(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111283179.2 (22)申请日 2021.11.01 (71)申请人 太原理工大 学 地址 030024 山西省太原市迎泽西大街79 号 (72)发明人 李凤莲　张雪英　黄丽霞　张晋义　 陈桂军　闫静　任会娟　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 董领逊 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 113/26(2020.01) G06F 119/02(2020.01) (54)发明名称 一种碳碳复合材料沉积炉生产数据智能分 析方法及系统 (57)摘要 本发明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， 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， 为碳碳复合材料产品的 沉积炉生产过程提供依据， 显著提高碳碳复合材 料沉积炉产品的合格率。 权利要求书2页 说明书8页 附图3页 CN 114065615 A 2022.02.18 CN 114065615 A 1.一种碳碳复合材料沉积炉生产数据智能分析方法， 其特征在于， 所述智能分析方法 包括： 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； 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； 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。 2.根据权利要求1所述的智能分析方法， 其特征在于， 所述生产因子包括产品位置、 温 度、 甲烷流量和沉积时间。 3.根据权利要求1所述的智能分析方法， 其特征在于， 在获取多个生产数据后， 所述智 能分析方法还包括： 对所述沉积炉原料数据进行预处理， 得到预处理后的原料数据， 并将所述预处理后的 原料数据和所述产品单位增重作为新的生产数据； 所述预处理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。 4.根据权利要求1所述的智能分析方法， 其特征在于， 所述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， 得到多个簇具体包括： 对学习自动机的Q表进行初始化， 得到初始Q表； 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； 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； 判断是否 达到预设终止条件； 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； 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 “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。 5.根据权利要求4所述的智能分析方法， 其特征在于， 所述根据所述初始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具体包括： 根据所述初始Q表和所述沉积炉原料数据， 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； 根据所述初始Q表将所有所述 沉积炉原料 数据划分为多个簇； 根据所述簇中心， 利用类内平均距离计算公式得到每一所述簇的类内平均距离 。 6.根据权利要求5所述的智能分析方法， 其特征在于， 所述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表具体包 括： 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； 对于每一所述簇， 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；权　利　要　求　书 1/2 页 2 CN 114065615 A 2若所述第一判断结果为是且所述第 二判断结果为是， 则学习自动机根据 奖励信号计算 公式对所述簇对应的部分初始Q表进行 更新； 否则， 则所述学习自动机根据惩罚信号计算公式对所述簇对应的部分初始Q表进行更 新； 对所有所述簇对应的部分初始Q表进行 更新后， 得到更新后Q表。 7.根据权利要求4所述的智能分析方法， 其特征在于， 所述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。 8.根据权利要求4所述的智能分析方法， 其特征在于， 所述根据所述更新后Q表将所有 所述生产数据划分为多个簇具体包括： 对于每一所述生产数据， 根据所述更新后Q表确定所述生产数据的概率最大值所对应 的簇， 将所述簇作为所述 生产数据所属簇 。 9.根据权利要求1所述的智能分析方法， 其特征在于， 所述根据 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 具体包括： 计算所述簇所包括的所有所述产品单位增重的平均值， 得到每一所述簇对应的平均 单 位增重； 判断所述平均单位增重是否大于第一增重阈值， 得到第三判断结果； 若所述第三判断结果为是， 则所述簇所包括的所有所述沉积炉原料数据均为优质生产 因子集合； 若所述第三判断结果 为否， 则判断所述平均单位增重是否小于第二增重阈值； 若是， 则所述簇所包括的所有所述 沉积炉原料 数据均为劣质生产因子集 合； 否则， 则所述簇所包括的所有所述 沉积炉原料 数据均为 合格生产因子集 合。 10.一种碳碳复合材料沉积炉生产 数据智能分析系统， 其特征在于， 所述智能分析系统 包括： 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； 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； 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。权　利　要　求　书 2/2 页 3 CN 114065615 A 3