[发明专利]一种基于样本扩充的电瓷质量预测方法及系统

权利要求书

1.一种基于样本扩充的电瓷质量预测方法，其特征在于，包括：

获取电瓷生产过程中多个工序的参数变量数据；

依据获取的参数变量数据，以及预设的电瓷质量预测模型，预测得到电瓷质量的合格率；

其中，所述电瓷质量预测模型训练时，首先利用生成对抗网络的衍生网络ACGAN对训练数据集进行样本扩充，样本的合格率标签作为条件，在衍生网络ACGAN的判别器中对样本的合格率进行预测，并使用损失函数平均绝对值误差替代原始衍生网络ACGAN中分类的损失函数；然后，考虑多个工序在时间上存在的先后关系，使用双向长短时记忆网络对多个工序进行前后两个方向的建模；最后，结合注意力机制增强模型对于不同时刻工序特征的敏感度。

2.如权利要求1所述的一种基于样本扩充的电瓷质量预测方法，其特征在于，多个工序包括生浆制备工序、净浆制备工序、粗炼过程工序、烘干工序和烧成工序。

3.如权利要求2所述的一种基于样本扩充的电瓷质量预测方法，其特征在于，对参数变量数据进行特征提取；采用全连接层得到生浆制备特征，采用全连接层得到净浆的特征，采用全连接层得到泥段粗炼过程的特征，采用双向长短时记忆网络对烘干参数在时间序列上进行建模得到烘干参数的特征，采用双向长短时记忆网络对不同时间上的温度参数进行建模得到烧成特征；五部分的特征进行融合，得到一个向量。

4.如权利要求1所述的一种基于样本扩充的电瓷质量预测方法，其特征在于，衍生网络ACGAN中，判别器的损失函数为：

L_S＝E[logP(S＝real|X_real)]+E[logP(S＝fake|X_fake)]

L_Q＝E[logP(Q＝q|X_real)]+E[logP(Q＝q|X_fake)]

生成器的损失函数为：

L_S＝E[logP(S＝fake|X_fake)]

L_Q＝E[logP(Q＝q|X_fake)]

L_S为数据真实与否的损失；L_Q为预测合格率的损失；E为期望值；对于判别器分别要判断数据源是否为真实数据的概率分布P(S|X)以及数据源对于合格率标签的概率分布P(Q|X)；X_real代表真实样本；X_fake为生成样本。

5.如权利要求4所述的一种基于样本扩充的电瓷质量预测方法，其特征在于，通过最小化生成器的损失L_S-L_Q和最大化判别器的损失L_S+L_Q，构成最大最小博弈来训练模型。

6.如权利要求1所述的一种基于样本扩充的电瓷质量预测方法，其特征在于，对训练样本进行数据进行清洗，以及进行去量纲化。

7.如权利要求1所述的一种基于样本扩充的电瓷质量预测方法，其特征在于，采用全连接层得到生浆制备特征，采用全连接层得到净浆的特征，采用全连接层得到泥段粗炼过程的特征，采用双向长短时记忆网络对烘干参数在时间序列上进行建模得到烘干参数的特征，采用双向长短时记忆网络对不同时间上的温度参数进行建模得到烧成特征；五部分的特征进行融合，得到一个向量。