一种碳碳复合材料沉积炉生产数据智能分析方法及系统

1.本发明涉及数据分析技术领域，特别是涉及一种碳碳复合材料沉积炉生产数据智能分析方法及系统。


背景技术：

2.碳碳复合材料产品主要应用于航空航天及军事领域，这些领域对产品材料质量要求较高。在碳碳复合材料产品的生产过程中，目前主要通过碳碳复合材料快速沉积炉采用化学气相沉积炉技术来进行生产，但是由于其冗长的产品生产周期及高昂的成本，限制了其广泛的应用。
3.目前国内外碳碳复合材料沉积炉产品生产过程中的生产数据一方面主要基于经验进行设置，另一方面采用传统的统计学分析方法中的相关性进行分析，会存在各个生产因子的设定值不确定的问题，使得最后生产得到的产品有一部分达不到产品指标，合格率较低。


技术实现要素：

4.本发明的目的是提供一种碳碳复合材料沉积炉生产数据智能分析方法及系统，采用机器学习方法实现碳碳复合材料沉积炉生产数据的智能分析，以确定优质生产因子集合，提高碳碳复合材料沉积炉产品的合格率。
5.为实现上述目的，本发明提供了如下方案：
6.一种碳碳复合材料沉积炉生产数据智能分析方法，所述智能分析方法包括：
7.获取多个生产数据；所述生产数据包括沉积炉原料数据以及产品单位增重；所述沉积炉原料数据为碳碳复合材料沉积炉生产过程中各个生产因子的值；
8.采用基于学习自动机的聚类算法对所有所述生产数据进行聚类，得到多个簇；
9.根据所述产品单位增重对所有所述簇进行等级划分，确定优质生产因子集合、合格生产因子集合和劣质生产因子集合。
10.一种碳碳复合材料沉积炉生产数据智能分析系统，所述智能分析系统包括：
11.获取模块，用于获取多个生产数据；所述生产数据包括沉积炉原料数据以及产品单位增重；所述沉积炉原料数据为碳碳复合材料沉积炉生产过程中各个生产因子的值；
12.聚类模块，用于采用基于学习自动机的聚类算法对所有所述生产数据进行聚类，得到多个簇；
13.分析模块，用于根据所述产品单位增重对所有所述簇进行等级划分，确定优质生产因子集合、合格生产因子集合和劣质生产因子集合。
14.根据本发明提供的具体实施例，本发明公开了以下技术效果：
15.本发明用于提供一种碳碳复合材料沉积炉生产数据智能分析方法及系统，先获取多个生产数据，包括沉积炉原料数据以及产品单位增重，沉积炉原料数据即为碳碳复合材料沉积炉生产过程中各个生产因子的值。然后采用基于学习自动机的聚类算法对所有生产
数据进行聚类，得到多个簇。最后根据产品单位增重对所有簇进行等级划分，确定优质生产因子集合、合格生产因子集合和劣质生产因子集合，进而采用机器学习聚类分析方法实现对碳碳复合材料沉积炉生产数据的智能分析，以确定优质生产因子集合、合格生产因子集合和劣质生产因子集合，为碳碳复合材料沉积炉产品的生产过程提供依据，显著提高碳碳复合材料沉积炉产品的合格率。
附图说明
16.为了更清楚地说明本发明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。
17.图1为本发明实施例1所提供的智能分析方法的方法流程图；
18.图2为本发明实施例1所提供的聚类方法的方法流程图；
19.图3为本发明实施例1所提供的生产数据与初始q表的关联图；
20.图4为本发明实施例2所提供的智能分析系统的系统框图。
具体实施方式
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.由于碳碳复合材料沉积炉实际生产过程中，各个生产因子对产品最后的单位增重影响很大，如果各个生产因子值设置不合适，则会使最终得到的产品不合格。为了得到较好的经济效益，获得更好的产品质量，本发明的目的是提供一种碳碳复合材料沉积炉生产数据智能分析方法及系统，通过利用基于学习自动机的聚类算法对生产因子进行聚类，使得在产品单位增重合格的前提下对各个生产因子的值进行合理的设定，以提高产品的合格率，在生产产品的过程中可以更好的把控产品质量。
23.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
24.实施例1：
25.碳碳复合材料沉积炉产品是在碳纤维的基础上通过石墨化来对产品进行增强，增强以后的产品具有耐高温、使用寿命长、可以反复使用等特点，性价比优势明显，使用范围广。采用化学气相沉积炉技术进行碳碳复合材料产品的生产时，存在产品生产周期较长、成本高昂等缺陷。基于这一缺陷，如何提高碳碳复合材料产品的合格率是一个非常重要的问题。
26.碳碳复合材料主要以单位增重值为产品质量评价标准，且碳碳复合材料产品在生产的过程中会受到很多因素的影响，故如何设置各个生产因子的值来使得最后的单位增重量最大化是非常重要的问题。目前针对碳碳复合材料沉积炉生产过程主要基于经验进行设定，或者基于因子分析采用统计分析方法结合仿真实验过程进行分析，统计分析方法只是
从已有的实验数据，采用产品质量与各生产因子相关性进行分析，仿真分析的方法一般利用仿真对加热系统进行设计从而对碳碳复合材料沉积炉生产过程进行仿真，然后对各个生产因子的值进行不断地调整来获得产品生产过程中生产因子的值范围，最后得到合格产品，但是这些方法都无法给出如何确定具体的生产因子的值的理论依据及设定方法，以提高合格率。本实施例中的方法可以从已有的生产数据中分析得到实际生产过程中在保证产品合格的前提下各个生产因子的详细设定值。本实施例主要是依据生产过程中的因子设定值以及最后的单位增重量，利用改进的聚类算法对生产因子进行自动分析，在单位增重合格的前提下找到产品生产过程中合理的因子值，以提高产品生产的合格率。
27.本实施例的目的在于采用机器学习方法实现碳碳复合材料沉积炉生产数据的智能分析，聚类算法作为一种无监督机器学习方法，不需要对数据进行标注，即可实现对数据的自动聚类分析目的，以将输入的生产数据按照指定的规则划分为多个不同的簇，实现生产数据自动分析目的。采用聚类算法进行生产数据分析的大致实现流程是：第一，对生产数据进行预处理，预处理主要包括对，对缺失信息的数据进行剔除，对符号型数据进行数值化操作。第二，选取合适的计算距离的方法以及相似性度量标准。第三，根据数据适用的场景以及数据的特性选取合适的聚类算法，对数据进行聚类分析，使得特性类似的数据尽可能划分到相同的簇。通过聚类分析找到最佳因子配料值并及时反馈，同时根据产品指标找到较好的原料组合，避免较差的原料组合，最后根据聚类分析得到最优配比方案。
28.本实施例用于提供一种碳碳复合材料生产数据智能分析方法，如图1所示，所述智能分析方法包括：
29.s1：获取多个生产数据；所述生产数据包括沉积炉原料数据以及产品单位增重；所述沉积炉原料数据为碳碳复合材料沉积炉生产过程中各个生产因子的值；
30.生产数据包括碳碳复合材料产品生产过程中用到的所有沉积炉原料数据和碳碳复合材料完成生产以后的产品单位增重。沉积炉原料数据指碳碳复合材料产品生产过程中的各个生产因子的取值，其中生产因子包括产品位置、温度、甲烷流量和沉积时间，其均是对产品单位增重有较大影响的因素，产品位置是指碳碳复合材料在化学气相沉积炉中的放置位置。产品单位增重用于作为评价指标对生产过程中各个生产因子的值进行评测，按照产品单位增重的不同，将生产因子划分为不同的等级。
31.在获取多个生产数据后，本实施例的智能分析方法还包括：对沉积炉原料数据进行预处理，得到预处理后的原料数据，并将预处理后的原料数据和产品单位增重作为新的生产数据，执行s2。预处理主要包括对缺失数据进行剔除、对符号型数据进行数值化和归一化处理。其中，对缺失数据进行剔除是指若一个生产数据内缺失部分值，则将这一生产数据删除。产品位置这一生产因子的值为符号型数据，其数值化方法是给予各个放置位置对应不同的编号信息。具体的，可以按照位置1-1对应1、位置1-2对应2、位置1-3对应3、位置1-外对应4、位置2-1对应5、位置2-2对应6、位置2-3对应7、位置2-外对应8这种对应关系进行数值化转换。
32.表1为多个原始生产数据的示例，表2为对其进行预处理以后得到的生产数据。
33.表1
34.工序名称沉积时间h甲烷流量l温度产品位置单位增重kg/h1808011201-10.29
1808011201-20.331808011201-外0.201808011202-10.081808011202-20.181 80 2-外0.121808011301-10.361808011301-20.23
35.表2
36.工序名称沉积时间h甲烷流量l温度装炉位置单位增重kg/h18080112010.2918080112020.3318080112040.2018080112050.0818080112060.1818080113010.3618080113020.23
37.在对缺失数据进行剔除，对符号型数据进行数值化之后，本实施例的预处理还可以包括对处理后的生产因子进行归一化处理，归一化主要是把数据映射到0～1之间，可以使得数据处理更方便快捷。
38.归一化处理所用的公式如下：
[0039][0040]
式(1)中，x
norm
为归一化后的生产因子数据；x
原
为原始的生产因子数据；x
max
、x
min
分别为该类生产因子的所有数据中的最大值和最小值。
[0041]
需要说明的是，归一化是对每一种生产因子分别进行归一化。
[0042]
s2：采用基于学习自动机的聚类算法对所有所述生产数据进行聚类，得到多个簇；
[0043]
本实施例的基于学习自动机的聚类算法是将模糊c-均值聚类算法和学习自动机进行结合提出的一种新的聚类算法。模糊c-均值聚类算法(fuzzy c-means，fcm)通过优化目标函数得到每个样本点对所有类中心的隶属度，采用欧氏距离来对相似性进行度量，将相似的样本分配到同一簇，不同的样本分配到不同簇。学习自动机(la)是强化学习中的一类算法，运行在概率空间中，通过不断与未知环境的交互来学习最优值。学习自动机根据环境反馈情况(奖励或惩罚)来调整每个动作被选中的概率分布，并使概率值最终收敛到最佳动作。
[0044]
如图2所示，s2可以包括：
[0045]
s21：对学习自动机的q表进行初始化，得到初始q表；
[0046]
以每一生产数据作为一个样本，对每个样本属于每个簇的概率进行等概率分配，构建一个j行k列的q表，形成初始q表。
[0047]
如图3所示，其为生产数据与初始q表的关联图。图3中，x为所有沉积炉原料数据组
成的集合，x＝[x1，x2，...，xj，...，xj]
t
，其为j
×
l矩阵；xj为第j个沉积炉原料数据；j＝1，2，...，j；j为沉积炉原料数据的总数量，也即为s1中所获取的生产数据的总数量；xj＝[x
j1
，x
j2
，...，x
jl
，...，x
jl
]；x
jl
为第j个沉积炉原料数据的第l个生产因子的值；l＝1，2，...，l；l为生产因子的总个数，本实施例中取l为4。y为所有产品单位增重组成的集合，y＝[y1，y2，...，yj，...，yj]
t
，其为j
×
1矩阵。
[0048]
本实施例中，学习自动机的动作集为a＝[a1，a2，...，ak，...，ak]
t
，其为k
×
1矩阵，动作集包括k个动作，k＝1，2，...k；将其与聚类数建立映射关系，k个动作对应聚类结果的k个簇。q表中的元素q
jk
表示第j个沉积炉原料数据对第k个簇的隶属度；q
jk
包括和表示第j个沉积炉原料数据选择第k个动作，为学习自动机对应的第j个沉积炉原料数据选择第k个动作的概率，q
jk
中的即为第j个沉积炉原料数据属于第k个簇的概率，概率越大，第j个沉积炉原料数据属于第k个簇的可能性越大，q
jk
的值与的值相等。
[0049]
s22：根据所述初始q表和所述沉积炉原料数据，计算目标函数值和类内平均距离；
[0050]
具体的，s22可以包括：
[0051]
1)根据初始q表和沉积炉原料数据，利用簇中心计算公式得到多个簇中心，利用目标函数得到目标函数值；
[0052]
簇中心计算公式如下：
[0053][0054]
式(2)中，ck为第k个簇中心；m为模糊系数，m》1。
[0055]
目标函数如下：
[0056][0057]
式(3)中，j(q，c1，c2，...ck，...ck)为目标函数值；d
jk
为第j个样本与第k个簇中心之间的欧式距离；c
kl
为第k个簇中心的第l个生产因子的值。
[0058]
2)根据初始q表将所有沉积炉原料数据划分为多个簇；
[0059]
具体的，对于每一个沉积炉原料数据，根据初始q表确定该沉积炉原料数据的概率最大值所对应的簇，进而将该沉积炉原料数据划分至该簇。举例而言，对于第j个沉积炉原料数据而言，如果q
jk
为概率最大值，此处的概率最大值是针对第j个沉积炉原料数据所对应的所有概率而言的，即q
j1
、q
j2
、...q
jk
中的最大值，也即初始q表中的第j行元素中的最大值，则选取第k个簇作为第j个原始数据所属簇，进而将所有沉积炉原料数据划分为k个簇。
[0060]
由于在第一次迭代时，是等概率分配得到初始q表的，此时初始q表中的所有概率值均相等，故在第一次迭代时随机将所有沉积炉原料数据划分为k个簇。
[0061]
3)根据簇中心，利用类内平均距离计算公式得到每一簇的类内平均距离。
[0062]
类内平均距离计算公式如下：
[0063][0064]
式(4)中，adis(ck)为第k个簇中的各个沉积炉原料数据之间的类内平均距离；|ck|为第k个簇所包括的沉积炉原料数据的个数；i＝1，2，...，|ck|；xi为属于第k个簇的第i个沉积炉原料数据；x
il
为属于第k个簇的第i个沉积炉原料数据的第l个生产因子的值。
[0065]
s23：对当前迭代得到的目标函数值和类内平均距离和上次迭代得到的目标函数值和类内平均距离进行比较，得到比较结果；根据所述比较结果，利用学习自动机对所述初始q表进行更新，得到更新后q表；
[0066]
具体的，s23可以包括：
[0067]
1)判断当前迭代得到的目标函数值是否小于上次迭代得到的目标函数值，得到第一判断结果；
[0068]
2)对于每一簇，判断当前迭代得到的类内平均距离是否小于上次迭代得到的类内平均距离，得到第二判断结果；
[0069]
对于第一次迭代而言，上次迭代得到的目标函数值和类内平均距离均为初始设定值。具体的，算法随机选择簇中心，并随机聚类，再利用上式(3)和上式(4)计算得到初始目标函数值和初始类内平均距离。
[0070]
3)若第一判断结果为是且第二判断结果为是，则学习自动机根据奖励信号计算公式对该簇对应的部分初始q表进行更新；否则，则学习自动机根据惩罚信号计算公式对该簇对应的部分初始q表进行更新；对所有簇对应的部分初始q表进行更新后，得到更新后q表。
[0071]
学习自动机根据判断结果对概率值进行奖励或者惩罚，一个簇对应的部分初始q表即为该簇所包括的所有沉积炉原料数据在初始q表中所对应的行。若新的迭代使得目标函数值和类内平均距离同时减小，则说明本次迭代使得聚类效果更优，此时给予一个奖励信号，否则给予一个惩罚信号。
[0072]
奖励信号计算公式如下：
[0073][0074]
式(5)中，pj(n)为第n次迭代中第j个沉积炉原料数据的概率最大值；pj(n+1)为pj(n)所在位置的更新后的概率值；a为奖励系数；若上次迭代中，第j个沉积炉原料数据属于第k个簇，本次迭代中第j个沉积炉原料数据仍然属于第k个簇，则式(5)中j＝k，否则，j≠k。
[0075]
惩罚信号计算公式如下：
[0076][0077]
式(6)中，b为惩罚系数；r为动作总数，即初始化时候的k值；奖励系数和惩罚系数的取值范围为[0，1]，一般均取0.5。
[0078]
s24：判断是否达到预设终止条件；
[0079]
预设终止条件为当前迭代次数达到最大迭代次数或者当前迭代得到的目标函数
值小于预设阈值。
[0080]
s25：若是，则结束迭代，根据所述更新后q表将所有所述生产数据划分为多个簇；
[0081]
即若当前迭代次数达到最大迭代次数或者当前迭代得到的目标函数值小于预设阈值，则结束迭代。对于每一生产数据，根据更新后q表确定生产数据的概率最大值所对应的簇，将该簇作为生产数据所属簇。即选取每一个生产数据在更新后q表中的对应行的概率最大值的对应列作为该生产数据所属簇，进而将所有生产数据划分为多个簇，得到聚类结果。
[0082]
s26：若否，则继续迭代，将所述更新后q表作为下一迭代中的初始q表，返回s22“根据所述初始q表和所述沉积炉原料数据，计算目标函数值和类内平均距离”的步骤。
[0083]
本实施例根据学习自动机采用奖励或者惩罚的方式来对q表中的每个样本的概率值进行更新，并在迭代结束后根据概率最大值将所有生产数据划分为多个簇，进而完成聚类。
[0084]
s3：根据所述产品单位增重对所有所述簇进行等级划分，确定优质生产因子集合、合格生产因子集合和劣质生产因子集合。
[0085]
具体的，计算每个簇所包括的所有生产数据中的产品单位增重的平均值，得到每一簇对应的平均单位增重。对于每一簇，判断平均单位增重是否大于第一增重阈值，得到第三判断结果，若第三判断结果为是，则该簇所包括的所有沉积炉原料数据均为优质生产因子集合，并将该簇内所有沉积炉原料数据存入优质生产因子数据库中。若第三判断结果为否，则判断平均单位增重是否小于第二增重阈值，若是，则该簇所包括的所有沉积炉原料数据均为劣质生产因子集合，并将该簇内所有沉积炉原料数据存入劣质生产因子数据库中，为后续产品生产的预警提供依据。否则，即平均单位增重大于或等于第二增重阈值，但小于或等于第一增重阈值时，则该簇所包括的所有沉积炉原料数据均为合格生产因子集合，并将该簇内所有沉积炉原料数据存入合格生产因子数据库中。进而基于每一簇对应的平均单位增重、第一增重阈值和第二增重阈值对所有原料数据进行等级划分。其中，第一增重阈值大于第二增重阈值，且均大于零。
[0086]
本实施例将机器学习中的聚类算法和强化学习中的学习自动机结合，对模糊聚类算法(fcm)进行改进，创新性的提出采用无监督机器学习聚类算法进行碳碳复合材料沉积炉生产数据智能分析的方法，采用模糊聚类思想进行生产数据智能分析，并采用学习自动机进行模糊隶属度计算。然后利用改进后的模糊聚类算法处理碳碳复合材料沉积炉产品生产过程中的因子数值，创新性的将聚类方法用于对碳碳复合材料沉积炉产品生产过程中的生产因子值进行最优生产因子筛选，根据聚类结果确定在产品单位增重合格的前提下不同位置对应的生产产品在生产过程中的优质、合格及劣质因子设定值，并将其存入对应数据库，供生产过程中参考，以达到提高产品合格率，提高生产效率的目的。
[0087]
本实施例的方法优势包括：1.为了确定生产过程中各个因子值的最优值，结合产品单位增重量合格值，将单位增重值合格的产品生产信息分离出来，提供了每个合格产品生产过程中具体的因子值。采用聚类算法对产品生产信息进行聚类，根据各个簇的簇中心结合单位增重合格值判断各个簇为优质产品、合格产品或者劣质产品，据此确定优质产品因子设定值、合格产品因子设定值和劣质产品因子设定值。将劣质产品因子设定值存入指定劣质产品因子数据库，在以后生产过程中，作为对比数据库信息，新的生产数据与劣质产
品因子数据库信息匹配，则发出报警信息，进行产品因子设定值修正。2.利用学习自动机对模糊隶属度进行计算，可以充分的考虑到每个合格产品的各个因子值对最后聚类结果的影响，在改善聚类效果的同时又能准确的给出在单位增重合格的前提下生产产品中各个因子的最优值，从而得到最佳的碳碳复合材料沉积炉生产数据设定值。
[0088]
实施例2：
[0089]
本实施例用于提供一种碳碳复合材料沉积炉生产数据智能分析系统，如图4所示，所述智能分析系统包括：
[0090]
获取模块m1，用于获取多个生产数据；所述生产数据包括沉积炉原料数据以及产品单位增重；所述沉积炉原料数据为碳碳复合材料沉积炉生产过程中各个生产因子的值；
[0091]
聚类模块m2，用于采用基于学习自动机的聚类算法对所有所述生产数据进行聚类，得到多个簇；
[0092]
分析模块m3，用于根据所述产品单位增重对所有所述簇进行等级划分，确定优质生产因子集合、合格生产因子集合和劣质生产因子集合。
[0093]
本实施例的智能分析系统还包括存储模块，用于将所述优质生产因子集合、所述合格生产因子集合和所述劣质生产因子集合对应的所述生产数据进行分类存储。
[0094]
本实施例首先将生产因子数值化，然后根据实际生产需求对生产因子采用一种基于学习自动机的聚类算法进行分析，使得碳碳复合材料沉积炉生产数据按照产品单位增重优劣划分为不同的类别，据此得到影响产品单位增重因素较大的生产因素，从而找出最佳配料比的生产因子值来实现单位增重最大化，显著提高合格率。
[0095]
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0096]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。