[发明专利]基于改进神经网络的烟丝质检指标预测方法、装置及系统

说明书

本发明公开一种基于改进神经网络的烟丝质检指标预测方法，包括以下步骤：采集卷烟厂不同批次的制丝原料所对应的相关数据；对采集到的相关数据进行清洗处理，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；基于训练集建立若干个BP‑GA回归模型，将若干个BP‑GA回归模型合成一个集成回归模型；基于训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测分类结果。本发明可以利用制丝工艺过程参数有效预测烟丝质检参数，还可以有效避免预测结果陷入局部最小值。此外，该模型还具有结构稳定，识别效果较为可靠等优点。

技术领域

本发明涉及人工智能故障诊断技术领域，尤其涉及一种基于改进神经网络的烟丝质检指标预测方法、装置及系统。

背景技术

制丝工艺作为制烟过程中的一个重要的环节，其工序的变化直接影响到烟丝的质量以及烟支的口感，所以卷烟厂会在制丝工艺完成后对烟丝的关键物理指标进行质检。然而，一旦质检时发现烟丝质量不合格后再去解决这一问题时已经为厂家带来了不可避免的损失。所以，卷烟厂会根据制丝过程中的各关键工序参数对烟丝质检参数进行预测从而通过回溯对生产线上各关键参数做到提前调控。但是，由于制丝是一个多相关、非线性、低耦合、高干扰的复杂过程，目前常采用的一种方法是建立简单一维物理模型对烟丝质检参数进行预测，这种方法预测成功率较低、效果较差且很难适用于当前情况；而一般的神经网络虽然能反映出一定的非线性关系，但又容易陷入局部最小值得到错误的预测结果。因此，一般神经网络的稳定性、泛化性又难以达到工程实际要求。

发明内容

本发明针对现有技术中的缺点，提供了一种基于改进神经网络的烟丝质检指标预测方法、装置及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于改进神经网络的烟丝质检指标预测方法，包括以下步骤：

采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；

对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；

基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；

基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；

采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；

通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。

作为一种可实施方式，所述基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型具体为：

根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型；

对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练。

作为一种可实施方式，所述根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型具体为：

设置遗传算法初始参数，即将种群规模设置为若干个，取交叉、变异率分布为80％和5％，进化代数取100；