[發明專利]一種基于BLSTM神經網絡的工業過程產品質量預測方法

在審

• 申請號: 202210537012.2
• 申請日: 2022-05-18
• 公開（公告）號: CN115438897A
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 郭小萍;鐘道金
• 申請（專利權）人: 沈陽化工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/04;G06K9/62;G06N3/04
• 代理公司: 沈陽技聯專利代理有限公司 21205
• 代理人: 張志剛

1.一種基于BLSTM神經網絡的工業過程產品質量預測方法，其特征在于，所述方法包括建立訓練部分和測試部分產品質量預測體系；

訓練部分：

1）對工業過程數據進行降噪處理同時劃分訓練集和測試集，然后對訓練數據進行歸一化處理；

2）標準化后的訓練數據代入最大互信息系數算法，按照公式(1)-(4)得到相關系數較大的過程變量，構成新的重組訓練數據，完成與質量相關特征篩選的同時也減低數據的冗余性；

3）構建雙向長短期記憶網絡模型，設定模型參數及輸入樣本的時間窗長度，將重組的訓練數據輸入至網絡對其網絡參數進行訓練；

4）每次訓練后對預測結果進行RMSE，R2值評估，采用網格搜索方式獲取模型最優參數，誤差滿足閾值時得到質量預測模型；

測試部分：

1）提取訓練數據各變量的最大值與最小值對測試數據進行歸一化處理；

2）處理后的測試數據同訓練部分，完成質量相關特征篩選得到重組測試數據；

3）將重組測試數據代入質量預測模型進行質量變量預測，通過質量預測模型獲得產品質量變量預測值，有效調整生產過程出現的異常，確保工業生產的正常運行。

2.根據權利要求1所述的一種基于BLSTM神經網絡的工業過程產品質量預測方法，其特征在于，所述方法，具體步驟包括以下:

S1:基于工業現場傳感器采集過程數據或者工業系統仿真平臺獲取的正常樣本X和產品樣本Y；

S2:深入了解工業過程流程，把握相關過程變量與產品質量變量之間的聯系，對樣本進行降噪和歸一化處理；

S3:將相關過程變量與產品質量變量數據進行最大互信息特征篩選，確定模型的低維重構數據，降低數據的冗余性和減低神經網絡的計算量；

S4:將重構數據按照4：1比例劃分為訓練數據集、測試數據集；

S5:將重構訓練數據代入到雙向長短期記憶網絡中學習其潛在關系，通過均方根誤差(RMSE)、R²系數和損失函數(loss)等指標來優化模型的參數，直到確定質量預測模型；

S6:將重構測試數據代入到質量預測模型中進行產品預測，通過質量預測模型獲得產品質量變量預測值，有效調整生產過程出現的異常，確保工業生產的正常運行。