[发明专利]一种基于机器学习的阳极铝箔性能预测系统

权利要求书

1.一种基于机器学习的阳极铝箔性能预测系统，其特征在于：其建立包括以下步骤：

(1)收集阳极铝箔生产线上实时的工艺参数及其对应的产品性能指标的实测数据，筛选整理成在线制造数据样本库Database；

所述在线制造数据样本库Database中的工艺参数包括腐蚀工艺参数和化成工艺参数；所述腐蚀工艺参数包括发孔腐蚀和扩孔腐蚀阶段的溶液成分、浓度、温度、电压、电流密度和处理时间；所述化成工艺参数，包括水煮处理阶段的温度及时间，一级化成、二级化成、三级化成、四级化成的溶液成分及浓度、温度、电压、电流密度、处理时间，后处理阶段的温度及时间；

所述在线制造数据样本库Database中的产品性能指标包括电学性能和力学性能；所述电学性能包括比电容、耐压值、漏电流、升压时间、耐水性能；所述力学性能包括折弯强度、抗拉强度；

(2)对在线制造数据样本库Database中的数据进行主成分分析，得到由m个主成分为输入量，k个产品性能指标为输出量的数据集Data-set，随机将数据集Data-set分成训练数据集Data-train-p和测试数据集Data-test，其中80％的数据分给训练数据集Data-train-p，剩下的数据分给测试数据集Data-test；

(3)将神经网络、支持向量回归机、朴素贝叶斯和随机森林四种机器学习算法模型组成初级学习器；然后对训练数据集Data-train-p采用4折交叉验证方法，将每个机器学习算法模型所输入的训练数据集Data-train-p进行再次分割，其中3/4的数据作为该机器学习算法模型本身的训练部分Data-train-p-I进行模型的训练学习，另外1/4的数据作为该机器学习算法模型本身的测试部分Data-train-p-II进行模型的测试；

(4)将每个机器学习模型的测试部分Data-train-p-II进行合并，得到新的训练数据集Data-train-s，用于进行次级学习器的训练；

(5)次级学习器训练完成后，将测试数据集Data-test中输入到stacking模型中，得到该模型预测的阳极铝箔性能参数；比较预测值与实测值之间的差异，若满足预设的预测精度要求，则机器学习模型构建结束，得到基于机器学习的阳极铝箔性能预测系统；反之，则重新构建初级学习器和次级学习器。

2.根据权利要求1所述基于机器学习的阳极铝箔性能预测系统，其特征在于：步骤(2)中所述对在线制造数据样本库Database中的数据进行主成分分析的步骤如下：

Step1、对原始数据集进行预处理，对于定性类型的数据进行哑编码处理；对于定量类型的数据进行标准化处理，计算公式为：

式中，为数据集每一行数据的平均值、方差；

Step2、计算数据集的协方差矩阵W，W中第i行第j列元素c_ij的计算公式为：

c_ij＝Cov(X_i，X_j)＝E{[X_i-E(X_i)][X_j-E(X_j)]}

式中，i，j＝1，2，…，p，X_i为标准化处理后元素组成的矩阵；

Step3、计算协方差矩阵W的n个特征值λ₁，λ₂，…，λ_p和特征向量A；

Step4、将计算出来的n个特征值λ₁，λ₂，…，λ_p按照从大到小排序，计算每个特征值的方差贡献率的计算公式为：

Step5、计算前m个特征值的累积方差贡献率，直至累积方差贡献率超过预设的阈值为止，则选取对应的前m个最大的特征值作为主成分。