[发明专利]一种基于BLSTM神经网络的工业过程产品质量预测方法

权利要求书

1.一种基于BLSTM神经网络的工业过程产品质量预测方法，其特征在于，所述方法包括建立训练部分和测试部分产品质量预测体系；

训练部分：

1）对工业过程数据进行降噪处理同时划分训练集和测试集，然后对训练数据进行归一化处理；

2）标准化后的训练数据代入最大互信息系数算法，按照公式(1)-(4)得到相关系数较大的过程变量，构成新的重组训练数据，完成与质量相关特征筛选的同时也减低数据的冗余性；

3）构建双向长短期记忆网络模型，设定模型参数及输入样本的时间窗长度，将重组的训练数据输入至网络对其网络参数进行训练；

4）每次训练后对预测结果进行RMSE，R2值评估，采用网格搜索方式获取模型最优参数，误差满足阈值时得到质量预测模型；

测试部分：

1）提取训练数据各变量的最大值与最小值对测试数据进行归一化处理；

2）处理后的测试数据同训练部分，完成质量相关特征筛选得到重组测试数据；

3）将重组测试数据代入质量预测模型进行质量变量预测，通过质量预测模型获得产品质量变量预测值，有效调整生产过程出现的异常，确保工业生产的正常运行。

2.根据权利要求1所述的一种基于BLSTM神经网络的工业过程产品质量预测方法，其特征在于，所述方法，具体步骤包括以下:

S1:基于工业现场传感器采集过程数据或者工业系统仿真平台获取的正常样本X和产品样本Y；

S2:深入了解工业过程流程，把握相关过程变量与产品质量变量之间的联系，对样本进行降噪和归一化处理；

S3:将相关过程变量与产品质量变量数据进行最大互信息特征筛选，确定模型的低维重构数据，降低数据的冗余性和减低神经网络的计算量；

S4:将重构数据按照4：1比例划分为训练数据集、测试数据集；

S5:将重构训练数据代入到双向长短期记忆网络中学习其潜在关系，通过均方根误差(RMSE)、R²系数和损失函数(loss)等指标来优化模型的参数，直到确定质量预测模型；

S6:将重构测试数据代入到质量预测模型中进行产品预测，通过质量预测模型获得产品质量变量预测值，有效调整生产过程出现的异常，确保工业生产的正常运行。