[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽(yáng)極鋁箔性能預(yù)測(cè)系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011172776.3
• 申請(qǐng)日: 2020-10-28
• 公開(kāi)（公告）號(hào): CN112289393B
• 公開(kāi)（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 潘斯寧;梁力勃;楊小飛
• 申請(qǐng)（專利權(quán)）人: 廣西賀州市桂東電子科技有限責(zé)任公司
• 主分類號(hào): G16C60/00
• 分類號(hào): G16C60/00;G16C20/70;G06N3/048;G06N3/08
• 代理公司: 南寧深之意專利代理事務(wù)所(特殊普通合伙) 45123
• 代理人: 盧穎

1.一種基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽(yáng)極鋁箔性能預(yù)測(cè)系統(tǒng)，其特征在于：其建立包括以下步驟：

(1)收集陽(yáng)極鋁箔生產(chǎn)線上的工藝參數(shù)及其所對(duì)應(yīng)的產(chǎn)品性能指標(biāo)的實(shí)測(cè)數(shù)據(jù)組成若干組數(shù)據(jù)樣本，每一組數(shù)據(jù)樣本中包括若干個(gè)產(chǎn)品性能指標(biāo)的實(shí)測(cè)數(shù)據(jù)，及其相對(duì)應(yīng)的全流程生產(chǎn)過(guò)程中的若干個(gè)工藝參數(shù)，將所有收集到的數(shù)據(jù)樣本存儲(chǔ)至制造數(shù)據(jù)樣本庫(kù)中；

所述產(chǎn)品性能指標(biāo)包括陽(yáng)極鋁箔的比電容、耐壓值、漏電流、升壓時(shí)間、耐水性能、折彎強(qiáng)度、抗拉強(qiáng)度；

所述工藝參數(shù)包括腐蝕工藝參數(shù)和化成工藝參數(shù)；所述腐蝕工藝參數(shù)包括發(fā)孔腐蝕和擴(kuò)孔腐蝕階段的溶液成分、濃度、溫度、電壓、電流密度和處理時(shí)間；所述化成工藝參數(shù)包括水煮處理階段的溫度及時(shí)間，一級(jí)化成、二級(jí)化成、三級(jí)化成、四級(jí)化成的溶液成分及濃度、溫度、電壓、電流密度、處理時(shí)間，后處理階段的溫度及時(shí)間；

(2)從制造數(shù)據(jù)樣本庫(kù)中提取任意一個(gè)需要進(jìn)行預(yù)測(cè)的產(chǎn)品性能指標(biāo)及其所對(duì)應(yīng)的所有工藝參數(shù)，組成預(yù)測(cè)該產(chǎn)品性能指標(biāo)所需的臨時(shí)樣本集，然后將臨時(shí)樣本集分成訓(xùn)練樣本集和測(cè)試樣本集，所述訓(xùn)練樣本集或測(cè)試樣本集中包括該產(chǎn)品性能指標(biāo)所對(duì)應(yīng)的所有工藝參數(shù)的數(shù)據(jù)樣本，所述訓(xùn)練樣本集中數(shù)據(jù)樣本的數(shù)量與測(cè)試樣本集中數(shù)據(jù)樣本的數(shù)量比為7:3；

(3)平均分配訓(xùn)練樣本集中每組數(shù)據(jù)樣本的初始權(quán)重值，接著分別采用三種不同類型的神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，使用訓(xùn)練樣本集內(nèi)的數(shù)據(jù)樣本進(jìn)行模型的訓(xùn)練，并且預(yù)測(cè)輸出，根據(jù)預(yù)測(cè)結(jié)果調(diào)整訓(xùn)練樣本集中每組數(shù)據(jù)樣本的權(quán)重值，重復(fù)進(jìn)行多輪模型預(yù)測(cè)及權(quán)重值調(diào)整，每一種類型的神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)得到若干組弱預(yù)測(cè)器；

(4)將每一種類型的神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)得到的所有弱預(yù)測(cè)器函數(shù)進(jìn)行加權(quán)疊加，得到對(duì)應(yīng)的強(qiáng)預(yù)測(cè)器；

(5)使用測(cè)試樣本集中的數(shù)據(jù)樣本，分別采用三種類型的神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)得到的強(qiáng)預(yù)測(cè)器進(jìn)行所對(duì)應(yīng)的產(chǎn)品性能指標(biāo)的預(yù)測(cè)，分別計(jì)算預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果之間的誤差，從中選擇誤差最小的強(qiáng)預(yù)測(cè)器，得到該產(chǎn)品性能指標(biāo)對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；

(6)重復(fù)進(jìn)行步驟(2)～步驟(5)的操作，直至得到所有需要進(jìn)行預(yù)測(cè)的產(chǎn)品性能指標(biāo)對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，然后采用所有神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建得到基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽(yáng)極鋁箔性能預(yù)測(cè)系統(tǒng)。

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽(yáng)極鋁箔性能預(yù)測(cè)系統(tǒng)，其特征在于：步驟(3)中所述三種類型的神經(jīng)網(wǎng)絡(luò)分別為BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽(yáng)極鋁箔性能預(yù)測(cè)系統(tǒng)，其特征在于：步驟(3)中平均分配訓(xùn)練樣本集中每組數(shù)據(jù)樣本的初始權(quán)重值，具體是按照如下公式計(jì)算初始權(quán)重值：

其中D₀(j)表示每個(gè)數(shù)據(jù)樣本的初始權(quán)重值，N表示數(shù)據(jù)樣本的個(gè)數(shù)。