本发明专利技术公开了一种基于CNN‑LSTM‑Attention组合神经网络模型的烘丝加工强度预测方法，包括如下步骤：(1)采集数据并初始化；(2)数据预处理；(3)对数据进行归一化；(4)特征筛选；(5)搭建CNN‑LSTM‑Attention组合神经网络预测模型；(6)根据预测数据和真实数据之间进行分析评价。相比传统的单个LSTM模型，本发明专利技术的预测精度更加准确。
【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：
4、(1)采集生产车间中烘丝数据，首先测量并记录与烘丝加工强度相关的变量，其次进行数据初始化；
5、(2)数据预处理，首先通过料位检测技术对采集的烘丝数据进行料头料尾，停机断料的判断，然后利用k近邻法对缺失数据进行填补，接着将异常数据通过z-score法进行删除，最后通过自编码器对数据进行降噪；
6、(3)对预处理后的数据进行最大-最小归一化，以确保数据在一个统一的尺度范围内；
7、(4)特征筛选，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；从采集的烘丝工序数据中，将前70％的样本作为训练集，用于模型的训练与学习；而剩余30％的样本则构成测试集，用于评估模型在真实场景下的性能表现；
8、(5)搭建cnn-lstm-attention组合神经网络预测模型，调整超参数，利用训练集对cnn-lstm-attention组合神经网络模型进行训练，依据训练好的cnn-lstm-attention组合神经网络模型采用测试集进行验证；
9、(6)根据烘丝加工强度的预测数据和真实数据之间进行分析评价，验证此组合网络模型的有效性。
10、优选地，在步骤(1)中，确定与烘丝加工强度相关的变量进行采集，并对数据进行初始化。
11、优选地，步骤(2)数据预处理具体包括以下步骤：
12、(21)通过应用超声波固态料位检测技术，对采集的烘丝数据进行料头料尾和停机断料的判断，并进一步执行清除操作，排除料头料尾数据；
13、(22)利用k近邻法对缺失数据进行填补；对于一个特征的缺失值xi,knn填补的基本公式为：式中：是要填补的缺失值的估计值，ni是与样本xi最近的k个邻居的集合，xj是ni中的邻居样本的真实值；
14、(23)利用z-score法删除异常数据；z-score法的基本公式为：其中，x是观测值，μ是样本的均值，σ是样本的标准差，z是标准分数；设定阈值，若|z|>3则将观测值标记为异常值；
15、(24)通过自编码器对烘丝数据进行合理降噪；在编码阶段：h＝relu(wx+b)，式中，x为输入数据，w为编码器的权重矩阵，b为偏置项，relu为激活函数，h为编码器的输出；在解码阶段：式中：w′为解码器的权重矩阵，b′为解码器的偏置项，relu为解码器的激活函数，为自编码器的重构输出。
16、优选地，步骤(3)通过式对数据做最大最小归一化处理；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。
17、优选地，步骤(4)中利用互信息算法进行相关性分析，确定与烘丝加工强度相关性较高的初始变量，获得输入变量；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；i(x；y)越大表明两者相关性越强。
18、优选地，步骤(5)cnn-lstm-attention组合神经网络预测模型包括cnn模块、lstm模块和attention模块；基本参数如下：输入层接收17维特征变量作为输入；卷积层包含256个神经元，卷积核大小为5*5，采用relu激活函数，用于提取输入数据的特征；池化层采用2*2的池化核进行池化操作；两层lstm层，神经元个数分别为256和128，用于处理序列数据，捕捉时间序列中的长期依赖关系；attention层用于使模型更专注于输入序列中对当前任务更为重要的部分；全连接层包含8个神经元，采用relu激活函数；输出层包含1个神经元，输出烘丝加工强度的预测值。
19、优选地，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。
20、优选地，平均绝对误差mae和均平方误差mse数值越小、拟合优度r2的值越接近1，表示模型预测结果越准确。
21、本专利技术的有益效果是：
22、1、本专利技术提供的一种基于cnn-lstm-attention组合神经网络模型的烘丝加工强度预测方法，通过对采集到的烘丝时序数据进行k近邻法进行缺失值填充和z-score法进行异常值检测与删除，保持了数据的合理性和结构的完整性；通过最大-最小归一化处理，将数据转换至0～1之间，消除了量纲的影响，提高了计算能力。
23、2、本专利技术的基于cnn-lstm-attention组合神经网络模型的烘丝加工强度预测方法，通过互信息相关性分析对初始变量的特征筛选，解决了初始变量多维的问题。
24、3、本专利技术的烘丝加工强度预测方法，使用cnn-lstm-attention组合神经网络预测模型，相比传统的单个lstm模型，本专利技术的预测精度更加准确，为烘丝加工强度预测模型提供新的方法。
本文档来自技高网...
【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.根据权利要求1所述烘丝加工强度预测方法，其特征在于，步骤(5)
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。