[发明专利]一种面向工业大数据的产品质量多源深度融合预报方法

说明书

本发明提供一种面向工业大数据的产品质量多源深度融合预报方法，涉及工业大数据处理与复杂工业智能建模技术领域。该方法首先收集实际工业现场中的生产数据，并进行数据清洗与数据预处理，统一样本的数据维度；将生产过程数据按照工业生产的实际工艺流程与数据特征分为不同的数据块，同时求取每个数据块与最终质量数据的相关系数；针对不同的数据块，分别设计特定的深度学习网络提取隐含在数据内部的特征信息；利用之前求取的相关系数，为各个数据块提取到的特征信息进行加权融合，并利用一个单层神经网络对产品质量进行预报。该方法通过一种特征融合的思想，将复杂工业过程中的多源异构数据进行深度融合，实现对产品质量的精确预报。

技术领域

本发明涉及工业大数据处理与复杂工业智能建模技术领域，尤其涉及一种面向工业大数据的产品质量多源深度融合预报方法。

背景技术

近些年来，随着人工智能在理论与技术方面发展的越来越成熟，大数据的应用也越来越广泛，并且在医学，电子信息，图像识别等领域取得了相对较成熟的结果。作为一种分析大数据的有效手段，深度学习在近些年来受到越来越多人的关注，同时在各个领域中取得了突破性的成就。利用深度学习方法处理大数据的好处是，它能够利用有监督或者半监督的学习方法提取大数据中的有效特征，不需要人为手动提取特征。

尽管目前的深度学习方法能够有效的处理大数据中的高维数据，通过智能算法自动挖掘高维数据中的特征，然而目前的深度学习方法需要大量的统一维度的训练样本，这在实际应用中会产生许多困扰。

深度学习算法能够从大量的训练样本中发掘规律，但这要求所有样本的输入数据维度相同，然而现实中的数据往往难以保证具有统一的输入维度，尤其对于工业数据来说。复杂工业数据大多来源于多个传感器，数据存储格式因数据的来源不同而不同，因此样本的输入数据往往呈现出多源异构性，这对利用复杂工业大数据进行建模提出了挑战。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种面向工业大数据的产品质量多源深度融合预报方法，通过充分挖掘隐含在复杂工业大数据中的规律，对最终的产品质量进行预报。

为解决上述技术问题，本发明所采取的技术方案是：一种面向工业大数据的产品质量多源深度融合预报方法，包括以下步骤：

步骤1、采集实际工业现场中的多源异构生产数据作为样本数据，并存储到数据库；利用样本划分算法，将采集到的数据样本划分为训练集、验证集、测试集；

步骤2、将采集到的样本数据利用数据清洗算法去除数据中的异常样本，同时利用数据补齐算法对输入数据进行数据预处理，使所有样本数据的维度统一；

步骤3、将步骤2处理过的多源异构数据根据工业生产的实际工艺流程与数据特征划分为不同的一维数据块、二维数据块和三维数据块，对不同的数据块分别求取均值，方差，最大值，最小值，用以表征该整体数据块的信息，将上述所有的统计量组合成一维统计指标向量，表示如下：

其中，分别表示第i个样本数据所在的第n个数据块的均值、方差、最大值和最小值；

计算所有样本数据的统计指标S＝{s₁，s₂，…，s_i}与最终的产品质量标签Y＝{y₁，y₂，…，y_i}之间的最大互信息系数(Maximal Information Coefficient，即MIC)，得到连续变量S与Y之间的相关系数，表示如下：

其中，分别为第n个数据块的均值、方差、最大值、最小值与最终的产品质量标签的最大互信息系数；