本发明涉及光伏玻璃生产数据处理及玻璃生产设备控制领域，具体涉及基于神经网络的光伏平板玻璃成型预测方法及系统。
背景技术：
1、在光伏平板玻璃板的生产过程中，玻璃厚度的控制通常依赖于调整压延机的工艺参数。传统的做法是在工艺参数调整后，操作人员需等待玻璃板经过退火窑到达冷端才能测量其厚度，中间存在一个等待时间约为20min～50min。如果厚度与预设目标值有差异，就需要继续调整工艺参数。这一过程主要依赖于人员经验，在每次设备换机重新生产时需要数论工艺参数的调整才能稳定生产，调整时间长，试错成本高。
2、此外，光伏平板玻璃的压延成型过程通常可被描述为一个包含一些非线性特性的模型，它涉及到多个因素和复杂的物理特性，这些特性在受到不同条件影响时不按简单线性规律变化，这些因素通常表现出非线性响应。
3、首先，在玻璃液受到外部力量作用时，它可以同时表现出弹性和塑性行为。在弹性阶段，玻璃会回复原状，而在塑性阶段，它会发生永久性变形。这两种行为是非线性的，它们的响应不是简单的线性关系。再者，温度是一个重要的因素，可以显著影响玻璃的性质。随着温度的升高或降低，玻璃的热膨胀系数、粘度和其他物理性质都会发生非线性变化。最后，在压延成型过程中，施加到压杆的压力和压延辊的线速度也会影响玻璃的形变行为。综合来看，非线性特性是光伏平板玻璃压延成型过程中多个因素相互作用的结果，这些因素包括温度、压力、材料特性等。因此，为了准确描述和模拟这个过程，通常需要考虑这些非线性因素。
4、公布号为cn108108768a的现有发明专利申请文献《基于卷积神经网络的光伏玻璃缺陷分类方法及装置》，该现有方法包括：对多种的缺陷样本进行多角度变光照的图像采集，以得到多个图像；预处理各图像并融合多通道信息，生成多通道融合的缺陷样本图像；采用满足预设条件的卷积神经网络模型，根据缺陷类别设计特征提取网络，以构建特征提取卷积神经网络；获取全连接神经网络的层数及各层神经元个数，构建特征分类网络；在最小化交叉熵损失函数的条件下，完成卷积神经网络的训练；根据输入的样本图像，通过训练后的卷积神经网络，输出缺陷类别的预测结果。
5、公布号为cn111259540a的现有发明专利申请文献《一种光伏玻璃压延成型过程能效分析与优化方法》，该现有方法包括：设备层数据采集模块、能效分析模块、主因素筛选模块和能效优化模块；本发明主要针对光伏玻璃压延成型过程的能效分析与优化，结合了玻璃挤压变形的相关理论，建立光伏玻璃压延成型过程的能效模型，筛选出主影响因素，进行优化，并反馈给控制系统，以达到降低能耗，提高生产效率的目的。由该现有技术的具体实施方案可知，光伏玻璃压延成型过程能效优化的数学描述中，光伏玻璃成型过程能效优化可看作是一个非线性的约束规划问题，具体可用下式表示：式中，f(x)表示优化的目标，在本发明中为前文提到的能效评价指标η，gi(x)表示不等式约束条件，hj(x)表示等式约束条件，xj表示变量的取值范围；步骤s47：筛选出来的能效优化变量以及约束条件：玻璃液温度：t(℃)∈[800,1000]；辊的线速度：v＝ωr。前述采用传统的机理模型建立来控制成型质量，对检测速度、温度等反馈信号的精度和实时性要求较高，且在生产环境中往往存在阶段性的无效数据，前述现有技术中的控制方式成本高，误差大，且难以工程化。为了提高光伏平板玻璃的生产效率，减少工艺调整时间和试错成本，有必要开发一种能够基于设定的工艺参数值来预测玻璃板厚度的方法。
6、综上，现有技术存在成型质量成本高、误差大、工程化困难以及生产效率低的技术问题。
技术实现思路
1、本发明所要解决的技术问题在于：如何解决现有技术中成型质量成本高、误差大、工程化困难以及生产效率低的技术问题。
2、本发明是采用以下技术方案解决上述技术问题的：基于神经网络的光伏平板玻璃成型预测方法及系统包括：
3、s1、将压延设备调试至预置稳态生产工况下，采集压延设备的设备数据，据以构成输入参数、输出参数；
4、s2、根据输入参数、输出参数，构建基于前馈神经网络的光伏平板玻璃板厚影响模型，其中，基于前馈神经网络的光伏平板玻璃板厚影响模型包括：输入层、隐藏层以及输出层；
5、s3、对输入参数、输出参数，进行归一化处理、预处理操作，以得到输入参数归一化向量；
6、s4、利用输入参数归一化向量，训练基于前馈神经网络的光伏平板玻璃板厚影响模型，以获得适用光伏平板玻璃板厚预测模型；
7、s5、将生产待调整工艺参数，输入至适用光伏平板玻璃板厚预测模型，获得玻璃板厚预测值；
8、s6、利用预置验证数据集，对适用光伏平板玻璃板厚预测模型进行模型验证，以得到部署维护参数；
9、s7、根据部署维护参数，进行部署并维护适用光伏平板玻璃板厚预测模型。
10、在更具体的技术方案中，步骤s2中，输入层包括：不少于2个输入特征，根据输入参数处理得到输入特征，据以组成输入向量。
11、本发明构建基于前馈神经网络的光伏平板玻璃板厚影响模型，减轻了光伏平板玻璃成型操作对人工操作的依赖，本发明利用归一化处理后的输入、输出参数对基于前馈神经网络的光伏平板玻璃板厚影响模型进行培训，获得光伏平板玻璃板厚预测模型。将生产中需要调整的工艺参数输入到预测模型中获得玻璃板厚的预测值，大大提高了工艺参数调整的时间，提高了生产效率。
12、在更具体的技术方案中，步骤s2中，隐藏层包括：不少于2个神经元节点，以每个神经元节点接收输入向量，对输入向量进行加权求和、函数激活操作，其中，利用下述逻辑进行函数激活操作，以得到激活值：
13、
14、式中，n为隐藏层中的神经元个数，hj为第i个神经元的激活值，hj是第j个神经元的输入加权和，ωij是第j个神经元与输入层的第i个神经元之间的连接权重，xi是输入层的第i个特征，bj是第j个神经元的偏置项，η是激活函数，将输入加权和转化为隐藏层的输出。
15、在更具体的技术方案中，利用下述逻辑，定义激活函数η：
16、
17、其中，x＝[vupper roller,vlower roller，vsecondary roller，vtransition roller，pleft，pright，toverflow，dupper roller，dlower roller，qupper roller，qlower roller，tcoolant，vfront，vmain，tambient]。
18、输出层包括：不少于2个输出层神经元，用以利用下述逻辑，在输出层神经元中计算平板玻璃厚度dglass、a区温度ta：
19、
20、
21、其中，υ1i和υ2i表示连接第n个隐藏层神经元hni到玻璃厚度dglass和a区退火窑温度ta输出神经元的权重，c1和c2是输出神经元的偏置。
22、本发明基于光伏玻璃压延机的输入参数和玻璃温度厚度等质量参数进行大数据分析，培训出生产工艺模型，再利用生产工艺模型预测玻璃质量，在数采的数据中存在无效数据时可以滤除，对结果不产生影响，有效提高光伏玻璃生产中工艺参数调整的时间，提高生产效率。
23、在更具体的技术方案中，步骤s3包括：
24、s31、利用z-score标准化函数，剔除输入参数中的无效速度数据，并进行归一化处理：
25、
26、其中，z是数据点的z分数，x是数据点的原始值，μ是数据集的均值，σ是数据集的标准差，其中，利用下述逻辑确定数据集的标准差σ：
27、
28、其中，n表示样本中的数据点数量，xi表示第个i数据点的值，表示数据集的均值；
29、s32、对输入参数中的压延机压杆压力数据进行滤噪处理、min-max归一化处理；
30、s33、上辊冷却水流量qupper roller，下辊冷却水流量qlower roller的单位是m3/h；对输入参数中的上、下辊冷却水流量进行流量预处理、流量归一化处理：
31、
32、式中，fnorm[k]表示表示在时间点k处的归一化后的信号值，wan[k]是加权移动平均后的信号值，wanmin[k]、wanmax[k]分别表示加权移动平均后的信号值最小值、最大值，其中，利用下述逻辑，计算加权移动平均后的信号值wan[k]：
33、
34、式中，ω(i)表示权重用于指定各个数据点的相对贡献，ω(i)是在时间k-i处的流量信号值；
35、s34、采用min-max公式，对输入参数中的温度数据、玻璃厚度数据以及辊件直径进行归一化处理，据以得到输入参数归一化向量。
36、本发明对输入、输出数据进行归一化处理，对模型输入输出数据进行清洗、归一化和预处理，剔除速度数据中的无效数据，滤除压杆压力、上下辊冷却水流量等数据中的工程噪声，能够确保数据的质量和一致性。
37、在更具体的技术方案中，步骤s32还包括：
38、s321、利用下述逻辑，对压延机压杆压力数据进行滤噪处理，以得到滤噪压杆压力：
39、
40、式中，y[n]是滤波算法的输出的压力值，x[n]是压力输入信号，bk是滤波器的前向系数，am是滤波器的反馈系数，n和m分别是前向系数和反馈系数的阶数；
41、s322、利用min-max归一化处理算法，处理滤噪压杆压力：
42、
43、式中，ynorm[n]是归一化后的压力值，ymin[n]是信号的最小值，ymax[n]是信号的最大值。
44、在更具体的技术方案中，步骤s4包括：
45、s41、将输入参数归一化向量，按预置批次输入基于前馈神经网络的光伏平板玻璃板厚影响模型，据以进行前向传播，以得到预测值：
46、
47、s42、计算预测值与真实值之间的损失；
48、s43、利用反向传播、随即梯度下降法，更新基于前馈神经网络的光伏平板玻璃板厚影响模型的权重和偏差：
49、
50、式中，是影响模型更新后的权重值，ωij是光伏平板玻璃板厚影响模型的原始的权重值，β表示学习率；是损失函数相对于权重ωij的偏导数。
51、本发明使用训练集来训练前馈神经网络模型。在训练过程中，模型通过反向传播算法不断调整权重和偏置以减小损失函数。
52、在更具体的技术方案中，步骤s42中，利用下述逻辑，计算预测值与真实值之间的损失：
53、
54、
55、式中，是预测厚度值，dglass是同一参数集下的玻璃板实际厚度值，预测温度值，ta是同一参数集下的a区玻璃板实际温度值。
56、在更具体的技术方案中，步骤s43中，利用下述规则逻辑，进行偏差更新操作：
57、
58、式中，j表示当前层的神经元索引，是更新后的偏差值，bj是原始的偏差值.
59、在更具体的技术方案中，基于神经网络的光伏平板玻璃成型预测系统包括：
60、输入输出参数构建模块，用以将压延设备调试至预置稳态生产工况下，采集压延设备的设备数据，据以构成输入参数、输出参数；
61、玻璃板厚影响建模模块，用以根据输入参数、输出参数，构建基于前馈神经网络的光伏平板玻璃板厚影响模型，其中，基于前馈神经网络的光伏平板玻璃板厚影响模型包括：输入层、隐藏层以及输出层，玻璃板厚影响建模模块与输入输出参数构建模块连接；
62、向量化处理模块，用以对输入参数、输出参数，进行归一化处理、预处理操作，以得到输入参数归一化向量，向量化处理模块与输入输出参数构建模块连接；
63、模型训练模块，用以利用输入参数归一化向量，训练基于前馈神经网络的光伏平板玻璃板厚影响模型，以获得适用光伏平板玻璃板厚预测模型，模型训练模块与向量化处理模块及玻璃板厚影响建模模块连接；
64、玻璃板厚预测模块，用以将生产待调整工艺参数，输入至适用光伏平板玻璃板厚预测模型，获得玻璃板厚预测值，玻璃板厚预测模块与模型训练模块连接；
65、模型验证模块，用以利用预置验证数据集，对适用光伏平板玻璃板厚预测模型进行模型验证，以得到部署维护参数，模型验证模块与模型训练模块连接；
66、模型部署维护模块，用以根据部署维护参数，进行部署并维护适用光伏平板玻璃板厚预测模型，模型部署维护模块与模型验证模块连接。
67、本发明相比现有技术具有以下优点：
68、本发明构建基于前馈神经网络的光伏平板玻璃板厚影响模型，减轻了光伏平板玻璃成型操作对人工操作的依赖，本发明利用归一化处理后的输入、输出参数对基于前馈神经网络的光伏平板玻璃板厚影响模型进行培训，获得光伏平板玻璃板厚预测模型。将生产中需要调整的工艺参数输入到预测模型中获得玻璃板厚的预测值，大大提高了工艺参数调整的时间，提高了生产效率。
69、本发明基于光伏玻璃压延机的输入参数和玻璃温度厚度等质量参数进行大数据分析，培训出生产工艺模型，再利用生产工艺模型预测玻璃质量，在数采的数据中存在无效数据时可以滤除，对结果不产生影响，有效提高光伏玻璃生产中工艺参数调整的时间，提高生产效率。
70、本发明对输入、输出数据进行归一化处理，对模型输入输出数据进行清洗、归一化和预处理，剔除速度数据中的无效数据，滤除压杆压力、上下辊冷却水流量等数据中的工程噪声，能够确保数据的质量和一致性。
71、本发明解决了现有技术中存在的成型质量成本高、误差大、工程化困难以及生产效率低的技术问题。
1.基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述步骤s2中，所述输入层包括：不少于2个输入特征，根据所述输入参数处理得到所述输入特征，据以组成输入向量。
3.根据权利要求1所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述步骤s2中，所述隐藏层包括：不少于2个神经元节点，以每个所述神经元节点接收所述输入向量，对所述输入向量进行加权求和、函数激活操作，其中，利用下述逻辑进行所述函数激活操作，以得到激活值：
4.根据权利要求3所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，利用下述逻辑，定义所述激活函数η：
5.根据权利要求1所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述步骤s3包括：
6.根据权利要求5所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述步骤s32还包括：
7.根据权利要求1所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述步骤s4包括：
8.根据权利要求7所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述步骤s42中，利用下述逻辑，计算预测值与真实值之间的损失：
9.根据权利要求7所述的基于神经网络的光伏平板玻璃成型预测方法，其特征在于，所述步骤s43中，利用下述规则逻辑，进行偏差更新操作：
10.基于神经网络的光伏平板玻璃成型预测系统，其特征在于，所述系统包括：
