本技术公开了一种基于TA‑MMKELA‑BiGRU的出料含水率预测方法,包括对采集的流程生产线时间序列工况数据依次进行预处理、降噪处理,获得去噪后的样本集;构建时序注意力机制,将降噪后的样本集作为时序注意力机制的输入;构建多层级多内核极限学习机编码器,将时序注意力机制的输出作为多层级多内核极限学习机编码器的输入;构建双向门控循环单元模型,将多层级多内核极限学习机编码器的输出作为双向门控循环单元模型的输入;训练由所述时序注意力机制、多层级多内核极限学习机编码器、双向门控循环单元模型构建的TA‑MMKELA‑BiGRU预测模型;将训练好的TA‑MMKELA‑BiGRU预测模型输入流程生产线工艺参数特征数据进行预测,输出预测结果。本发明有提高了流程生产线质量指标的预测精度。
背景技术
随着数字化、数据分析和机器学习技术的飞速发展,智能化工业过程监控、质量预测及预测性维护解决方案的整合受到了广泛关注,传统生产系统正逐渐转变为具备智能化的系统,这一演变突显了流程工业智能化的日益重要性。
虽然基于实际工业数据构建的质量预测模型在制造业产品质量指标预测中已取得一定成效,并产生了诸多有益的成果。但在面对生产线中复杂时序数据时,如何能挖掘到数据间的深层次关联特征,进而提高质量指标的预测精度,有效提升产品质量的稳定性,仍然需要更有效的方法和和途径。因此,为流程生产多工序质量精准预测提供优质的方法和途径仍然是亟需解决的问题。
实现思路