[发明专利]一种基于过程参数的结果反馈方法及装置

权利要求书

1.一种基于涉及提取、浓缩、醇沉和萃取工段的过程制造中过程参数的结果反馈方法，其特征在于，包括：

接收结果反馈请求，所述反馈请求包括中间体结果类型，所述中间体结果类型为在过程制造过程中根据实际工段确定的需要控制的中间体结果，包括：以成分含量为提取工段的中间体结果类型；以固含、浸膏比重为浓缩工段的中间体结果类型；以指标成分的转移率、杂质的去除率为醇沉和萃取工段的中间体结果类型；

获取与所述反馈请求对应的过程参数，具体为使用相对标准偏差分析和相关性分析联用以筛选实际生产中影响产品质量的关键工艺参数，所述过程参数为多维参数，组成过程参数集；

将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到，训练结果反馈神经网络模型的方法包括：获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置，所述输入层包含若干个单元i，所述隐藏层包含若干个单元j，所述输出层包含若干个单元k，所述隐藏层数量为一层或多于一层；利用后向传播法，对所述初始权重和初始偏置进行更新，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值，直至实现权重收敛，得到结果反馈神经网络模型；其中，对初始权重进行更新包括：获取权重误差系数，得到权重改变量；根据权重改变量，更新权重；通过以下公式实现权重更新：Δw_ij＝l(Err_jO_i)，w_ij＝w_ij+Δw_ij，其中，w_ij为上一层单元i与本层单元j的连接的权重，Δw_ij为上一层单元i与本层单元j的连接的权重改变量，Err_j为单元j的权重误差系数，l为学习率，O_i为上一层的单元i的输出；对初始偏置进行更新包括：获取权重误差系数，得到偏置改变量；根据偏置改变量，更新偏置；通过以下公式实现偏置更新：Δθ_j＝(-l)Err_j，θ_j＝θ_j+Δθ_j，其中，θ_j为本层单元j的偏置，Δθ_j为偏置改变量，Err_j为单元j的权重误差系数，l为学习率；

获取所述结果反馈神经网络模型的输出结果，并将模型的输出结果与预设的合格标准作比较，以反馈中间体结果合格或者不合格的结果。

2.根据权利要求1所述的方法，其特征在于，所述误差系数包括输出层权重误差系数，所述输出层权重误差系数通过以下公式获取：

Err_j＝O_j(1-O_j)(T_j-O_j)，其中，T_j为单元j给定训练元组的已知目标值，O_j为本层单元j的实际输出，其中，I_j为本层单元j的净输入，其中，本层单元j具有n1个上一层连接单元，O_i为上一层单元i的输出值，θ_j是本层单元j的偏置。

3.根据权利要求1所述的方法，其特征在于，所述误差系数包括隐藏层权重误差系数，所述隐藏层权重误差系数通过以下公式获取：

其中，本层单元j具有n2个下一层连接单元，Err_k下一层单元k的权重误差系数，w_jk为本层单元j与下一层单元k的连接的权重，O_j为本层单元j的实际输出，其中，I_j为本层单元j的净输入，其中，O_i为上一层单元i的输出值，θ_j为本层单元j的偏置。

4.根据权利要求1所述的方法，其特征在于，所述权重收敛包括满足以下任一条件：

权重更新的改变量小于预设的第一阈值；

结果反馈神经网络模型的误分类元组百分比小于预设的第二阈值；

权重更新次数达到预设的第三阈值。