[發(fā)明專利]一種工業(yè)物聯(lián)網(wǎng)中基于機(jī)器學(xué)習(xí)方法的預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201911213612.8
• 申請日: 2019-12-02
• 公開（公告）號: CN112990618A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設(shè)計(jì)）人: 楊波;江元;魏軍;李策;蘇蕊
• 申請（專利權(quán)）人: 國網(wǎng)甘肅省電力公司信息通信公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市陽光惠遠(yuǎn)知識產(chǎn)權(quán)代理有限公司 23211
• 代理人: 孫莉莉

本發(fā)明提出一種工業(yè)物聯(lián)網(wǎng)中基于機(jī)器學(xué)習(xí)方法的預(yù)測方法，所述方法包括步驟1、將工藝參數(shù)以及環(huán)境參數(shù)作為輸入，并將生產(chǎn)過程關(guān)注的關(guān)鍵性能指標(biāo)作為輸出；步驟2、根據(jù)步驟1中的輸入輸出數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡(luò)算法建立訓(xùn)練模型；步驟3、基于建立的訓(xùn)練模型利用當(dāng)前輸入對輸出結(jié)果進(jìn)行預(yù)測，從而對關(guān)鍵性能指標(biāo)進(jìn)行預(yù)警及預(yù)處理操作。本發(fā)明利用真實(shí)的工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行了仿真和驗(yàn)證，證明了基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法性能優(yōu)于線性回歸預(yù)測技術(shù)。

技術(shù)領(lǐng)域

本發(fā)明屬于工業(yè)物聯(lián)網(wǎng)技術(shù)領(lǐng)域，特別是涉及一種工業(yè)物聯(lián)網(wǎng)中基于機(jī)器學(xué)習(xí)方法的預(yù)測方法。

背景技術(shù)

面對各類應(yīng)用帶來的數(shù)據(jù)規(guī)模指數(shù)及增長，利用傳統(tǒng)人工設(shè)置假設(shè)前提并利用統(tǒng)計(jì)等方法來有效發(fā)現(xiàn)數(shù)據(jù)中規(guī)律越來越不現(xiàn)實(shí)，同時(shí)數(shù)據(jù)量的爆發(fā)式增長也為機(jī)器學(xué)習(xí)方法的發(fā)展和大規(guī)模應(yīng)用塑造了有利的前提條件。在金融和互聯(lián)網(wǎng)領(lǐng)域如用戶信用狀況評價(jià)、計(jì)算廣告、智能推薦、機(jī)器翻譯、自然語言識別乃至無人駕駛領(lǐng)域都取得了突破性的進(jìn)展。

工業(yè)互聯(lián)網(wǎng)技術(shù)伴隨工業(yè)化信息化的融合得到了長足的發(fā)展。雖然針對不同客體物聯(lián)網(wǎng)應(yīng)用各不相同，但站在數(shù)據(jù)及信息采集、通信傳輸、處理與有效使用的過程來看，可以大致將物聯(lián)網(wǎng)分為四層：感知層、傳輸層、數(shù)據(jù)層及應(yīng)用層。其中數(shù)據(jù)層實(shí)現(xiàn)數(shù)據(jù)的匯聚、管理及分析處理等相關(guān)工作，工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)實(shí)時(shí)性要求高、數(shù)據(jù)量大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜并異構(gòu)等特點(diǎn)，有效的對數(shù)據(jù)進(jìn)行相關(guān)的加工的相關(guān)算法是工業(yè)智能系統(tǒng)關(guān)鍵技術(shù)，也是主要工業(yè)國未來競爭力的重要體現(xiàn)。

發(fā)明內(nèi)容

本發(fā)明目的是為了解決現(xiàn)有技術(shù)中的問題，提出了一種工業(yè)物聯(lián)網(wǎng)中基于機(jī)器學(xué)習(xí)方法的預(yù)測方法。

本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明提出一種工業(yè)物聯(lián)網(wǎng)中基于機(jī)器學(xué)習(xí)方法的預(yù)測方法，所述方法包括以下步驟：

步驟1、將工藝參數(shù)以及環(huán)境參數(shù)作為輸入，并將生產(chǎn)過程關(guān)注的關(guān)鍵性能指標(biāo)作為輸出；

步驟2、根據(jù)步驟1中的輸入輸出數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡(luò)算法建立訓(xùn)練模型；

步驟3、基于建立的訓(xùn)練模型利用當(dāng)前輸入對輸出結(jié)果進(jìn)行預(yù)測，從而對關(guān)鍵性能指標(biāo)進(jìn)行預(yù)警及預(yù)處理操作。

進(jìn)一步地，在步驟2中，所述BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱層和輸出層三層結(jié)構(gòu)；神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程包括正向傳播的代價(jià)函數(shù)計(jì)算過程和基于代價(jià)或誤差結(jié)果的反向傳播過程；前者數(shù)據(jù)通過輸入層經(jīng)由隱層到達(dá)輸出層，這一過程逐級對數(shù)據(jù)進(jìn)行處理，并通過比較實(shí)際輸出結(jié)果和期望結(jié)果進(jìn)行誤差計(jì)算；在反向傳播過程中，對正向過程中計(jì)算得到的誤差進(jìn)行反向傳播，從而自適應(yīng)調(diào)整各神經(jīng)元的加權(quán)值及閾值，從而降低誤差值并使其最小化。

進(jìn)一步地，所述BP神經(jīng)網(wǎng)絡(luò)算法具體為：

輸入層同隱層間的加權(quán)值為v_ki，隱層同輸出層之間的加權(quán)值為w_jk，隱層傳遞函數(shù)為f₁，輸出層傳遞函數(shù)為f₂；從而，隱層節(jié)點(diǎn)與輸出層結(jié)點(diǎn)的輸出分別為：

有p個(gè)學(xué)習(xí)樣本x₁,x₂,...,x_p，設(shè)樣本l通過神經(jīng)網(wǎng)絡(luò)正向傳播得到的實(shí)際輸出為y_j^l，而相應(yīng)期望輸出為t_j^l，那么有，樣本l真實(shí)輸出值與期望輸出值之間的誤差為：

p個(gè)樣本產(chǎn)生的全局誤差為：

那么權(quán)值的改變量為：

其中，η為學(xué)習(xí)率，需要根據(jù)應(yīng)用選取合適的值；若η選取過大則網(wǎng)絡(luò)不穩(wěn)定，η過小則會(huì)收斂速度過慢學(xué)習(xí)周期過長；