[发明专利]一种基于样本扩充的电瓷质量预测方法及系统

说明书

本发明属于质量预测技术领域，提供了一种基于样本扩充的电瓷质量预测方法及系统，本发明中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，通过样本扩充，解决了不充足数据样本影响预测结果的问题；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，避免了采用循环神经网络时易出现梯度消失和爆炸的问题，保证了合格率的预测精度；本发明通过先使用ACGAN模型扩充数据集，再使用一种基于注意力机制和双向长短记忆模型的方法，得到了一种预测电瓷质量的合格率的完整方法。

技术领域

本发明属于质量预测技术领域，尤其涉及一种基于样本扩充的电瓷质量预测方法及系统。

背景技术

特高压瓷绝缘子，简称电瓷，是电力系统中多个领域内必需的绝缘设备，随着智能电网的发展，对电瓷的质量要求也不断提升。如图1所示，电瓷生产工艺流程主要有新浆制备、旧浆制备、混浆制备、压滤、粗炼、陈腐、精炼、成型、烘干、施釉、烧成、胶装养护、拉伸和电检等工艺步骤。可以看出电瓷的生产是极其复杂的，需分步经过多层工艺的制作，这使得电瓷制造过程中的实时和历史数据呈现出数据类型繁多、多特征和多噪声的特性。这些特性给电瓷质量预测带来巨大的挑战。

发明人发现，目前在对电瓷质量预测的方面，确切地说还没有一个完整的方法预测电瓷质量的合格率，而且电瓷在多阶段的生产过程中产生的数据类型繁多、多特征和多噪声等特点，增加了对电瓷质量预测的难度。同时，收集到少量的电瓷生产数据，不充足的数据样本使得预测结果并没有达到理想的状态。

发明内容

本发明为了解决上述问题，提出了一种基于样本扩充的电瓷质量预测方法及系统，本发明由两部分组成，先使用ACGAN(Auxiliary Classifier GAN)模型扩充数据集，再使用一种基于注意力机制(Attention mechanism)和双向长短记忆模型(BidirectionalLong Short-Term Memory，BiLSTM)的方法来预测电瓷产品合格率。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本发明提供了一种基于样本扩充的电瓷质量预测方法，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。

进一步的，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。

进一步的，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。

进一步的，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)]