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

有效

• 申請?zhí)枺?/td>: 202011172776.3
• 申請日: 2020-10-28
• 公開（公告）號: CN112289393B
• 公開（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（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: G16C60/00
• 分類號: 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

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽極鋁箔性能預(yù)測系統(tǒng)，通過收集陽極鋁箔生產(chǎn)線上的工藝參數(shù)及其所對應(yīng)的產(chǎn)品性能指標(biāo)的實(shí)測數(shù)據(jù)，并存儲(chǔ)至制造數(shù)據(jù)樣本庫中；接著從制造數(shù)據(jù)樣本庫中提取任意一個(gè)需要進(jìn)行預(yù)測的產(chǎn)品性能指標(biāo)及其所對應(yīng)的所有數(shù)據(jù)樣本組成臨時(shí)樣本集，并將臨時(shí)樣本集分成訓(xùn)練樣本集和測試樣本集；然后分別采用三種不同類型的神經(jīng)網(wǎng)絡(luò)，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，再使用測試樣本集進(jìn)行測試，然后篩選得到該產(chǎn)品性能指標(biāo)對應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型；重復(fù)操作得到所有產(chǎn)品性能指標(biāo)對應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型用于構(gòu)建得到陽極鋁箔性能預(yù)測系統(tǒng)，解決陽極鋁箔性能預(yù)測準(zhǔn)確率較低，泛化能力較弱的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于陽極鋁箔生產(chǎn)工藝技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽極鋁箔性能預(yù)測系統(tǒng)。

背景技術(shù)

陽極鋁箔是制造鋁電解電容器的關(guān)鍵原材料，是由具有特定織構(gòu)的高純鋁箔經(jīng)過腐蝕擴(kuò)面和陽極化成制備而成，主要包括腐蝕擴(kuò)面和陽極化成兩大工序，其制造過程綜合了多學(xué)科、多領(lǐng)域的眾多高新技術(shù)。生產(chǎn)過程中涉及多達(dá)幾十個(gè)工藝參數(shù)，產(chǎn)品性能指標(biāo)也接近十種，在陽極鋁箔的全流程制造過程中，工藝參數(shù)數(shù)量多達(dá)幾十個(gè)，且對最終產(chǎn)品性能指標(biāo)影響很大；工藝參數(shù)之間的非線性影響因素較多，各性能參數(shù)之間相互關(guān)聯(lián)，通過實(shí)驗(yàn)室正交測試及生產(chǎn)線調(diào)試得到最優(yōu)工藝參數(shù)的難度較大。如何找到并利用生產(chǎn)工藝參數(shù)與性能指標(biāo)之間的內(nèi)在復(fù)雜關(guān)系，實(shí)現(xiàn)工藝參數(shù)優(yōu)化設(shè)計(jì)與產(chǎn)品性能指標(biāo)的準(zhǔn)確預(yù)測，是陽極鋁箔制造行業(yè)急需解決的關(guān)鍵問題。

機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域中的一項(xiàng)先進(jìn)技術(shù)，可實(shí)現(xiàn)多維非線性系統(tǒng)及模型未知系統(tǒng)的預(yù)測和優(yōu)化。人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中的一種典型結(jié)構(gòu)，具有較強(qiáng)的魯棒性、記憶能力以及非線性映射能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡單，便于計(jì)算機(jī)實(shí)現(xiàn)。

現(xiàn)有的利用工藝參數(shù)預(yù)測材料性能的神經(jīng)網(wǎng)絡(luò)模型，多是構(gòu)建單一結(jié)構(gòu)模型進(jìn)行性能預(yù)測，準(zhǔn)確率較低，泛化能力較弱，對于陽極鋁箔性能預(yù)測時(shí)涉及到大量相互影響的工藝參數(shù)和性能指標(biāo)的情形，適用性較差，預(yù)測精度較低。

發(fā)明內(nèi)容

針對上述不足，本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽極鋁箔性能預(yù)測系統(tǒng)，解決陽極鋁箔性能預(yù)測準(zhǔn)確率較低，泛化能力較弱的問題。

本發(fā)明是采用如下技術(shù)方案實(shí)現(xiàn)的：

一種基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的陽極鋁箔性能預(yù)測系統(tǒng)，其建立包括以下步驟：

(1)收集陽極鋁箔生產(chǎn)線上的工藝參數(shù)及其所對應(yīng)的產(chǎn)品性能指標(biāo)的實(shí)測數(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)測數(shù)據(jù)，及其相對應(yīng)的全流程生產(chǎn)過程中的若干個(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)樣本庫中；

(2)從制造數(shù)據(jù)樣本庫中提取任意一個(gè)需要進(jìn)行預(yù)測的產(chǎn)品性能指標(biāo)及其所對應(yīng)的所有工藝參數(shù)，組成預(yù)測該產(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)練樣本集和測試樣本集，所述訓(xùn)練樣本集或測試樣本集中包括該產(chǎn)品性能指標(biāo)所對應(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)測輸出，根據(jù)預(yù)測結(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)測及權(quán)重值調(diào)整，每一種類型的神經(jīng)網(wǎng)絡(luò)對應(yīng)得到若干組弱預(yù)測器；

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

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