融合Mar-G LSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点，传统神经网络不具备长期记忆能力，且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题，提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型，对流程生产时序数据信息进行选择性记忆，学习时序数据序列的信息依赖，进而解决训练过程中的梯度爆炸问题；同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化，在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后，结合某流程生产线的工艺数据进行分析验证，结果表明，Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测，为降低工艺参数调控任务的完成时间提供了思路和实现途径。