CN106596905A - 基于多尺度融合anfis的玻璃液质量智能预报方法 - Google Patents
基于多尺度融合anfis的玻璃液质量智能预报方法 Download PDFInfo
- Publication number
- CN106596905A CN106596905A CN201611120866.1A CN201611120866A CN106596905A CN 106596905 A CN106596905 A CN 106596905A CN 201611120866 A CN201611120866 A CN 201611120866A CN 106596905 A CN106596905 A CN 106596905A
- Authority
- CN
- China
- Prior art keywords
- quality
- anfis
- vitreous humour
- variation
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 239000006060 molten glass Substances 0.000 title abstract 8
- 238000013277 forecasting method Methods 0.000 title abstract 5
- 239000011521 glass Substances 0.000 claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 21
- 238000007500 overflow downdraw method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000010485 coping Effects 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims 1
- 230000003111 delayed effect Effects 0.000 claims 1
- 239000002184 metal Substances 0.000 claims 1
- 238000012372 quality testing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/386—Glass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Automation & Control Theory (AREA)
- Ceramic Engineering (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Glass Compositions (AREA)
Abstract
基于多尺度融合ANFIS的玻璃液质量智能预报方法,属于自动控制、信息技术和先进制造领域,具体涉及用于玻璃液质量优化控制的基于多尺度融合ANFIS(自适应神经模糊推理系统)的玻璃液质量智能预报方法。其特征在于,针对玻璃液质量预报存在多个不同时间尺度特性的影响变量的特点,首先分析各输入变量的时间尺度特性,用ANFIS分别建立各影响变量与玻璃液质量间的定量关系单元模型,将各单元模型按照不同时间尺度特性进行融合,从而建立玻璃液质量智能预报模型。该方法可用于对玻璃窑炉的玻璃液质量进行预报,以实现对玻璃质量的有效控制,提高玻璃产品质量的目的。
Description
技术领域
本发明属于自动控制、信息技术和先进制造领域,具体涉及用于玻璃液质量优化控制的基于多尺度融合ANFIS(自适应神经模糊推理系统)的玻璃液质量智能预报方法。
背景技术
玻璃窑炉可将玻璃原料进行加热,并熔化成玻璃液,供后道工序生产出不同的玻璃制品。玻璃液质量直接影响玻璃制品质量,对玻璃液质量进行预报,是实现玻璃液质量优化控制、提高玻璃液质量的重要前提。玻璃液质量包含单位体积内的小气泡数量、粘稠度等指标,其中单位体积内的小气泡数量是玻璃液质量的主要指标。
玻璃窑炉生产过程中,存在多个玻璃液质量的影响变量,包括玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率,上述变量由于采集周期不同,比如原料含水率一般4小时采集一次,玻璃窑炉池底盲孔温度每分钟可采集一次,玻璃窑炉流液洞温度每2小时可采集一次,泡沫层厚度每8小时采集一次,同时,上述变量对玻璃液质量的影响时滞也不尽相同,比如原料含水率发生变化后,大约在16小时后对玻璃液质量产生影响,玻璃窑炉池底盲孔温度发生变化后,大约在8小时后对玻璃液质量产生影响。
为解决影响变量采集周期不同、影响时滞不同的玻璃液质量预报难点,本发明将采集周期不同、影响时滞不同定义为影响变量的时间尺度不同,并针对多时间尺度的影响变量特点,提出了基于多尺度融合ANFIS的玻璃液质量智能预报方法。
发明内容
本发明提出一种基于多尺度融合ANFIS的玻璃液质量智能预报方法,所述方法是在计算机上按如下步骤实现的:
步骤(1):变量说明
X={x1,x2,x3,x4,x5}={xk|k=1,2,…,5}:表示玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率的检测值;
X(t)={x1(t),x2(t),x3(t),x4(t),x5(t)}={xk(t)|k=1,2,…,5}:上述5个影响变量的t时刻检测值;
S={s1,s2,s3,s4,s5}={sk|k=1,2,…,5}:上述5个影响变量的采样周期;
T={t1,t2,t3,t4,t5}={tk|k=1,2,…,5}:上述5个影响变量的影响时滞;
{S,T}:时间尺度特性二元组
y:玻璃液中单位体积内的小气泡数量;
x1(t):t时刻玻璃液中单位体积内的小气泡数量。
步骤(2):分析各玻璃液质量影响变量的时间尺度特性
根据具体玻璃窑炉和实际生产数据,确定玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率的S、T。
步骤(3):用ANFIS分别建立各影响变量与玻璃液质量间的定量关系单元模型
本发明采用ANFIS模型,根据各影响变量的采集周期sk,将采集周期内的玻璃液质量检测值取平均值,作为该影响变量ANFIS单元模型的输出值,并根据影响变量对玻璃液质量的影响时滞tk,用t周期的xk(t-tk)和y(t)组成训练数组对;使用此训练数据对ANFIS进行训练,从而建立单一影响变量的ANFIS玻璃液质量单元预报模型anfisk,每个单元预报模型的输出用yk表示;
步骤(4):将各单元模型按照不同时间尺度特性进行融合
步骤(4.1):根据玻璃液质量优化控制周期,确定与该周期最接近的sk,令最接近的sk为sm;
步骤(4.2):将各单元ANFIS模型的输出值融合到sm周期内,当k小于m时,采用向大尺度方向融合方法,假设s1,s2,s3,s4,s5已经是按采样周期大小排序,即sk<sk+1,在sm周期内,anfisk的预报值可有个,则anfisk在sm周期内的融合值可表示为 当k大于m时,采用向小尺度方向融合方法,即 则在sm周期尺度上,单元模型融合输出为
附图说明
图1:基于多尺度融合ANFIS的玻璃液质量智能预报方法流程示意图;
图2:ANFIS结构示意图。
具体实施方式
为了更好地理解本发明的技术方案,图1给出了本发明的方法流程。该方法具体实施方式为:
步骤(1):确定各玻璃液质量影响变量的时间尺度特性
通过玻璃窑炉DCS控制系统的OPC接口,读取不同采样周期的玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率的检测值,并根据玻璃窑炉具体的管理流程和实际生产数据,确定上述影响变量的时间尺度特性S、T。
步骤(3):建立各影响变量与玻璃液质量间的定量关系单元模型
本发明采用ANFIS模型,根据各影响变量的采集周期sk,将采集周期内的玻璃液质量检测值取平均值,作为该影响变量ANFIS单元模型的输出值,并根据影响变量对玻璃液质量的影响时滞tk,用t周期的xk(t-tk)和y(t)组成训练数组对;使用此训练数据对ANFIS进行训练,从而建立单一影响变量的ANFIS玻璃液质量单元预报模型anfisk,每个单元预报模型的输出用yk表示;
步骤(4):将各单元模型按照不同时间尺度特性进行融合
步骤(4.1):根据玻璃液质量优化控制周期,确定与该周期最接近的sk,令最接近的sk为sm;
步骤(4.2):将各单元ANFIS模型的输出值融合到sm周期内,当k小于m时,采用向大尺度方向融合方法,假设s1,s2,s3,s4,s5已经是按采样周期大小排序,即sk<sk+1,在sm周期内,anfisk的预报值可有个,则anfisk在sm周期内的融合值可表示为 当k大于m时,采用向小尺度方向融合方法,即 则在sm周期尺度上,单元模型融合输出为
步骤(5):将玻璃液质量预报模型用于玻璃液质量的优化控制中,以提高玻璃液质量和最终玻璃制品质量。
为说明本发明所提方法的有效性,将该方法应用于某大型玻璃生产企业,比较方法为:不采用多尺度融合方法,仅将影响玻璃液质量的5个影响因素作为ANFIS的输入变量,对ANFIS进行训练,得到玻璃液质量预报模型。本发明获取实际连续9天的生产数据作为训练数据,将训练数据分为3组,每组为连续3天的生产数据,得到的在不同时间尺度下的玻璃液质量预测结果见表1所示。从表1中可以看出,本发明所提出的方法,在不同尺度下,对玻璃液质量的预报误差均比不考虑时间尺度的简单ANFIS方法小,同时,当时间尺度越大时,预报误差越小,这也符合实际生产管理经验,说明本发明方法是有效的。
表1玻璃液质量预测效果比较
Claims (4)
1.一种基于多尺度融合ANFIS的玻璃液质量智能预报方法,其特征在于,包括:
采集和处理玻璃液质量相关的生产信息,分析各玻璃液质量影响变量的时间尺度特性;
用ANFIS分别建立对各影响变量与玻璃液质量间的定量关系单元模型;
将各单元模型按照不同时间尺度特性进行融合,从而建立玻璃液质量智能预报模型。
2.根据权利要求1所述的方法,其特征在于,所述分析各玻璃液质量影响变量的时间尺度特性,具体包括:首先确定影响玻璃窑炉玻璃液质量的生产变量,包括玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率,用X={x1,x2,x3,x4,x5}={xk|k=1,2,…,5}表示,之后根据上述生产变量的采集周期和对玻璃液质量的影响时滞,即影响变量变化后玻璃液质量滞后一定时间才能出现变化,确定各影响变量的时间尺度特性,采样周期用S={s1,s2,s3,s4,s5}={sk|k=1,2,…,5},玻璃液质量的影响时滞用T={t1,t2,t3,t4,t5}={tk|k=1,2,…,5},时间尺度特性可用二元组{S,T}表示;玻璃液质量指玻璃液中单位体积内的小气泡数量,用y表示。
3.根据权利要求1所述的方法,其特征在于,所述用ANFIS分别建立各影响变量与玻璃液质量间的定量关系单元模型,具体方法为:根据各影响变量的采集周期sk,将采集周期内的玻璃液质量检测值取平均值,作为该影响变量ANFIS单元模型的输出值,并根据影响变量对玻璃液质量的影响时滞tk,用t周期的xk(t-tk)和y(t)组成训练数组对;使用此训练数据对ANFIS进行训练,从而建立单一影响变量的ANFIS玻璃液质量单元预报模型anfisk,每个单元预报模型的输出用yk表示。
4.根据权利要求1所述的方法,其特征在于,所述将各单元模型按照不同时间尺度特性进行融合,具体步骤为:
步骤1:根据玻璃液质量优化控制周期,确定与该周期最接近的sk,令最接近的sk为sm;
步骤2:将各单元ANFIS模型的输出值融合到sm周期内,当k小于m时,采用向大尺度方向融合方法,假设s1,s2,s3,s4,s5已经是按采样周期大小排序,即sk<sk+1,在sm周期内,anfisk的预报值可有个,则anfisk在sm周期内的融合值可表示为当k大于m时,采用向小尺度方向融合方法,即则在sm周期尺度上,单元模型融合输出为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611120866.1A CN106596905B (zh) | 2016-12-08 | 2016-12-08 | 基于多尺度融合anfis的玻璃液质量智能预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611120866.1A CN106596905B (zh) | 2016-12-08 | 2016-12-08 | 基于多尺度融合anfis的玻璃液质量智能预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106596905A true CN106596905A (zh) | 2017-04-26 |
CN106596905B CN106596905B (zh) | 2019-02-05 |
Family
ID=58597409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611120866.1A Active CN106596905B (zh) | 2016-12-08 | 2016-12-08 | 基于多尺度融合anfis的玻璃液质量智能预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596905B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022083126A1 (zh) * | 2020-10-23 | 2022-04-28 | 南京玻璃纤维研究设计院有限公司 | 温度控制方法、装置、电子设备及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040042734A (ko) * | 2002-11-15 | 2004-05-20 | 한국과학기술연구원 | 터보 냉동기의 성능분석방법 및 장치 |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
US20140188273A1 (en) * | 2012-12-31 | 2014-07-03 | King Fahd University Of Petroleum And Minerals | Control method for mobile parallel manipulators |
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
CN104390534A (zh) * | 2014-10-11 | 2015-03-04 | 同济大学 | 一种隧道光面爆破质量控制方法 |
CN106055520A (zh) * | 2016-06-06 | 2016-10-26 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉汽包水位的预测系统及方法 |
-
2016
- 2016-12-08 CN CN201611120866.1A patent/CN106596905B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040042734A (ko) * | 2002-11-15 | 2004-05-20 | 한국과학기술연구원 | 터보 냉동기의 성능분석방법 및 장치 |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
US20140188273A1 (en) * | 2012-12-31 | 2014-07-03 | King Fahd University Of Petroleum And Minerals | Control method for mobile parallel manipulators |
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
CN104390534A (zh) * | 2014-10-11 | 2015-03-04 | 同济大学 | 一种隧道光面爆破质量控制方法 |
CN106055520A (zh) * | 2016-06-06 | 2016-10-26 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉汽包水位的预测系统及方法 |
Non-Patent Citations (3)
Title |
---|
FAZILAT,H ETAL: "Predicting the mechanical properties fo glass fiber reinforced polymers via artificial neural network and adaptive neuro-fuzzy inference system", 《COMPUTATIONAL MATERIALS SCIENCE》 * |
GHATARBAND,M ETAL: "Predicting mechanical properties of elastomeric modified nylon blend using adaptive neuro-fuzzy interference system and neural network", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
NAZARI,A ETAL: "ANFIS-based prediction of the compressive strength of geopolymers with seeded fly ash and rice husk-bark ash", 《NERUAL COMPUTING & APPLICATIONS》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022083126A1 (zh) * | 2020-10-23 | 2022-04-28 | 南京玻璃纤维研究设计院有限公司 | 温度控制方法、装置、电子设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106596905B (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
CN100424710C (zh) | 一种锻造成形工艺的优化方法 | |
CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
CN103345593B (zh) | 面向传感器单数据流的聚集异常检测方法 | |
CN109443543B (zh) | 承载煤岩损伤演化的红外辐射量化表征方法 | |
CN106773682B (zh) | 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
WO2017088208A1 (zh) | 一种由数据差异驱动的间歇过程自学习动态优化方法 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN109847916B (zh) | 一种水泥原料立磨系统的节能优化方法 | |
CN111103854A (zh) | 一种用于提升烟草烘丝机生产稳定性的系统及方法 | |
CN103323484B (zh) | 甘蔗煮糖过程结晶状态预测方法 | |
CN106596905A (zh) | 基于多尺度融合anfis的玻璃液质量智能预报方法 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN105095273B (zh) | 一种基于模糊bp神经网络的玻璃钢化的工艺参数设置方法 | |
CN106874568B (zh) | 一种球磨过程的物料粒径分布预测方法 | |
TWI617422B (zh) | 塑膠押出製程控制方法及參數調整系統 | |
CN101872433A (zh) | 一种基于神经网络技术的啤酒口味预估方法 | |
CN108376266A (zh) | 基于样本边缘点内部点的单类支持向量机核参数优化方法 | |
CN111838744A (zh) | 基于lstm的环境温湿度在烟丝过程中的水份连续实时预测方法 | |
CN110674972A (zh) | 覆盆子山柰酚-3-o-芸香糖苷及鞣花酸含量预测的方法 | |
CN102608303B (zh) | 一种橡胶硬度的在线测量方法 | |
CN114139813A (zh) | 一种基于自更新模型的流程型生产设备产品质量预测方法 | |
CN109146145A (zh) | 基于MapReduce的BP神经网络建筑能耗预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |