[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

一種基于BLSTM神經網絡的工業過程產品質量預測方法，涉及一種工業過程預測方法，本發明方法，包括以下步驟：步驟一：分析整個工業過程變量關系，對正常歷史數據進行歸一化處理；步驟二：通過對處理后的數據進行最大互信息特征篩選得到重構數據；步驟三：將重構數據劃分的訓練數據代入雙向長短期記憶網絡學習其潛在聯系，根據評價指標進行網絡參數優化；步驟四：在線運用時，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。實驗證明該方法可有效進行產品質量預測及對工業過程運行狀態起到了很好的監視作用。

技術領域

本發明涉及一種工業過程預測方法，特別是涉及一種基于BLSTM神經網絡的工業過程產品質量預測方法。

背景技術

隨著國民經濟的快速發展，工業生產規模不斷擴大，現代工業過程向著非線性、非穩態、高噪聲和高延遲等復雜化方向發展，產品質量越來越不能得到保證，人力、物力損失及其巨大，工業過程安全也直接關系到國家經濟發展和人民生命財產安全，過程安全、產品質量以及節能減排增效逐漸成為現代工業的核心目標。雖然復雜工業過程關鍵變量在線分析和監控的新方法和新理論不斷被提出，但是這些技術過度依賴于精確的模型識別和可靠的測量，特別是對關鍵過程變量的在線分析和過程監控。近年來，質量預測以其響應速度快、維護成本低、預測結果準確等優點被廣泛應用于關鍵產品質量的在線評估。

基于數據分析進行質量預測是一種常見的預測方法，如偏最小二乘和支持向量機等，但是常見機器學習網絡容易出現泛化能力問題，以及多層網絡容易受到梯度消失和爆炸問題的影響。深度神經網絡憑借其更好的性能被引入到預測建模，例如深度信念網絡、堆疊自動編碼器和循環神經網絡。為了捕捉時間序列數據中的時間動態行為，動態遞歸神經網絡應運而生，但仍存在梯度消失和梯度爆炸問題。長短期記憶網絡誕生了，長短期記憶網絡不僅能忘記過去無用的信息，還能判斷當前的信息并將有用的信息存儲在存儲單元中，但該方法不能解決不同時間步長上的不同變量以及序列長度過長問題，而工業過程中質量變量具有較長的時間滯后特性。由此雙向長短期記憶網絡被發明出來解決了此問題，通過輸入序列以順、逆序形式輸入網絡進行訓練，挖掘數據順、逆序的依賴關系，進行雙向時序的特征學習，以獲取時序序列的特征相關性，充分挖掘其關鍵特征。

名詞解釋：

MIC方法：最大互信息系數，即每個相關過程變量分別與產品質量變量進行互信息計算，通過互信息數來確定過程變量與質量變量的關聯程度。

BLSTM網絡：雙向長短期記憶網絡，一種基于時間序列的預測方法。

發明內容

本發明的目的在于提供一種基于BLSTM神經網絡的工業過程產品質量預測方法，本發明針對提取的復雜工業數據，去除數據噪聲、冗余性及加強模型的魯棒性，同時深度挖掘工業過程時間序列的相關過程變量與產品質量變量的潛在聯系，實現對產品質量的實時預測，及時的判斷工業過程是否正常運行，及時避免運行狀態故障，提高生產效率及減少資源的浪費，精準、直觀的反映工業過程運行狀態。

本發明的目的是通過以下技術方案實現的：

一種基于BLSTM神經網絡的工業過程產品質量預測方法，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；