[发明专利]一种基于CNN-GRU组合网络模型的烘丝加工强度预测方法

说明书

本发明公开了一种基于CNN‑GRU组合网络模型的烘丝加工强度预测方法，包括如下步骤：(1)采集生产车间中烘丝数据，获得与烘丝加工强度相关的变量并初始化。(2)数据预处理，首先通过料位检测技术对采集的烘丝数据进行料头料尾，停机断料的判断，然后利用滑动窗口法对缺失数据进行填补，紧接着异常数据通过法进行删除，最后通过自编码网络对数据进行降噪。(3)特征筛选，利用斯皮尔曼算法进行相关性计算分析，确定初始变量中与烘丝加工强度相关的特征的重要程度。(4)搭建CNN‑GRU组合网络模型，调整超参数。(5)根据划分好的数据集进行组合网络模型训练与预测，验证此组合网络模型的有效性。

技术领域

本发明属于智能制造领域，尤其涉及一种基于CNN-GRU组合网络模型的烘丝加工强度预测方法。

背景技术

烘丝工序中，加工强度是衡量产品质量和品质的一个重要的指标，烘丝加工强度对于提高生产品质有着重要的作用。在生产过程中影响烘丝质量的因素有很多，并且在控制过程中存在比较强的不确定性、耦合性，因此，烘丝加工强度的准确预测则成了产品质量控制的关键。在生产实践中，有大量的实验和论文都对烘丝加工强度进行了表征，而对烘丝加工强度的预测则比较少。本发明提出的CNN-GRU组合预测模型为烘丝加工强度的预测提供了一种新方法。

发明内容

本发明的目的是提供一种基于CNN-GRU组合网络模型的烘丝加工强度预测方法。本发明提供的预测方法可以对烘丝加工强度进行准确预测，提高烘丝生产车间的质量指标精准调控水平。

本发明所采用的技术方案如下：

一种基于CNN-GRU组合网络模型的烘丝加工强度预测方法，包括以下步骤：

(1)采集生产车间中的烘丝数据，获得与烘丝加工强度相关的变量并初始化；

(2)数据预处理，首先通过料位检测技术对采集的烘丝数据进行料头料尾，停机断料的判断并清除料头料尾数据，然后利用滑动窗口法对缺失数据进行填补，然后对异常数据通过法进行删除，最后通过自编码网络对数据进行降噪；

(3)对预处理后的数据进行归一化处理；

(4)特征筛选，利用斯皮尔曼算法进行相关性计算分析，确定初始变量中与烘丝加工强度相关的特征的重要程度；

(5)搭建CNN-GRU组合网络模型，调整超参数；

(6)根据划分好的数据集进行组合网络模型训练与预测，验证所述CNN-GRU组合网络模型的有效性。

优选地，步骤(2)数据预处理具体包括以下步骤：

(2.1)通过超声波固态料位检测技术对采集的烘丝数据进行料头料尾和停机断料的判断并清除料头料尾数据；

(2.2)利用滑动平均窗口法对缺失值进行填补；对于一个列表a中的第i个位置为缺失数据，窗口值为m，则取此缺失数据前后m个数据的平均值作为插补数据；

(2.3)利用法删除异常数据，法公式如下所示：其中，x表示清除异常值后的数据，表示平均值，表示方差；

(2.4)通过自编码网络对烘丝数据进行合理降噪，自编码网络公式如下：y＝sigmoid(wx+b)，z＝sigmoid(w′y+b′)；式中，sigmoid是激活函数，w、w'是连接权重，x是输入的特征数据，b为隐含层的偏置，y是编码后的输出，b'是输出层的偏置，z是解码后的输出。

优选地，步骤(3)通过式对数据进行归一化处理；式中，为归一化后的值；a_i为实际序列数据，a_min，a_max分别为实际序列数据中的最小值和最大值。