[发明专利]一种应用于具有多次反馈调节特点场景的建模方法

说明书

本发明公开了一种应用于具有多次反馈调节特点场景的建模方法，假设工业生产系统的调节包含若干个阶段；每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；对数据进行预处理；对模型进行训练，预测值在模型的输入中，通过在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量；本发明解决了在多轮调节场景中用前馈网络建模的矛盾，利用大量历史数据来训练模型，依据历史生产中配方与产品质量之间的因果关系，自动得到生产环节中的配方剂量。

技术领域

本发明属于模型建模领域，尤其涉及一种应用于具有多次反馈调节特点场景的建模方法。

背景技术

在一些工业生产场景中，生产的配方、添加剂的剂量等需要通过不断的实验测试来获得最优值，因为面对的常常是一个复杂系统，只能通过指标测量值来获知其内部情况(产品质量、人体器官健康程度)，对一个复杂系统的调试往往需要经过多次迭代，根据其每一次的检测指标值，来调节下一轮迭代的配方剂量和处理方式，来提升最终的产品质量，即得到最终的最优检测指标。例如在一个新研发的药物的使用剂量的确定，实质上是对人体这个复杂系统进行调节，通过在不同的个体上做大量的临床实验，来确定药物的推荐使用方法，以及针对不同体质个体的精准使用方法，对每个个体的实验过程都是一个多次调节的过程，每次用药的剂量都要参考历史用药和历史指标测量。再例如工业品的生产过程，其标准生产流程也是通过大量反复实验得到的，每一生产步骤应该采取什么动作、添加多少剂量的添加剂等，都要基于前面的生产步骤做过的动作和使用过的剂量。

发明内容

本发明针对工业生产场景中多轮调节的生产过程，利用大量历史数据来训练模型，依据历史生产中配方与产品质量之间的因果关系，自动得到生产环节中的配方剂量。在这一过程中，每一个当前环节的剂量的决策依据历史环节中的剂量X0和检测指标I0，而用一般的前馈网络模型，在模型训练阶段，模型在每个环节的输入是历史剂量X0和指标I0、当前剂量X1，模型输出的是此次用药后的检测指标I1。本发明主要解决这一建模中的矛盾，在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量X1。

本发明的目的是通过以下技术方案来实现的：一种应用于具有多次反馈调节特点场景的建模方法，包括：

(1)问题的分析与建模：假设工业生产系统的调节包含若干阶段，每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；

(2)数据采集与模型训练：

(2.1)采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；

(2.2)数据预处理：将数值型指标按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好；

(2.3)模型训练：给定一组数据，包括配方剂量前指标I₁、配方剂量方案X₁、配方剂量后指标I₂，假设存在函数关系I₂＝function(I₁,X₁)，即在使用配方前指标一定的情况下，经过一定的配方剂量后，其结果应当是一定的；用神经网络来拟合这一函数关系：

I₂＝relu(w₁*[I₁,X₁]+b)*w₂  (1)