[发明专利]基于增量聚类的LSTM轮毂单品能耗预测

摘要

本发明公开了基于增量聚类的LSTM轮毂单品能耗预测，涉及轮毂单品能耗预测技术领域。本发明采用基于PCA的动态增量密度聚类实现了对轮毂特征参数的聚类分析，得出新增产品所属历史产品类别，并基于能耗影响因素体系利用Pearson系数和Adaptive‑Lasso算法筛选出单品能耗强解释性因素，利用BP实现新品强解释性变量的预测，为各聚簇产品构建LSTM能耗预测模型实现了新品单耗的有效预测，利用ADE实现了对LSTM的优化，同时引入增量学习策略实现模型的动态更新。本发明验证了预测方法的有效性，使能耗预测的均方根误差RMSE低至0.016524，相对于其他无增量学习的算法平均降低了0.013653，同时其ADE的搜索性能较优，训练集的RMSE比有增量学习DE‑LSTM的平均减小0.004089，且有效的缩短了运行时间。

主权项

1.一种基于增量聚类的LSTM轮毂单品能耗预测方法，其特征在于，包括下述步骤：(1)收集不同型号轮毂的特征参数样本，包括12个特征参数：轮圈直径、轮圈宽度、中心孔距、螺栓孔数、节圆直径、偏距、重量、轮辐数目、轮辐正面造型、中心盘面造型、轮毂材质、制造工艺；(2)收集不同型号轮毂的订单数据、生产数据、关键耗件参数、单品能耗数据组成的能耗样本；其中订单数据、生产数据、关键耗件参数构成能耗影响因素体系，订单数据包括单品型号、单品订单量、品类总数，生产数据包括生产时间、原材料投入量、设备运行时间、生产效率、废品率，其中生产效率由机加效率和光整效率两方面来考虑，机加效率单位：件/小时；光整效率单位：分钟/件；关键耗件参数包括钻头使用量、刀具使用量；(3)将步骤(1)中历史轮毂特征参数样本的字符型参数进行标签化处理后，采用主成分分析将参数样本降至二维得到数据集P；(4)接着使用动态增量密度聚类算法对P进行聚类操作，得到原始聚簇结果C_i(i＝0,1,…,k)∈P和离群集O∈P；(5)当有新增特征参数样本时，对其利用步骤(3)预处理后得ΔP，搜索O∪ΔP中与原聚簇密度可达的数据对象，更新聚类结果，输出聚簇C_i′(i＝0,1,…,k′)＝C_i∪ΔC_i、离群集O′和新增产品所属类别；(6)根据步骤(2)中能耗影响因素体系分析单品能耗的强解释性因素，利用Pearson系数剔除能耗影响因素体系中的弱相关以及不相关因素，接着利用Adaptive‑Lasso算法进行第二次变量选择得到轮毂单品能耗的强解释性变量；(7)对经过步骤(3)标签化处理后的历史轮毂特征参数、步骤(6)获得的强解释性变量以及单品能耗值进行标准化处理；(8)以经过步骤(7)标准化处理后的历史轮毂特征参数为输入，以经过步骤(7)标准化处理后的强解释性变量为输出，构建新轮毂强解释性变量的BP预测模型，得以预测新轮毂的强解释性变量值；(9)根据步骤(4)的历史聚类结果构建各聚簇单品能耗预测模型，将各聚簇历史能耗样本均以3:1的比例随机划分成训练集和测试集，训练集均分为四组，其中一组进行步骤(10)，剩余组依次作为一个样本增量集；(10)构建各聚簇LSTM单品能耗预测模型，将训练集经过步骤(7)标准化处理后的强解释性变量为输入，经过步骤(7)标准化后的单品能耗为输出，在模型构建中利用ADE算法实现对LSTM参数的优化；(11)在各聚簇LSTM单品能耗预测模型中，利用步骤(9)中样本增量集对模型进行增量更新；(12)根据步骤(9)中各聚簇的测试集测试经过步骤(11)更新后的各聚簇的预测模型，并进行模型评估，同时对于待预测产品的特征参数样本经过步骤(3)‑(5)处理，以及经过步骤(7)‑(8)的BP预测模型得出新轮毂的强解释性变量，随后利用步骤(11)更新后的各聚簇LSTM单品能耗预测模型进行预测，输出新增产品能耗的预测值。