CN103971015A - 一种石膏浆料搅拌时间的分析方法 - Google Patents

Abstract

本发明公开了一种石膏浆料搅拌时间的分析方法，涉及石膏砌块成型技术领域，具体包括：1)浆料搅拌参数数据采集；2)搅拌过程参数数据样本建立；3)搅拌过程样本数据预处理；4))建立基于最小二乘支持向量机算法(LS-SVM)的模型；5)模型预估计；6)预估值反归一化；7)预测结果分析。本发明根据现场石膏砌块生产记录，训练石膏浆料搅拌时间的LS-SVM模型，使预测模型的适应能力更强，预测精度更高；通过LS-SVM模型为石膏砌块成型工艺的分析及优化提供理论指导；通过预估拟合曲线分析石膏浆料搅拌时间最佳范围，对搅拌效果进行预测；取代人工预测的繁琐方式，达到实时准确预测的目的。

Description

一种石膏浆料搅拌时间的分析方法

技术领域

本发明涉及石膏砌块成型工艺技术领域，特别是一种通过石膏浆料搅拌时间预测进行石膏浆料搅拌的方法。

背景技术

目前，伴随着我国建筑行业的迅猛发展，石膏砌块(CaSO₄·2H₂O)作为一种优良的无机建筑材料，是目前国际公认的绿色节能型材料，已成为国内外石膏制品中最具潜力、应用最多的产品。石膏砌块生产过程包含着粉料配送、搅拌成型、脱模等工艺，各个步进工艺之间存在着时序的配合，各工艺阶段的时间设置成为影响其最终成型效果的关键因素。然而，在石膏砌块实际生产过程中，它的时间参数无法随着生产条件的波动而自动进行优化。因此，必须寻求一个有效方法来预测各工艺阶段的时间。本发明主要针对石膏砌块生产工艺流程中浆料搅拌时间的分析。目前，目前影响浆料搅拌时间的各生产参数均采用人工设定，运用这种方法进行预测不稳定因素多，预测误差大，预测耗时时间长，所预测的数据对生产的指导意义不大。

发明内容

鉴于此，本发明提供一种石膏浆料搅拌时间的分析方法，它利用最小二乘支持向量机模型对石膏浆料搅拌时间测试中的数据驱动分析，对石膏浆料搅拌时间进行精确的预测，从而指导石膏砌块成型工艺中石膏浆料搅拌时间的选取。

本发明的目的是通过这样的技术方案实现的，一种石膏浆料搅拌时间的分析方法，包括以下步骤：步骤1)浆料搅拌参数数据采集：进行石膏浆料搅拌试验，分析搅拌工艺及搅拌过程，找出影响搅拌时间的参数，并通过上位机记录影响搅拌时间的试验数据；步骤2)搅拌过程参数数据样本建立：分析步骤1)记录的试验数据，确定影响搅拌时间的主要参数，建立用于建模的训练样本集合和用于测试的测试样本集合，训练样本集合表示为{x_i,y_i}，其中i表示样本的组数，x_i∈R⁴表示浆料质量、生产温度、粉料灌注时间和水膏比，y_i∈R表示浆料搅拌时间；步骤3)搅拌过程样本数据预处理：对步骤2)确定的训练样本集合采用归一化方法进行预处理；步骤4)基于最小二乘支持向量机算法的回归模型建立：利用预处理后的训练样本集合建立LS-SVM模型；步骤5)模型预估计：将步骤2)中的训练样本数据输入到步骤4)中建立的LS-SVM回归模型中，计算得到对应的预估值；步骤6)预估值反归一化：对预估计值进行反归一化处理，得到搅拌时间预估值；步骤7)预估效果测试：将步骤2)中用于测试的测试样本数据输入到步骤4)中建立的LS-SVM回归模型中，计算得到对应的预估值，并与实际的搅拌时间值进行比较绘制预估效果拟合曲线；步骤8)根据步骤7)绘制的拟合曲线，确定石膏浆料最佳搅拌时间取值范围。

进一步，步骤3)中所述归一化预处理公式为：

$y=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

其中，x、y分别表示归一化前与归一化后的样本值，x_min为样本值的最小值，x_max为样本值的最大值。

进一步，步骤4)中所述LS-SVM回归模型的核函数采用径向基核函数，其形式如下

$K(x_i,x_j)=\exp \left(\frac{-\left|\right|x-x_i\left|\right|}{2{\mathrm{\σ}}^2}\right)$

其中σ为核函数的宽度系数。

进一步，步骤4)中所述LS-SVM回归模型的最佳参数的获取方法采用粒子群优化算法(PSO)，其形式如下：

$\left\{\begin{array}{c}{V_i}^{k+1}={V_i}^k+c_1{r}_1(P_i-X_i)+c_2{r}_2(P_g-X_i)\\ X_i^{k+1}=X_i^k+{V_i}^{k+1},i=1,...,m\end{array}\right.$

其中，k为迭代次数，学习因子c₁，c₂是两个正常数，r₁，r₂是均匀分布于[0,1]之间的两个随机数，i表示第i个粒子，V_i为第i个粒子的速度，X_i为第i个粒子的位置，P_i为个体最优位置，P_g为群体最优位置，V_i ^k为第i个粒子第k次迭代的速度，为第i个粒子第k次迭代的位置。

进一步，步骤1)中所述石膏浆料搅拌过程参数数据采集时，对实际生产温度进行取整处理，采集数据的方式相同，数据的测量方式相同，石膏浆料搅拌方式相同。

进一步，步骤1)中所述影响搅拌时间的参数包括浆料质量、生产温度、粉料灌注时间和水膏比。

由于采用了以上技术方案，本发明具有以下有益技术效果：

1、根据现场石膏砌块生产记录，训练石膏浆料搅拌时间的基于最小二乘支持向量机算法(LS-SVM)的模型，使预测模型的适应能力更强，预测精度更高；

2、通过LS-SVM回归模型为石膏砌块成型工艺的分析及优化提供理论指导；

3、通过回归曲线分析石膏浆料搅拌时间最佳范围，对搅拌效果进行预测；

4、取代人工预测的繁琐方式，达到实时准确预测的目的。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为最小二乘支持向量机模型的石膏浆料搅拌时间预测效果图；

图2为最小二乘支持向量机模型的石膏浆料搅拌时间预估误差图；

图3为本发明的流程框图。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

本发明的基本思想是利用最小二乘支持向量机模型实现对石膏浆料搅拌时间的精确预测，从而指导石膏砌块成型工艺中石膏浆料搅拌时间的合理选取。

根据对石膏生产工艺流程的分析，搅拌时间除受浆料质量、水膏比、生产温度的影响外，还与粉料的灌注时间有关。因此，选取浆料质量(粉料质量、水质量之和)、生产温度、粉料灌注时间以及水膏比为搅拌时间模型的输入变量；而根据现场经验及相关实验数据分析可知，搅拌时间不会随温度呈线性变化，其值在一定温度区间波动较小。因此，为了后续建模简便可行，减少训练样本数量，在建模过程中会将实际的生产温度(一般情况为10℃～30℃)进行取整处理。

通过上述分析，本发明的预测过程包括：步骤1)浆料搅拌参数数据采集：进行石膏浆料搅拌试验，分析搅拌工艺及搅拌过程，找出影响搅拌时间的参数，并通过上位机记录影响搅拌时间的试验数据；步骤2)搅拌过程参数数据样本建立：分析步骤1)记录的试验数据，确定影响搅拌时间的主要参数，建立用于建模的训练样本集合和用于测试的测试样本集合，训练样本集合表示为{x_i,y_i}，其中i表示样本的组数，x_i∈R⁴表示浆料质量、生产温度、粉料灌注时间和水膏比，y_i∈R表示浆料搅拌时间；步骤3)搅拌过程样本数据预处理：对步骤2)确定的训练样本集合采用归一化方法进行预处理；步骤4)基于最小二乘支持向量机算法的回归模型建立：利用预处理后的训练样本集合建立LS-SVM模型；步骤5)模型预估计：将步骤2)中的训练样本数据输入到步骤4)中建立的LS-SVM回归模型中，计算得到对应的预估值；步骤6)预估值反归一化：对预估计值进行反归一化处理，得到搅拌时间预估值；步骤7)预估效果测试：将步骤2)中用于测试的测试样本数据输入到步骤4)中建立的LS-SVM回归模型中，计算得到对应的预估值，并与实际的搅拌时间值进行比较绘制预估效果拟合曲线；步骤8)根据步骤7)绘制的拟合曲线，确定石膏浆料最佳搅拌时间取值范围。

(1)浆料搅拌参数数据采集

针对本发明建立的最小二乘支持向量机(LS-SVM)模型，对于过程参数数据的采集有三点要求：第一、用于建立模型的数据的采集方式相同；第二、用于建立模型的数据的测量方式相同；第三、用于建立模型的输入变量相同，以确保数据采集的准确性和可靠性。

根据以上要求，通过分析石膏浆料搅拌工艺及搅拌过程，选取浆料质量(粉料质量与水质量之和)、生产温度、粉料灌注时间以及水膏比为搅拌时间模型的输入变量，进行数据采集与记录。

(2)搅拌过程参数数据样本建立

根据现场石膏砌块生产记录取500组样本用于建模，另取100组样本用于预测。建立样本集其中

x_i＝{(m_水i+m_粉i),k_i,T_i,t_粉i}

y_i＝{t_搅i}

x_i∈R⁴，y_i∈R，m_水i+m_粉i、T_i、t_粉i、k_i分别表示第i个样本的浆料质量、生产温度、粉料灌注时间以及水膏比。

部分样本数据如下表所示：

(3)搅拌过程样本数据预处理

由于LS-SVM算法中采用样本数据的欧式距离来计算，为避免较大数量范围的数据支配较小数量范围数据，对所有输入数据和输出数据都需进行归一化处理，把属性缩放到[0，1]之间。本发明采用以下公式进行归一化处理：

$y=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

其中，x、y分别表示归一化前与归一化后的样本值，x_min为样本值的最小值，x_max为样本值的最大值。

(4)建立基于最小二乘支持向量机算法(LS-SVM)的模型

利用训练样本集合建立LS-SVM模型。

LS-SVM回归模型的核函数采用径向基核函数(RBF)，其形式如下

$K(x_i,x_j)=\exp \left(\frac{-\left|\right|x-x_i\left|\right|}{2{\mathrm{\σ}}^2}\right)$

其中σ为核函数的宽度系数。

LS-SVM回归模型的最佳参数的获取方法采用粒子群优化算法(PSO)，其形式如下：

$\left\{\begin{array}{c}{V_i}^{k+1}={V_i}^k+c_1{r}_1(P_i-X_i)+c_2{r}_2(P_g-X_i)\\ X_i^{k+1}=X_i^k+{V_i}^{k+1},i=1,...,m\end{array}\right.$

其中，k为迭代次数，学习因子c₁，c₂是两个正常数，r₁，r₂是均匀分布于[0,1]之间的两个随机数，i表示第i个粒子，V_i为第i个粒子的速度，X_i为第i个粒子的位置，P_i为个体最优位置，P_g为群体最优位置，V_i ^k为第i个粒子第k次迭代的速度，为第i个粒子第k次迭代的位置。

经过粒子群优化算法确定出的最佳参数为：惩罚系数c＝120；核函数宽度系数σ＝0.48，将500组训练样本数据输入到LS-SVM模型中，求得浆料搅拌时间LS-SVM模型。

(5)LS-SVM回归模型预估计

将500组训练样本数据输入到LS-SVM模型中，求得浆料搅拌时间LS-SVM模型，并计算得到搅拌时间预估值

(6)预估值反归一化

对预测变量通过模型进行预测后，需要对预估值进行反归一化处理预估出当前测试样本集合对应的搅拌时间，反归一化处理方法如下：

y^*＝var(y)*y+mean(y)

其中：y^*表示预测值，y为测试样本变量mean(y)的均值，var(y)为变量y的方差。

(7)预估效果分析

根据浆料搅拌时间的LS-SVM预估模型，把另外选取的100组预测样本数据带入该模型计算。图1为浆料搅拌时间的预估拟合图，其中实线表示实际值，点表示预估值，图形结果表明，该搅拌时间预估模型能够较好的估计搅拌时间；图2为搅拌时间预估误差图，相对误差大部分落在-3.5*10^-3—3.5*10^-3水平区间内，数值较小且误差区域的宽度很窄，说明选用的预测模型具有较高的预测精度。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种石膏浆料搅拌时间的分析方法，其特征在于：包括以下步骤：

步骤1)浆料搅拌参数数据采集：进行石膏浆料搅拌试验，分析搅拌工艺及搅拌过程，找出影响搅拌时间的参数，并通过上位机记录影响搅拌时间的试验数据；

步骤2)搅拌过程参数数据样本建立：分析步骤1)记录的试验数据，建立用于建模的训练样本集合和用于测试的测试样本集合，训练样本集合表示为{x_i,y_i}，其中i表示样本的组数，x_i∈R⁴表示浆料质量、生产温度、粉料灌注时间和水膏比，y_i∈R表示浆料搅拌时间；

步骤3)搅拌过程样本数据预处理：对步骤2)确定的训练样本集合采用归一化方法进行预处理；

步骤4)基于最小二乘支持向量机算法的回归模型建立：利用预处理后的训练样本集合建立LS-SVM模型；

步骤5)模型预估计：将步骤2)中的训练样本数据输入到步骤4)中建立的LS-SVM回归模型中，计算得到对应的预估值；

步骤6)预估值反归一化：对预估计值进行反归一化处理，得到搅拌时间预估值；

步骤7)预估效果测试：将步骤2)中用于测试的测试样本数据输入到步骤4)中建立的LS-SVM回归模型中，计算得到对应的预估值，并与实际的搅拌时间值进行比较绘制预估效果拟合曲线；

步骤8)根据步骤7)绘制的拟合曲线，确定石膏浆料最佳搅拌时间取值范围。

2.根据权利要求1所述的石膏浆料搅拌时间的分析方法，其特征在于：步骤3)中所述归一化预处理公式为：

$y=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

其中，x、y分别表示归一化前与归一化后的样本值，x_min为样本值的最小值，x_max为样本值的最大值。

3.根据权利要求2所述的一种石膏浆料搅拌时间的分析方法，其特征在于：步骤4)中所述LS-SVM回归模型的核函数采用径向基核函数，其形式如下

$K(x_i,x_j)=\exp \left(\frac{-\left|\right|x-x_i\left|\right|}{2{\mathrm{\σ}}^2}\right)$

其中σ为核函数的宽度系数。

4.根据权利要求3所述的一种石膏浆料搅拌时间的分析方法，其特征在于：步骤4)中所述LS-SVM回归模型的最佳参数的获取方法采用粒子群优化算法，其形式如下：

$\left\{\begin{array}{c}{V_i}^{k+1}={V_i}^k+c_1{r}_1(P_i-X_i)+c_2{r}_2(P_g-X_i)\\ X_i^{k+1}=X_i^k+{V_i}^{k+1},i=1,...,m\end{array}\right.$

其中，k为迭代次数，学习因子c₁，c₂是两个正常数，r₁，r₂是均匀分布于[0,1]之间的两个随机数，i表示第i个粒子，V_i为第i个粒子的速度，X_i为第i个粒子的位置，P_i为个体最优位置，P_g为群体最优位置，V_i ^k为第i个粒子第k次迭代的速度，为第i个粒子第k次迭代的位置。

5.根据权利要求1所述的一种石膏浆料搅拌时间的分析方法，其特征在于：步骤1)中所述石膏浆料搅拌过程参数数据采集时，对实际生产温度进行取整处理，采集数据的方式相同，数据的测量方式相同，石膏浆料搅拌方式相同。

6.根据权利要求1所述的一种石膏浆料搅拌时间的分析方法，其特征在于，步骤1)中所述影响搅拌时间的参数包括浆料质量、生产温度、粉料灌注时间和水膏比。