CN106228270B - 一种大数据驱动的挤压设备的能耗预测方法及其系统 - Google Patents

Abstract

一种大数据驱动的挤压设备能耗预测方法及其系统，能耗预测方法包括以下步骤：(1)数据采集；(2)数据转换；(3)数据后处理；(4)能耗实时状态评估。上述能耗实时状态评估系统，安装于设有控制器的挤压设备，包括实时生产大数据监测系统、数据交换器、数据后处理系统、数据存储器和能耗实时状态评估模型器。本发明提出一种生产大数据驱动的挤压设备的能耗预测方法及其能耗实时状态评估系统，基于生产实时监测数据，利用大数据挖掘与分析技术实现对挤压机能耗状态的智能分析与预测，支撑挤压机能耗的在线智能优化。

Description

一种大数据驱动的挤压设备的能耗预测方法及其系统

技术领域

本发明涉及技术领域，尤其涉及一种大数据驱动的挤压设备的能耗预测方法及其系统。

背景技术

挤压设备是铝型材加工过程中核心装备之一，能耗需求高，企业迫切需要通过对挤压设备运行过程中能耗状况进行实时监控与优化控制，降低能源浪费，节约能耗成本，然而实现优化控制的前提是对挤压设备运行过程中的能耗状态进行实时评估。目前，能耗的评估主要基于工艺的能耗机理模型揭示能耗规律、特征以支持能耗动态行为的评估与优化，若采用该方法需对复杂的机理过程进行深刻认识，并需要简化关键结构参数、物性参数、忽略生产约束的动态性和时变性，因此能耗的评估与分析准确性低，无法反映能耗随生产实际的实时能耗行为。与此同时，随着企业智能化、信息化程度的提高，企业每时每刻产生海量的生产、能耗信息数据，这些大规模数据通过各种传感器以各种形式传到数据中心服务器，并基于统计分析被用于监控和评估，数据价值未被充分挖掘和利用，这些海量的数据中蕴含着大量宝贵的信息，包含了丰富的映射实际生产运行规律、能耗规律、能耗与运行参数、生产指标约束等关系的潜在信息，这些潜在的信息数据可以有效支撑能耗行为模型的构建以及能耗优化。因此，可利用挤压设备运行过程丰富的实时数据信息，采用数据信息挖掘技术，建立能耗等生产信息的数据统计回归模型，对挤压设备运行过程中的实时能耗状态进行评估分析。

目前，工艺能耗的评估多基于机理模型，该种方法需对复杂的工艺能耗机理过程进行深刻认识，并简化关键结构参数、物性参数，忽略生产约束的动态性和时变性，假设生产过程一直出去理想状态，然而生产过程存在各种不确定性因素，采用该种方法评估挤压工艺的实时能耗可靠性低，无法反应真实情况，为后续的优化带来困扰。

发明内容

本发明的目的在于提出一种大数据驱动的挤压设备的能耗预测方法，基于生产实时监测数据，利用大数据挖掘与分析技术实现对挤压机能耗状态的智能分析与预测。

本发明的另一个目的在于提出一种大数据驱动的挤压设备的能耗实时状态评估系统，基于生产实时监测数据，利用大数据挖掘与分析技术实现对挤压机能耗状态的智能分析、预测，支撑挤压机能耗的在线智能优化。

为达此目的，本发明采用以下技术方案：

一种大数据驱动的挤压设备能耗预测方法，包括以下步骤：

(1)数据采集：收集目标挤压设备的运动状态数据、控制参数数据及电耗数据；

(2)数据转换：将步骤一采集的数据结合起来存在到一个一致的数据存储中，并通过数据标准化引擎获得有序的数据；

(3)数据后处理：对步骤二获得的有序数据依次进行清洗、归约、压缩和分类；

(4)能耗实时状态评估：通过构建能耗的时序立体数据多元非线性回归模型，评估、预测能耗行为状态，并通过将该模型与能耗机理方程模型结合进一步校正能耗回归模型的可靠性，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测。

更进一步的说明，所述步骤(3)中的数据清洗工序为通过设定和封装数据清理算法，填写缺失值，平滑噪声系数，识别、删除异常值，并解决不一致问题。

更进一步的说明，所述缺失值采用多重插补法给定，所述平滑噪声系数采用数据平滑技术取出偏离度不符合的异常数据，所述异常值选用基于分类与预测模型的方法进行舍弃处理。

具体的，缺失值采用多重插补法给定，先为每个缺失值插补m个可能的估计值(这些值反映了缺失模型的不确定性)，形成m个完整数据集；然后对每个完整数据集分别使用相同的针对完整数椐集的方法进行分析，得到m个分析结果；最后综合来自这m个插补数据集的结果，得到对目标变量的统计推断值。数据噪声则可采用数据平滑技术去除偏离度比较大的异常数据。异常值选用基于分类与预测模型的方法进行处理，对于变量总体的特征建立分类或预测模型，形成正常数据的特征库，然后判断新的数据是否属于正常数据，如果新数据与总体特征相偏离，则为异常值，对其进行舍弃处理。

更进一步的说明，所述步骤(3)中的数据归约基于粗糙集理论的启发式属性约简算法通过聚集、删除冗余特征或聚类方法来剔除不必要的属性，减少数据维度。

具体的，本发明采用基于粗糙集理论的启发式属性约简算法对某些不重要的属性进行约简删除，以信息系统或决策表的属性核为起始点，根据属性重要性的某种测度，依次选择核属性以外未被添加到核中的属性中最重要的属性，将其加入到核中，直到满足终止条件，得到信息系统或决策表的一个约简。

更进一步的说明，所述步骤(3)中的数据分类基于密度的聚类算法DBSCAN的工序，具体的，在数据域中，任意选取一个没有加簇标签的点P，得到所有从P关于Eps邻域的最大半径和在Eps邻域中的最少点数密度可达的点；

如果P是一个核心点，形成一个新的簇，给簇内所有对象点加簇标签；

如果P是一个边界点，没有从P密度可达的点；

DBSCAN将访问数据域中的下一个点，不断循环这一过程，直到数据库中所有点都被处理。

更进一步的说明，所述步骤(4)中的能耗实时状态评估采用时序立体数据多元非线性回归建模方法构建其能耗实时状态评估模型，其中能耗实时状态评估模型可以表达为：

y(t)＝f(X(t),β(t),ε(t))；

其中y是能耗E(t)与生产指标集p(t)构成的因变量集，X是子作业计划集w(t)、工况参数集I(t)、操作参数集o(t)、以及状态参数集s(t)通过变换构成的自变量矩阵，具体如下公式所示：

因此能耗关于上述参数的时序立体数据多元回归模型如下公式：

y(t)＝β₀+β₁x₁(t)+β₂x₂(t)+…+β_px_u+n+m+k+p(t)+ε(t)

其中，ε(t)＝(ε(1),ε(2),…,ε(T))为随机误差向量，

x_j(t)＝(x₁(1),x₂(2),…,x_N(T)),j＝1,2,…,u+n+m+k+p

同理，样本回归模型的形式如下公式：

根据参数最小二乘估计的判断标准，残差平方和达到最小，得到：

根据最小二乘原理，对上述公式中的

求偏导数，得到正规方程组如下：

求解上述P+1个方程组成的线性代数方程组，即可求得P+1个待估参数的估计值

从而确定能耗的实时状态模型。

更进一步的说明，一种大数据驱动的挤压设备能耗实时状态评估系统，安装于设有控制器的挤压设备，包括实时生产大数据监测系统、数据交换器、数据后处理系统、数据存储器和能耗实时状态评估模型器；

所述实时生产大数据监测系统用于监测并或其目标挤压设备的运动状态数据、控制参数数据及电耗数据，所述实时生产大数据监测系统安装于挤压设备的各功能模块和各输入输出模块，所述实时生产大数据监测系统通过电连接连接并将获取的多个数据传送给所述数据交换器；

所述数据交换器用于将多个数据源中不同的数据结合起来存放在一个一致的数据存储中，并通过数据标准化引擎获得有序的数据，所述数据交换器通过电连接将有序的数据传送给所述数据后处理系统；

所述数据后处理系统用于对有序的数据进行后处理，并通过电连接连接并将加工后的数据传送给所述数据存储器；

所述数据存储器通过电连接连接并传送数据给所述能耗实时状态评估模型器；

所述能耗实时状态评估模型器用于构建能耗的时序立体数据多元非线性回归模型，并评估、预测目标挤压设备的能耗行为状态，并通过将该模型与能耗机理方程模型结合校正能耗回归模型，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测。

更进一步的说明，所述实时数据监测系统包括电耗信息采集模块、控制信息采集模块和状态参数采集模块；

所述电耗信息采集模块通过智能电力仪测试获得工艺模具加热能耗、铝棒加热能耗、液压控制系统能耗、加热系统能耗以及冷却系统能耗的数据；

所述控制信息采集模块通过数据控制系统记录工艺过程挤压速度、空程速度、回程速度、挤压行程、挤压筒行程、剪切力、剪切行程、挤压力的参数数据；

所述状态参数采集模块通过挤压设备上各传感器进行检测并采集运行过程中的模具或铝棒或挤压筒温度，以及挤压工艺压力、电机转速、电机瞬时功率的参数数据。

更进一步的说明，所述数据后处理系统包括数据清理模块；所述数据清理模块通过设定和封装数据清理算法，填写缺失值，平滑噪声系数，识别、删除异常值，并解决不一致问题。

更进一步的说明，所述数据后处理系统还包括数据归约模块、数据压缩模块和数据分类模块中的一个或多个模块；

所述数据归约模块用于去除与能耗实时状态评估无关的数据属性，消除掉数据冗余属性，减少数据量；

所述数据压缩模块通过设定和封装数据压缩规则，实现多种类型、多种形式数据的压缩处理；

所述数据分类模块通过数据分类算法将数据根据能耗参数、作业计划参数、生产指标参数、工况参数、操作参数、状态参数各特征进行数据分类。

更进一步的说明，所述能耗实时状态评估模型器的时序立体数据由能耗参数集、作业计划集、生产指标参数集、工况参数集、操作参数集和状态参数集组成。

本发明的有益效果：将利用设备运行大数据，基于生产实时监测数据实现对挤压机能耗状态的实时智能评估、分析、预测，一方面可以更加真实的反映挤压工艺能耗状态，另一方面可实时监测生产过程中存在各种不确定性因素，系统评估分析、处理、反馈与优化控制，有效的评估挤压工艺的实时能耗可靠性低，真实反应情况，进一步优化后续挤压工艺，支持挤压工艺设备能耗的在线智能优化。

附图说明

图1是本发明一个实施例的系统框架图；

图2是本发明的数据后处理系统的一个实施例的模块图。

其中，实时生产大数据监测系统10、数据交换器20、数据后处理系统30、数据存储器40、能耗实时状态评估模型器50、电耗信息采集模块110、控制信息采集模块120、状态参数采集模块130、数据清理模块310、数据归约模块320、数据压缩模块330、数据分类模块340。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明能耗预测方法基于生产实时监测数据实现对挤压机能耗状态的智能分析、预测，支撑能耗的在线智能优化，具体步骤：

(1)数据采集：针对目标挤压设备，通过外部传感器、智能电表以及控制器系统等实时监测采集设备运行状态数据(温度、压力、电机功率、转速等参数)、控制参数数据(挤压力、行程量、后退量等数据)以及电耗数据等。

(2)数据转换：将多个数据源中不同的数据结合起来存放在一个一直的数据存储中，并通过数据标准化引擎以获得更加有序的数据。

(3)数据后处理：主要是对实时监测的数据通过数据清洗、数据规约、数据压缩、数据聚类等几个步骤，以改进实时监测数据的质量，从而进一步提升能耗实时评估的精度和性能。

(4)能耗实时状态评估：通过构建能耗的时序立体数据多元非线性回归模型，评估、预测能耗行为状态，并通过将该模型与能耗机理方程模型结合进一步校正能耗回归模型的可靠性，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测。

具体的系统，如图1所示，包括：

实时数据监测系统10，主要用来监测挤压设备状态参数数据、控制参数数据以及能耗数据等，其由安装在控制器上采集模块120、电控系统上的能耗数据采集模块110，以及用于监测状态数据的外设传感器网络130等组成。

数据交换器20，考虑到未来设备互联的可扩展性、开放性，本数据交换器的设计采用基于MTConnect的数据通讯协议，MTConnect是一种基于可扩展标记语言XML的数据通讯协议，允许不同来源的数据间实现交流和识别，该协议可以解决数据连接不一致，数据格式不兼容，大量的点对点的连接(对本发明从单台设备扩展到整个车间设备具有重要意义)，不易配置/设置，专有数据结构等一列问题。通过该协议，将把设备运行控制参数数据、状态参数数据、能耗数据等不同形式的数据转换成统一的XML数据形式。考虑到挤压机无自动数据采集系统，因此需要另外加一个转换器MTConnect Adapter,Adapter把本地设备数据及其格式转换成MTConnect兼容的数据。

数据后处理系统30，为提高能耗状态的实时评估准确度与精度，该系统主要用于对反映能耗实时状态的数据进行处理，包括数据清洗模块310、数据归约模块320，数据压缩模块330以及数据聚类模块340等几个环节。

数据存储器40，为采集和处理后的数据提供缓存空间，以支撑基于这些数据进行挤压设备能耗实时状态评估与分析。

能耗实时状态评估模型器50，该实时状态评估模型器将采用时序立体数据多元非线性回归建模方法构建其能耗实时状态评估模型，其中能耗实时状态评估模型表达为如下公式：

y(t)＝f(X(t),β(t),ε(t))

考虑各个变量的时序变化特征，其中y是能耗E(t)与生产指标集p(t)构成的因变量集，而X是子作业计划集w(t)、工况参数集I(t)、操作参数集o(t)、以及状态参数集s(t)等通过变换构成的自变量矩阵，如下公式：

因此能耗关于上述参数的时序立体数据多元回归模型如下公式：

y(t)＝β₀+β₁x₁(t)+β₂x₂(t)+…+β_px_u+n+m+k+p(t)+ε(t)

其中，ε(t)＝(ε(1),ε(2),…,ε(T))为随机误差向量，

x_j(t)＝(x₁(1),x₂(2),…,x_N(T)),j＝1,2,…,u+n+m+k+p

同理，样本回归模型的形式如公式(5)：

根据参数最小二乘估计的判断标准，残差平方和达到最小，得到：

根据最小二乘原理，对上述公式中的

求偏导数，得到正规方程组如公式(7)：

求解上述P+1个方程组成的线性代数方程组，即可求得P+1个待估参数的估计值

因此能耗的实时状态模型也即可以确定。

所述实时数据监测系统10包括：

电耗信息采集模块110，通过安装智能电表或者高速功率仪等测试能耗相关数据。

控制信息采集模块120，为匹配挤压机控制系统，本发明自主开发了适用于挤压机控制系统的数据采集模块，主要采集控制参数信息数据。

状态参数采集模块130，该采集模块主要由温度、压力、速度、功率等传感器网络组成，用于采集挤压机运行过程状态监测数据。

实时数据监测系统10安装于目标监测挤压设备，本发明所针对的设备是不具有自动数据采集系统挤压设备，但该种挤压设备装备了控制器。

如图2所示，数据后处理系统30包括：

数据清理模块310，本发明主要通过填写缺失值，平滑噪声系数，异常值处理等方法解决有问题的数据，减小问题数据对能耗实时评估精确度的影响。数据清洗规则如下：出于对复杂度和精确性的考虑，缺失值选用多重插补法给定，先为每个缺失值插补m个可能的估计值(这些值反映了缺失模型的不确定性)，形成m个完整数据集；然后对每个完整数据集分别使用相同的针对完整数椐集的方法进行分析，得到m个分析结果；最后综合来自这m个插补数据集的结果，得到对目标变量的统计推断值。异常值选用基于分类与预测模型的方法进行处理，对于变量总体的特征建立分类或预测模型，形成正常数据的特征库，然后判断新的数据是否属于正常数据，如果新数据与总体特征相偏离，则为异常值，对其进行舍弃处理。数据噪声则可采用数据平滑技术去除偏离度比较大的异常数据。

数据归约模块320，按数据规约规则，通过聚集、删除冗余特征或聚类等方法来剔除不必要的属性，减少数据维度，从而减少数据规模，提高数据的实用性。在本发明采用基于粗糙集理论的启发式属性约简算法对某些不重要的属性进行约简删除，以信息系统或决策表的属性核为起始点，根据属性重要性的某种测度，依次选择核属性以外未被添加到核中的属性中最重要的属性，将其加入到核中，直到满足终止条件，得到信息系统或决策表的一个约简。

数据压缩模块330，即在不丢失有用信息的前提下，按数据压缩规则——缩减数据量或按一定的算法对数据进行重新组织，以减少数据冗余和存储空间。本发明将通过分析当前数据点与前一个被保留的数据点所构成的压缩偏移覆盖区来决定数据的取舍。如果偏移覆盖区可以覆盖两者之间的所有点，则不保留该数据点；如果有数据点落在压缩偏移覆盖区之外，则保留当前数据点的前一个点，并以最新保留的数据点作为新的起点。这样，通过丢弃一些不必要的数据，可以达到减少数据量的目的。

数据分类模块340，由于能耗相关的数据集一般比较大，可能存在噪声数据，且对其形状无任何先验知识，因此设定数据分类规则，在本发明选择基于密度的聚类算法DBSCAN，在数据域中，任意选取一个没有加簇标签的点P(即点P周围局部点密度是否超过某阈值是未知的)，得到所有从P关于Eps(邻域的最大半径)和MinPts(在Eps邻域中的最少点数)密度可达的点。如果P是一个核心点，形成一个新的簇，给簇内所有对象点加簇标签；如果P是一个边界点，没有从P密度可达的点，DBSCAN将访问数据域中的下一个点。不断循环这一过程，直到数据库中所有点都被处理。

每个模块按独自的规则对数据进行后处理，实现对数据的筛分及剔除，减小问题数据对能耗实时评估精确度的影响。

具体的，所述能耗状态实时评估模型器50的时序立体数据由能耗参数集E(t)、作业计划集w(t)、生产指标参数集p(t)、工况参数I(t)、操作参数集o(t)、状态参数集s(t)等数据共同组成了一种时序立体数据。

由于能耗参数E(t)以及相关生产指标变量与工艺运行参数、约束参数、工况参数、状态参数等变量之间都是非线性的关系，且不确定的生产约束也均来源于非线性，因此本发明将采用时序立体数据多元非线性回归建模法建立能耗的实时状态评估模型，并采用最小二乘法等将非线性模型转换为线性模型，以便求解。

本发明将利用设备运行大数据，基于生产实时监测数据实现对挤压机能耗状态的实时智能评估、分析、预测，一方面可以更加真实的反映挤压工艺能耗状态，另一方面实现对能耗状态的及时评估分析、处理、反馈与优化控制，支持挤压工艺设备能耗的在线智能优化。

与现有技术相比，本发明在规避挤压工艺能耗机理复杂建模方面具有较好的突破，不再需要对复杂的挤压工艺机理过程进行深刻认识，提高了挤压工艺能耗实时评估效率；同时可反映在动态生产约束、不确定影响因素等影响下最真实的能耗状态，提高了能耗状态评估的准确性、可靠性，对支撑未来挤压机智能控制与节能具有重要意义。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (3)

1.一种大数据驱动的挤压设备能耗预测方法，其特征在于：包括以下步骤：

(1)数据采集：收集目标挤压设备的运动状态数据、控制参数数据及电耗数据；

(2)数据转换：将步骤(1)采集的数据结合起来存在到一个一致的数据存储中，并通过数据标准化引擎获得有序的数据；

(3)数据后处理：对步骤(2)获得的有序数据依次进行清洗、归约、压缩和分类；

(4)能耗实时状态评估：通过构建能耗的时序立体数据多元非线性回归模型，评估、预测能耗行为状态，并通过将该模型与能耗机理方程模型结合进一步校正能耗回归模型的可靠性，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测；

其中，所述步骤(3)中的数据清洗工序为通过设定和封装数据清理算法，填写缺失值，平滑噪声系数，识别、删除异常值；所述缺失值采用多重插补法给定，所述平滑噪声系数采用数据平滑技术取出偏离度不符合的异常数据，所述异常值选用基于分类与预测模型的方法进行舍弃处理；所述步骤(3)中的数据归约基于粗糙集理论的启发式属性约简算法通过聚集、删除冗余特征或聚类方法来剔除不必要的属性，减少数据维度；

所述步骤(3)中的数据分类基于密度的聚类算法DBSCAN的工序，具体的，在数据域中，任意选取一个没有加簇标签的点P，得到所有从P关于Eps邻域的最大半径和在Eps邻域中的最少点数密度可达的点；

如果P是一个核心点，形成一个新的簇，给簇内所有对象点加簇标签；

如果P是一个边界点，没有从P密度可达的点；

DBSCAN将访问数据域中的下一个点，不断循环这一过程，直到数据库中所有点都被处理；

所述步骤(4)中的能耗实时状态评估采用时序立体数据多元非线性回归建模方法构建其能耗实时状态评估模型，其中能耗实时状态评估模型表达为：

y(t)＝f(X(t),β(t),ε(t))；

其中y是能耗E(t)与生产指标集p(t)构成的因变量集，X是子作业计划集w(t)、工况参数集I(t)、操作参数集o(t)、以及状态参数集s(t)通过变换构成的自变量矩阵，具体如下公式所示：

因此能耗关于上述参数的时序立体数据多元回归模型如下公式：

y(t)＝β₀+β₁x₁(t)+β₂x₂(t)+…+β_px_u+n+m+k+p(t)+ε(t)

其中，ε(t)＝(ε(1),ε(2),…,ε(T))为随机误差向量，

x_j(t)＝(x₁(1),x₂(2),…,x_N(T)),j＝1,2,…,u+n+m+k+p

同理，样本回归模型的形式如下公式：

根据参数最小二乘估计的判断标准，残差平方和达到最小，得到：

根据最小二乘原理，对上述公式中的

求偏导数，得到正规方程组如下：

求解上述P+1个方程组成的线性代数方程组，即可求得P+1个待估参数的估计值

从而确定能耗的实时状态模型。

2.使用权利要求1所述的大数据驱动的挤压设备能耗预测方法的挤压设备能耗实时状态评估系统，其特征在于：安装于设有控制器的挤压设备，所述能耗实时状态评估系统包括实时生产大数据监测系统、数据交换器、数据后处理系统、数据存储器和能耗实时状态评估模型器；

所述实时生产大数据监测系统用于监测目标挤压设备的运动状态数据、控制参数数据及电耗数据，所述实时生产大数据监测系统安装于挤压设备的各功能模块和各输入输出模块，所述实时生产大数据监测系统通过电连接连接并将获取的多个数据传送给所述数据交换器；

所述数据交换器用于将多个数据源中不同的数据结合起来存放在一个一致的数据存储中，并通过数据标准化引擎获得有序的数据，所述数据交换器通过电连接将有序的数据传送给所述数据后处理系统；

所述数据后处理系统用于对有序的数据进行后处理，并通过电连接连接并将加工后的数据传送给所述数据存储器；

所述数据存储器通过电连接连接并传送数据给所述能耗实时状态评估模型器；

所述能耗实时状态评估模型器用于构建能耗的时序立体数据多元非线性回归模型，并评估、预测目标挤压设备的能耗行为状态，并通过将该模型与能耗机理方程模型结合校正能耗回归模型，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测；

其中，所述数据后处理系统包括数据清理模块；所述数据清理模块通过设定和封装数据清理算法，填写缺失值，平滑噪声系数，识别、删除异常值，并解决不一致问题；所述数据后处理系统还包括数据归约模块、数据压缩模块和数据分类模块中的一个或多个模块；

所述数据归约模块用于去除与能耗实时状态评估无关的数据属性，消除掉数据冗余属性，减少数据量；

所述数据压缩模块通过设定和封装数据压缩规则，实现多种类型、多种形式数据的压缩处理；

所述数据分类模块通过数据分类算法将数据根据能耗参数、作业计划参数、生产指标参数、工况参数、操作参数、状态参数各特征进行数据分类。

3.根据权利要求2所述的一种大数据驱动的挤压设备能耗实时状态评估系统，其特征在于：所述能耗实时状态评估模型器的时序立体数据由能耗参数集、作业计划集、生产指标参数集、工况参数集、操作参数集和状态参数集组成。

Images