本发明涉及过程知识系统领域，特别涉及一种基于过程参数的结果反馈方法及装置。
背景技术：
在过程知识系统(processknowledgesystem，简称pks)中，参数的智能反馈主要包括对参数数据进行实时监控，如果超出范围预警，则发出警告，也就是说，现有技术中仅对参数进行反馈和监控，而没有对其相应的结果进行反馈。
现有技术中，kps能够采集制造过程中的数据，依据经验值进行参数分析反馈，反馈面比较狭隘，且分析结果往往不够准确，难以精准地全面反映系统中存在的问题，导致系统预警效率低下，影响制造效率和品质。
技术实现要素：
为了解决现有技术的问题，本发明提供了一种基于过程参数的结果反馈方法及装置，所述技术方案如下：
一方面，本发明提供了一种基于过程参数的结果反馈方法，包括：
接收结果反馈请求，所述反馈请求包括中间体结果类型；
获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
获取所述结果反馈神经网络模型的输出结果。
进一步地，在将所述过程参数集输入结果反馈神经网络模型之前还包括训练结果反馈神经网络模型，包括：
获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
进一步地，对所述初始权重进行更新包括：
获取权重误差系数，得到权重改变量；
根据权重改变量，更新权重；
通过以下公式实现权重更新：
δwij＝l(errjoi)，
wij＝wij+δwij，其中，wij为上一层单元i与本层单元j的连接的权重，δwij为上一层单元i与本层单元j的连接的权重改变量，errj为单元j的权重误差系数，l为学习率，oi为上一层的单元i的输出。
进一步地，所述误差系数包括输出层权重误差系数，所述输出层权重误差系数通过以下公式获取：
errj＝oj(1-oj)(tj-oj)，其中，tj为单元j给定训练元组的已知目标值，oj为本层单元j的实际输出，
进一步地，所述误差系数包括隐藏层权重误差系数，所述隐藏层权重误差系数通过以下公式获取：
进一步地，对所述初始偏置进行更新包括：
获取权重误差系数，得到偏置改变量；
根据偏置改变量，更新偏置；
通过以下公式实现偏置更新：
δθj＝(-l)errj，
θj＝θj+δθj，其中，θj为本层单元j的偏置，δθj为偏置改变量，errj为单元j的权重误差系数，l为学习率。
进一步地，所述权重收敛包括满足以下任一条件：
权重更新的改变量小于预设的第一阈值；
结果反馈神经网络模型的误分类元组百分比小于预设的第二阈值；
权重更新次数达到预设的第三阈值。
另一方面，本发明提供了一种基于过程参数的结果反馈装置，包括以下模块：
请求模块，用于接收结果反馈请求，所述反馈请求包括中间体结果类型；
参数模块，用于获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
输入模块，用于将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
输出模块，用于获取所述结果反馈神经网络模型的输出结果。
进一步地，所述装置还包括训练模块，所述训练模块包括：
样本单元，用于获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
初始化单元，用于建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
更新单元，用于利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
进一步地，所述权重收敛包括满足以下任一条件：
权重更新的改变量小于预设的第一阈值；
结果反馈神经网络模型的误分类元组百分比小于预设的第二阈值；
权重更新次数达到预设的第三阈值。
本发明提供的技术方案带来的有益效果如下：
1)利用后向传播法，对神经网络模型的权重和偏置进行更新，不断提高模型的分类准确度；
2)利用结果反馈神经网络模型对pks制造过程中的输入参数进行分类，看反应物是否合格，实现智能反馈。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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。
图1是本发明实施例提供的基于过程参数的结果反馈方法流程图；
图2是本发明实施例提供的结果反馈神经网络模型的训练方法流程图；
图3是本发明实施例提供的多层前馈神经拓扑结构示意图；
图4是本发明实施例提供的单个神经网络单元的输入输出结构示意图；
图5是本发明实施例提供的基于过程参数的结果反馈装置的模块框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
在本发明的一个实施例中，提供了一种基于过程参数的结果反馈方法，参见图1，所述方法包括以下流程：
s1、接收结果反馈请求，所述反馈请求包括中间体结果类型。
具体地，所述中间体结果类型即为在过程制造过程中某一工段需要控制的中间体结果，具体类型应当根据实际工段确定，比如：提取工段，成分含量是主要的cqa；在浓缩工段，固含、浸膏比重是cqa；在醇沉和萃取工段，指标成分的转移率、杂质的去除率是cqa，等等。
s2、获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集。
使用rsd(相对标准偏差)分析和相关性分析联用来筛选实际生产中影响产品质量的关键工艺参数，数据处理均在pks系统的rsd分析模块和相关性模块中进行。由于复杂体系制造过程中影响结果的参数一般多多维度的，因此影响产品质量的过程参数一般为多种。
s3、将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到。
具体的训练方法和流程在下述实施例详细说明。
s4、获取所述结果反馈神经网络模型的输出结果。
通过建立结果反馈神经网络模型，对于每一个过程参数的输入，模型给出中间体结果是否合格的反馈结果，即模型在输出结果后，与预设的合格标准作比较，反馈合格或者不合格(或者优/良/中/差)的结果。
实施例2
在本发明的一个实施例中，提供了一种结果反馈神经网络模型的训练方法，参见图2，所述方法流程包括：
s21、获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
s22、建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
s23、利用后向传播法，对所述初始权重和初始偏置进行更新；
s24、判断是否实现权重收敛，若是，得到结果反馈神经网络模型，否则重复执行s23-s24。
误差反向传播的过程就是将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值，即权值调整的过程。
图3为多层前馈神经网络的拓扑结构示意图，包括一输入层、一隐藏层和一输出层，所述输入层包含若干个单元i，所述隐藏层包含若干个单元j，所述输出层包含若干个单元k。如图所示，输入层的单元i与隐藏层的单元j的连接的权重为wij，隐藏层的单元j与输出层的单元k的连接的权重为wjk。
在本发明的另一个实施例中，神经网络模型中的隐藏层数量为多于一层，未图示，其模型建立方法及权重、偏置更新方法与一层隐藏层的神经网络模型是一样的，下面以单隐藏层的神经网络模型为例进行说明：
神经网络的权重被初始化为小的随机数，每个神经网络单元(简称：神经元)都有一个相关联的偏置，所述偏置也同样初始化为小的随机数。以隐藏层中的单个神经元j为例，参见图4：
单元j的净输入计算公式如下：
单元j的输出计算公式如下：
计算后向传播误差的过程包括对初始权重和初始偏置进行误差更正，实现权重和偏置的更新。
在本发明的一个实施例中，所述权重误差系数通过以下公式获取：
errj＝oj(1-oj)(tj-oj)，其中，tj为单元j给定训练元组的已知目标值，oj为本层单元j的实际输出，oj(1-oj)为逻辑逻辑斯蒂函数的导数。
在本发明的另一个实施例中，所述权重误差系数根据所在输出层或隐藏层而有所不同，在本实施例中，分别定义为输出层权重误差系数和隐藏层权重误差系数，对于输出层的单元j，权重误差系数(即输出层权重误差系数)通过以下公式获取：
errj＝oj(1-oj)(tj-oj)，其中，tj为单元j给定训练元组的已知目标值，oj为本层单元j的实际输出；
对于隐藏层的单元j，权重误差系数(即隐藏层权重误差系数)通过以下公式获取：
基于此，对所述初始权重进行更新包括：
获取权重误差系数，得到权重改变量δwij＝l(errjoi)；
根据权重改变量，更新权重wij＝wij+δwij，其中，wij为上一层单元i与本层单元j的连接的权重，δwij为上一层单元i与本层单元j的连接的权重改变量，errj为单元j的权重误差系数，oi为上一层的单元i的输出，l为学习率，所述学习率通常取(0.0,1.0)区间内的常数值。
另一方面，对所述初始偏置进行更新包括：
获取权重误差系数，得到偏置改变量δθj＝(-l)errj；
根据偏置改变量，更新偏置θj＝θj+δθj，其中，θj为本层单元j的偏置，δθj为偏置改变量，errj为单元j的权重误差系数，l为学习率，所述学习率通常取(0.0,1.0)区间内的常数值，权重更新中的学习率和偏置更新中的学习率可以单独设置(设置为不同的数值)，也可以统一设置为同一数值，优选取值为0.3。
如果每处理一个样本就更新权重和偏置，称为实例更新(caseupdate)；如果处理完训练集中的所有元组之后再更新权重和偏置，称为周期更新(epochupdate)。理论上，反向传播算法的数据推导使用周期更新，但是在实践中，实例更新通常产生更加准确的结果。
进一步地，所述权重收敛包括满足以下任一条件：
权重更新的改变量小于预设的第一阈值，即δwij小于某个指定的阀值；
结果反馈神经网络模型的误分类元组百分比小于预设的第二阈值，比如利用建立的模型对某一样本进行分类，参考对应的已知目标值，该模型的误分类比例值小于5％；
权重更新次数达到预设的第三阈值，比如周期更新达到10万次，
如果满足以上条件之一，即可停止训练。实践中，权重收敛可能需要数十万个周期，神经网络的训练有很多经验和技巧，优选使用模拟退火技术，确保神经网络收敛到全局最优。
通过上述算法训练学习建立结果反馈神经网络模型，对于每一个过程参数的输入，模型给出中间体结果是否合格的反馈结果，即模型在输出结果后，与预设的合格标准作比较，反馈合格或者不合格(或者优/良/中/差)的结果。
实施例3
在本发明的一个实施例中，提供了一种基于过程参数的结果反馈装置，参见图5，所述装置包括以下模块：
请求模块310，用于接收结果反馈请求，所述反馈请求包括中间体结果类型；
参数模块320，用于获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
输入模块330，用于将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
输出模块340，用于获取所述结果反馈神经网络模型的输出结果。
进一步地，所述装置还包括训练模块350，所述训练模块350包括：
样本单元351，用于获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
初始化单元352，用于建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
更新单元353，用于利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
进一步地，所述权重收敛包括满足以下任一条件：
权重更新的改变量小于预设的第一阈值；
结果反馈神经网络模型的误分类元组百分比小于预设的第二阈值；
权重更新次数达到预设的第三阈值。
通过上述算法训练学习建立结果反馈神经网络模型，对于每一个过程参数的输入，模型给出中间体结果是否合格的反馈结果，即模型在输出结果后，与预设的合格标准作比较，反馈合格或者不合格(或者优/良/中/差)的结果。
需要说明的是：上述实施例提供的基于过程参数的结果反馈装置在进行结果智能反馈时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将基于过程参数的结果反馈装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例提供的基于过程参数的结果反馈装置实施例与上述实施例提供的基于过程参数的结果反馈方法属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。