[發明專利]一種面向工業大數據的產品質量多源深度融合預報方法

有效

• 申請號: 202010040200.5
• 申請日: 2020-01-15
• 公開（公告）號: CN111258996B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 劉長鑫;馬宇飛;丁進良;柴天佑;李智浩
• 申請（專利權）人: 東北大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/2458;G06N3/0442;G06N3/0464;G06N3/08
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

本發明提供一種面向工業大數據的產品質量多源深度融合預報方法，涉及工業大數據處理與復雜工業智能建模技術領域。該方法首先收集實際工業現場中的生產數據，并進行數據清洗與數據預處理，統一樣本的數據維度；將生產過程數據按照工業生產的實際工藝流程與數據特征分為不同的數據塊，同時求取每個數據塊與最終質量數據的相關系數；針對不同的數據塊，分別設計特定的深度學習網絡提取隱含在數據內部的特征信息；利用之前求取的相關系數，為各個數據塊提取到的特征信息進行加權融合，并利用一個單層神經網絡對產品質量進行預報。該方法通過一種特征融合的思想，將復雜工業過程中的多源異構數據進行深度融合，實現對產品質量的精確預報。

技術領域

本發明涉及工業大數據處理與復雜工業智能建模技術領域，尤其涉及一種面向工業大數據的產品質量多源深度融合預報方法。

背景技術

近些年來，隨著人工智能在理論與技術方面發展的越來越成熟，大數據的應用也越來越廣泛，并且在醫學，電子信息，圖像識別等領域取得了相對較成熟的結果。作為一種分析大數據的有效手段，深度學習在近些年來受到越來越多人的關注，同時在各個領域中取得了突破性的成就。利用深度學習方法處理大數據的好處是，它能夠利用有監督或者半監督的學習方法提取大數據中的有效特征，不需要人為手動提取特征。

盡管目前的深度學習方法能夠有效的處理大數據中的高維數據，通過智能算法自動挖掘高維數據中的特征，然而目前的深度學習方法需要大量的統一維度的訓練樣本，這在實際應用中會產生許多困擾。

深度學習算法能夠從大量的訓練樣本中發掘規律，但這要求所有樣本的輸入數據維度相同，然而現實中的數據往往難以保證具有統一的輸入維度，尤其對于工業數據來說。復雜工業數據大多來源于多個傳感器，數據存儲格式因數據的來源不同而不同，因此樣本的輸入數據往往呈現出多源異構性，這對利用復雜工業大數據進行建模提出了挑戰。

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，提供一種面向工業大數據的產品質量多源深度融合預報方法，通過充分挖掘隱含在復雜工業大數據中的規律，對最終的產品質量進行預報。

為解決上述技術問題，本發明所采取的技術方案是：一種面向工業大數據的產品質量多源深度融合預報方法，包括以下步驟：

步驟1、采集實際工業現場中的多源異構生產數據作為樣本數據，并存儲到數據庫；利用樣本劃分算法，將采集到的數據樣本劃分為訓練集、驗證集、測試集；

步驟2、將采集到的樣本數據利用數據清洗算法去除數據中的異常樣本，同時利用數據補齊算法對輸入數據進行數據預處理，使所有樣本數據的維度統一；

步驟3、將步驟2處理過的多源異構數據根據工業生產的實際工藝流程與數據特征劃分為不同的一維數據塊、二維數據塊和三維數據塊，對不同的數據塊分別求取均值，方差，最大值，最小值，用以表征該整體數據塊的信息，將上述所有的統計量組合成一維統計指標向量，表示如下：

其中，分別表示第i個樣本數據所在的第n個數據塊的均值、方差、最大值和最小值；

計算所有樣本數據的統計指標S＝{s₁，s₂，…，s_i}與最終的產品質量標簽Y＝{y₁，y₂，…，y_i}之間的最大互信息系數(Maximal?Information?Coefficient，即MIC)，得到連續變量S與Y之間的相關系數，表示如下：

其中，分別為第n個數據塊的均值、方差、最大值、最小值與最終的產品質量標簽的最大互信息系數；