CN103983760B - 基于最小二乘支持向量机的混凝土搅拌性能预测方法 - Google Patents

Abstract

本发明涉及混凝土搅拌技术领域，具体的涉及一种基于最小二乘支持向量机的混凝土搅拌性能预测方法，包括以下步骤：测定混凝土材料配方性能的静态参数；采样获得搅拌过程的功率参数；计算混凝土搅拌系统的动力学特征参数；将静态参数、功率参数、搅拌系统动力学特征参数作为最小二乘支持向量机的输入量，输出量为实验获得的混凝土坍落度和强度，进行学习和预测。采用本发明提供的基于最小二乘支持向量机的混凝土搅拌性能预测方法不但预测精度高、泛化性能好、预测快速、能同时预测混凝土坍落度和强度，而且该方法可以扩充到其他领域。

Description

基于最小二乘支持向量机的混凝土搅拌性能预测方法

技术领域

本发明涉及混凝土搅拌技术领域，具体的涉及一种基于最小二乘支持向量机的混凝土搅拌性能预测方法，可预测混凝土的塌落度和强度。

背景技术

现有混凝土塌落度和强度是混凝土质量的重要指标，为保证混凝土的搅拌质量本案申请人发明了一种混凝土塌落度在线检测方法及检测装置(授权公告号CN102323207B)该混凝土塌落度在线检测方法及检测装置，可实现搅拌过程中的在线检测判断混凝土的塌落度。

但在搅拌工作前对混凝土搅拌后性能预测是混凝土搅拌行业普遍关注的问题，现有的对混凝土搅拌性能的预测一般根据配方及搅拌过程的电流变化情况，由经验判断产品性能。由于混凝土搅拌后性能不仅与材料性能及配方有关，还与搅拌机功能、搅拌过程的系统动力学特征参数有关，受到各种随机干扰，单凭材料性能及配方，或者搅拌机的电流变化情况，判断和预测混凝土搅拌后性能是不可靠和泛化性能差，因此如何提高搅拌后的混凝土性能的预测水平是混凝土搅拌行业内亟需解决的问题。

发明内容

为了克服现有技术的不足，提供一种基于最小二乘支持向量机的混凝土搅拌性能预测方法。

为实现上述目的，本发明提供了基于最小二乘支持向量机的混凝土搅拌性能预测方法，其特征在于，包括以下步骤：

步骤1，测定混凝土材料配方性能的静态参数；

步骤2，采样获得搅拌过程的功率参数；

步骤3，通过步骤2获得的搅拌过程功率参数建立时间序列的自回归模型，借助于电流变化量的自回归模型的系数，通过离散系统和连续系统的参数关系，获得反映计算混凝土搅拌系统的动力学特征参数；

步骤4，将步骤1获得的静态参数、步骤2获得的功率参数、步骤3获得的搅拌系统动力学特征参数作为最小二乘支持向量机的输入量，输出量为实验获得的混凝土坍落度和强度，进行学习和预测。

优化的，步骤1中混凝土配性能的静态参数包括方量、水泥量、水量、碎石量比、胶凝材料、水胶比、粉煤灰、减水剂、砂率中的一种或多种。

优化的，步骤2中搅拌过程的功率单数包括一阶、二阶、三阶和四阶统计量，分别是功率均值、方差、偏度和峰度。

优化的，步骤3中混凝土搅拌系统的动力学特征参数包括无阻尼自然频率、阻尼比或时间常数。

由上述对本发明的描述可知，与现有技术相比，本发明提供的将影响混凝土性能三组参数：(1)混凝土材料配方性能的静态参数、(2)搅拌过程的功率参数、和(3)混凝土搅拌系统的动力学特征参数综合考虑，并作为最小二乘支持向量机的输入，进行混凝土搅拌站系统的混凝土性能进行预测，采用本发明提供的基于最小二乘支持向量机的混凝土搅拌性能预测方法不但预测精度高、泛化性能好、预测快速、能同时预测混凝土坍落度和强度，而且该方法可以扩充到其他领域。

附图说明

图1为不同核参数对主元贡献率的影响。

图2为学习过程。

图3为主元1和2的预测坍落度曲面及预测点。

图4为主元2和3的预测坍落度曲面及预测点。

图5为主元2和3的预测强度曲面及预测点。

图6为坍落度、强度的预测值。

具体实施方式

参照图1至图6所示，以下通过具体实施方式对本发明作进一步的描述。

步骤1：测定混凝土材料配方性能的静态参数，主要包括方量、水泥量、水量、碎石量比、胶凝材料、水胶比、粉煤灰、减水剂、砂率中的一种或多种，它们将作为SVM的一部分输入量。

步骤2：采样获得搅拌过程的功率参数，主要包括搅拌过程功率w_t的均值、方差、偏度和峰度：

采用加权平均值方法，获得零均值的w_ot。其计算公式是：

方差： ${\mathrm{\σ}}^2={\mathrm{\γ}}_{m,2}=E\left(w_{0t}^2\right)---\left(1\right)$

偏度： ${\mathrm{\γ}}_{m,3}=E\left(w_{0t}^3\right)---\left(2\right)$

峰度： ${\mathrm{\γ}}_{c,4}=E\left(w_{0t}^4\right)-3E\left(w_{0t}^3\right)---\left(3\right)$

数值归一化。

步骤3，建立时间序列自回归(AR)模型，通过计算获得混凝土搅拌系统的动力学特征参数：

采用权平均法或差分法，计算获得采样功率的变化值w_t，建立时间序列自回归(AR)模型：

在(4)式中，是自回归系数，a_t是独立的、零均值、正态分布的白噪声；

阶自回归模型系数和(或特征根)与连续系统的关系，计算混凝土搅拌过程系统的动力学特征参数，如，二阶振荡系统的无阻尼自然频率、阻尼比，或惯性系统的时间常数或二阶系统的上升时间和稳定时间等。

二阶振荡系统的阻尼比与时间序列模型公式(4)的系数和的关系是：

无阻尼自然频率ω_n与阻尼比的关系是：

在公式(6)中，T是采样时间间隔。

步骤4，将步骤1获得的静态参数、步骤2获得的功率参数、步骤3获得的搅拌系统动力学特征参数作为最小二乘支持向量机的输入量，输出量为实验获得的混凝土坍落度和强度，进行学习和预测：

1、将混凝土材料配方性能的静态参数、搅拌过程的功率参数，以及搅拌系统的动力学特征参数作为输入量数据库，根据需要由操作者选择n个适当的输入量参数，作为支持向量机SVM的输入数据X_i∈R^m，(i＝1,2,3,┄,n)，m为搅拌的样本数；

2、采用核函数主元分析法(KPCA)，将数据通过非线性变换ψ，映射到特征空间H，在空间H中的样本表示为ψ(X_i)，且满足则高维特征空间的协方差矩阵C为：

$C=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\ψ}\left(X_i\right)\mathrm{\ψ}{\left(X_i\right)}^T---\left(7\right)$

对C进行特征值分解,即，

λV＝CV(8)其中λ是特征值矩阵，V的特征向量，则V可以表示为：

$V=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\mathrm{\ψ}\left(X_i\right)---\left(9\right)$

其中，α＝[α₁,α₂,α₃,…,α_n]是系数，

通过标准化α^k来使特征向量V归一化，计算映射数据ψ(x_i)在H的特征向量V^k上的投影，并用径向基核函数K,得到ψ的第k个主元分量X_d,k:

$X_{d,k}=(V^k\·\mathrm{\ψ}\left(X\right))=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{k}K(X,X_i)---\left(10\right)$

按λ_i大小排序，取前q个主元，其贡献率η大于0.95，参与建立LSSVM模型:

$\mathrm{\η}=\frac{\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}>0.95---\left(11\right)$

图1描绘核函数参数σ不同值，对主元贡献率的影响；

3、将主元分析法的到新的参数X_d,k作为最小二乘支持向量机(LSSVM)的输入量，实验获得的混凝土实际坍落度和强度作为输出的目标量，建立预测模型，

LSSVM的优化问题是：

$\min R(\mathrm{\ω},\mathrm{\ξ})=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+\frac{1}{2}\mathrm{\γ}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ξ}}_k^2$

s.t.y_k＝ω^T·g(X_d,k)+b+ξ_kk＝1,2,…,m(12)

在式(12)中，R(ω,ξ)是目标函数，ω为权重矢量,g(X_d,k)为从输入空间X_d,k映射到特征空间的函数；ξ_k为容许误差，ξ_k可以是负数；γ经验风险惩罚因子,

定义拉格郎日法函L(ω,b,ξ_k,a_k),并令其对变量的偏导数为零,再根据Karush-Kahn-Tucker(KKT)条件来解决这一优化问题，可得线性方程组：

$\left(\begin{array}{cc}0& I^T\\ I& \mathrm{\Ω}+\frac{I}{\mathrm{\γ}}\end{array}\right)\left(\begin{array}{c}b\\ a\end{array}\right)=\begin{array}{}\end{array}\left(\begin{array}{c}0\\ y\end{array}\right)---\left(13\right)$

上式中，y＝[y₁,…,y_m]^T，a＝[a₁,…,a_m]^T，Ω＝g(x_i)g(x_j)，I＝[1,…,1]^T是一个m向量，a_k,b是线性方程组(13)解。利用径向基核函数K(x_i,x_j)＝g(x_i)g(x_j)来降低计算的复杂度，

求解式(13)，最终得到LS-SVM的预测表达式：

$y\left(x_{d,k}\right)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{a}_{k}K(x_d,x_{d,k})+b---\left(14\right);$

4、SVM采用径向基核函数：

$K(x_d,x_{d,k})=\exp \left[\frac{-{\left|\right|x_d-x_{d,k}\left|\right|}^2}{2{\mathrm{\σ}}^2}\right]---\left(14\right)$

采用网格寻优法，获得最小二乘支持向量机的计算过程的惩罚函数γ和径向基函数的参数σ，图2表示γ＝27,σ＝0.01时的训练情况，上图为坍落度学习，下图为强调学习；

5、参照图3、至图5所示，利用获得的支持向量机模型式(14)，将采样、计算和实验获得的组成数据矩阵[X_d,Y]，其中X_d是m×q维，Y是m×2维。X_d是输入量的主元，Y第一列是混凝土坍落度的目标值，Y第二列是强度的目标值。对于样本数据，例如m>100,在[X_d,Y]中，选取m中的4/5行数作为训练数据，其余作为预测数据，预测搅拌的混凝土的坍落度和强度，误差分析，调整γ和σ，改变输入量身份，修改和验证模型；

6、参照图6所示，用最新获得数据作为新的输入量，代到原SVM模型中，就可以预测新搅拌的混凝土坍落度和强度，重复以上过程，可以不断更新LSSVM回归预测模型。

上述仅为本发明的一个具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (4)

1.基于最小二乘支持向量机的混凝土搅拌性能预测方法，其特征在于，包括以下步骤：

步骤1，测定混凝土材料配方性能的静态参数；

步骤2，采样获得搅拌过程的功率参数；

步骤3，通过步骤2获得的搅拌过程功率参数建立时间序列的自回归模型，借助于电流变化量的自回归模型的系数，通过离散系统和连续系统的参数关系，获得反映计算混凝土搅拌系统的动力学特征参数；

步骤4，将步骤1获得的静态参数、步骤2获得的功率参数、步骤3获得的搅拌系统动力学特征参数作为最小二乘支持向量机的输入量，输出量为实验获得的混凝土坍落度和强度，进行学习和预测。

2.根据权利要求1所述的基于最小二乘支持向量机的混凝土搅拌性能预测方法，其特征在于：所述步骤1中混凝土配性能的静态参数包括方量、水泥量、水量、碎石量比、胶凝材料、水胶比、粉煤灰、减水剂、砂率中的一种或多种。

3.根据权利要求1所述的基于最小二乘支持向量机的混凝土搅拌性能预测方法，其特征在于：所述步骤2中搅拌过程的功率参数包括一阶、二阶、三阶和四阶统计量，分别是功率均值、方差、偏度和峰度。

4.根据权利要求1所述的基于最小二乘支持向量机的混凝土搅拌性能预测方法，其特征在于：所述步骤3中混凝土搅拌系统的动力学特征参数包括无阻尼自然频率、阻尼比或时间常数。