[发明专利]一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法

权利要求书

1.一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法，其特征在于，包括以下步骤：

1)采集碳纤维原丝生产监测数据，并将数据按照时间顺序和工艺顺序整理成数据集；

2)选取数据集中无缺失的样本，作为目标数据集；对目标数据集进行随机缺失操作，获得训练数据集；

3)建立卷积去噪自编码器模型，并利用步骤2)中保存的训练数据集和目标数据集对模型进行训练；

所述卷积去噪自编码器模型如下：

卷积去噪自编码器共10层，包括全连接层、2D卷积层、最大池化层、上采样层和反卷积层，

其中，第1层为全连接层，第2、4层为2D卷积层，第3、5层为最大池化层，第6、8层为上采样层，第7、9层为反卷积层，第10层为输出层，输出层为全连接层；

4)利用步骤3)训练好的卷积去噪自编码器模型对待处理的原丝监测数据进行预处理。

2.根据权利要求1所述的碳纤维原丝监测数据预处理方法，其特征在于，所述步骤1)中将数据按照时间顺序和工艺顺序整理成数据集，具体如下：

1.1)采集碳纤维原丝生产过程的实时监测数据，以时间为采集序列，根据温度、压力、流量的数据类型生成数据集X＝X_i，其中，系统每一时刻的运行数据值作为该矩阵的一行，其中1≤i≤n，n为数据变量的数目，监测数据包含原丝生产的各个时间段，针对各种数据类型生成数据集表示为：

X＝[X₁，X₂，X₃，…，X_i…，X_n]

1.2)对数据集的特征按照如下原则重新排序，所述原则为：

将数据集的特征按照碳纤维原丝生产的工艺顺序排列；

同一工序内的相同类型的监测数据相邻；

1.3)将整理好的数据集上传至云平台。

3.根据权利要求1所述的碳纤维原丝监测数据预处理方法，其特征在于，所述步骤2)中获得训练数据集的具体步骤如下：

2.1)在步骤1)整理好的数据集中选取无缺失的数据子集X；

2.2)对数据集X进行归一化处理，作为目标数据集D_output，归一化的方法如下：

其中，x为选取的无缺失数据集X中的数据，x′是归一化后的数据集X的数据；

2.3)使用随机置零法，对数据集进行随机缺失操作，缺失比例根据碳纤维原丝监测数据的缺失情况按需设置，由此得到损坏数据集D_corruption；

2.4)对损坏数据集D_corruption进行归一化，得到输入数据集D_input。

4.根据权利要求3所述的碳纤维原丝监测数据预处理方法，其特征在于，所述步骤2.3)中对使用随机置零法，对数据集进行随机缺失操作前，还包括对数据集添加高斯噪声的操作：

对X添加加性高斯白噪声；

X′_i＝X_i+μ*Z_i～N(0，1)

其中，μ为噪声因子，用于控制添加噪声的幅度。

5.根据权利要求1所述的碳纤维原丝监测数据预处理方法，其特征在于，所述步骤3)中，对模型进行训练时采用的损失函数选择为重构样本D_train和目标样本D_output的均方误差；

其中，x为目标样本，为重构样本。

6.根据权利要求1所述的碳纤维原丝监测数据预处理方法，其特征在于，所述步骤4)中，待处理的原丝监测数据进行预处理，具体如下：

4.1)将数据进行以天为单位整理成数据集，并将该数据集重新排列，缺失值以零值代替；

4.2)对上述数据集进行归一化；

4.3)加载步骤3)中的卷积去噪自编码器模型，并将归一化处理后的数据作为输入，利用模型得出重构数据；

4.4)对重构数据进行反归一化，得到预处理后的原丝监测数据。

7.根据权利要求1所述的碳纤维原丝监测数据预处理方法，其特征在于，所述步骤3)中，卷积去噪自编码器的具体结构如下：

3.1)第1层为全连接层，神经元个数为256，激活函数为relu函数，然后将第一层输出的特征向量利用Reshape函数构造成特征图，尺寸为16*16*1；

ReLu(x)＝max(0，x)

h₁＝ReLu(w¹h₀+b¹)

其中，h₀为输入层，w¹为全连接层神经元权重，b¹为偏置。

3.2)第2、4层为2D卷积层，卷积层的深度分别为16、8，卷积核的大小为3*3，激活函数均为relu函数，填充方式为SAME填充，填充的目的是为了保持特征图的大小不变；

h_2，a＝ReLu(h₁*w^2，a+b^2，a)

其中，h_2，a，w^2，a为卷积层的第a个卷积面和卷积核；

3.3)第3、5层为最大池化层，池大小为2*2，填充为SAME填充；

h_3，a＝down(h_2，a)

其中，h_3，a为对应卷积面的下采样结果；

3.4)第6、8层为上采样层，尺寸为2*2；

3.5)第7、9层为反卷积层，反卷积层中卷积核的个数分别为16、1，卷积核的大小为3*3，激活函数均为relu函数，填充为SAME填充；

3.6)第10层为输出层，输出层为全连接层，其神经元个数为195，激活函数为relu函数，在进入全连接层之前，需要对第9层输出的特征图展开，重新构造成一个特征向量。