法可以对烘丝加工强度进行准确预测,提高烘丝生产车间的质量指标精准调控水平。
2、本专利技术所采用的技术方案如下:
3、一种基于cnn-lstm-attention组合神经网络模型的烘丝加工强度预测方法,包括以下步骤:
...【技术保护点】
1.一种烘丝加工强度预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(1)中,采集并记录与烘丝加工强度相关的变量。
3.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(2)中,数据预处理的具体步骤为:
4.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(3)通过式对数据进行归一化处理;式中,Xnorm是最大最小归一化后的值;X是实际序列数据,Xmin、Xmax分别是实际序列数据中的最小值和最大值。
5.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(4)中利用互信息法进行相关性计算分析,确定初始变量中与烘丝加工强度相关的特征的重要程度,去掉冗余变量后获得输入变量,具体步骤为:通过下式进行互信息相关性分析计算,确定初始变量与烘丝加工强度相关性大小,完成特征筛选,式中,I(X;Y)是工艺参数X和加工强度Y之间的互信息,p(x,y)是工艺参数X和加工强度Y同时取值x和y的联合概率,p(x)和p(y)分别是工艺参数X和加工强度Y的边际概率。
6.根据
7.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(6)通过平均绝对误差MAE、均平方误差MSE和拟合优度R2的大小作为对模型有效性的评估标准,三个参数的计算如下:式中:m表示测试样本数据集的样本容量;和yj表示第j时刻烘丝加工强度的实际值和预测值;表示预测值样本与真实值的平均值,其中j=1,2,…,m。
...【技术特征摘要】
1.一种烘丝加工强度预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(1)中,采集并记录与烘丝加工强度相关的变量。
3.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(2)中,数据预处理的具体步骤为:
4.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(3)通过式对数据进行归一化处理;式中,xnorm是最大最小归一化后的值;x是实际序列数据,xmin、xmax分别是实际序列数据中的最小值和最大值。
5.根据权利要求1所述烘丝加工强度预测方法,其特征在于,步骤(4)中利用互信息法进行相关性计算分析,确定初始变量中与烘丝加工强度相关的特征的重要程度,去掉冗余变量后获得输入...
【专利技术属性】
技术研发人员:易斌,唐军,高晓华,李雯琦,林文强,周冰,方俊俊,张超,秦鹏,杨耀晶,高宇雷,张立斌,周晓龙,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:
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。