(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211261868.8 (22)申请日 2022.10.14 (71)申请人 云南中烟工业有限责任公司 地址 650231 云南省昆明市五华区红锦路 367号 (72)发明人 易斌　李雯琦　唐军　林文强　 高晓华　周冰　何邦华　谭国治　 高宇雷　方俊俊　聂蓉　周晓龙　 张立斌　刘丹楹　杨耀晶　许晓黎　 (74)专利代理 机构 北京市领专知识产权代理有 限公司 1 1590 专利代理师 陈有业　任永利 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/04(2012.01) (54)发明名称 一种制丝车间工艺质量在线预测方法 (57)摘要 本发明公开了一种制丝车间工艺质量在线 预测方法， 包括以下步骤： (1)： 从MES数据库中获 取工艺参数和质量指标； (2)： 对获取的制丝工艺 参数历史数据的规则化表征和数据融合， 并进行 预处理； (3)： 基于序列到序列的学习结构， 采用 混合神经网络以预测下一时刻 的松散回潮质量 指标为目标建立车间离线质量预测模型， 即 CTCN_A_B网络模型； (4)： 通过与制丝车间在线监 测设备传感器 建立通信， 获取在 线制丝车间工艺 数据， 选取与离线数据相同的松散回潮工艺数据 并进行处理； (5)： 采用双线程法， 利用迁移学习 冻结离线预测模型中特征提取模块的网络结构 和参数， 并迁移至在线工艺质量预测模型中， 实 现动态调整预测模型， 满足生产实际变动预测需 求。 权利要求书2页 说明书8页 附图4页 CN 115545321 A 2022.12.30 CN 115545321 A 1.一种制丝车间工艺质量在线预测方法， 其特 征在于， 包括以下步骤： 步骤(1)： 从MES数据库中获取不同的生产厂区和生产线下的制丝工艺参数历史数据， 包括不同工序的工艺 参数和质量指标； 步骤(2)： 对获取的制丝 工艺参数历史数据的规则化表征和数据融合， 并进行 预处理； 步骤(3)： 选取由步骤(2)预处理后的制丝工艺历史数据中的松散回潮工序数据， 基于 序列到序列的学习结构， 采用混合神经网络以预测下一时刻的松散回潮质量指标为目标建 立车间离线质量预测模型， 即CTCN_A_B网络模型； 步骤(4)： 通过与制丝车间在线监测设备传感器建立通信， 获取在线制丝车间工艺数 据， 选取与离线数据相同的松散回潮工艺数据并进行处 理； 步骤(5)： 采用双线程法， 利用迁移学习冻结离线预测模型中特征提取模块的网络结构 和参数， 并迁移至在线工艺质量预测模 型中， 实现动态调整 预测模型， 满足生产实际变动预 测需求。 2.根据权利要求1所述制丝车间工艺质量在线预测方法， 其特征在于， 步骤(2)具体包 括如下步骤： 步骤(2.1)： 通过分析各厂区的工艺方案、 工艺组合和数据采集方法、 以及数据命名的 相通性， 制 定制丝工艺过程配置内容， 实现不同厂区不同工艺数据的规则化表征和数据融 合； 步骤(2.2)： 对各种异常数据， 通过数据清理、 数据类型转换、 数据批次牌号采集、 异常 值处理和数据归一 化的多道工序实现数据预处 理。 3.根据权利要求1所述制丝车间工艺质量在线预测方法， 其特征在于， 步骤(3)具体包 括如下步骤： 步骤(3.1)： 从完整制丝工艺数据中选取松散回潮工序数据， 并分析对质量指标具有重 要影响作用的工艺参数， 选取这些工艺参数数据作为离线预测模型 的输入数据， 训练预测 模型； 步骤(3.2)： 通过与传统回归方法、 浅层机器学习方法和神 经网络(DNN、 LSTM、 GRU等网 络)比较拟合 值、 标准误差和评价 绝对百分比误差来验证所构建模型的有效性。 4.根据权利要求3所述制丝车间工艺质量在线预测方法， 其特征在于， 步骤(3.1)具体 步骤为： 步骤(3.1.1)： 选取的关键工艺参数为： 工艺流量、 工艺热风温度、 物料累计量、 加水流 量、 加水累计量和蒸汽自动阀门开度， 质量指标为： 出料温度和出料含水率； 对这些数据按 照一定比例划分训练集和测试集， 用训练集对所构建的离线预测模型进行训练， 利用测试 集对离线预测模型进行测试； 步骤(3.1.2)： 串联CNN_TCN的编码器组件， 利用训练集数据对预处理过的离线预测模 型进行训练； 利用BiLSTM网络挖掘松散回潮质量指标数据中的双向时序特征， 将松散回潮 工艺参数的时序关联特征和质量指标数据的时序特征进行联结， 再将联结向量作为多头注 意力网络的输入， 利用其进行对特 征重新分配权 重， 实现多源特 征信息的融合； 步骤(3.1.2)： 构 建基于序列到序列学习结构下的制丝车间工艺质量离线预测模型； 该 模型包括两个部分， 分别为串联CNN_TCN的编码器组件和融合多头注意力机制的BiLSTM解 码器组件； 在编码组件中首先利用卷积神经网络(CNN)来 自动学习工艺参数数据中深度潜权　利　要　求　书 1/2 页 2 CN 115545321 A 2在特征， 有效摆脱依赖专家经验获取得到的关联信息； 随后串联时间卷积神经网络(TCN)， 在保持工艺参数 因果卷积特性下， 可以有效分析车间工艺时序信息， 并且TCN网络中应用因 果卷积来提升长时间跨度记忆单元处理效率， 实现工艺参数长距离时序特征提取； 同时在 解码组件中利用BiLSTM网络用以提取质量指标数据中的历史时序特征， 然后利用多头注 意 力网络融合上述所提取的全部特征， 并对特征进 行权重重新分配， 实现多源特征信息融合； 最后通过全连接层输出质量指标 预测值。 5.根据权利要求1所述制丝车间工艺质量在线预测方法， 其特征在于， 步骤(5)具体包 括如下步骤： 步骤(5.1)： 为应对实际生产中出现的各种突发情况， 利用双线程法建立两个模型平 台， 训练平台和预测平台； 训练平台用于不间断训练模型来达到实时更新模型的目的， 预测 平台用于未来时刻的制丝车间质量预测； 步骤(5.2)： 在训练平台利用构建的CTCN_A_B网络对离线历史数据进行模型离线数据 训练， 并设定模型 预测精度阈值， 保存达 到该阈值的模型 结构和参数； 步骤(5.3)： 在训练平台利用制丝车间生产在相同生产工艺流程下所获取的离线数据 和在线数据， 其内部所蕴含的生产信息相似， 使得特征信息挖掘手段可以互通； 在预测平台 中冻结预训练模型中特征提取网络迁移至在线预测模型中， 随机初始化模 型的全连接层以 适应实际生产变化需求， 重新组建制丝在线预测模型。权　利　要　求　书 2/2 页 3 CN 115545321 A 3