论文总字数：23006字

摘 要

本毕业设计论文主要内容是这一毕业设计的设计思路、设计方法、实现过程以及训练结果分析。设计思路是通过研究玻璃工艺得出玻璃工业大数据的具体内容，然后根据这些数据来进行分析预测模型的建立。设计方法是自己模拟得到数据，然后通过飞桨框架搭建神经网络模型来实现分析预测。实现过程经过了读取数据，归一化处理，搭建神经网络，定义训练场所及过程，最后是进行训练以及预测。通过对训练结果分析可以看出搭建的模型可以对玻璃智能工艺的改进做出具有一定参考价值的建议。

设计亮点为使用飞桨框架来进行玻璃大数据的分析与预测。

关键词：玻璃工业大数据，飞桨框架，分析预测，智能工艺

Abstract

This graduation design thesis mainly records the design ideas, design methods, implementation process and training results analysis of this graduation project. The design idea is to get the specific content of the glass industry big data through the study of glass technology, and then according to these data to analyze and predict the establishment of the model. The design method is to simulate the data by ourselves, and then build a neural network model through the paddlepaddle frame to realize the analysis and prediction. The realization process goes through reading data, normalization processing, building neural network, defining training place and process, and finally training and prediction. Through the analysis of the training results, we can see that the model can make some valuable suggestions for the improvement of intelligent glass technology.

The highlight of the design is to use the paddlepaddle frame to analyze and predict the glass big data.

Key words : glass industry big data, paddlepaddle frame, analysis and inference ，Intelligent process

目录

第一章 绪论 1

1.1设计背景 1

1.2设计意义 1

1.3大数据结合神经网络的分析方法 1

1. 设计思路 2

2.1设计思路 2

2.2数据集的设计 2

1. 设计方法 4

3.1 编程方法选择 4

3.2 模拟数据的生成 4

3.3 模型选择 8

3.4 框架选择 9

3.5 网络设计 9

1. 设计实现 10

4.1 实现过程 10

4.2 实现过程中参数的调试 16

1. 训练结果分析 17

5.1简单全连接层 17

5.2 BP神经网络 18

1. 总结与展望 21

致谢 22

参考文献 23

附录 24

1. 绪论

绪论将会从设计背景入手，探讨设计意义。

1.1设计背景

我国的玻璃行业是传统制造工业，而玻璃工业在我国的历史已有500多年。玻璃生产需要大量的原材料和劳动力，还要经历运输和销售等流程，中国的玻璃工业规模巨大，中国玻璃网的《2019年中国玻璃行业市场分析》^[1]提到，虽然中国平板玻璃的产量年年都有所增加，但是需求却没有达到对应的增加幅度，导致产销率有所降低，进一步使得玻璃供大于求，价格压低，利润减少。中国规模较大的玻璃企业如台玻，福耀FUYAO，南玻SG等，受到新冠影响，行业低迷，企业复工难，竞争日益激烈。如果能够使用大数据和神经网络来进行玻璃工艺的改进，提升玻璃制品的质量，这对于体量巨大的行业来说，将会是一个好消息。

1.2设计意义

玻璃工艺的发展与新兴产业如互联网相比发展是相对较慢的，如果能在玻璃工艺下一次技术提升之前，使用日新月异的大数据和神经网络结合的分析方法，对玻璃工业大数据进行一定的研究，说不定能够加速玻璃工艺的提升，给玻璃行业工作人员提供工艺改进的建议，对玻璃工艺智能化的道路是有一定积极作用的。虽然这个设计中所用到的数据是自己模拟生成的，使得训练的结果和得出的结论缺少实践的支撑，但是毕业设计中的设计思路和方法都是值得参考的。

1. 设计思路

2.1设计思路

通过相关文献的阅读，可以总结出这一类问题的基本思路，通过分析数据得出需要训练的相关属性以及能反映训练成果的预测目标，再使用大数据和神经网络结合的方法^[2]。在本设计中，应该取得玻璃工业大数据，再围绕数据展开，但是由于无法获得数据，只能尝试自己模拟数据。通过阅读化学工艺出版社的《玻璃制造工艺》^[3]，可以对玻璃工艺的一般流程有初步的认识：

首先将原材料按配制比放入玻璃窑炉中熔化，此时玻璃炉窑内的温度应是1580摄氏度到1680摄氏度。然后将熔化处理后的玻璃液按照生产目标的形状来进行成型处理，以平板玻璃为例，可以采用浮法。成型之后的平板玻璃要进行热处理，也可称为退火，以提高玻璃产品的质量。

这就是玻璃生产过程的简单描述。

2.2 数据集的设计

根据生产过程中的主要原料以及基本的操作步骤，归纳出了以下的数据集

所设计的数据集：

数据示例：

47.732 22.366 7.51 1.653 14.24 4.32 0.88 1.137 0.162 1 140 1581 1.74 1 1 73.3922

按照顺序是：

47.732为石英在原料中的百分比。

22.366为长石百分比。

7.51为纯碱百分比。

1.653为氧化锌百分比。

14.24为硼砂百分比。

4.32为方解石百分比。

0.88为萤石百分比。

1.137为硝酸钠百分比。

0.162为白砒百分比。

1表示为横焰窑，若为马跳蹄窑或纵焰窑则为0。

140为窑大小，单位吨/天，

1581为温度，单位摄氏度。

1.74为窑内压力，单位为MPa。

1为浮法成型方法，0则为非浮法。

1为热处理的工艺选择，进行热处理为1，不进行热处理为0，

73.3922为模拟数据中的实际成品率。

本次训练过程采用模拟数据，值得注意的是，现实的玻璃生产中，由于多年技术的进步，和生产经验的积累，玻璃厂一般记录破损率（一般在5%以内），这里为了更加直观，使用成品率，且成品率在60%-90%之间。

从数据的解释中，我们可以总结出以下结论：在所有的15个属性中，有12个是连续值，剩下的3个是离散值。虽然离散值也使用类似0、1这样的数字表示，但是其代表的含义与连续值是不同的，比方说数据中的窑炉种类，1表示横焰窑，0表示其他种类。另外一个直观的的事实是，各个属性取值的值域不同。例如，数据中0.162表示白砒的百分比，而1580表示窑炉温度，这两个数据之间的数量级相差很大。

这时就要用到一个常见的操作数据归一化（normalization）了。数据归一化的作用是能够把各个属性的取值范围变换到差不多的区间，例如[-0.5,0.5]。

做数据归一化（或 Feature scaling）的常见理由：

过大或过小的数值范围会导致计算时的浮点上溢或下溢。

差异过大的数值范围会导致模型对不同属性的参数的学习程度不同，这会对优化的过程造成困难，使训练时间大大的加长。

在此设计中使用一种常见的归一化操作方法：即属性减掉均值，然后除以属性的最大值与最小值的差。这样可以将数据的值缩小到比较小的数值以内便于计算。

具体代码为：

for i in six.moves.range(feature_num-1):

data[:,1] = (data[:,1] - avgs[i])/(maximums[i] - minimums[i])

完成数据归一化之后，需要进行分割数据集的操作，本毕业设计将分割数据集为训练数据集和测试数据集：训练数据集用于训练模型的参数，参与模型的训练，模型在训练数据集上的误差被称为训练误差；测试数据集用于模型的测试，模型在测试集上的误差被称为测试误差。

分割数据集的代码如下：

请支付后下载全文，论文总字数：23006字