CN109376934A - 一种基于大数据的挤压机的能耗预测方法 - Google Patents

一种基于大数据的挤压机的能耗预测方法 Download PDF

Info

Publication number
CN109376934A
CN109376934A CN201811283766.XA CN201811283766A CN109376934A CN 109376934 A CN109376934 A CN 109376934A CN 201811283766 A CN201811283766 A CN 201811283766A CN 109376934 A CN109376934 A CN 109376934A
Authority
CN
China
Prior art keywords
energy consumption
data
extruder
model
prediction technique
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.)
Pending
Application number
CN201811283766.XA
Other languages
English (en)
Inventor
梁鹏
陈文泗
邹村先
罗铭强
聂德键
罗伟浩
李辉
张小青
林丽荧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG XINGFA ALUMINIUM CO Ltd
Original Assignee
GUANGDONG XINGFA ALUMINIUM CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGDONG XINGFA ALUMINIUM CO Ltd filed Critical GUANGDONG XINGFA ALUMINIUM CO Ltd
Priority to CN201811283766.XA priority Critical patent/CN109376934A/zh
Publication of CN109376934A publication Critical patent/CN109376934A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Extrusion Of Metal (AREA)

Abstract

本发明公开一种基于大数据的挤压机的能耗预测方法，包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；该基于大数据的挤压机的能耗预测方法预测准确度高。

Description

一种基于大数据的挤压机的能耗预测方法
技术领域
本发明涉及一种基于大数据的挤压机的能耗预测方法。
背景技术
挤压机是轻合金管、棒、型材生产的主要设备。它的产生和发展不过是一个多世纪的时间，却发生了巨大的变化。从几兆牛手动的水压机，发展成为两百兆牛全自动的油压机。挤压机的种类也大大增加。挤压机的能力、数量反映了一个企业的生产技术水平。一个国家拥有挤压机的能力、数量、生产能力和装备水平，反映了一个国家的工业发展水平。
挤压机在挤压每款铝型材的工件的耗能都是不相同的，但是目前的挤压机耗能预测往往将所有的铝材工件的能耗归一计算，对于单一品种的铝材来说，这样能耗数据误差较大。
发明内容
本发明要解决的技术问题是提供一种预测准确度高的基于大数据的挤压机的能耗预测方法。
为解决上述问题，本发明采用如下技术方案：
一种基于大数据的挤压机的能耗预测方法，包括以下步骤：
1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；
2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；
3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；
4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；
5)采用特征选择算法对多元非线性回归模型进行特征选择；
6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；
7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。
作为优选，所述每个种类的铝型材样本期均为1-3个月。
作为优选，所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。
作为优选，所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。
作为优选，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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。
作为优选，所述特征选择算法为基于RReliefF 的特征选择算法。
作为优选，所述每个种类的铝型材样本期均为2个月。
本发明的有益效果为：通过对挤压机工作中需要挤压的各种类别的铝型材的能耗数据进行收集，结合了大数据和模型算法的技术，可以有效的预测挤压机在挤压每类的铝型材的耗能情况，预测精确度高。
附图说明
为了更清楚地说明本发明的实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一种基于大数据的挤压机的能耗预测方法的流程图。
具体实施方式
下面对本发明的技术方案进行描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些实施例获得其他的实施方式。
实施例1
如图1所示，一种基于大数据的挤压机的能耗预测方法，包括以下步骤：
1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；
2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；
3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；
4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；
5)采用特征选择算法对多元非线性回归模型进行特征选择；
6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；
7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。
所述每个种类的铝型材样本期均为1个月。
所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。
所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。
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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。
所述特征选择算法为基于RReliefF 的特征选择算法。
实施例2
如图1所示，一种基于大数据的挤压机的能耗预测方法，包括以下步骤：
1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；
2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；
3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；
4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；
5)采用特征选择算法对多元非线性回归模型进行特征选择；
6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；
7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。
所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。
所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。
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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。
所述特征选择算法为基于RReliefF 的特征选择算法。
所述每个种类的铝型材样本期均为2个月。
实施例3
如图1所示，一种基于大数据的挤压机的能耗预测方法，包括以下步骤：
1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；
2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；
3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；
4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；
5)采用特征选择算法对多元非线性回归模型进行特征选择；
6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；
7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。
所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。
所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。
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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。
所述特征选择算法为基于RReliefF 的特征选择算法。
所述每个种类的铝型材样本期均为2个月。
实施例4
如图1所示，一种基于大数据的挤压机的能耗预测方法，包括以下步骤：
1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；
2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；
3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；
4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；
5)采用特征选择算法对多元非线性回归模型进行特征选择；
6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；
7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。
所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。
所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。
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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。
所述特征选择算法为基于RReliefF 的特征选择算法。
所述每个种类的铝型材样本期均为2.5个月。
本发明的有益效果为：通过对挤压机工作中需要挤压的各种类别的铝型材的能耗数据进行收集，结合了大数据和模型算法的技术，可以有效的预测挤压机在挤压每类的铝型材的耗能情况，预测精确度高。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于大数据的挤压机的能耗预测方法，其特征在于：包括以下步骤：
1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；
2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；
3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；
4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；
5)采用特征选择算法对多元非线性回归模型进行特征选择；
6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；
7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。
2.根据权利要求1所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：所述每个种类的铝型材样本期均为1-3个月。
3.根据权利要求2所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。
4.根据权利要求3所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。
5.根据权利要求4所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。
6.根据权利要求5所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：所述特征选择算法为基于RReliefF 的特征选择算法。
7.根据权利要求6所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：所述每个种类的铝型材样本期均为2个月。
CN201811283766.XA 2018-10-31 2018-10-31 一种基于大数据的挤压机的能耗预测方法 Pending CN109376934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811283766.XA CN109376934A (zh) 2018-10-31 2018-10-31 一种基于大数据的挤压机的能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811283766.XA CN109376934A (zh) 2018-10-31 2018-10-31 一种基于大数据的挤压机的能耗预测方法

Publications (1)

Publication Number Publication Date
CN109376934A true CN109376934A (zh) 2019-02-22

Family

ID=65390426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811283766.XA Pending CN109376934A (zh) 2018-10-31 2018-10-31 一种基于大数据的挤压机的能耗预测方法

Country Status (1)

Country Link
CN (1) CN109376934A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046744A (zh) * 2019-03-12 2019-07-23 平安科技（深圳）有限公司 基于趋势预测的能耗数据预警方法及相关设备
CN110826817A (zh) * 2019-11-18 2020-02-21 北京燃气能源发展有限公司 楼宇分布式能源多能协同运行策略生成方法及系统
CN111784133A (zh) * 2020-06-22 2020-10-16 上海化学工业区中法水务发展有限公司 一种制定污水厂能耗绩效指标的方法及设备
CN111915089A (zh) * 2020-08-07 2020-11-10 青岛洪锦智慧能源技术有限公司 一种污水处理厂泵组能耗的预测方法及其装置
US11325391B2 (en) * 2019-05-28 2022-05-10 Heidelberger Druckmaschinen Ag Method for operating a printing material processing machine by applying a varnish consumption prediction

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571006A (zh) * 2014-11-19 2015-04-29 广东工业大学 基于蚁群算法并考虑时差电价的铝型材车间能耗优化方法
CN104680025A (zh) * 2015-03-12 2015-06-03 重庆科技学院 基于遗传算法极限学习机的抽油机参数优化方法
CN104881707A (zh) * 2015-05-04 2015-09-02 同济大学 一种基于集成模型的烧结能耗预测方法
CN105204449A (zh) * 2014-06-13 2015-12-30 广东兴发铝业有限公司 铝型材挤压机实时能耗监测及能耗异常检测系统
CN106199174A (zh) * 2016-07-01 2016-12-07 广东技术师范学院 基于迁移学习的挤压机能耗异常预测方法
CN106228270A (zh) * 2016-07-27 2016-12-14 广东工业大学 一种大数据驱动的挤压设备的能耗预测方法及其系统
CN206849115U (zh) * 2017-06-23 2018-01-05 佛山市明致信息科技有限公司 铝材制造能耗自动监测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105204449A (zh) * 2014-06-13 2015-12-30 广东兴发铝业有限公司 铝型材挤压机实时能耗监测及能耗异常检测系统
CN104571006A (zh) * 2014-11-19 2015-04-29 广东工业大学 基于蚁群算法并考虑时差电价的铝型材车间能耗优化方法
CN104680025A (zh) * 2015-03-12 2015-06-03 重庆科技学院 基于遗传算法极限学习机的抽油机参数优化方法
CN104881707A (zh) * 2015-05-04 2015-09-02 同济大学 一种基于集成模型的烧结能耗预测方法
CN106199174A (zh) * 2016-07-01 2016-12-07 广东技术师范学院 基于迁移学习的挤压机能耗异常预测方法
CN106228270A (zh) * 2016-07-27 2016-12-14 广东工业大学 一种大数据驱动的挤压设备的能耗预测方法及其系统
CN206849115U (zh) * 2017-06-23 2018-01-05 佛山市明致信息科技有限公司 铝材制造能耗自动监测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郑健等: "基于GA-ELM神经网络的日前电价预测", 《上海电力学院学报》 *
陀树青等: "一种挤压机能耗监测及预测系统研究", 《电子科技》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046744A (zh) * 2019-03-12 2019-07-23 平安科技（深圳）有限公司 基于趋势预测的能耗数据预警方法及相关设备
US11325391B2 (en) * 2019-05-28 2022-05-10 Heidelberger Druckmaschinen Ag Method for operating a printing material processing machine by applying a varnish consumption prediction
CN110826817A (zh) * 2019-11-18 2020-02-21 北京燃气能源发展有限公司 楼宇分布式能源多能协同运行策略生成方法及系统
CN110826817B (zh) * 2019-11-18 2024-02-20 北京燃气能源发展有限公司 楼宇分布式能源多能协同运行策略生成方法及系统
CN111784133A (zh) * 2020-06-22 2020-10-16 上海化学工业区中法水务发展有限公司 一种制定污水厂能耗绩效指标的方法及设备
CN111915089A (zh) * 2020-08-07 2020-11-10 青岛洪锦智慧能源技术有限公司 一种污水处理厂泵组能耗的预测方法及其装置

Similar Documents

Publication Publication Date Title
CN109376934A (zh) 一种基于大数据的挤压机的能耗预测方法
CN107038167A (zh) 基于模型评估的大数据挖掘分析系统及其分析方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN104317269A (zh) 一种基于2d理论的综合预测迭代学习控制方法
CN113130014B (zh) 一种基于多分支神经网络的稀土萃取模拟方法及系统
CN104252652A (zh) 电力系统中空间负荷预测方法
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
CN109118012A (zh) 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端
CN104865827A (zh) 一种基于多工况模型的抽油机采油优化方法
CN110689162A (zh) 一种基于用户侧分类的母线负荷预测方法、装置及系统
CN107169234A (zh) 一种采煤机摇臂系统维修性综合评价方法
CN108491991A (zh) 基于工业大数据产品工期的约束条件分析系统与方法
CN114565327A (zh) 基于物联网的智慧能源管控系统
CN112787878B (zh) 一种网络指标的预测方法及电子设备
CN102065449A (zh) 一种基于聚类ls-svm的移动通信话务量预测方法
CN104460594A (zh) 一种基于两层嵌套结构的调度优化方法
Duan et al. A real-time quality control system based on manufacturing process data
CN103455721A (zh) 基于递推岭elm的填料塔载点气速预测方法
CN105911965A (zh) 一种在数据监测系统中实现数据分析的方法
CN112348259A (zh) 电力设备采购价格预测方法
CN110705780A (zh) 一种基于智能算法的it性能指标预测方法
KR102351991B1 (ko) 스마트팩토리 FOMs 패키지를 활용한 빅데이터 분석·변화관리 프로세스 및 그 방법
CN114155072B (zh) 基于大数据分析的财务预测模型构建方法及系统
CN104573865A (zh) 一种基于定基能源消费弹性系数预测能源消费总量的方法

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