[发明专利]一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法

权利要求书

1.一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法，其特征在于，包括如下步骤：

(1)采集数据，测量并记录与质量指标相关的变量，获得初始变量；

(2)数据筛选，通过相关性分析对初始变量进行筛选，去除掉冗余变量后获得输入变量；选取数据集的前80％数据作为训练集，剩余20％的数据作为测试集；

(3)采用CNN-LSTM神经网络建立预测模型，并结合时序注意力机制，在模型中输入输入变量，获得质量指标的预测数据；

(4)根据获得的质量指标的预测数据与真实数据之间进行分析评价，验证预测方法的有效性。

2.根据权利要求1所述的工艺质量预测方法，其特征在于，在步骤(1)中，确定与质量指标相关的变量，确定质量指标。

3.根据权利要求1所述的工艺质量预测方法，其特征在于，步骤(2)中通过相关性分析对初始变量进行筛选步骤为：通过下式进行相关性分析计算各个特征变量与目标变量的相关程度：式中：X为n维数据变量，Y为质量指标；cov(X,Y)为两者间协方差；σ_X、σ_Y分别为X、Y标准差。

4.根据权利要求1所述的工艺质量预测方法，其特征在于，步骤(3)中，CNN-LSTM神经网络包括：一层输入层；一层卷积层，神经元个数为512，卷积核大小为3*3，激活函数为Relu；一层池化层，过滤器大小为2*2；一层卷积层，神经元个数为128，卷积核大小为3*3，激活函数为Relu；一层池化层，过滤器大小为2*2；一层扁平层，将三维向量数组压成长度为128的一维向量数组；使用时序注意力层来对LSTM输出赋予不同权重；四层LSTM层，神经元个数分别为32个、64个和128个；一层全连接层，神经元个数为32，激活函数为Sigmoid；一层输出层，神经元个数为1，用来输出最终的预测值。

5.根据权利要求4所述的工艺质量预测方法，其特征在于，步骤(3)中结合时序注意力机制，赋予不同时刻输入特征向量权重，其权重的公式如下：'

式中：x_t工艺参数特征重要性值；表示输入特征；表示输入特征对应的参数权重。

6.根据权利要求1所述的工艺质量预测方法，其特征在于，在步骤(4)中，验证预测方法有效性的两个参数：平均绝对误差(MAE)和根均方误差(RMSE)作为衡量标准，所述平均绝对误差(MAE)和根均方误差(RMSE)的计算方法分别为：式中：n为预测总次数；y_i和分别为i时刻的质量指标真实值和预测值。

7.根据权利要求6所述的工艺质量预测方法，其特征在于，平均绝对误差(MAE)或根均方误差(RMSE)绝对值越小，则预测方法的精度越高。