[发明专利]基于高维度纺纱数据的混合特征选择方法

说明书

本发明涉及一种基于高维度纺纱数据的混合特征选择方法，首先采用一种网络去卷积算法进行去除链式噪声所造成的噪声关联，之后再采用直接关联互信息值通过预筛选目标函数进行筛选一组最大相关、最大互补、最小冗余的关初选键参数子集。最后采用预测精度以及辨识度共同作为评估标准采用遗传算法进行搜索，并得到两者之间的最优占比，进而得到最终关键参数子集。本发明所提出的方法额外考虑的参数之间的互补性，以及纺纱生产过程中真实存在的噪声误差影响等，以提高纺纱能耗的预测精度。本发明提供的方法也可以应用到工况多变的类似工业场景中，帮助制造企业节能降耗，实现绿色生产。

技术领域

本发明涉及一种纺纱参数提取方法，具体涉及一种基于高维度纺纱数据的混合特征选择方法，属于纺纱能耗预测领域。

背景技术

纺纱是典型的能耗密集型民生行业。随着人工智能以及数据感知的发展，大量的纺纱制造过程参数被保留并用于质量预测，采用质量预测方法，能够对纺纱制造过程进行质量回溯，找出能耗异常的根源，是抑制能耗异常最有效的手段之一。但是环锭纺纱生产工艺流程长，影响生产能耗的影响参数多，并且关键参数不显著，这将影响能耗预测的精确度。采用大数据关联分析通过海量数据拟合参数间的作用关系，揭示参数间的作用规律，可进一步识别影响生产能耗的关键参数，是准确实现纺纱能耗预测的基础。然而，纺纱数据存在典型的高维度特性，影响成纱能耗的潜在因素达1000多个，这对参数间的关联分析提出了挑战。

为了解决这一问题，有些学者提出了混合特征选择方法，通过信息熵的方法进行初步确定关键参数子集，然后采用遗传算法以上一步选择的参数作为最大搜索范围进行精选参数，以得到尽可能少的冗余参数，并得到与目标变量高度相关的关键参数子集。例如，吕佑龙副教授提出的针对晶圆允收测试参数的混合式特征选择方法。该方法首先采用利用互信息计算各晶圆允收测试参数与良率的相关性与冗余性，并依据最大相关、最小冗余性初步筛选关键参数子集，之后再以最少参数个数以及预测精度作为评估标准采用遗传算法进行筛选参数，最后得到关键参数子集。

发明内容

本发明的目的是：实现纺纱能耗预测的关键参数提取，通过混合特征选择的方法得到一组冗余变量尽可能少、能够有效分辨能耗正常与异常且预测精度的参数子集，辅助进行进一步智能调控，以帮助降低纺纱能耗。

为了达到上述目的，本发明的技术方案是提供了一种基于高维度纺纱数据的混合特征选择方法，能够消除由于纺纱工序加工产生的传递误差并挑选出对于纺纱能耗异常有重要影响的参数，进而准确识别影响纺纱能耗的关键参数，其特征在于，包括以下步骤：

步骤一：收集并记录不同纺纱能耗下环锭纺纱生产过程中对纺纱能耗有潜在影响的候选参数数据，将所有潜在候选参数数据整合为一个完整的数据集；

步骤二：基于步骤一得到的数据集生成训练数据集，对混合特征选择算法模型进行训练，混合特征选择算法模型采用以下步骤生成最终的关键参数子集：

步骤201：计算各个候选参数与纺纱能耗相关的互信息值；

步骤202：基于步骤201获得的互信息值构建与观测到的关联关系对应的观测矩阵G_obs，有：

式中，I(x_K；x_K)表示步骤201计算得到的第K个候选参数x_K与第K个候选参数x_K的互信息值；

步骤203、基于直接关联矩阵G_dir的特征值λ_dir与观测矩阵G_obs的特征值λ_obs之间的关系，利用网络去卷积算法由观测矩阵G_obs计算到剔除了噪声关联的直接关联矩阵G_dir，其中：