CN112001478B - 一种基于机器学习双模型的橡胶下料量预测方法 - Google Patents
一种基于机器学习双模型的橡胶下料量预测方法 Download PDFInfo
- Publication number
- CN112001478B CN112001478B CN202010625029.4A CN202010625029A CN112001478B CN 112001478 B CN112001478 B CN 112001478B CN 202010625029 A CN202010625029 A CN 202010625029A CN 112001478 B CN112001478 B CN 112001478B
- Authority
- CN
- China
- Prior art keywords
- predicted value
- data
- prediction model
- blanking amount
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229920001971 elastomer Polymers 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 230000009977 dual effect Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 42
- 230000000007 visual effect Effects 0.000 claims abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000002002 slurry Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000227 grinding Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004048 modification Effects 0.000 abstract description 8
- 238000012986 modification Methods 0.000 abstract description 8
- VLKZOEOYAKHREP-UHFFFAOYSA-N n-Hexane Chemical compound CCCCCC VLKZOEOYAKHREP-UHFFFAOYSA-N 0.000 description 15
- 239000011550 stock solution Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229920005549 butyl rubber Polymers 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229920005555 halobutyl Polymers 0.000 description 1
- 238000005658 halogenation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000693 micelle Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提出了一种基于机器学习双模型的橡胶下料量预测方法,包括:采集下料口的历史视频数据以及挤压机的历史工作状态数据;基于采集到的数据分别对数据预测模型和视觉预测模型进行训练;通过训练得到的数据预测模型和视觉预测模型,分别得到下料量的第一预测值和第二预测值;对第一预测值和第二预测值进行分析,根据分析结果得到橡胶下料量的实时预测值。通过机器学习双模型对下料量进行预测,不需要对生产设备进行大规模改造。只需要在现有生产设备的基础上部署相应采集终端,就能够解决橡胶下料量的预测问题,进而实现胶粒浓度的控制,减少对生产设备大规模改造的成本。
Description
技术领域
本发明属于橡胶下料量控制领域,尤其涉及一种基于机器学习双模型的橡胶下料量预测方法。
背景技术
丁基橡胶溶液浓度在卤化丁基橡胶生产过程中属于关键工艺参数,需要配比稳定合适浓度的橡胶浆液以参与卤化反应,其中橡胶下料量对配比橡胶浆液的胶粒浓度起着决定性作用。近年来,尽管国内外提出了一些针对胶粒浓度控制的解决方法,但都是从生产设备改造的角度出发,通过硬件方法控制下料量,这些需要对现场进行大规模生产线改装,在工程中部署困难,生产设备改造成本高。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了一种基于机器学习双模型的橡胶下料量预测方法,包括:
基于生产车间的现有设备,采集下料口的历史视频数据以及挤压机的历史工作状态数据;
基于历史工作状态数据,对数据预测模型进行训练;
基于历史视频数据,对视觉预测模型进行训练;
根据挤压机的实时工作状态数据,通过训练得到的数据预测模型,得到下料量的第一预测值;
根据下料口的实时视频数据,通过训练得到的视觉预测模型,得到下料量的第二预测值;
对第一预测值和第二预测值进行分析,根据分析结果得到橡胶下料量的实时预测值。
可选的,所述基于生产车间的现有设备,采集下料口的历史视频数据以及挤压机的历史工作状态数据,包括:
通过采集终端采集下料口的历史视频数据以及挤压机的历史工作状态数据;
去掉历史视频数据和历史工作状态数据中多余的和不可用的数据,并降低数据噪声,得到清洗后的数据;
对清洗后的数据进行数据归一化处理。
可选的,所述基于历史工作状态数据,对数据预测模型进行训练,包括:
获取对应数据预测模型的第一标签数据;
根据采集到的历史工作状态数据对数据预测模型进行训练;
根据第一标签数据对得到的数据预测模型进行验证。
进一步的,所述获取对应数据预测模型的第一标签数据,包括:
获取最终得到的橡胶浆液中的胶粒浓度数据;
通过获取到的胶粒浓度数据计算下料口的下料量,得到第一标签数据。
进一步的,所述根据第一标签数据对得到的数据预测模型进行验证,包括:
通过训练过程中的数据预测模型,得到下料量的训练预测值;
将得到的训练预测值与第一标签数据进行比较;
当训练预测值与第一标签数据的误差不符合实际生产要求时,则对此时的数据预测模型进行调整,并重复以上步骤;
当训练预测值与第一标签数据的误差符合实际生产要求时,则将该训练预测值作为第二标签数据,并将此时的数据预测模型作为最终的数据预测模型。
可选的,所述基于历史视频数据,对视觉预测模型进行训练,包括:
通过数据预测模型,获取橡胶下料量的第二标签数据;
基于处理后的视频信号,对视觉预测模型进行训练;
根据第二标签数据对得到的视觉预测模型进行验证。
可选的,所述对第一预测值和第二预测值进行分析,根据分析结果得到橡胶下料量的实时预测值,包括:
将第一预测值和第二预测值进行比较;
当第一预测值和第二预测值的差值未超过预设阈值时,计算第一预测值和第二预测值的平均值,将该平均值作为橡胶下料量的实时预测值输出;
当第一预测值和第二预测值的差值超过预设阈值时,选取更接近实际下料量的预测值,作为橡胶下料量的实时预测值输出。
进一步的,所述当第一预测值和第二预测值的差值超过预设阈值时,选取更接近实际下料量的预测值,作为橡胶下料量的实时预测值输出,包括:
当第一预测值和第二预测值的差值超过预设阈值时,将此时的第二预测值作为实时预测值。
进一步的,所述当第一预测值和第二预测值的差值超过预设阈值时,将此时的第二预测值作为实时预测值,包括结合第一预测值,对实时预测值进行优化后输出。
本发明提供的技术方案带来的有益效果是:
通过结合数据预测模型和视频预测模型预测下料量,只需要在现有生产设备的基础上部署相应采集终端,不需要对生产设备进行大规模改造。只采集下游挤压机的工作状态数据和下料口的视频数据,就能够解决橡胶下料量的预测问题,进而实现胶粒浓度的控制,减少对生产设备大规模改造的成本。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提出的一种基于机器学习双模型的橡胶下料量预测方法流程图;
图2为橡胶浆液生产工艺流程图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示,本发明提出了一种基于机器学习双模型的橡胶下料量预测方法,包括:
S1:基于生产车间的现有设备,采集下料口的历史视频数据以及挤压机的历史工作状态数据;
S2:基于历史工作状态数据,对数据预测模型进行训练;
S3:基于历史视频数据,对视觉预测模型进行训练;
S4:根据挤压机的实时工作状态数据,通过训练得到的数据预测模型,得到下料量的第一预测值;
S5:根据下料口的实时视频数据,通过训练得到的视觉预测模型,得到下料量的第二预测值;
S6:对第一预测值和第二预测值进行分析,根据分析结果得到橡胶下料量的实时预测值。
通过结合数据预测模型和视频预测模型预测下料量,只需要在现有生产设备的基础上部署相应采集终端,不需要对生产设备进行大规模改造。只采集下游挤压机的工作状态数据和下料口的视频数据,就能够解决橡胶下料量的预测问题,进而实现胶粒浓度的控制,减少对生产设备大规模改造的成本,同时基于机器学习理论的应用,能够适应工程中复杂多变的环境,具有更好的稳定性和鲁棒性。另外,同机器学习双模型可得到准确的下料量预测值,进而实现对下料量的有效控制,解决橡胶浆液的浓度配比问题,从而提高产品质量并节约成本。
在本实施例中,所述基于生产车间的现有设备,采集下料口的历史视频数据以及挤压机的历史工作状态数据,包括:在稳定生产的情况下,通过工业摄像头采集下料口的历史视频数据,同时针对工业环境采取辅助措施提高视频数据的准确性,如在下料口附近进行去雾、打光处理;通过传感器采集挤压机的历史工作状态数据,所述历史工作状态数据包括挤压机的电机电流、温度和磨头压力信号。本实施例中还包括对采集到的历史视频数据和历史工作状态数据进行数据处理,包括:去掉历史视频数据和历史工作状态数据中多余的和不可用的数据,对每5s的数据进行均值化,再根据均值化的结果转换为每分钟的数据,从而降低数据噪声,得到清洗后的数据;通过min-max数据归一化方法,对清洗后的数据进行数据归一化处理。
通过采集终端获取下料口的历史视频数据和挤压机的历史工作状态数据的方式为后续机器学习模型的尽力提供准确的数据,只需要通过部署工业摄像头和传感器就可以获取反映下料量的信息,相比于对生产设备大规模改造的方式,极大降低了成本。
在本实施例中,所述基于历史工作状态数据,对数据预测模型进行训练,包括:获取对应数据预测模型的第一标签数据;基于DNN深度神经网络,根据采集到的历史工作状态数据对数据预测模型进行训练;根据第一标签数据对得到的数据预测模型进行验证。
具体的,如图2所示为本实施例中的橡胶浆液生产工艺流程图,首先通过下料口注入橡胶原液,并通过带有电机M的挤压机滤去橡胶原液中的水,然后与输送进来的热正己烷在A罐进行混合搅拌,再通过输送泵送到B罐,与输送进来的冷正己烷进行混合搅拌,再输送至C罐,与输送进来的冲洗正己烷进行混合搅拌,通过三级配制形成浓度为15%的橡胶浆液,最后输送至D罐进行存储。所述获取对应数据预测模型的第一标签数据包括:在D罐进行化验采样,用以获取最终得到的橡胶浆液中的胶粒浓度数据,计算胶粒浓度的公式如下:
其中,K为橡胶浆液浓度,单位为g/L;N为橡胶原液的胶粒流量,单位为g/h;X为热正己烷流量,单位为g/h;Y为冷正己烷流量,单位为g/h;Z为冲洗正己烷,单位为g/h。K、N、X、Y和Z均为正数。通过在稳定生产情况下的D罐中化验采样配置的橡胶浆液,获取橡胶浆液浓度K。在生产稳定的情况下,A罐至D罐中的已烷流量可视为无波动,因此可以根据公式反向计算出胶粒流量N,算出的胶粒流量N可视为与实际下料口出的橡胶原液的胶粒流量相同。将计算的得到的胶粒流量作为第一标签数据,为后续的数据预测模型训练提供准确的数据。
具体的,在本实施例中,所述DNN深度神经网络分为4层,其中输入层中神经元节点数为4,激活函数为relu;隐藏层1中神经元数为32,激活函数为relu,并设置dropout系数,随机丢弃神经网络中的神经元;隐藏层2中神经元数为16,激活函数relu;输出层中神经元数为1。
基于上述DNN深度神经网络,根据处理后的历史工作状态数据提取特征,得到挤压机的温度、电机电流以及磨头压力数据,根据这些数据对下料量和挤压机工作状态的映射关系建立模型并学习训练,通过建立的数据预测模型得到下料量的训练预测值,再将数据预测模型的训练预测值与采样化验得到的第一标签数据进行比较,当数据预测模型的训练预测值与第一标签数据的误差不符合实际生产要求时,则对此时的数据预测模型进行调整,并重复以上步骤;当数据预测模型的训练预测值与第一标签数据的误差符合实际生产要求时,则将该训练预测值作为第二标签数据,并将此时的数据预测模型作为最终的数据预测模型。
在本实施例中,所述基于历史视频数据,对视觉预测模型进行训练,包括:将通过数据预测模型得到的训练预测值作为对应视觉预测模型的第二标签数据,再从处理后的视频数据中提取特征,转换成RGB矩阵建立模型并学习训练。通过建立的视觉预测模型得到下料量的训练预测值,再将视觉预测模型的训练预测值与第二标签数据进行比较,当视觉预测模型的训练预测值与第二标签数据的误差不符合实际生产要求时,则对此时的视觉预测模型进行调整,并重复以上步骤;当视觉预测模型的训练预测值与第二标签数据的误差符合实际生产要求时,则将此时的视觉预测模型作为最终的视觉预测模型。
由于使用单一的视觉预测模型进行下料量的预测会有样本和标签数据不足的情况,导致预测结果不理想。考虑到实际生产线上的设备与下料量之间的关联性,针对挤压机的工作状态引入数据预测模型,先根据采集到的离散的历史工作状态数据对数据预测模型训练,得到一个稳定连续的预测结果,再根据工业摄像头采集到的视频数据,结合数据预测模型的预测结果对视觉预测模型进行训练,最终得到数据预测模型和视觉预测模型融合的机器学习双模型。
完成机器学习双模型的训练后,在实际生产过程中,通过传感器采集挤压机的实时工作状态数据,输入得到的数据预测模型,得到下料量的第一预测值。再通过工业摄像头采集下料口的实时视频数据,输入得到的视觉预测模型,得到下料量的第二预测值。
在本实施例中,所述对第一预测值和第二预测值进行分析,根据分析结果得到橡胶下料量的实时预测值,包括:
将第一预测值和第二预测值进行比较;
当实际工况处于稳定生产状态下,第一预测值和第二预测值的差值未超过预设阈值时,计算第一预测值和第二预测值的平均值,将该平均值作为橡胶下料量的实时预测值输出;
当实际工况出现波动,第一预测值和第二预测值的差值超过预设阈值时,选取更接近实际下料量的预测值,作为橡胶下料量的实时预测值输出。
具体的,由于当第一预测值和第二预测值的差值超过预设阈值时,往往是因为设备工况不稳定而造成第一预测值波动,因此在超出预设阈值时,将第二预测值作为实时预测值。若第一预测值具有参考意义,则结合第一预测值,对实时预测值进行优化调整。
以下结合具体示例来描述上述一种基于机器学习双模型的橡胶下料量预测方法,在该示例中,所述方法采用霍尼韦尔的DCS控制***完成生产过程,具体包括:
步骤一:在稳定生产的情况下,通过海康工业摄像头采集下料口的历史视频数据,同时针对工业环境采取去雾、打光的辅助措施提高视频数据的准确性,通过传感器采集挤压机的电机电流、温度和磨头压力信号。去掉历史视频数据和历史工作状态数据中多余的和不可用的数据,对每5s的数据进行均值化,再根据均值化的结果转换为每分钟的数据,从而降低数据噪声,得到清洗后的数据;通过min-max数据归一化方法,对清洗后的数据进行数据归一化处理,从而消除数据量纲差异对预测结果产生的影响。
步骤二:通过公式计算胶粒浓度作为对应数据预测模型的第一标签数据,基于DNN深度神经网络,根据处理后的历史工作状态数据对数据预测模型进行训练;根据第一标签数据对得到的数据预测模型进行验证。当数据预测模型的训练预测值与第一标签数据的误差不符合实际生产要求时,则对此时的数据预测模型进行调整,并重复以上步骤;当数据预测模型的训练预测值与第一标签数据的误差符合实际生产要求时,则将该训练预测值作为第二标签数据,并将此时的数据预测模型作为最终的数据预测模型。
步骤三:将通过数据预测模型得到的训练预测值作为对应视觉预测模型的第二标签数据,根据处理后的历史视频数据,对视觉预测模型进行训练再将视觉预测模型的训练预测值与第二标签数据进行比较。当视觉预测模型的训练预测值与第二标签数据的误差不符合实际生产要求时,则对此时的视觉预测模型进行调整,并重复以上步骤;当视觉预测模型的训练预测值与第二标签数据的误差符合实际生产要求时,则将此时的视觉预测模型作为最终的视觉预测模型。
步骤四:通过传感器采集挤压机的实时工作状态数据,输入得到的数据预测模型,得到下料量的第一预测值。
步骤五:通过海康工业摄像头采集下料口的实时视频数据,输入得到的视觉预测模型,得到下料量的第二预测值。
步骤六:将第一预测值和第二预测值进行比较;当实际工况处于稳定生产状态下,第一预测值和第二预测值的差值未超过预设阈值时,计算第一预测值和第二预测值的平均值,将该平均值作为橡胶下料量的实时预测值输出;当实际工况出现波动,第一预测值和第二预测值的差值超过预设阈值时,选取第二预测值作为实时预测值,若第一预测值具有参考意义,则结合第一预测值,对实时预测值进行优化调整。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于机器学习双模型的橡胶下料量预测方法,其特征在于,所述预测方法包括:
基于生产车间的现有设备,采集下料口的历史视频数据以及挤压机的历史工作状态数据,所述历史工作状态数据包括挤压机的电机电流、温度和磨头压力信号;
基于历史工作状态数据,对数据预测模型进行训练,包括:获取对应数据预测模型的第一标签数据;根据采集到的历史工作状态数据对数据预测模型进行训练;根据第一标签数据对得到的数据预测模型进行验证;
其中,所述根据第一标签数据对得到的数据预测模型进行验证,包括:
通过训练过程中的数据预测模型,得到下料量的训练预测值;
将得到的训练预测值与第一标签数据进行比较;
当训练预测值与第一标签数据的误差不符合实际生产要求时,则对此时的数据预测模型进行调整,并重复以上步骤;
当训练预测值与第一标签数据的误差符合实际生产要求时,则将该训练预测值作为第二标签数据,并将此时的数据预测模型作为最终的数据预测模型;
基于历史视频数据,对视觉预测模型进行训练,包括:通过数据预测模型,获取橡胶下料量的第二标签数据;基于处理后的视频信号,对视觉预测模型进行训练;根据第二标签数据对得到的视觉预测模型进行验证;
根据挤压机的实时工作状态数据,通过训练得到的数据预测模型,得到下料量的第一预测值;
根据下料口的实时视频数据,通过训练得到的视觉预测模型,得到下料量的第二预测值;
对第一预测值和第二预测值进行分析,根据分析结果得到橡胶下料量的实时预测值,包括:
将第一预测值和第二预测值进行比较;
当实际工况处于稳定生产状态下,第一预测值和第二预测值的差值未超过预设阈值时,计算第一预测值和第二预测值的平均值,将该平均值作为橡胶下料量的实时预测值输出;
当实际工况出现波动,第一预测值和第二预测值的差值超过预设阈值时,选取更接近实际下料量的预测值,作为橡胶下料量的实时预测值输出,具体包括:将第二预测值作为实时预测值。
2.根据权利要求1所述的一种基于机器学习双模型的橡胶下料量预测方法,其特征在于,所述基于生产车间的现有设备,采集下料口的历史视频数据以及挤压机的历史工作状态数据,包括:
通过采集终端采集下料口的历史视频数据以及挤压机的历史工作状态数据;
去掉历史视频数据和历史工作状态数据中多余的和不可用的数据,并降低数据噪声,得到清洗后的数据;
对清洗后的数据进行数据归一化处理。
3.根据权利要求1所述的一种基于机器学习双模型的橡胶下料量预测方法,其特征在于,所述获取对应数据预测模型的第一标签数据,包括:
获取最终得到的橡胶浆液中的胶粒浓度数据;
通过获取到的胶粒浓度数据计算下料口的下料量,得到第一标签数据。
4.根据权利要求1所述的一种基于机器学习双模型的橡胶下料量预测方法,其特征在于,当第一预测值和第二预测值的差值超过预设阈值时,选取更接近实际下料量的预测值,作为橡胶下料量的实时预测值输出,包括:
当第一预测值和第二预测值的差值超过预设阈值时,将此时的第二预测值作为实时预测值。
5.根据权利要求4所述的一种基于机器学习双模型的橡胶下料量预测方法,其特征在于,所述当第一预测值和第二预测值的差值超过预设阈值时,将此时的第二预测值作为实时预测值,包括结合第一预测值,对实时预测值进行优化后输出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020103916763 | 2020-05-11 | ||
CN202010391676 | 2020-05-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001478A CN112001478A (zh) | 2020-11-27 |
CN112001478B true CN112001478B (zh) | 2023-04-11 |
Family
ID=73467174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010625029.4A Active CN112001478B (zh) | 2020-05-11 | 2020-07-01 | 一种基于机器学习双模型的橡胶下料量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001478B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313106A (zh) * | 2021-04-14 | 2021-08-27 | 深圳市睿达科技有限公司 | 一种送料纠偏方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533082A (zh) * | 2019-08-09 | 2019-12-03 | 东北大学秦皇岛分校 | 一种基于双模型协同预测的烧结混合加水控制方法 |
CN110969660A (zh) * | 2019-12-17 | 2020-04-07 | 浙江大学 | 一种基于三维立体视觉和点云深度学习的机器人上料*** |
CN210339372U (zh) * | 2019-03-11 | 2020-04-17 | 唐山不锈钢有限责任公司 | 下料流管下料量的检测装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7068817B2 (en) * | 2002-11-07 | 2006-06-27 | Mcmaster University | Method for on-line machine vision measurement, monitoring and control of product features during on-line manufacturing processes |
US7660440B2 (en) * | 2002-11-07 | 2010-02-09 | Frito-Lay North America, Inc. | Method for on-line machine vision measurement, monitoring and control of organoleptic properties of products for on-line manufacturing processes |
US9989941B2 (en) * | 2014-12-02 | 2018-06-05 | Ecolab Usa Inc. | Solid chemistry supply management system |
US11491729B2 (en) * | 2018-05-02 | 2022-11-08 | Carnegie Mellon University | Non-dimensionalization of variables to enhance machine learning in additive manufacturing processes |
-
2020
- 2020-07-01 CN CN202010625029.4A patent/CN112001478B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN210339372U (zh) * | 2019-03-11 | 2020-04-17 | 唐山不锈钢有限责任公司 | 下料流管下料量的检测装置 |
CN110533082A (zh) * | 2019-08-09 | 2019-12-03 | 东北大学秦皇岛分校 | 一种基于双模型协同预测的烧结混合加水控制方法 |
CN110969660A (zh) * | 2019-12-17 | 2020-04-07 | 浙江大学 | 一种基于三维立体视觉和点云深度学习的机器人上料*** |
Non-Patent Citations (2)
Title |
---|
基于模糊控制的水泥生产线配料控制***;朱达荣等;《微型机与应用》;20101206;第29卷(第17期);全文 * |
采用视觉检测技术对湿法窑来料量进行检测;赵丽清等;《水泥》;20080602(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112001478A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0708390B1 (en) | Supporting method and system for process operation | |
CN111596604A (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法 | |
CN109396953A (zh) | 基于信号融合的机床工作状态智能辨识*** | |
CN110895526A (zh) | 一种大气监测***中数据异常的修正方法 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN112001478B (zh) | 一种基于机器学习双模型的橡胶下料量预测方法 | |
US20210065021A1 (en) | Working condition state modeling and model correcting method | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
CN101719195A (zh) | 一种逐步回归基因调控网络的推断方法 | |
CN109933040B (zh) | 基于层次密度峰值聚类和最相似模态的故障监测方法 | |
CN112215410B (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及*** | |
CN111290267B (zh) | 基于LabVIEW的火电模型辨识装置和辨识方法 | |
CN111178604A (zh) | 一种95598故障工单数预测方法 | |
CN117311294B (zh) | 基于云边融合的橡胶手套生产设备自决策控制方法 | |
CN112036436B (zh) | 一种调相机油温预测***的数据噪声处理方法及处理*** | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及*** | |
CN109635358A (zh) | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 | |
CN113849547A (zh) | 一种基于群厂协同的智能电厂数据模型构建方法 | |
CN118172735B (zh) | 一种智能房屋的安全监控方法 | |
CN118244648B (zh) | 一种基于出水流量预测的进水流量优化方法 | |
CN118192479B (zh) | 基于数据采集的工厂车间数字孪生模型校正方法及*** | |
CN111696003B (zh) | 海量数据驱动下台区线损率异常时段智能辨识及预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 150 (1-1-180), Changpu Road, jishigang Town, Haishu District, Ningbo City, Zhejiang Province Applicant after: Lanzhuo Digital Technology Co.,Ltd. Address before: Room 150 (1-1-180), Changpu Road, jishigang Town, Haishu District, Ningbo City, Zhejiang Province Applicant before: ZHEJIANG LANZHUO INDUSTRIAL INTERNET INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |