[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

说明书

本发明公开了一种基于CNN‑LSTM混合神经网络模型的工艺质量预测方法，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，在模型中输入的输入变量，获得质量指标的预测数据；(4)根据获得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。本发明的工艺质量预测方法，通过建立混合神经网络模型预测质量指标，有针对性地解决了流程制造行业产品质量预测难的问题，满足了流程制造生产过程高水平质量控制的需要，为实现流程生产过程精准预测与优化调控提供方法和途径。

技术领域

本发明属于智能技术领域，具体涉及一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法。

背景技术

流程制造业中的工艺质量指标是整个生产线非常重要的一个部分，对于提高生产质量的内在质量具有重要作用。工艺参数设计不合理常常会导致生产过程质量波动，进而严重影响产品的产出数量和质量。目前工艺参数主要是根据满足后续工序加工要求的质量指标进行调控，且基本采用模糊控制技术调控工艺参数，使工艺质量控制在标准范围内，满足工艺要求。

在生产过程中影响工艺质量的因素有很多，并且在控制过程中存在比较强的不确定性、耦合性、滞后性和非线性。国内外一般对质量预测的模型研究主要分为两类：一类是时间序列分析方法，基本思想是从随机时间序列的过去值及现在值来预测未来值，它的优点在于考虑了数据的时序性关系，缺点在于对非线性关系数据的预测能力有限；另一类是机器学习分析方法，该方法兼顾数据的时序性和非线性关系，被逐渐运用在质量预测领域，取得了较好的应用效果。

随着车间生产工艺的不断改进，车间生产复杂性也不断提升，加剧了车间质量指标预测的难度，造成流程制造生产过程中存在一些问题，如卷烟制丝车间现场操作人员难以对关键加工工序出料烟草含水率作出准确调控，可能会导致加工质量波动，进而影响卷烟产品质量等问题。

为解决上述问题提出本发明。

发明内容

本发明提供一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法。本发明的预测方法能够对工艺加工质量指标进行精准预测，提升产品质量控制水平，增强企业核心竞争力。

本发明的技术方案如下：

一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法，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预测数据与真实数据进行分析评价，验证预测方法的有效性。

优选地，在步骤(1)中，确定与质量指标相关的变量，确定质量指标。

优选地，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。