基于变量筛选的关键工艺质量指标预测OA
为提高连续工业过程关键工艺质量指标预测的准确性,提出了一种结合变量选择、深度特征提取和时序分析的工业质量预测新方法。首先,利用基于K近邻条件互信息的变量选择方法,从高维、冗余的数据中筛选出与质量变量高度相关的关键工艺变量;然后,采用改进的深度自编码器对筛选后的变量进行特征提取,并将原始特征与提取的深层特征进行融合,构建增强的特征集,通过引入正则化项增强了模型的鲁棒性和泛化能力;最后,利用长短期记忆网络构建质量预测模型,充分捕捉数据中的时间依赖关系。在3个工业案例的验证中,所提出的方法均获得较高的预测准确度,且在不同案例下表现出较低的预测误差和较小的输出波动幅度,表明其对连续工业过程具有一定的适用性。
赵飞;王艳;马浩;王团结;戴翠红
江南大学物联网技术应用教育部工程研究中心,江苏无锡214122江南大学物联网技术应用教育部工程研究中心,江苏无锡214122江南大学物联网技术应用教育部工程研究中心,江苏无锡214122江苏康缘药业股份有限公司,江苏连云港222001江苏康缘药业股份有限公司,江苏连云港222001
信息技术与安全科学
质量预测变量筛选特征提取深度自编码器时间序列分析长短期记忆网络
《信息与控制》 2026 (1)
P.116-131,16
长三角科技创新共同体联合攻关计划项目(2023CSJGG1700)无锡市基础研究项目(K20241029)。
评论