【技术实现步骤摘要】
本专利技术涉及一种数据预测方法及系统，尤其涉及一种离散制造车间的多维数据预测方法及系统。
技术介绍
1、目前，大多数制造企业已完成从手工管理模式向信息化管理模式的探索，实现了制造过程中海量加工、质量、设备、人员等相关数据的积累。面对不断生成的高维度制造数据，如何从中挖掘有价值的信息，为制造业日常生产提供正确指导，以减少制造过程中的质量、能耗和运行成本，提高生产效率，成为当前亟待解决的问题。
2、尤其是离散制造业，其业务场景复杂多样，生产流程与方式多变，生产过程产生的数据体量大，维度高。目前大部分的挖掘有用信息的方式是，直接利用深度学习方法，建立神经网络模型，进行生产要素预测，但高维的数据会导致网络节点冗余，使得计算成本加大。
技术实现思路
1、专利技术目的：本专利技术的第一目的是提供一种能够降低计算成本且能够高效挖掘有价值信息的离散制造车间的多维数据预测方法。
2、本专利技术的第二目的是提供一种离散制造车间的多维数据预测系统。
3、技术方案：本专利技术公开的一种离散制造车间的多维数据预测方法，包括以下步骤，
4、s1：采集离散制造的原始数据并对其进行清洗，获得原始数据集；其中原始数据包括离散制造过程中的产品质量指标数据、设备能耗指标数据、运行成本数据；
5、s2：采用dbscan算法对原始数据集进行聚类，获得多个数据簇，并给数据簇建立相应的标签；
6、s3：建立定性认知，采用apriori算法搜寻各个标签之间的
7、s4：删除所有数据知识中的冗余数据，再提取各条数据知识之间的关联关系并构建形成知识网络，完成定性认知；
8、s5：遍历步骤s4中知识网络包含的每一条数据知识，获得数据知识包含的标签对应的步骤s1中清洗后的原始数据，并将该部分原始数据作为性能指标样本；
9、s6：采用dmtlbo-bp网络模型，构建原始的bp网络结构，依据性能指标样本初始化bp网络结构的权重，得到初始模型；
10、s7：训练初始模型，并更新初始模型的权重，获得最终的预测模型；
11、s8：获取待处理的离散制造的原始数据对应的性能指标样本，将其输入预测模型，预测模型输出预测结果。
12、进一步的，骤s6中所述bp网络结构包括一个输入层、两个隐含层和一个输出层，其中输入层的神经元的个数是nm，且nm与步骤s3所得到的数据知识的总条数相等，隐含层1的神经元的个数为ni，隐含层2的神经元的个数为nk，输出层的神经元的个数为nj，且nj与步骤s3中apriori算法关联所得出的结论数量相同。
13、进一步的，步骤s6中依据性能指标样本初始化bp网络结构的权重的步骤如下：
14、s6-1：采用实数编码对性能指标样本进行编码，获得编码数组；编码公式如下：
15、；其中l为编码长度；
16、s6-2：将编码数组定义为班级群体，确定班级群体规模为l、迭代次数为a；
17、s6-3：将班级群体随机分为b个小组，并选出每个小组中适应度最优的个体作为教师，将适应度定义为成绩；
18、s6-4：利用教师与班级群体中的学生的成绩差异，使教师向学生传授知识；
19、s6-5：计算b个小组的平均成绩，将各小组中前二分之一的学生定义为优生，其余学生定义为差生；
20、s6-6：执行优生自学策略和差生互学策略；
21、s6-7：各个小组内部进行协同交流优化，依据成绩选择小组排名前k个最优个体替代该小组排名最后k个最差个体，连续迭代进行h次，直至各个小组内的当前成绩与前一次迭代的成绩的差值小于预设值，k的计算公式为：
22、；
23、其中gen表示当前迭代次数，c为常数；
24、s6-8：重复s6-4到s6-7，直至迭代a次；
25、s6-9：寻找班级群体中成绩最好的个体，该个体的编码为bp网络结构的初始权重。
26、进一步的，步骤s6-3中的适应度计算公式为：
27、，其中ni为输出层的神经元的个数，dq为输出层的第k个神经元的期望输出，yq为输出层的第k个神经元的实际输出。
28、进一步的，步骤s6-4中的传授知识的计算公式为：其中ri=rand（0,1）表示学习步长，tf=[1+rand（0,1）]表示教学因子，mtaecher表示教师成绩，mmean表示当代成绩；
29、学生根据d m式向教师靠拢，其中表示第i代学生j在教学后的成绩，xi，j表示第i代学生j在教学前的成绩。
30、进一步的，步骤s6-6中的优生互学策略是指：优生通过对自身进行n次深入挖掘探索，探索次数n的计算公式如下：
31、；其中fi表示该小组第i个个体的成绩；fmax表示该小组内最优的成绩，fmin表示该小组内最差的成绩；ul为探索次数的上限，ul可根据实际情况进行设定；ll为探索次数的下限，ll可根据实际情况进行设定；
32、差生互学策略是指：差生通过组间互相学习的方式向其他更优个体学习，个体xp随机选取比其优秀xq进行学习，学习的公式如下：
33、；其中表示个体xp在教学后的成绩，表示个体xp在教学前的成绩，当优于时接受新个体，否则维持旧个体。
34、进一步的，步骤s7中训练初始模型，并更新初始模型的权重，获得最终的预测模型，包括以下步骤：
35、s7-1：计算bp网络结构的隐含层1的输入值；
36、s7-2：依据隐含层1的输入值计算隐含层1的输出值；
37、s7-3：依据隐含层1的输出值计算隐含层2的输入值；
38、s7-4：依据隐含层2的输入值计算隐含层2的输出值；
39、s7-5：依据隐含层2的输出值计算输出层的输入值；
40、s7-6：依据输出层的输入值计算输出层的输出值；
41、s7-7：依据输出层的输出值计算bp网络结构的反向传播误差；
42、s7-8：依据反向传播误差更新bp网络结构的权重值；
43、s7-9：设定bp网络结构的权重值迭代次数，若没有达到迭代则重复步骤s7-1至s7-8，达到迭代次数后则输出当前权重值的初始模型，该初始模型为最终的预测模型。
44、进一步的，步骤s7-1中的计算公式为：；其中代表性能指标样本构成的数据矩阵，为输入层到隐含层1的权重矩阵；
45、步骤s7-2中的计算公式为：
46、；其中，代表激活函数，；
47、步骤s7-3中的计算公式为：
48、；其中代表的权值矩阵；
49、步骤s7-4中的计算公式为：
50、；步骤s7-5中的计算公式为：
51、；其中代表的权值矩阵；
52、步骤s7-6中的计算公式本文档来自技高网...
【技术保护点】
1.一种离散制造车间的多维数据预测方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的离散制造车间的多维数据预测方法，其特征在于：步骤S6中所述BP网络结构包括一个输入层、两个隐含层和一个输出层，其中输入层的神经元的个数是Nm，且Nm与步骤S3所得到的数据知识的总条数相等，隐含层1的神经元的个数为Ni，隐含层2的神经元的个数为Nk，输出层的神经元的个数为Nj，且Nj与步骤S3中Apriori算法关联所得出的结论数量相同。
3.根据权利要求2所述的离散制造车间的多维数据预测方法，其特征在于：步骤S6中依据性能指标样本初始化BP网络结构的权重的步骤如下：
4.根据权利要求3所述的离散制造车间的多维数据预测方法，其特征在于：步骤S6-3中的适应度计算公式为：
5.根据权利要求3所述的离散制造车间的多维数据预测方法，其特征在于：步骤S6-4中的传授知识的计算公式为：其中ri=rand（0,1）表示学习步长，TF=[1+rand（0,1）]表示教学因子，Mtaecher表示教师成绩，Mmean表示当代成绩；
6.根据权利要求
7.根据权利要求5所述的离散制造车间的多维数据预测方法，其特征在于：步骤S7中训练初始模型，并更新初始模型的权重，获得最终的预测模型，包括以下步骤：
8.根据权利要求7所述的离散制造车间的多维数据预测方法，其特征在于：步骤S7-1中的计算公式为：；其中代表性能指标样本构成的数据矩阵，为输入层到隐含层1的权重矩阵；
9.一种离散制造车间的多维数据预测系统，其特征在于：包括：
10.根据权利要求9所述的离散制造车间的多维数据预测系统，其特征在于：所述数据处理模块包括：
...【技术特征摘要】
1.一种离散制造车间的多维数据预测方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的离散制造车间的多维数据预测方法，其特征在于：步骤s6中所述bp网络结构包括一个输入层、两个隐含层和一个输出层，其中输入层的神经元的个数是nm，且nm与步骤s3所得到的数据知识的总条数相等，隐含层1的神经元的个数为ni，隐含层2的神经元的个数为nk，输出层的神经元的个数为nj，且nj与步骤s3中apriori算法关联所得出的结论数量相同。
3.根据权利要求2所述的离散制造车间的多维数据预测方法，其特征在于：步骤s6中依据性能指标样本初始化bp网络结构的权重的步骤如下：
4.根据权利要求3所述的离散制造车间的多维数据预测方法，其特征在于：步骤s6-3中的适应度计算公式为：
5.根据权利要求3所述的离散制造车间的多维数据预测方法，其特征在于：步骤s6-4中的传授知识的计算公式为：其中ri...
【专利技术属性】
技术研发人员：杨海根，丁浩，戴尔晗，葛艳，刘佶鑫，曾凡玉，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。