一种基于Attention-GRU模型的纺纱质量预测方法

技术特征：
1.一种基于attention-gru模型的纺纱质量预测方法，其特征在于，所述预测方法包括：确定n个原棉性能指标，将所述n个原棉性能指标转换为n维特征向量；确定l个加工工序，按照加工顺序确定l 1个n维特征向量作为输入参数；搭建单层gru神经网络结构，通过所述gru神经网络结构对所述输入参数进行充分学习，以捕获时序数据中的依赖关系；建立attention层，根据权重大小分析不同时刻的所述n个原棉性能指标重要程度，并不断更新迭代出最优的权重参数；将所述attention层输出连接至全连接神经网络以形成attention-gru纺纱质量预测模型，通过所述全连接网络输出端进行信息聚合，输出纱线质量的预测值。2.根据权利要求1所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，在所述将所述attention层输出连接至全连接神经网络，通过所述全连接网络输出端进行信息聚合，输出纱线质量的预测值之后，所述方法还包括：利用损失函数对模型输出的所述纱线质量的预测值与纱线实际质量值进行损失计算，并选取adam优化器对所述attention-gru纺纱质量预测模型的参数进行优化。3.根据权利要求1所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，所述确定n个原棉性能指标，将所述n个原棉性能指标转换为n维特征向量包括：在纺纱过程中各工序的关键工艺参数数量少于n个的情况下，通过0来补位以确定所述n个原棉性能指标。4.根据权利要求1所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，所述确定n个原棉性能指标，将所述n个原棉性能指标转换为n维特征向量还包括：采用min-max归一化法将所述n个原棉性能指标归一化在(-1,1)之间。5.根据权利要求4所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，通过以下公式将所述n个原棉性能指标归一化在(-1,1)之间：其中：x为原始输入数据，x
max
、x
min
分别为所述n个原棉性能指标的最大值、最小值，x
′
为归一化处理后的输入数据。6.根据权利要求1所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，所述建立attention层，根据权重大小分析不同时刻的所述n个原棉性能指标重要程度，并不断更新迭代出最优的权重参数具体包括：通过以下公式计算所述n个原棉性能指标重要程度：其中：h
′
t
为h中t时刻的隐状态，t＝1,2,
…
,n，scroe为相似性函数，用于计算h
t
与h1之间的余弦相似度得分e
t
；softmax为归一化指数函数，将e
t
转换为各隐层状态的权重值a
t
；
contact为拼接函数；s为加入attention机制的预测输出。7.根据权利要求1所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，所述搭建单层gru神经网络结构，通过所述gru神经网络结构对所述输入参数进行充分学习，以捕获时序数据中的依赖关系具体包括：通过所述单层gru神经网络结构输出编码器的隐状态向量h(h1,h2,
…
,hn)和解码器的第一个隐状态h
′1。8.根据权利要求2所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，所述利用损失函数对模型输出的所述纱线质量的预测值与纱线实际质量值进行损失计算，并选取adam优化器对所述attention-gru纺纱质量预测模型的参数进行优化具体包括：通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，基于训练数据迭代更新神经网络的权重，以使损失函数输出值达到最优。9.根据权利要求8所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，所述通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，基于训练数据迭代更新神经网络的权重，以使损失函数输出值达到最优具体为：通过以下公式确定所述损失函数输出值：其中，n为样本个数，和y
i
分别为第i个样本的预测值和实际值，e
mse
为损失函数输出值。10.根据权利要求2所述的基于attention-gru模型的纺纱质量预测方法，其特征在于，所述利用损失函数对模型输出的所述纱线质量的预测值与纱线实际质量值进行损失计算，并选取adam优化器对所述attention-gru纺纱质量预测模型的参数进行优化之后，所述方法还包括：、将优化后的所述模型参数带入到所述attention-gru纺纱质量预测模型中，以得到优化的纺纱质量预测模型。

技术总结
本申请提供一种基于Attention-GRU模型的纺纱质量预测方法，属于纺织技术领域。该预测方法包括：确定N个原棉性能指标，将所述N个原棉性能指标转换为N维特征向量；确定l个加工工序，按照加工顺序确定l 1个N维特征向量作为输入参数；搭建单层GRU神经网络结构，通过所述GRU神经网络结构对所述输入参数进行充分学习，以捕获时序数据中的依赖关系；建立Attention层，根据权重大小分析不同时刻的所述N个原棉性能指标重要程度，并不断更新迭代出最优的权重参数；将所述Attention层输出连接至全连接神经网络以形成Attention-GRU纺纱质量预测模型，通过所述全连接网络输出端进行信息聚合，输出纱线质量的预测值。本申请提供的预测方法准确性高且耗时少。的预测方法准确性高且耗时少。的预测方法准确性高且耗时少。


技术研发人员：戴宁 金海伟 胡旭东 屠佳佳 戚栋明 史伟民 袁嫣红 汝欣
受保护的技术使用者：浙江理工大学
技术研发日：2022.10.27
技术公布日：2023/2/6