[发明专利]一种基于神经网络集成学习的阳极铝箔性能预测系统

说明书

本发明公开了一种基于神经网络集成学习的阳极铝箔性能预测系统，通过收集阳极铝箔生产线上的工艺参数及其所对应的产品性能指标的实测数据，并存储至制造数据样本库中；接着从制造数据样本库中提取任意一个需要进行预测的产品性能指标及其所对应的所有数据样本组成临时样本集，并将临时样本集分成训练样本集和测试样本集；然后分别采用三种不同类型的神经网络，使用训练样本集内的数据样本进行模型的训练，再使用测试样本集进行测试，然后筛选得到该产品性能指标对应的神经网络预测模型；重复操作得到所有产品性能指标对应的神经网络预测模型用于构建得到阳极铝箔性能预测系统，解决阳极铝箔性能预测准确率较低，泛化能力较弱的问题。

技术领域

本发明属于阳极铝箔生产工艺技术领域，具体涉及一种基于神经网络集成学习的阳极铝箔性能预测系统。

背景技术

阳极铝箔是制造铝电解电容器的关键原材料，是由具有特定织构的高纯铝箔经过腐蚀扩面和阳极化成制备而成，主要包括腐蚀扩面和阳极化成两大工序，其制造过程综合了多学科、多领域的众多高新技术。生产过程中涉及多达几十个工艺参数，产品性能指标也接近十种，在阳极铝箔的全流程制造过程中，工艺参数数量多达几十个，且对最终产品性能指标影响很大；工艺参数之间的非线性影响因素较多，各性能参数之间相互关联，通过实验室正交测试及生产线调试得到最优工艺参数的难度较大。如何找到并利用生产工艺参数与性能指标之间的内在复杂关系，实现工艺参数优化设计与产品性能指标的准确预测，是阳极铝箔制造行业急需解决的关键问题。

机器学习作为人工智能领域中的一项先进技术，可实现多维非线性系统及模型未知系统的预测和优化。人工神经网络是机器学习中的一种典型结构，具有较强的鲁棒性、记忆能力以及非线性映射能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。

现有的利用工艺参数预测材料性能的神经网络模型，多是构建单一结构模型进行性能预测，准确率较低，泛化能力较弱，对于阳极铝箔性能预测时涉及到大量相互影响的工艺参数和性能指标的情形，适用性较差，预测精度较低。

发明内容

针对上述不足，本发明公开了一种基于神经网络集成学习的阳极铝箔性能预测系统，解决阳极铝箔性能预测准确率较低，泛化能力较弱的问题。

本发明是采用如下技术方案实现的：

一种基于神经网络集成学习的阳极铝箔性能预测系统，其建立包括以下步骤：

(1)收集阳极铝箔生产线上的工艺参数及其所对应的产品性能指标的实测数据组成若干组数据样本，每一组数据样本中包括若干个产品性能指标的实测数据，及其相对应的全流程生产过程中的若干个工艺参数，将所有收集到的数据样本存储至制造数据样本库中；

(2)从制造数据样本库中提取任意一个需要进行预测的产品性能指标及其所对应的所有工艺参数，组成预测该产品性能指标所需的临时样本集，然后将临时样本集分成训练样本集和测试样本集，所述训练样本集或测试样本集中包括该产品性能指标所对应的所有工艺参数的数据样本，所述训练样本集中数据样本的数量与测试样本集中数据样本的数量比为7:3；

(3)平均分配训练样本集中每组数据样本的初始权重值，接着分别采用三种不同类型的神经网络作为弱预测器，使用训练样本集内的数据样本进行模型的训练，并且预测输出，根据预测结果调整训练样本集中每组数据样本的权重值，重复进行多轮模型预测及权重值调整，每一种类型的神经网络对应得到若干组弱预测器；

(4)将每一种类型的神经网络对应得到的所有弱预测器函数进行加权叠加，得到对应的强预测器；

(5)使用测试样本集中的数据样本，分别采用三种类型的神经网络对应得到的强预测器进行所对应的产品性能指标的预测，分别计算预测结果与实测结果之间的误差，从中选择误差最小的强预测器，得到该产品性能指标对应的神经网络预测模型；