[發明專利]模型訓練和預測方法、裝置、電子設備以及存儲介質

在審

• 申請號: 202210320819.0
• 申請日: 2022-03-29
• 公開（公告）號: CN114647943A
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 姚鐵;張家懷
• 申請（專利權）人: 西門子(中國)有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F119/08;G06F119/14;G06F119/18
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 李慧

本申請提供了一種模型訓練和預測方法、裝置、電子設備以及存儲介質，模型訓練方法包括：獲取歷史玻璃成型控制參數和歷史玻璃成型厚度數據，玻璃成型控制參數至少包括加工環境控制參數、投料控制參數和加工原料控制參數；基于歷史玻璃成型控制參數和歷史玻璃成型厚度數據進行關聯，得到訓練樣本數據；基于訓練樣本數據進行模型訓練，得到預測模型，預測模型用于對玻璃成型厚度進行預測。本實施例的方案能夠準確預測玻璃成型厚度。

技術領域

本申請涉及自動化控制領域，尤其涉及一種模型訓練和預測方法、裝置、電子設備以及存儲介質。

背景技術

平面玻璃厚度是浮法玻璃成型過程中，最主要的控制目標之一，通常采用的方式有激光測厚和軟測量，其中激光測厚由于相同成分玻璃材料，熔融態與固態條件下的折射率不同，在高溫情況下，利用干涉法激光測量熔融態玻璃厚度，不能作為最終冷端固態玻璃厚度的測量結果，此外，在熱端溫度較高，遠遠超出感光成像的工作溫度，實際使用過程中還需要用水冷卻。軟測量技術，對于不能直接測量的過程變量，可以利用機理模型和其他過程參數進行推算。但是，浮法玻璃窯爐等熱端生產過程，機理模型復雜，創建高精度模型難度大。

但是，在熱端生產過程中，利用各種傳統方法在線測量平面玻璃的厚度，都面臨無法測量、誤差大等問題。

發明內容

有鑒于此，本申請提供一種模型訓練和預測方法、裝置、電子設備以及存儲介質，能夠精準評估玻璃加工成型過程中的玻璃厚度。

根據本申請實施例的第一方面，提供了一種模型訓練方法，包括：獲取歷史玻璃成型控制參數和歷史玻璃成型厚度數據，歷史玻璃成型控制參數至少包括加工環境控制參數、投料控制參數和加工原料控制參數；基于歷史玻璃成型控制參數和歷史玻璃成型厚度數據進行關聯，得到訓練樣本數據；基于訓練樣本數據進行模型訓練，得到預測模型，預測模型用于對玻璃成型厚度進行預測。

在另一種可行的實現方式中，基于歷史玻璃成型控制參數和歷史玻璃成型厚度數據進行關聯，得到訓練樣本數據，包括：獲取預設的關聯標簽，關聯標簽指示歷史玻璃成型控制參數與歷史玻璃成型厚度數據之間的關聯程度；基于關聯標簽，對歷史玻璃成型控制參數和歷史玻璃成型厚度數據進行關聯，得到訓練樣本數據。

在第二種可能的實現方式中，基于關聯標簽，對歷史玻璃成型控制參數和歷史玻璃成型厚度數據進行關聯，得到訓練樣本數據，包括：基于關聯標簽，對歷史玻璃成型控制參數和歷史玻璃成型厚度數據進行關聯，得到關聯數據；對關聯數據進行樣本數據增強處理，得到訓練樣本數據。

在另一種可行的實現方式中，獲取歷史玻璃成型厚度數據，包括：建立與測厚設備的通信連接，所述測厚設備用于冷端玻璃測量并保存所述歷史玻璃成型厚度數據；基于所述通信連接，從所述測厚設備獲取所述歷史玻璃成型厚度數據，或者，通道導入測量記錄文件，獲取歷史玻璃成型厚度數據。

在另一種可行的實現方式中，所述獲取歷史玻璃成型控制參數，包括：建立與玻璃成型控制應用程序的通信連接；基于所述通信連接，從所述玻璃成型控制應用程序，獲取歷史玻璃成型控制參數，其中，包括所述加工環境控制參數和投料控制參數，加工原料控制參數在玻璃成型控制過程中輸入到所述玻璃成型控制應用程序中，或者，通過物料化驗分析系統、訂單管理系統等處在線獲得加工原料控制參數。

在另一種可行的實現方式中，加工環境控制參數包括設定的加工控制壓力參數、加工控制溫度、加工控制液位參數中的至少一者，加工原料控制參數包括原料成分數據、原料數量數據、原料編碼數據中的至少一者。

在另一種可行的實現方式中，基于訓練樣本數據進行模型訓練，得到預測模型，包括：構建基于卷積神經網絡的分類網絡；將關聯后的歷史玻璃成型控制參數作為輸入，將關聯后的歷史玻璃成型厚度數據作為輸出，訓練分類網絡，得到預測模型。