CN105807741B - 一种工业生产流程预测方法 - Google Patents

Abstract

本发明提供一种工业生产流程预测方法，能够对生产操作进行预测，提高工业生产的标准化作业水平。所述方法包括：获取历史生产数据；根据工业生产中反应物与生成物之间的关联，利用机器学习法建立简化模型；利用数据挖掘方法对所述历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解，得到操作预测模型；通过所述操作预测模型对生产操作进行预测。本发明适用于工业生产流程控制领域。

Description

一种工业生产流程预测方法

技术领域

本发明涉及工业生产流程控制领域，特别是指一种工业生产流程预测方法。

背景技术

工业生产流程控制中的难题在于大型工业生产工艺复杂，影响生产流程的因素较多，而且，多数工业生产现场电子程度低，现有技术中，操作过程仅依靠人工，流程控制全部依赖人工经验判断，标准化程度低。大型工业生产虽然具有一定的生产操作标准化流程，但是这些流程只是作为衡量操作的指标，在生产操作指导中，就显得过于呆板。

以铜、钢铁、矿业的生产流为例，这类生产流程往往涉及数十数百个操作步骤，时间长达数百上千分钟，发生的物理化学反应十分复杂。从冶金的角度来看，目前还难以建立准确的热力学动力学模型。大多数的操作判断都严重依赖人工经验，这样就造成产品品质的参差不一，因人而异。

具体的，以铜冶炼为例，铜转炉吹炼就是一个涉及化学反应、传热、传质、流体流动的复杂过程。其生产具有多变量、非线性、强耦合、非定常、大惯性和不确定性，熔炼机理复杂、吹炼过程中物料变化范围大、影响因素多，故一直难以实现实时在线检测，尤其是吹炼终点预报十分困难。转炉的吹炼目标是生产出98到99％的粗铜，并使贵金属富集。因此，不能过吹也不能欠吹。目前，现场操作人员根据恶劣环境下取样，来判断造渣期和造铜期的终点。这不仅大大加大了操作人员的工作强度，也使得吹炼终点的判断严重依赖操作人员的经验和工作态度，主观性强、随意性大。同时，吹炼过程的中间冷料成份的波动及不准确的计量，以及喷溅、摇炉和捅风眼等操作，一般无法采用常规的冶金计算方法预估吹炼所需的氧气量，也无法采用一般冶金机理模型用计算机来预估吹炼终点。另外，富氧吹炼的采用增大了作业的难度，往往造成炉衬蚀损过快，完全依靠人工经验操作难以满足强化生产的需要。因此，铜吹炼的标准化作业势在必行。

为了解决上述问题，本专利综合计算机知识与工业生产专业知识，提出一种基于的工业生产流程预测算法，并建立监督器以及误差补偿模型，实现对造渣期造铜期终点进行预报，对工人操作进行预测指导，帮助企业解决生产难题，提高生产效益。

发明内容

本发明要解决的技术问题是提供一种工业生产流程预测方法，以解决现有技术所存在的操作过程仅依靠人工、流程控制全部依赖人工经验、生产操作预测困难、标准化程度低的问题。

为解决上述技术问题，本发明实施例提供一种工业生产流程预测方法，包括：

获取历史生产数据；

根据工业生产中反应物与生成物之间的关联，利用机器学习法建立简化模型；

利用数据挖掘方法对所述历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解，得到操作预测模型；

通过所述操作预测模型对生产操作进行预测。

进一步地，所述历史生产数据包括：原有的历史生产数据及工业生产中新产生的生产数据。

进一步地，所述利用数据挖掘方法对所述历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解包括：

对获取到的原有的历史生产数据及工业生产中新产生的生产数据进行挖掘分析，并根据分析结果，重新求解所述简化模型的系数，并用重新求解得到的系数更新原有的系数。

进一步地，所述利用利用机器学习法建立简化模型包括：

利用多元线性回归算法建立简化模型；

其中，所述简化模型的系数包括：常数系数以及各变量对应的系数。

进一步地，所述对所述简化模型的系数进行求解包括：

当变量的特征数量大于预设值时，利用梯度下降法对所述简化模型中的系数进行求解；

当变量的特征数量小于预设值时，利用正规方程法对所述简化模型中的系数进行求解。

进一步地，所述通过所述操作预测模型对生产操作进行预测之后包括：

利用监督器对预测结果进行监督校正，并根据监督校正结果对生产操作进行预测。

进一步地，所述利用监督器对预测结果进行监督校正，并根据监督校正结果进行生产操作包括：

基于时间的平均值，建立监督器，其中，所述平均值是以开始操作时间为时间原点，并根据距离所述时间原点预设时间段内的原有的历史生产数据及工业生产中新产生的生产数据得到的；

通过所述监督器对所述操作预测模型输出的预测结果进行监督校正，若预测结果与平均值之间的差值小于等于预设的阈值，则根据所述操作预测模型输出的预测结果进行生产操作；

若预测结果与平均值之间的差值大于预设的阈值，则丢弃所述操作预测模型输出的预测结果。

进一步地，所述平均值以及阈值是由原有的历史生产数据及工业生产中新产生的生产数据确定的。

进一步地，所述利用监督器对预测结果进行监督校正，并根据监督校正结果进行生产操作之后包括：

根据工业现场实际生产状况向所述操作预测模型输入反应物信息，并由所述操作预测模型输出预测结果。

进一步地，所述根据工业现场实际生产状况向所述操作预测模型输入反应物信息，并由所述操作预测模型输出预测结果之后包括：

获取每一次所述操作预测模型输出的预测结果与实际生产数据之间的差值，并计算所述差值的平均值；

通过所述差值的平均值对所述简化模型中的常数系数进行补偿。

本发明的上述技术方案的有益效果如下：

上述方案中，根据工业生产中反应物与生成物之间的关联，利用机器学习法建立简化模型；利用数据挖掘方法对历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解，得到操作预测模型；通过所述操作预测模型对生产操作进行预测，从而对工人操作进行指导，提高工业生产的标准化作业水平，帮助企业解决生产难题，提高生产效益。

附图说明

图1为本发明实施例提供的工业生产流程预测方法的方法流程图；

图2为本发明实施例提供的第一次出渣时间与加入冰铜量之间的关系示意图；

图3为本发明实施例提供的第一次出渣时间与加入的冷疗量之间的关系示意图；

图4为本发明实施例提供的第一次出渣时间与加入的溶剂量之间的关系示意图；

图5为本发明实施例提供的第一次出渣时间与入氧速率的关系示意图；

图6为本发明实施例提供的第一次出渣时间与加入空气速率之间的关系示意图；

图7为本发明实施例提供的第一次出渣时间实际值与平均值的比较示意图；

图8为本发明实施例提供的第二次出渣时间实际值与平均值的比较示意图；

图9为本发明实施例提供的第三次出渣时间实际值与平均值的比较示意图；

图10为本发明实施例提供的第四次出渣时间实际值与平均值的比较示意图；

图11为本发明实施例提供的第一次出渣时间与实际值之间的误差示意图；

图12为本发明实施例提供的第二次出渣时间与实际值之间的误差示意图；

图13为本发明实施例提供的第三次出渣时间与实际值之间的误差示意图；

图14为本发明实施例提供的第四次出渣时间与实际值之间的误差示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的操作过程仅依靠人工、流程控制全部依赖人工经验、生产操作预测困难、标准化程度低的问题，提供一种工业生产流程预测方法。

本发明的基本模型是基于机器学习算法，为了更好的理解本发明，先对机器学习算法进行简单的说明：

机器学习算法可以解决很多问题，其中，最为重要的两个是回归与分类。

回归在数学上来说是给定一个点集，能够用一条曲线去拟合之，如果这个曲线是一条直线，那就被称为线性回归，如果曲线是一条二次曲线，就被称为二次回归。线性回归是利用数理统计中回归分析来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，其表达形式为y＝w'x+e，其中，x、y表示变量，w'表示系数，e为误差服从均值为0的正态分布。线性回归属于监督学习，因此线性回归方法和监督学习是一样的，先给定一个训练集，根据这个训练集学习出一个线性函数，然后测试这个函数训练的好不好，挑选出最好的函数即可。

在研究几个变量之间的关联关系，特别当因变量和自变量为线性关系时，它是一种特殊的线性模型。最简单的情形是一个自变量和一个因变量，且它们大体上有线性关系，这叫一元线性回归，即模型为Y＝a+bX+ε，这里X是自变量，Y是因变量，b是系数，ε是随机误差，随机误差一般都是服从均值为0的正态分布。

在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数/系数也是通过数据来估计，这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布(多元分析领域)。

线性回归是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。这是因为线性依赖于其未知参数的模型比非线性依赖于其未知参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。

线性回归模型经常用最小二乘逼近来拟合，但也可以用别的方法来拟合，比如最小绝对误差回归，或者在桥回归中最小化最小二乘损失函数的惩罚。相反，最小二乘逼近可以用来拟合那些非线性的模型。

实施例一

参看图1所示，本发明实施例提供的一种工业生产流程预测方法，包括：

S1：获取历史生产数据；

S2：根据工业生产中反应物与生成物之间的关联，利用机器学习法建立简化模型；

S3：利用数据挖掘方法对所述历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解，得到操作预测模型；

S4：通过所述操作预测模型对生产操作进行预测。

本发明实施例所述的工业生产流程预测方法，根据工业生产中反应物与生成物之间的关联，利用机器学习法建立简化模型；利用数据挖掘方法对历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解，得到操作预测模型；通过所述操作预测模型对生产操作进行预测，从而对工人操作进行指导，提高工业生产的标准化作业水平，帮助企业解决生产难题，提高生产效益。

本发明实施例提供的工业生产流程预测方法，可以应用在铜冶炼、钢铁生产以及矿业生产等工业生产流程控制当中，对生产操作流程进行指导与优化。

在所述操作预测模型建立初期，由于符合标准的生产数据较少，生产标准有可能会在一定的范围内发生变动，利用数据挖掘以及机器学习建立的初步操作预测模型可能存在适应能力差的问题。为了解决这个问题，提高操作预测模型的适应能力和预测性能，所述操作预测模型还具有自学习能力。

随着生产数据的积累，符合筛选条件的优质生产数据也越来越多，本发明不仅需要根据原有的历史生产数据筛选出符合生产条件的生产数据求解简化模型的系数，还需根据工业生产中新产生的生产数据筛选出符合生产条件的生产数据对简化模型的系数进行更新，这样，随着将新产生的生产数据加入到模型系数的计算中，能够得到更加接近实际生产情况的操作预测模型，也就是说，随着优质生产数据的不断增加，本发明实施例提供的工业生产流程预测方法的预测结果能够更加接近实际生产情况，有助于对工人操作进行指导。

本发明实施例中，还可以开发桌面化应用程序提供给操作人员使用，将原有的历史生产数据电子化入库，方便进行数据挖掘及其他建模分析，从而对生产操作进行模拟，并持续将工业生产中新产生的生产数据电子化入库。

在前述工业生产流程预测方法的具体实施方式中，进一步地，所述利用数据挖掘方法对所述历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解包括：

对获取到的原有的历史生产数据及工业生产中新产生的生产数据进行挖掘分析，并根据分析结果，重新求解所述简化模型的系数，并用重新求解得到的系数更新原有的系数。

本发明实施例中，能够对原有的历史生产数据及工业生产中新产生的生产数据进行挖掘分析，筛选出符合生产条件的生产数据，排除不符合生产条件的生产数据的干扰，并根据挖掘分析结果，求解简化模型的系数并保持，以便在进行下一次的操作时，使用最新的系数，从而提高操作预测模型的实用性和预测性能。

机器学习算法多种多样，在比较多种算的优劣之后，结合实际应用场景，优选地，使用多元线性回归算法建立简化模型。

多元线性回归的基本原理和基本计算过程与一元线性回归相同，在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。

线性回归假设特征和结果满足线性关系，其实线性关系的表达能力非常强大，每个特征对结果的影响强弱可以有前面的参数体现，而且每个特征变量可以首先映射到一个函数，然后再参与线性计算，这样就可以表达特征与结果之间的非线性关系。

多元线性回归的求解方法有多种，包括：梯度下降算法(Gradient Descent)和正规方程法(Normal Equation)等。

在本发明实施例中，当变量的特征(Feature)数量小于预设值时，利用正规方程法对所述简化模型中的系数进行求解；当变量的特征数量大于预设值时，利用梯度下降法对所述简化模型中的系数进行求解。

其中，Gradient Descent的特点包括以下方面：

(1)需要预先选定学习率(Learning rate)；

(2)需要多次循环(iteration)；

(3)需要特征缩放(Feature Scaling)；

Normal Equation的特点包括：简单、方便、不需要特征缩放(Feature Scaling)；

综上可知，Gradient Descent计算复杂，因此，可以根据当前的应用场景，结合计算的复杂性，当特征数量较少时，本发明采用的求解方法为Normal Equation，优选地，选择的依据是：

当Feature数量小于100000时，使用Normal Equation；

当Feature数量大于100000时，使用Gradient Descent；

Normal Equation的公式表示为：θ＝(X^TX)^-1X^Ty,其中，

(x⁽ⁱ⁾，y⁽ⁱ⁾)表示第i个训练样本(training example)；表示第i个训练样本中自变量x⁽ⁱ⁾的第j个特征(feature)的值；y⁽ⁱ⁾表示第i个训练样本中的因变量的值，m为训练样本数(#training example)；n为特征向量的维度(#feature)，θ_j表示第j个特征的系数。

本发明实施例中，反应物的信息包括：反应物的操作时间、操作量等信息；生成物的信息包括：生成物的操作时间、操作量等信息。

本发明实施例中，先确定生成物/目标操作与反应物在操作量和操作时间之间的联系，并建立简化模型，再利用Normal Equation的公式求解相关系数，得到操作预测模型。在Normal Equation的公式中，y表示所要预测的生成物/目标操作的操作时间或者操作量，例如出渣时间、出渣量等；表示该操作之前的某种反应物的加入量，包括：冰铜、冷料、铜以及空气氧气等。

以炼铜厂为例，随机抽取该炼铜厂若干实际生产记录，进行数据分析并绘制图表，图2表示第一次出渣时间与加入冰铜量之间的关系；图3表示第一次出渣时间与加入的冷疗量之间的关系；图4表示第一次出渣时间与加入的溶剂量之间的关系；图5表示第一次出渣时间与入氧速率的关系；图6表示第一次出渣时间与加入空气速率之间的关系。从图2-6中可以发现，第一次出渣时间与反应物冰铜重量的关系趋于线性，当冰铜总量增加或减少时，第一次出渣的时间也随着增加或者减少。同时，出渣时间与冷料、熔剂量的也有类似的上述关系。进行类比，其他操作的操作时间和反应物也有这样的关系。

综合以上分析，将冰铜量、冷料量、溶剂量以及操作前的空气进入速度、氧气进入速度作为自变量，将出渣时间作为因变量，也是本发明的预测目标。初步建立因变量与自变量的关系：

式(1)中，y1表示第一次出渣预测时间，matte为冰铜量，x1为冰铜量系数；coldMaterial为冷料量，x2代表示冷料量系数；flux表示熔剂量，x3表示熔剂量系数；airSpeed表示空气速率，x4表示空气量系数；oxygenSpeed表示氧气加入速率，x5表示氧气系数；c表示常数。通过矩阵运算，借助上述Normal Equation的公式，并使用MATLAB或者C#编程语言求解相关变量的系数以及常数系数。

多元线性回归算法能够根据输入的自变量信息计算输出预测结果/因变量，符合大多数标准情况，但是在实际应用中，自变量的输入有可能会有很大的差别，造成预测结果严重偏离实际情况。

为了防止这种情况，在发明实施例中，还增加监督器对预测结果进行监督校正，并根据监督校正结果对生产操作进行预测。监督器将操作预测模型的预测结果与预先设定的误差范围进行比较。如果误差可以接受，则使用操作预测模型的预测结果；否则，则选择其他预测结果或者对结果进行误差补偿。这样，通过建立监督器，从初步的预测结果进行限制，防止预测结果出现无法接受的较大偏差，从而提高预测的正确率。

具体的，所述利用监督器对预测结果进行监督校正，并根据监督校正结果进行生产操作包括：

基于时间的平均值，建立监督器，其中，所述平均值是以开始操作时间为时间原点，并根据距离所述时间原点预设时间段内的原有的历史生产数据及工业生产中新产生的生产数据得到的；

通过所述监督器对所述操作预测模型输出的预测结果进行监督校正，若预测结果与平均值之间的差值小于等于预设的阈值，则根据所述操作预测模型输出的预测结果进行生产操作；

若预测结果与平均值之间的差值大于预设的阈值，则丢弃所述操作预测模型输出的预测结果。

在建立监督器阶段，本发明实施例将工业的实际生产数据/实际值与平均值进行比较分析。以在铜冶炼的生产为例，随机选取若干炉次的生产数据，制作图表，图7表示第一次出渣时间实际值与平均值的比较；图8表示第二次出渣时间实际值与平均值的比较；图9表示第三次出渣时间实际值与平均值的比较；图10表示第四次出渣时间实际值与平均值的比较。从图7-10可以看出，工业生产数据的实际值多在平均值附近进行上下波动，当数据量增加到一定程度时，大多数的数据偏差在10％之内，优选地，可以将10％作为阈值，因此，可以将操作预测模型的预测结果与平均值进行对比，如果相对误差在10％之内，则接受；如果超过10％，则给出平均值计算结果。为此，本发明实施例将平均值作为监督器的基准水平，并建立可接受范围内的阈值。

本发明实施例中，该平均值以及阈值是从原有的历史生产数据及工业生产中新产生的生产数据挖掘出来的，能够随着优质样本的增加自动调整，从而进一步改善精确度。

一般来说，操作预测模型与实际生产数据的误差是无法完全消除的，但是可以通过对误差的分析、诊断，建立误差补偿模型，提高预测结果的准确度。在对操作预测模型的预测结果进行验证时，使用工业现场实际生产状况的输入量作为所述操作预测模型的输入信息，并将操作预测模型输出的预测结果与实际生产记录进行比较分析，建立误差补偿模型对误差进行补充，具体的，计算出每一次操作预测模型输出的预测结果与实际生产数据(实际值)之间的差值并保存，并计算所述差值的平均值，将所述差值的平均值补偿到式(1)中的常数系数c中，从而提高操作预测模型计算的准确率。

在进行误差诊断与误差补偿模型的建立时，本发明实施例主要分析了操作预测模型的预测结果与实际值之间的误差，并制作图表，图11表示第一次出渣时间与实际值之间的误差；图12表示第二次出渣时间与实际值之间的误差；图13表示第三次出渣时间与实际值之间的误差；图14表示第四次出渣时间与实际值之间的误差。从图11-14中可以看出，预测结果与实际值之间的误差波动并不大，随着数据的增多，误差值呈现出线性关系，即趋于一条直线，本发明实施例依据此关系建立后续的误差补偿模型，从而进一步提高预测准确度。

综上，本发明实施例选择使用多元线性回归算法作为基本算法，得到操作预测模型，对生产操作进行初步预测；再辅以监督器对预测结果进行监督校正，并综合误差补偿模型，进一步降低预测误差，提高预测准确度，从而提高工业生产的标准化作业水平。同时，在实际应用中，还基于对原有历史生产数据的自学习，自动化筛选出符合生产条件的生产数据，从而使得操作预测模型的预测结果越来越准确，将最终的预测结果与实际生产数据相比较，误差在可接受范围之内，从而说明，本发明实施例提供的工业生产流程预测方法具有良好的预测性能。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种工业生产流程预测方法，其特征在于，包括：

获取历史生产数据；

根据工业生产中反应物与生成物之间的关联，利用机器学习法建立简化模型，其中，反应物的信息包括：反应物的操作时间、操作量；生成物的信息包括：生成物的操作时间、操作量；

利用数据挖掘方法对所述历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解，得到操作预测模型；

通过所述操作预测模型对生产操作进行预测；

其中，所述对所述简化模型的系数进行求解包括：

当变量的特征数量大于预设值时，利用梯度下降法对所述简化模型中的系数进行求解；

当变量的特征数量小于预设值时，利用正规方程法对所述简化模型中的系数进行求解；其中，

所述正规方程法的公式表示为：θ＝(X^TX)^-1X^T _y；

其中，θ表示变量的特征的系数，y表示要预测的生成物/目标操作的操作时间或者操作量，X表示反应物的操作量，T表示矩阵转置。

2.根据权利要求1所述的工业生产流程预测方法，其特征在于，所述历史生产数据包括：原有的历史生产数据及工业生产中新产生的生产数据。

3.根据权利要求1所述的工业生产流程预测方法，其特征在于，所述利用数据挖掘方法对所述历史生产数据进行挖掘分析，并根据分析结果，对所述简化模型的系数进行求解包括：

对获取到的原有的历史生产数据及工业生产中新产生的生产数据进行挖掘分析，并根据分析结果，重新求解所述简化模型的系数，并用重新求解得到的系数更新原有的系数。

4.根据权利要求1所述的工业生产流程预测方法，其特征在于，所述利用利用机器学习法建立简化模型包括：

利用多元线性回归算法建立简化模型；

其中，所述简化模型的系数包括：常数系数以及各变量对应的系数。

5.根据权利要求1所述的工业生产流程预测方法，其特征在于，所述通过所述操作预测模型对生产操作进行预测之后包括：

利用监督器对预测结果进行监督校正，并根据监督校正结果对生产操作进行预测。

6.根据权利要求5所述的工业生产流程预测方法，其特征在于，所述利用监督器对预测结果进行监督校正，并根据监督校正结果进行生产操作包括：

基于时间的平均值，建立监督器，其中，所述平均值是以开始操作时间为时间原点，并根据距离所述时间原点预设时间段内的原有的历史生产数据及工业生产中新产生的生产数据得到的；

通过所述监督器对所述操作预测模型输出的预测结果进行监督校正，若预测结果与平均值之间的差值小于等于预设的阈值，则根据所述操作预测模型输出的预测结果进行生产操作；

若预测结果与平均值之间的差值大于预设的阈值，则丢弃所述操作预测模型输出的预测结果。

7.根据权利要求6所述的工业生产流程预测方法，其特征在于，所述平均值以及阈值是由原有的历史生产数据及工业生产中新产生的生产数据确定的。

8.根据权利要求5所述的工业生产流程预测方法，其特征在于，所述利用监督器对预测结果进行监督校正，并根据监督校正结果进行生产操作之后包括：

根据工业现场实际生产状况向所述操作预测模型输入反应物信息，并由所述操作预测模型输出预测结果。

9.根据权利要求8所述的工业生产流程预测方法，其特征在于，所述根据工业现场实际生产状况向所述操作预测模型输入反应物信息，并由所述操作预测模型输出预测结果之后包括：

获取每一次所述操作预测模型输出的预测结果与实际生产数据之间的差值，并计算所述差值的平均值；

通过所述差值的平均值对所述简化模型中的常数系数进行补偿。