[發明專利]一種基于機器學習的陽極鋁箔性能預測系統

有效

• 申請號: 202011170302.5
• 申請日: 2020-10-28
• 公開（公告）號: CN112289391B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 潘斯寧;梁力勃;楊小飛
• 申請（專利權）人: 廣西賀州市桂東電子科技有限責任公司
• 主分類號: G16C60/00
• 分類號: G16C60/00;G16C20/70;G06N3/048;G06N3/08;G06N7/01;G06N20/20;G06F18/2135
• 代理公司: 南寧深之意專利代理事務所(特殊普通合伙) 45123
• 代理人: 盧穎

1.一種基于機器學習的陽極鋁箔性能預測系統，其特征在于：其建立包括以下步驟：

(1)收集陽極鋁箔生產線上實時的工藝參數及其對應的產品性能指標的實測數據，篩選整理成在線制造數據樣本庫Database；

所述在線制造數據樣本庫Database中的工藝參數包括腐蝕工藝參數和化成工藝參數；所述腐蝕工藝參數包括發孔腐蝕和擴孔腐蝕階段的溶液成分、濃度、溫度、電壓、電流密度和處理時間；所述化成工藝參數，包括水煮處理階段的溫度及時間，一級化成、二級化成、三級化成、四級化成的溶液成分及濃度、溫度、電壓、電流密度、處理時間，后處理階段的溫度及時間；

所述在線制造數據樣本庫Database中的產品性能指標包括電學性能和力學性能；所述電學性能包括比電容、耐壓值、漏電流、升壓時間、耐水性能；所述力學性能包括折彎強度、抗拉強度；

(2)對在線制造數據樣本庫Database中的數據進行主成分分析，得到由m個主成分為輸入量，k個產品性能指標為輸出量的數據集Data-set，隨機將數據集Data-set分成訓練數據集Data-train-p和測試數據集Data-test，其中80％的數據分給訓練數據集Data-train-p，剩下的數據分給測試數據集Data-test；

(3)將神經網絡、支持向量回歸機、樸素貝葉斯和隨機森林四種機器學習算法模型組成初級學習器；然后對訓練數據集Data-train-p采用4折交叉驗證方法，將每個機器學習算法模型所輸入的訓練數據集Data-train-p進行再次分割，其中3/4的數據作為該機器學習算法模型本身的訓練部分Data-train-p-I進行模型的訓練學習，另外1/4的數據作為該機器學習算法模型本身的測試部分Data-train-p-II進行模型的測試；

(4)將每個機器學習模型的測試部分Data-train-p-II進行合并，得到新的訓練數據集Data-train-s，用于進行次級學習器的訓練；

(5)次級學習器訓練完成后，將測試數據集Data-test中輸入到stacking模型中，得到該模型預測的陽極鋁箔性能參數；比較預測值與實測值之間的差異，若滿足預設的預測精度要求，則機器學習模型構建結束，得到基于機器學習的陽極鋁箔性能預測系統；反之，則重新構建初級學習器和次級學習器。

2.根據權利要求1所述基于機器學習的陽極鋁箔性能預測系統，其特征在于：步驟(2)中所述對在線制造數據樣本庫Database中的數據進行主成分分析的步驟如下：

Step1、對原始數據集進行預處理，對于定性類型的數據進行啞編碼處理；對于定量類型的數據進行標準化處理，計算公式為：

式中，為數據集每一行數據的平均值、方差；

Step2、計算數據集的協方差矩陣W，W中第i行第j列元素c_ij的計算公式為：

c_ij＝Cov(X_i，X_j)＝E{[X_i-E(X_i)][X_j-E(X_j)]}

式中，i，j＝1，2，…，p，X_i為標準化處理后元素組成的矩陣；

Step3、計算協方差矩陣W的n個特征值λ₁，λ₂，…，λ_p和特征向量A；

Step4、將計算出來的n個特征值λ₁，λ₂，…，λ_p按照從大到小排序，計算每個特征值的方差貢獻率的計算公式為：

Step5、計算前m個特征值的累積方差貢獻率，直至累積方差貢獻率超過預設的閾值為止，則選取對應的前m個最大的特征值作為主成分。