一种基于机器学习的设备参数自适应调整方法

技术领域

本发明涉及设备控制技术领域，具体涉及一种基于机器学习的设备参数自适应调整方法。

背景技术

产品在生产的过程中，其质量会受到生产设备的生产参数的影响，因此一般为了保证产品的质量，通常会分析生产过程中生产设备的生产参数与产品质量的关系，基于关系调整生产参数保证产品质量。

例如公开号CN114626706A的现有技术，公开了一种基于遗传算法的卤锅调度方法、装置和设备，该方法包括：根据预设的排程参数和调整参数，确定卤锅排程的第一种群，并根据预设的优化指标和优化指标的预设权重信息，确定优化函数；根据优化函数，基于第一种群，进行种群的寻优迭代计算，确定最优种群；根据优化函数，确定最优种群中的最优排程结果；基于最优排程结果，向控制设备发送调取指令，其中，调取指令用于调度各卤锅进行卤制处理。本申请的方法，全面考虑了食品卤制的约束条件，实现了卤锅的快速排程，进而可以及时的对卤锅进行调度去完成生产过程。

然而一些产品的质量还会受到产品原料的影响，而一些产品原料如农作物的质量会受到产地及天气的影响，而现有技术一般不包含对原料因素的考虑，使得产品质量控制不稳定，或需要对原料进行检测，步骤较为繁琐。

发明内容

本发明的目的是提供一种基于机器学习的设备参数自适应调整方法，以解决现有技术中的上述不足之处。

为了实现上述目的，本发明提供如下技术方案：一种基于机器学习的设备参数自适应调整方法，包括以下步骤：

S1、对各物料品种的物料原料进行检测得到物料原料信息，建立物料信息库，用于获取并储存各物料品种的物料原料的物料产地信息和物料原料信息；

S2、建立产地信息库，用于获取并储存各产地的位置、历史天气信息、土地的营养成分及含量；

S3、基于物料品种、物料产地信息和物料原料信息，训练第一深度神经网络模型，得到第一物料预测模型，用于通过向第一物料预测模型输入物料产地信息，输出预测的物料原料信息；

S4、基于产地的位置、该位置的历史天气信息、土地的营养成分及含量训练第二深度神经网络模型，得到第二物料预测模型，用于通过向第二物料预测模型输入产地的位置、该位置的天气信息，输出预测的土地的营养成分及含量；

S5、获取物料成品信息，基于生产方案、物料原料信息、物料成品信息和质量标签，训练第三深度神经网络模型，得到成品预测模型，用于向成品预测模型输入生产方案、物料原料信息，输出预测的物料成品信息和质量标签；

S6、获取物料原料生产期间的产地的位置和天气信息，利用所述第二物料预测模型预测该产地的土地营养成分及含量，利用预测的土地营养成分及含量更新第一物料预测模型输入中的物料产地信息中的土地的营养成分及含量，将更新后的物料产地信息输入第一物料预测模型，输出预测物料原料信息；

S7、预调节生产设备的参数，得到对应的预生产方案，使预测的物料原料信息和预生产方案输入所述成品预测模型，输出预测的物料成品信息和质量标签满足设置目标，获取输出满足设置目标时对应的生产设备预调节的参数得到生产参数；

S8、将生产设备的参数自动调节为所述生产参数进行生产。

进一步的，所述建立物料信息库还包括将物料品种和对应的物料产地信息关联。

进一步的，所述方法还包括在获取物料产地信息时，自动通过网络获取物料种植时期内产地的位置的天气信息，并将天气信息与物料产地信息关联。

进一步的，所述S3步骤，具体包括以下步骤：

A1、根据物料产地信息得到产地的位置、气候、土地的营养成分及含量和对应的物料原料信息作为第一样本集，以气候的不同将第一样本集分为多个第一样本子集，每个第一样本子集的气候相同；

A2、分别将每个第一样本子集均分为第一子训练集和第一子验证集；

A3、分别使用每个第一样本子集的第一子训练集对第一深度神经网络模型进行训练，再使用该第一样本子集的第一子验证集对训练后的第一深度神经网络模型进行验证；

A4、若使用第一子验证集验证的结果达到设置的精确度，则输出对应的第一物料预测子模型；若第一子验证集验证的结果未达到设置的精确度，则调整第一深度神经网络模型的参数，返回A3；

A5、得到由多个第一物料预测子模型组成第一物料预测模型，将物料产地信息输入第一物料预测模型，第一物料预测模型自动获取其气候，根据获取的气候选择对应的第一样本子集训练得到的第一物料预测子模型，向选择的第一物料预测子模型输入物料产地信息中的土地的营养成分及含量，得到预测的物料原料信息。

进一步的，所述S4步骤中训练第二物料预测模型，具体包括以下步骤：

B1、根据物料产地信息得到产地的位置和物料种植时期，查询位置在物料种植期间的天气信息；

B2、以产地的位置、该位置的历史天气信息、土地的营养成分及含量为第二样本集；

B3、以产地的位置的不同将第二样本集分为多个第二样本子集；

B4、分别将每个第二样本子集分为第二子训练集和第二子验证集；

B5、分别使用每个第二样本子集的第二子训练集和第二子验证集，分别对训练后的第二深度神经网络模型进行训练和验证，进行训练时天气信息为输入，土地的营养成分及含量为输出；

B6、若使用第二子验证集验证的结果达到设置的精确度，则输出对应的第二物料预测子模型；若第二子验证集验证的结果未达到设置的精确度，则调整第二深度神经网络模型的参数，返回B5；

B7、得到由多个第二物料预测子模型组成第二物料预测模型，基于第二物料预测模型预测土地营养成分及含量。

进一步的，所述基于第二物料预测模型预测土地营养成分及含量，具体包括以下步骤：

将物料产地信息输入第二物料预测模型，第二物料预测模型自动获取其位置；

根据获取的位置选择对应的第二样本子集训练得到的第二物料预测子模型；

向选择的第二物料预测子模型输入物料产地信息中的物料种植时期及对应的天气信息，得到预测的土地的营养成分及含量。

进一步的，所述S5步骤，具体包括以下步骤：

C1、对物料成品进行检测，得到物料成品信息；

C2、对物料成品进行质量评价，得到对应的质量标签与物料成品信息关联；

C3、以生产方案、物料原料信息、物料成品信息及与其关联的质量标签为第三样本集，将第三样本集根据物料品种的不同的分为多个第三样本子集；

C4、将每个第三样本子集均分为第三子训练集和第三子验证集；

C5、分别使用每个第三样本子集的第三子训练集和第三样本子集的第三子验证集对训练后的第三深度神经网络模型进行训练和验证，进行训练时生产方案和物料原料信息均为输入，物料成品信息及其关联的质量标签为输出；

C6、若使用第三子验证集验证的结果达到设置的精确度，则输出对应的成品预测子模型；若第三子验证集验证的结果未达到设置的精确度，则调整第三深度神经网络模型的参数，返回C5；

C7、得到的多个成品预测子模型组成成品预测模型，将物料品种、生产方案和物料原料信息输入第三物料预测模型，第三物料预测模型根据物料品种选择对应的第三样本子集训练的成品预测子模型，向选择的成品预测子模型中输入生产方案和物料原料信息，得到预测的物料成品信息和质量标签。

进一步的，所述方法还包括对物料原料及其生长期间产地的土地营养成分及含量，和物料原料对应的物料成品信息和质量标签进行抽检，并基于抽检的结果更新对应的第一物料预测模型、第二物料预测模型、成品预测模型。

1、与现有技术相比，本发明提供的一种基于机器学习的设备参数自适应调整方法，可根据原料的产地、气候、天气和种植的原料品种不同，对原料的品质进行预测，方便根据原料的品质选择加工生产方案控制生产设备的参数，保证产品的质量。

2、与现有技术相比，本发明提供的一种基于机器学习的设备参数自适应调整方法，可根据对原料、生产方案及生产设备参数、物料成品的品质和人的主观感受关系的分析，实现通过原料、生产方案及生产设备参数对物料成品的品质和物料成品的人工体验进行预测，方便工作人员根据预测的结果调节生产方案，提高产品的控制精度，使得生产出的产品更符合预期。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法步骤示意图；

图2为本发明实施例提供的S3步骤具体步骤示意图；

图3为本发明实施例提供的S4步骤具体步骤示意图；

图4为本发明实施例提供的S5步骤具体步骤示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。

在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。

如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。

本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。

本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。

除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。

请参阅图1-图4，一种基于机器学习的设备参数自适应调整方法，包括以下步骤：

S1、对各物料品种的物料原料进行检测得到物料原料信息，物料原料信息为物料中的各成分含量，建立物料信息库，用于获取并储存各物料品种的物料原料的物料产地信息和物料原料信息；将物料品种和对应的物料产地信息关联，其中可通过SQL工具完成数据之间的相互关联，方便知晓每个物料品种的物料的相关产地信息，物料产地信息包括产地的位置、气候、土地的营养成分及含量、物料种植时期；获取物料产地信息时，自动通过网络获取物料种植时期内产地的位置的天气信息，并将天气信息与物料产地信息关联。

在一个实施例中，生产的产品为采用植物纤维的纺织品，物料原料为棉、麻，此时即获取纺织品中各种棉、麻的含量；进一步的，还可获取棉的具体种类及含量，如长绒棉、细绒棉、粗绒棉等，和获取麻的具体种类及含量，如亚麻、苎麻等。

S2、建立产地信息库，用于获取并储存各产地的位置、历史天气信息、土地的营养成分及含量，其中土地的营养成分及含量可通过实地采样，并进行实验分析得到。

物料原料为棉、麻时，获取棉、麻的产地，及产地的对应的历史天气信息、土地的营养成分及含量。

S3、基于物料品种、物料产地信息和物料原料信息，训练第一深度神经网络模型，得到第一物料预测模型，用于通过向第一物料预测模型输入物料产地信息，输出预测的物料原料信息，具体包括以下步骤：

A1、根据物料产地信息得到产地的位置、气候、土地的营养成分及含量和对应的物料原料信息作为第一样本集，以气候的不同将第一样本集分为多个第一样本子集，每个第一样本子集的气候相同；

A2、分别将每个第一样本子集均分为第一子训练集和第一子验证集；

A3、分别使用每个第一样本子集的第一子训练集对第一深度神经网络模型进行训练，再使用该第一样本子集的第一子验证集对训练后的第一深度神经网络模型进行验证；其中进行训练时以土地的营养成分及含量为输入，对应的物料原料信息为输出，从而根据已知的输入和输出得到第一深度神经网络模型的各参数的值；

A4、若使用第一子验证集验证的结果达到设置的精确度，则输出对应的第一物料预测子模型；若第一子验证集验证的结果未达到设置的精确度，则调整第一深度神经网络模型的参数，返回A3；

A5、得到由多个第一物料预测子模型组成第一物料预测模型，将物料产地信息输入第一物料预测模型，第一物料预测模型自动获取其气候，根据获取的气候选择对应的第一样本子集训练得到的第一物料预测子模型，向选择的第一物料预测子模型输入物料产地信息中的土地的营养成分及含量，得到预测的物料原料信息，可使用物料原料信息代表物料原料的品质。

S4、基于产地的位置、该位置的历史天气信息、土地的营养成分及含量训练第二深度神经网络模型，得到第二物料预测模型，用于通过向第二物料预测模型输入产地的位置、该位置的天气信息，输出预测的土地的营养成分及含量，从而可以使第一物料预测子模型预测的物料原料信息更符合在物料产地物料种植时期的天气情况下种植出的物料原料实际情况，从而提高预测的准确性，具体包括以下步骤：

B1、根据物料产地信息得到产地的位置和物料种植时期，查询位置在物料种植期间的天气信息；

B2、以产地的位置、该位置的历史天气信息、土地的营养成分及含量为第二样本集；

B3、以产地的位置的不同将第二样本集分为多个第二样本子集；

B4、分别将每个第二样本子集分为第二子训练集和第二子验证集；

B5、分别使用每个第二样本子集的第二子训练集对第二深度神经网络模型进行训练，再使用该第二样本子集的第二子验证集对训练后的第二深度神经网络模型进行验证，进行训练时天气信息为输入，土地的营养成分及含量为输出；

B6、若使用第二子验证集验证的结果达到设置的精确度，则输出对应的第二物料预测子模型；若第二子验证集验证的结果未达到设置的精确度，则调整第二深度神经网络模型的参数，返回B5；

B7、得到的多个第二物料预测子模型组成第二物料预测模型，将物料产地信息输入第二物料预测模型，第二物料预测模型自动获取其位置，根据获取的位置选择对应的第二样本子集训练得到的第二物料预测子模型，向选择的第二物料预测子模型输入物料产地信息中的物料种植时期及对应的天气信息，得到预测的土地的营养成分及含量。可通过根据具体的天气信息预测得到的土地的营养成分及含量，使得产地的土地的营养成分及含量更加准确。

S5、获取物料成品信息，基于生产方案、物料原料信息、物料成品信息和质量标签，训练第三深度神经网络模型，得到成品预测模型，用于向成品预测模型输入生产方案、物料原料信息，输出预测的物料成品信息和质量标签，具体包括以下步骤：

C1、对物料成品进行检测，得到物料成品信息；例如，在产品为纺织品时，其物料成品信息可为纺织品的抗拉强度、表面粗糙度、保温性能、抗风性能、透气性能等。

C2、通过获取人工对物料成品的质量评价，得到物料成品的质量标签，并将质量标签与对应的物料成品关联，其中质量标签预先设置有多种，根据人工评价的物料成品的质量、使用体验等选择对应的质量标签与物料成品关联；例如，在产品为纺织品时，其质量标签可为舒适度等。

C3、以生产方案、物料原料信息、物料成品信息及与其关联的质量标签为第三样本集，将第三样本集根据物料品种的不同的分为多个第三样本子集；其中生产方案由生产设备的各生产参数组成，可数据获取的需要选择传感器的类别和数量进行设置，用于获取物料检测设备、物料生产设备、物料成品检测设备的状态数据，状态数据包括温度、湿度、压强、转速中的一个或多个；

C4、并将每个第三样本子集均分为第三子训练集和第三子验证集；

C5、分别使用每个第三样本子集的第三子训练集对第三深度神经网络模型进行训练，再使用该第三样本子集的第三子验证集对训练后的第三深度神经网络模型进行验证，进行训练时生产方案和物料原料信息均为输入，物料成品信息及其关联的质量标签为输出；

C6、若使用第三子验证集验证的结果达到设置的精确度，则输出对应的成品预测子模型；若第三子验证集验证的结果未达到设置的精确度，则调整第三深度神经网络模型的参数，返回C5；

C7、得到的多个成品预测子模型组成成品预测模型，将物料品种、生产方案和物料原料信息输入第三物料预测模型，第三物料预测模型根据物料品种选择对应的第三样本子集训练的成品预测子模型，向选择的成品预测子模型中输入生产方案和物料原料信息，得到预测的物料成品信息和质量标签。方便工作人员在预测的物料成品信息或质量标签不合预期时调整生产方案，使物料成品信息和质量标签满足预期。可使用物料成品信息代表物料成品的品质；

S6、获取物料原料生产期间的产地的位置和天气信息，利用第二物料预测模型预测该产地的土地营养成分及含量，利用预测的土地营养成分及含量更新第一物料预测模型输入中的物料产地信息中的土地营养成分及含量，将更新后的物料产地信息输入第一物料预测模型，输出预测物料原料信息。

S7、预调节生产设备的参数，得到对应的预生产方案，使预测的物料原料信息和预生产方案输入成品预测模型，输出预测的物料成品信息和质量标签满足设置目标，获取输出满足设置目标时对应的生产设备预调节的参数得到生产参数；

S8、将生产设备的参数自动调整为生产参数进行生产。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。