[发明专利]基于局部峰值编码循环网络的气流式烘丝机智能控制方法

权利要求书

1.基于局部峰值编码循环网络的气流式烘丝机智能控制方法，其特征在于，包括以下步骤：

步骤1、气流式烘丝机监测数据采集，采集气流式烘丝机的历史监测数据和实时监测数据，采集的数据包括烘丝机控制和烘丝工艺参数、出口水分；烘丝机控制和烘丝工艺参数包括来料流量、蒸汽流量、空气温度、天然气流量、空气压力和含氧量；

步骤2、数据分析和处理，对监测数据进行标准化、序列化处理；具体实现方法为：

步骤21、对监测数据做标准化处理，按照不同批次的不同参数分别做标准化；具体方法为：按均值中心化后再按标准差缩放，使数据服从均值为0、方差为1的标准正态分布，公式如下，

其中，x^*为标准化后的监测数据，x为监测数据，μ为均值，σ为标准差；

然后以一个批次的一个参数监测数据为标准化的基本数据单位，将其余批次的每个参数监测数据转换为标准正态分布；

步骤22、对标准化后的监测数据做序列化处理：通过长度为m的时间窗，步长取n，对监测数据做序列化分割，将第m个时刻的出口水分作为这个序列的标签，经过序列化处理形成预训练数据集、再训练数据集和预测序列；历史监测数据序列化处理为预训练数据集；当前批次中当下时刻及以前的实时监测数据序列化为再训练数据集；当前批次中需要预测出口水分的时刻的数据序列化为预测序列；

步骤3、构建局部峰值编码循环网络，根据检测数据的特点和气流式烘丝机的运行原理，构建出局部峰值编码循环网络模型，作为出口水分预测模型；具体实现方法为：

步骤31、局部峰值编码，上一层的隐层状态为h_t-1，t时刻输入为x_t，计算t时刻的峰值编码为：

其中，W_f为可训练的参数；σ(·)为Sigmoid激活函数，使得f_t的值域为(0.5,1.5)，从而控制出口水分的波动情况，f_t大于1则表示出口水分具有向上的峰值趋势，f_t小于1则表示出口水分具有向下的峰值趋势；

步骤32、创建更新门和重置门，根据h_t-1和x_t计算出更新系数z_t和重置系数r_t：

z_t＝σ(W_z·[h_t-1,x_t])

r_t＝σ(W_r·[h_t-1,x_t])

其中，W_z和W_r为可训练的参数；σ(·)为Sigmoid激活函数，使得z_t和r_t的值域为(0,1)，z_t用于控制前一时刻的状态信息被带入到当前状态中的程度，z_t越大说明前一时刻的状态信息带入越多；r_t用于控制前一时刻状态有多少信息被写入到当前的候选集上，r_t越大前一状态信息写入的越多；

步骤33、计算当前时刻的候选集和隐层状态，根据局部峰值编码和更新门重置门计算出t时刻的候选集和隐层状态h_t：

其中，为可训练的参数，激活函数*表示矩阵的乘积；

步骤34、计算网络的输出，得到最终隐层状态h_t，由此计算出网络的输出y_t：

y_t＝W_o·h_t+b_o

其中，W_o和b_o为可训练的参数；

步骤4、预训练出口水分预测模型，实例化局部峰值编码循环网络，利用历史监测数据对其进行预训练，初步获得烘丝机控制和烘丝工艺参数与出口水分端到端的对应关系；

步骤5、模型再训练及出口水分实时预测，将实时监测数据输入局部峰值编码循环网络，首先对局部峰值编码循环网络做再训练，然后利用训练好的局部峰值编码循环网络预测未来一段时间内的出口水分；

步骤6、获取参数调整方案，构建出口水分预测值和标准值的偏差与每个参数的线性回归模型，构建优化函数对每个线性回归模型的参数进行优化求解，从而获得基于预测值和标准值偏差的烘丝机控制和烘丝工艺参数调整方案。