CN103745279B - 一种能耗异常监测方法及装置 - Google Patents

Abstract

本发明公开了一种能耗异常监测方法及装置，所述方法包括：监测轮胎制造过程中硫化工序的当前周期的能耗参数；根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值；根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间；当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。本发明针对工业生产过程中复杂多变的能耗情况，能够提供合理的监测，减少漏检与误检，提高能耗异常监测的精度。

Description

一种能耗异常监测方法及装置

技术领域

本发明涉及能源监测技术领域，尤其涉及用于轮胎制造过程中硫化工序的一种能耗异常监测方法及装置。

背景技术

在制造企业中，时常会因为一些能耗异常事件而导致能源的浪费，例如，管道破损导致蒸汽或压缩空气的泄漏、阀门老化导致气体泄漏等，这些异常事件难以发现，累积造成的能源浪费量却很大，所以研究能耗异常监测方法具有很实用的价值。

现有技术主要采用阈值比较法来对能耗异常现象进行监测，即预先设置好能耗阈值和能耗阈值的范围，然后根据监测的能耗数据是否超过能耗阈值的范围为标准来判断生产过程是否发生了能耗异常现象。

但是，现有技术的能耗异常监测方法常把能耗阈值设置为一条直线，缺乏自适应能力，在复杂多变的环境下，很难设置合理的能耗阈值和能耗阈值的范围，容易发生漏检或误检的情况。

发明内容

本发明的目的在于提出一种能耗异常监测方法及装置，以提高能耗异常监测的精度。

本发明提供了一种能耗异常监测方法，所述方法包括：

监测轮胎制造过程中硫化工序的当前周期的能耗参数；

根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值；

根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间；

当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。

对应地，本发明还提出了一种能耗异常监测装置，所述装置包括：

检测模块，用于监测轮胎制造过程中硫化工序的当前周期的能耗参数；

第一获得模块，用于根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值；

第二获得模块，用于根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间；

确定模块，用于当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。

本发明提出了一种能耗异常监测方法及装置，通过根据监测轮胎制造过程中硫化工序的能耗参数，确定动态的能效监测值和能效预测值，进而确定动态的能效预测区间，并当所述能效监测值在所述能效预测区间之外时，确定轮胎制造过程中硫化工序的当前周期的能耗发生异常，这样，针对工业生产过程中复杂多变的能耗情况，上述方法和装置能够根据能源消耗的实际情况得到正常情况下的能效预测区间，从而动态地设置了告警基线，即合理地确定了能耗异常点，减少了漏检与误检，提高了能耗异常监测的精度。

附图说明

图1是本发明实施例提供的一种能耗异常监测方法的实现流程图；

图2是本发明实施例提供的能耗异常监测方法中获得轮胎制造过程中硫化工序的当前周期的能耗预测值的方法的实现流程图；

图3a是本发明实施例提供的能耗异常监测方法中不同隐层神经元的数目的平均误差值的分布图；

图3b是本发明实施例提供的能耗异常监测方法中样本的置信度为87%的能效的监测曲线图；

图3c是本发明实施例提供的能耗异常监测方法中样本的置信度为90%的能效的监测曲线图；

图3d是本发明实施例提供的能耗异常监测方法中样本的置信度为95%的能效的监测曲线图；

图3e是本发明实施例提供的能耗异常监测方法中采用支持向量机方法的样本的置信度为90%的能效的监测曲线图；

图3f是本发明实施例提供的能耗异常监测方法中采用线性回归方法的样本的置信度为90%的能效的监测曲线图；

图4是本发明实施例提供的一种能耗异常监测装置的结构示意图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

图1是本发明实施例提供的一种能耗异常监测方法的实现流程图。本发明实施例提供的方法可以由本发明任意实施例提供的能耗异常监测装置来执行，该装置可以由软件和/或硬件来实现。如图1所示，本发明实施例提供的方法包括：

步骤101，监测轮胎制造过程中硫化工序的当前周期的能耗参数。

其中，所述能耗参数可以包括硫化压力、硫化温度、硫化时间、胶料重量和环境温度。其中，硫化压力是硫化过程的胶囊压力；硫化温度是硫化过程的最高温度；硫化时间是硫化过程保持压力的时间；胶料重量是硫化的胶料重量；环境温度主要指车间环境的温度。硫化压力、硫化温度、硫化时间、胶料重量和环境温度可以通过矩阵的形式来表示。

监测当前周期的能耗参数的方式可以是在硫化工序中通过监测设备进行监测并采集如硫化压力、硫化温度、硫化时间、胶料重量和环境温度等能耗参数在当前周期的监测数据。

步骤102，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值。

其中，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值，可包括：通过公式ER=TE/DE获得轮胎制造过程中硫化工序的当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示轮胎制造过程中硫化工序的理论能耗值，TE=cm(t₂-t₁)，其中，c表示胶料的平均比热容，m表示胎坯的质量，t₁表示硫化初始温度，t₂表示硫化结束温度；DE表示轮胎制造过程中硫化工序的直接能耗值，其中，p表示能耗介质的种类数，m_i表示各种能耗介质的消耗量，Q_i表示不同能耗介质的单位折算热量。

根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值，可包括：通过误差反向传播BP神经网络模型，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值。也就是说，将所述当前周期的能耗参数的值作为BP神经网络模型的输入，根据BP神经网络模型得到的输出值，就能得到当前周期的能耗预测值。

步骤103，根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间。

例如，通过式子得到当前周期的能效预测区间的最小值；通过式子得到当前周期的能效预测区间的最大值，其中，为能效预测值，α为显著性水平，1-α为预设的置信度，为所述能效监测值与所述能效预测值的误差总体的方差，为统计量，服从自由度为n-k-1的t分布，e_f为所述能效监测值与所述能效预测值的误差，E(e_f)为所述误差的期望值，y_f为所述能效监测值，为所述能效监测值与所述能效预测值的误差的方差，X为监测的所述能耗参数组成的矩阵，X_f为硫化工序的能耗参数向量，k为硫化工序能耗参数向量的维数，n为能耗参数的数量。

下面以实例的形式对本步骤进行说明。

假设能效监测值为y_f，能效预测值为y_f与都是随机变量，假定y_f与的概率分布服从正态分布，y_f与的误差值也服从正态分布，采用最小二乘准则，得到y_f与的误差值e_f的期望值为0，则所述能效监测值与所述能效预测值之间的方差为：

其中，Std(e_f)为所述方差，y_f为能效监测值，为能效预测值，X是由硫化压力、硫化温度、硫化时间、胶料重量和环境温度等能耗参数的值组成的矩阵，表示误差总体的方差，X_f表示硫化工序的能耗参数向量。

进一步的，误差总体的方差其中，k表示硫化工序能耗参数向量的维数，n表示能耗参数的值的数量。

进一步的，构建统计量为：

其中，t服从自由度为n-k-1的t分布，给定的显著性水平α，通过查询t分布表可得临界值为t_α/2(n-k-1)，进而确定置信度为1-α时，当前周期的能效预测区间的最小值为：当前周期的能效预测区间的最大值为： ${\hat{y}}_f+t_{\∝/2}\widehat{\mathrm{\σ}}\sqrt{1+X_f{\left(X^{\′}X\right)}^{-1}{X_f}^{\′}}.$

进一步的，获得当前周期的能效预测区间为：

$[{\hat{y}}_f-t_{\∝/2}\widehat{\mathrm{\σ}}\sqrt{1+X_f{\left(X^{\′}X\right)}^{-1}{X_f}^{\′}},{\hat{y}}_f+t_{\∝/2}\widehat{\mathrm{\σ}}\sqrt{1+X_f{\left(X^{\′}X\right)}^{-1}{X_f}^{\′}}].$

步骤104，当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。

在轮胎制造过程的硫化工序中，主要通过硫化过程的能效来判断轮胎硫化过程的能耗是否发生异常，能效综合评价了硫化工序的能源利用效率。能效值是一个0到1之间的数，能效值越大表示硫化工序的能源利用效率越高。正常情况下，能效是一个相对稳定的值，如果它的值低于能效预测区间，则很大可能是发生了能耗异常事件；如果它的值高于能效预测区间，却并不表示硫化过程能源利用效率的真正提高，而也有可能发生了能耗异常事件，例如，硫化工序没有正常完成或硫化参数设置不当等。

在本实施例中，优选的，根据获得的当前周期的所述能效预测区间，对当前周期的硫化工序的能耗情况进行监测，当所述能效监测值在所述能效预测区间内时，则确定轮胎制造过程中硫化工序的当前周期的能耗未发生异常，当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。

在确定轮胎制造过程中硫化工序的当前周期的能耗发生异常之后，可以通过报警设备对能耗异常现象进行报警。

与现有技术中设置单一的能耗阈值和能耗阈值范围相比，本发明将能效值作为判断能耗异常的指标，可以更全面、更有效地监测轮胎制造过程中硫化工序的的能耗异常现象。

本实施例提供的能耗异常监测方法，通过监测轮胎制造过程中硫化工序的能耗参数，确定动态的能效监测值和能效预测值，进而确定动态的能效预测区间，针对工业生产过程中复杂多变的能耗情况，能够根据能源消耗的实际情况进行合理的监测，减少漏检与误检，提高了能耗异常监测的精度。

本发明不限于轮胎制造过程的硫化工序的能耗异常监测，同时可以应用到其他生产制造过程的能耗异常监测。

图2是本发明实施例提供的能耗异常监测方法中获得轮胎制造过程中硫化工序的当前周期的能耗预测值的方法的实现流程图。本实施例以上述实施例为基础，针对上述实施例的步骤102中的“根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效预测值”提供了优选实施例。如图2所示，本实施例提供的方法具体包括如下步骤：

步骤201，依次获得所述当前周期的能耗参数的值为误差反向传播（BackPropagation，BP）神经网络模型的输入。

其中，误差反向传播（BackPropagation，BP）神经网络是由输入层、隐层、输出层组成的前向型神经网络，隐层可以包含多层，相邻层间的各神经元实行全连接，而相同层的各神经元之间无连接。BP神经网络中存在n个输入节点和m个输出节点，w_ij表示输入层节点i与隐层节点j间的连接权值，w_jk表示隐层节点j与输出层节点k之间的连接权值。

步骤202，获得能效值在BP神经网络模型中的实际输出值。

例如，输入到BP神经网络模型的所述能耗参数的值从输入层到隐层，再由隐层到输出层的正向传递，并对所述能耗参数的值进行逐层的处理，得到经BP神经网络模型处理后的能效值的实际输出值。其中，所述处理包括通过求和节点对所有输入的所述能耗参数的值进行求和，然后使用激活函数对求和结果进行函数运算，进而得到每一层的输出值，常用的激活函数有：阈值函数、线性函数、对数Sigmoid函数以及正切Sigmoid函数。

步骤203，根据所述实际输出值，获得所述实际输出值与预设的期望输出值之间的误差值。

例如，所述根据所述实际输出值，获得所述实际输出值与预设的期望输出值之间的误差值，可以通过以下公式得到：

其中，E表示误差值，n表示能耗参数的值的数量，k表示第k个能耗参数的值，y_j(k)表示迭代次数为j时的实际输出值，表示迭代次数为j时的期望输出值。

步骤204，当所述误差值未达到预设的误差最小值时，调整BP神经网络模型的连接权值，迭代次数加1，并重复上述步骤；当所述误差值达到预设的误差最小值或达到最大的迭代次数时，获得此时BP神经网络模型的实际输出值为所述能效预测值。

例如，当硫化能效的实际输出与预设的期望输出值的误差值未达到预设的误差最小值时，从BP神经网络模型的输出层到隐层，再从隐层到输出层逐层调整BP神经网络的模型的连接权值，再重复步骤201至步骤204，直至硫化能效的实际输出与预设的期望输出值的误差值达到预设的误差最小值或达到最大的迭代次数时，确定此时BP神经网络模型的实际输出值为能效预测值。

另外，此时经过调整之后的BP神经网络模型就能够达到良好的预测效果，进而采用此BP神经网络模型对用于轮胎制造过程中硫化工序的能耗异常现象进行监测。

本实施例提供的获得轮胎制造过程中硫化工序的当前周期的能耗预测值的方法，采用BP神经网络模型，能够根据轮胎制造过程中硫化工序的能耗参数的值来确定动态的能效预测值，进而确定动态的能效预测区间，对于轮胎制造过程中硫化工序的能耗异常监测更具实用意义，并且没有增加原有能耗异常监测的系统的硬件成本，因此技术的推广便捷、成本低。

下面以实例的形式对本发明提供的能耗异常监测方法的效果进行说明。

例如，从企业能源数据库中获取轮胎制造过程中硫化工序的能耗参数的相关数据作为样本。为了提高能效预测区间的准确性，对数据进行过滤，样本中不包含品质有缺陷轮胎的相关数据，最终选取400个样本，样本中各个影响因素的选取以及它们的正常范围如下表所示：

表1样本的影响因素的说明表

采用三层的BP神经网络模型，BP神经网络模型的隐层的激励函数选用常用正切Sigmoid函数，输出层神经元的激励函数选用线性函数，调整连接权值的函数采用trainlm函数。输入层和输出层的神经元数分别为5和1，通过实验的方式确定隐层的神经元的数目。图3a是本发明实施例提供的能耗异常监测方法中不同隐层神经元的数目的平均误差值的分布图。如图3a所示，隐层神经元数目为8时平均误差值最小，所以选择隐层神经元的数目为8。

采用上述确定的BP神经网络模型，并根据预设的置信度确定能效的预测值和预测区间。重新从企业能源数据库中获取197个样本，已知此样本集中包含能耗异常事件22个，对样本进行监测。图3b是本发明实施例提供的能耗异常监测方法中样本的置信度为87%的能效的监测曲线图。图3c是本发明实施例提供的能耗异常监测方法中样本的置信度为90%的能效的监测曲线图。图3d是本发明实施例提供的能耗异常监测方法中样本的置信度为95%的能效的监测曲线图。其中，所述预测线为动态的能效预测值组成的线，预测上限和预测下限组成了能效预测区间。对样本的监测详细结果如表2所示。从表2中可知，置信度为90%时，取得了较好的监测效果，只出现1次误检与1次漏检，其中，误检是指正常的作业但是被监测系统识别为异常，误检数跟总监测出的异常总数的百分比称为误检率；漏检是指异常的作业但未被监测系统识别成异常，漏检数与样本中的异常总数的百分比称为漏检率。其它置信度的监测结果虽然有所不同，但是错误率也都在20%以内，误差在可接受的范围内，确定此BP神经网络模型是可用的。

表2轮胎制造过程中硫化工序能耗异常监测的结果统计表

为了对比采用BP神经网络模型的能耗异常监测方法的优劣，把BP神经网络模型与支持向量机方法和线性回归方法进行对比。使用相同的样本集，分别使用支持向量机方法和线性回归方法进行监测，图3e是本发明实施例提供的能耗异常监测方法中采用支持向量机方法的样本的置信度为90%的能效的监测曲线图。图3f是本发明实施例提供的能耗异常监测方法中采用线性回归方法的样本的置信度为90%的能效的监测曲线图。把三种方法的监测结果列表对比，如表3所示，从表中明显可以看出，BP神经网络模型有着最佳的监测性能。

表3采用三种方法对轮胎制造过程中硫化工序能耗异常监测的结果统计表

本实施例通过对比的形式对采用BP神经网络模型来获得能效预测值的效果进行了分析，验证了通过BP神经网络模型来对在轮胎制造过程中硫化工序的能耗异常现象进行监测的可靠性。

图4是本发明实施例提供的一种能耗异常监测装置的结构示意图。本实施例提供的装置用于实现图1所示的方法。如图4所示，本发明实施例提供的装置包括：检测模块401、第一获得模块402、第二获得模块403和确定模块404。

其中，所述检测模块401用于监测轮胎制造过程中硫化工序的当前周期的能耗参数。所述第一获得模块402用于根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值。所述第二获得模块403用于根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间。所述确定模块404用于当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。

示例性的，所述第一获得模块402具体用于：通过公式ER=TE/DE获得轮胎制造过程中硫化工序的当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示轮胎制造过程中硫化工序的理论能耗值，TE=cm(t₂-t₁)，其中，c表示胶料的平均比热容，m表示胎坯的质量，t₁表示硫化初始温度，t₂表示硫化结束温度；DE表示轮胎制造过程中硫化工序的直接能耗值，其中，p表示能耗介质的种类数，m_i表示各种能耗介质的消耗量，Q_i表示不同能耗介质的单位折算热量。

示例性的，所述第一获得模块402可具体用于：通过误差反向传播BP神经网络模型，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值。

示例性的，所述第二获得模块403可具体用于：通过式子得到当前周期的能效预测区间的最小值；通过式子得到当前周期的能效预测区间的最大值，其中，为能效预测值，α为显著性水平，1-α为预设的置信度，为所述能效监测值与所述能效预测值的误差总体的方差，为统计量，服从自由度为n-k-1的t分布，e_f为所述能效监测值与所述能效预测值的误差，E(e_f)为所述误差的期望值，y_f为所述能效监测值，为所述能效监测值与所述能效预测值的误差的方差，X为监测的所述能耗参数组成的矩阵，X_f为硫化工序的能耗参数向量，k为硫化工序能耗参数向量的维数，n为能耗参数的数量。

本实施例提供的用于轮胎制造过程中硫化工序的能耗异常监测装置，通过获得检测模块401监测轮胎制造过程中硫化工序的当前周期的能耗参数，通过第一获得模块402确定动态的能效监测值和能效预测值，通过第二获得模块403确定动态的能效预测区间，通过确定模块404对轮胎制造过程中硫化工序的能耗异常现象进行监测，针对工业生产过程中复杂多变的能耗情况，能够根据能源消耗的实际情况进行合理的监测，减少漏检与误检，提高了能耗异常监测的精度。

本实施例提供的能耗异常监测装置用于执行本发明任意实施例提供的能耗异常监测方法，具备相应的功能模块，达到相同的技术效果。

注意，上述内容仅为本发明的较佳实施例。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其它等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (6)

1.一种能耗异常监测方法，其特征在于，包括：

监测轮胎制造过程中硫化工序的当前周期的能耗参数；

根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值；

根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间；

当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常；

其中，所述根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间，包括：

通过式子得到当前周期的能效预测区间的最小值；

通过式子得到当前周期的能效预测区间的最大值；

其中，为能效预测值，α为显著性水平，1-α为预设的置信度，为所述能效监测值与所述能效预测值的误差总体的方差，为统计量，服从自由度为n-k-1的t分布，e_f为所述能效监测值与所述能效预测值的误差，E(e_f)为所述误差的期望值，y_f为所述能效监测值，为所述能效监测值与所述能效预测值的误差的方差，X为监测的所述能耗参数组成的矩阵，X_f为硫化工序的能耗参数向量，k为硫化工序能耗参数向量的维数，n为能耗参数的数量。

2.根据权利要求1所述的方法，其特征在于，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值，包括：

通过公式ER＝TE/DE获得轮胎制造过程中硫化工序的当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示轮胎制造过程中硫化工序的理论能耗值，TE＝cm(t₂-t₁)，其中，c表示胶料的平均比热容，m表示胎坯的质量，t₁表示硫化初始温度，t₂表示硫化结束温度；DE表示轮胎制造过程中硫化工序的直接能耗值，其中，p表示能耗介质的种类数，m_i表示各种能耗介质的消耗量，Q_i表示不同能耗介质的单位折算热量。

3.根据权利要求1所述的方法，其特征在于，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值，包括：

通过误差反向传播BP神经网络模型，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值。

4.一种能耗异常监测装置，其特征在于，包括：

检测模块，用于监测轮胎制造过程中硫化工序的当前周期的能耗参数；

第一获得模块，用于根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值；

第二获得模块，用于根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间；

确定模块，用于当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常；

其中，第二获得模块通过式子得到当前周期的能效预测区间的最小值；

通过式子得到当前周期的能效预测区间的最大值；

其中，为能效预测值，α为显著性水平，1-α为预设的置信度，为所述能效监测值与所述能效预测值的误差总体的方差，为统计量，服从自由度为n-k-1的t分布，e_f为所述能效监测值与所述能效预测值的误差，E(e_f)为所述误差的期望值，y_f为所述能效监测值，为所述能效监测值与所述能效预测值的误差的方差，X为监测的所述能耗参数组成的矩阵，X_f为硫化工序的能耗参数向量，k为硫化工序能耗参数向量的维数，n为能耗参数的数量。

5.根据权利要求4所述的装置，其特征在于，所述第一获得模块，具体用于：

通过公式ER＝TE/DE获得轮胎制造过程中硫化工序的当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示轮胎制造过程中硫化工序的理论能耗值，TE＝cm(t₂-t₁)，其中，c表示胶料的平均比热容，m表示胎坯的质量，t₁表示硫化初始温度，t₂表示硫化结束温度；DE表示轮胎制造过程中硫化工序的直接能耗值，其中，p表示能耗介质的种类数，m_i表示各种能耗介质的消耗量，Q_i表示不同能耗介质的单位折算热量。

6.根据权利要求4所述的装置，其特征在于，所述第一获得模块，具体用于：

通过误差反向传播BP神经网络模型，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值。