CN111026057A - 一种基于vba和深度学习的水泥烧成工艺模型孪生方法及系统 - Google Patents
一种基于vba和深度学习的水泥烧成工艺模型孪生方法及系统 Download PDFInfo
- Publication number
- CN111026057A CN111026057A CN201911292865.9A CN201911292865A CN111026057A CN 111026057 A CN111026057 A CN 111026057A CN 201911292865 A CN201911292865 A CN 201911292865A CN 111026057 A CN111026057 A CN 111026057A
- Authority
- CN
- China
- Prior art keywords
- model
- module
- data
- training
- vba
- 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
- 238000000034 method Methods 0.000 title claims abstract description 186
- 230000008569 process Effects 0.000 title claims abstract description 165
- 239000004568 cement Substances 0.000 title claims abstract description 70
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000005245 sintering Methods 0.000 title abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 144
- 238000004364 calculation method Methods 0.000 claims abstract description 68
- 238000012216 screening Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010304 firing Methods 0.000 claims abstract description 13
- 238000012821 model calculation Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000026676 system process Effects 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及水泥烧成领域，公开了一种基于VBA和深度学习的水泥烧成工艺模型孪生方法及系统，包括训练数据生成模块和工艺模型孪生模块，训练数据生成模块包括原有工艺复制模块、输入数据随机变化模块、输入数据预筛器、调用工艺模型计算指令模块、单次计算后数据处理模块、邮件发送模块和实际执行调整模块；工艺模型孪生模块包括数据预处理模块、神经网络训练模块、结果展示及输出模块和模型精度验证模块。本发明将离线工艺计算模型转化为能够进行在线工艺参数计算的深度学习模型，能够应用于水泥烧成系统过程的实时监测和操作指导，能够在烧成系统工况稳定的情况下对关注的关键变量做出预测，提高操作平稳率。
Description
技术领域
本发明涉及水泥烧成领域，尤其涉及一种基于VBA和深度学习的水泥烧成工艺模型孪生方法及系统。
背景技术
烧成系统作为水泥生产的重中之重，其操作状况直接关系到水泥熟料产品质量及企业的能效水平。随着我国基础建设的高速发展，水泥产量和消耗量连续几年来以惊人的速度增长。截止2018年，水泥产量达到21.8亿吨，同比增长3％。水泥生产的能源消耗量约占全国能源消耗量的7％左右，属于高耗能产业，水泥行业节能减排的形势迫在眉睫。
现有的水泥烧成系统工艺模型虽然能够实现某一时刻数据的预测和针对工艺参数的操作指导，但具有局限性：1.水泥烧成系统工艺模型基于Excel模型开发，方程和其他公式均在Excel软件内提供，并未采用VBA语言开发，因此在计算成本上考虑，不宜于移植或打包到其他主流开发程序平台内，即原生开发平台计算效率低，且开发兼容性差；2.水泥烧成系统工艺模型实质上为离线模型，即无论应用于预测还是优化场景，使用者只能手动输入一组生产数据，得到一组计算结果，此种计算机制无法无缝对接到实际水泥生产的在线场景，因为实际的工艺操作需要根据生产的变化而随时做出调整，所以离线类模型无法应用于指导实时的生产操作。
发明内容
本发明的目的在于为了解决水泥烧成系统离线工艺计算模型无法用于实际生产的在线场景下这一实际问题，提供一种基于VBA和深度学习的水泥烧成工艺模型孪生方法及系统。本发明将离线工艺计算模型转化为能够进行在线工艺参数计算的深度学习模型，能够应用于水泥烧成系统过程的实时监测和操作指导。
为了实现上述目的，本发明采用的技术方案如下：
一种基于VBA和深度学习的水泥烧成工艺模型孪生方法，包括利用水泥烧成系统离线模型生成训练数据以及建立在线工艺孪生模型。
进一步的，利用水泥烧成系统离线模型生成训练数据，包括步骤：
S1)获取任意时刻的实际工况输入参数，将实际工况输入参数带入到水泥烧成系统离线模型中，得到可行的输出结果，获得一组计算案例的Excel文件；
S2)设置训练集数据规模，根据训练集数据规模将计算案例的Excel文件复制多组，将多组计算案例的Excel文件存放到指定文件夹中；
S3)创建生成训练数据的VBA模块程序；
S4)在VBA模块程序中设置循环语句，利用循环语句遍历指定文件夹中的所述多组计算案例的Excel文件，获得备选的训练数据的组数；
S5)设置训练集数据规模，判断备选的训练数据的组数是否达到训练集数据规模，若否，则返回步骤S1)中，若是，则获得最终的训练数据集。
进一步的，步骤S4)中利用循环语句遍历指定文件夹中的多组计算案例的 Excel文件，多组计算案例的Excel文件记为N组，包括步骤：
S41)根据训练集数据规模读取与循环序数相对应的计算案例的Excel文件；
S42)根据工艺参数的合理范围在VBA模块程序中设置实际工况输入参数变化范围，在实际工况输入参数变化范围内对实际工况输入参数进行随机选取；
S43)在VBA模块程序中设置预筛器，利用预筛器采用一系列预筛条件对随机选取的实际工况输入参数值进行合理性判定，当随机选取的实际工况输入参数值满足所述一系列预筛条件时，则进入步骤S44)；当随机选取的实际工况输入参数值不满足一系列预筛条件中的任何一条预筛条件时，判断循环序数是否小于N，若否，则进入步骤；若是，则循环序数加1，返回步骤S41)；
S44)将随机选取的实际工况输入参数值输入水泥烧成系统离线模型；
S45)获取所述水泥烧成系统离线模型的输出结果，根据所述输出结果判断是否获得全局最优解，若否，则循环序数加1，返回步骤S41)；若是，则获得一组备选的训练数据，将备选的训练数据保存到特定位置的一个CSV文件中，备选的训练数据包括随机选取的实际工况输入参数和水泥烧成系统离线模型的输出结果；
S46)对CSV文件中所有备选的训练数据的组数进行统计。
进一步的，在VBA模块程序内设置邮件发送机制，利用邮件发送机制通知程序使用者程序运行结束，邮件发送机制用于使用者及时查看训练数据的收集结果。
当所有复制后的文件遍历完毕时，循环体内容执行结束。此时执行后续的发送邮件程序内容，通过设置好的邮件地址和收发服务器(已通过通讯测试) 输出计算结果完毕信息，该信息中含有训练数据累加器的最终结果，代表该批复制文件中最终生成的合格训练数据的组数(即训练规模)。由于实际执行程序中使用了多台虚拟机同时进行，还同时在邮件中添加了运行虚拟机的名称等硬件信息。
进一步的，一系列预筛条件包括数据的格式是否符合预设要求、输入数据的大小是否在实际工况输入参数变化范围内和/或是否存在数据缺失。
现有水泥烧成系统离线模型以Excel为运行载体，因此当采集工艺模型的数据时，同一时刻的数据作为输入，只能得到该时刻对应的预测或优化数据作为输出。为了能够将离线模型转化成等效但可以在线运行的模型，本发明选用的技术路线为采用深度学习技术对大量离线模型的工艺数据进行训练，从而得到与其等效的孪生模型。在这一过程中，VBA被选择为批量生成大量工艺数据的工具，基于VBA平台编写的代码部分构成了训练数据生成模块。在此过程中，从包含一组可行解的特定数据的Excel文件开始，将该文件复制到同一文件夹内的多组文件。接下来进行VBA程序编写：此程序首先遍历生成的多组文件，在此过程中随机改变各组文件内的输入值，并且执行工艺模型运算，遍历结束后将所有可行解和输入值一同保存到指定文件夹，作为训练数据集的一部分。根据实际需求，重复此过程直到训练数据集规模满足需求为止。
进一步的，建立在线工艺孪生模型，包括步骤：
A)对训练数据集进行预处理；
B)将训练数据集按比例分成训练集和测试集；
C)构建神经网络，利用所述训练集和所述测试集分别对所述神经网络进行训练和测试；
D)获得测试结果，设置神经网络精度，判断测试结果是否达到神经网络精度，若否，则调整所述神经网络的超参数和/或增加所述训练数据集规模；若是，则获得备选的在线工艺孪生模型。
进一步的，建立在线工艺孪生模型还包括：
E)采集多段稳定时间的工艺实测数据，所述工艺实测数据包括模型输入值，将所述模型输入值分别输入到所述水泥烧成系统离线模型和所述备选的在线工艺孪生模型中；
F)获得离线模型输出结果和在线工艺孪生模型输出结果，计算离线模型输出结果和在线工艺孪生模型输出结果之间的相对误差，获得所有输出工艺参数的相对误差；
G)根据不同的输出工艺参数设置与各个输出工艺参数对应的误差精度值，判断所有输出工艺参数的相对误差是否均满足与各个输出工艺参数对应的误差精度值，若是，则将备选的在线工艺孪生模型判定为合格的孪生模型，合格的孪生模型用于后续的在线优化场景；若否，则认为所述备选的在线工艺孪生模型不合格，判断步骤S42)中实际工况输入参数变化范围是否合理，若合理，则进入步骤H)；若不合理，则根据实际工况对实际工况输入参数变化范围进行重新设置，进入步骤H)；
H)返回步骤S1)，重新生成训练数据集。
当训练模型通过了数据源中的神经网络精度验证计算后，此时的模型被称为备选孪生模型，该模型将进入到最终的模型精度验证阶段，在这一阶段，需要将多组实际生产数据中的输入数据内容分别输入到初始的离线工艺计算模型和备选孪生模型中，在得到两者的所有计算结果后，采用备选孪生模型的关键输出结果与离线工艺计算模型的输出结果的相对误差作为衡量标准，针对不同的输出的工艺参数采用不同的精度值，如一级旋风筒出口温度的相对误差为不高于1％。当所有关键输出工艺参数的相对误差均满足预设精度值时，则认为当前的备选孪生模型可以视为初始采用的离线工艺计算模型的正确的孪生模型；只要有一条关键输出工艺参数的相对误差不满足预设精度条件，就需要对当前研发流程进行排查：首先，需要回溯到VBA主程序中对于所有输入参数的随机变化范围的设置内容，需要根据实际工况对此部分变化范围进行调整，并继续其后续所有步骤，直至最终得到合格的孪生模型为止。
进一步的，步骤A)中对训练数据集进行预处理，包括训练数据的合并、二次筛选及标准化处理；
训练数据的合并包括：对利用水泥烧成系统离线模型生成训练数据过程中获得的各个独立的CSV文件进行合并，获得合并后的数据；
二次筛选包括：从合并后的数据中读取初始数据源，对初始数据源进行二次筛选，去除其中的空值和无效值，无效值包括负值；
标准化处理用于去除不同量纲和数据变化大小程度不同的影响，包括将所述二次筛选后的输入参数都归入自变量数据集，将所述二次筛选后的输出参数归入因变量数据集。
本发明在线工艺孪生模型采用R语言编写，基于训练数据生成模块所得到的数据集，对数据集进行二次筛选及标准化处理后，按比例划分训练数据和验证数据。按照实际需求区分输入数据X与输出数据Y(均采用向量方式表示)。采用深度学习技术中的神经网络对训练数据集开展训练，训练结束后采用验证数据集进行验证，如满足设定的数据精度，则认为模型训练工作已经完成。采集多组实际数据，对原有离线工艺模型和此训练模型带入相同的输入数据，计算输出结果之间的相对误差，如果满足设定的精度，则认为训练模型可以替代原有的离线工艺模型，此时所用的神经网络即可被作为原有离线工艺模型模拟计算的在线孪生模型。在此基础上，根据设定的优化方向(即工艺参数约束条件)，采用梯度下降算法对此孪生模型进行优化，即能够在线实现原有离线工艺模型的优化计算功能。
一种基于VBA和深度学习的水泥烧成工艺模型孪生系统，包括训练数据生成模块和工艺模型孪生模块，
训练数据生成模块包括原有工艺复制模块、输入数据随机变化模块、输入数据预筛器、调用工艺模型计算指令模块、单次计算后数据处理模块、邮件发送模块和实际执行调整模块；
原有工艺复制模块，用于通过对原有单个离线工艺计算模块进行复制，得到大量复制后的相同工艺计算数据；
输入数据随机变化模块，用于以实际水泥烧成系统相关输入参数的变化范围为设置标准，通过VBA主程序逐一遍历所有在所述原有工艺复制模块中的复制后的文件，对读取的输入数据进行随机变化，得到和原有工艺计算数据完全不同的输入数据；
输入数据预筛器设置在VBA主程序中，用于对输入数据内容进行检查，通过预先设置好的对于输入数据随机变化后内容的结果进行检查；
调用工艺模型计算指令模块，用于对每个变化以后的输入数据的文件，调用其所在Excel文件的计算指令，执行工艺模型的模拟计算，在计算完毕会输出计算结果及计算状态关键词；
单次计算后数据处理模块，对输出的计算状态关键词进行查询，判断是否得到全局最优解，将得到全局最优解的输入和输出数据另存到一个CSV文件中，对于没有得到最优解的文件则不做任何操作，继续遍历下一个复制后的文件，在程序中设置训练数据累加器，当得到全局最优解时，该累加器数值加1，所述训练数据累加器用于当前得到总训练数据规模的存储内容；
邮件发送模块，用于通知程序使用者程序运行结束并提供训练数据的收集结果；
实际执行调整模块，用于判断训练数据是否达到预设规模并进行相应调整，调整复制文件的个数及再次执行VBA主程序以生成更多训练数据，若在后续工艺模型孪生模块中最后一步模型精度验证无法通过，则回到VBA主程序中对输入数据的随机变化范围的设置内容进行检查和重新调整输入数据的合理范围。
进一步的，工艺模型孪生模块包括数据预处理模块、神经网络训练模块、结果展示及输出模块、模型精度验证模块；
数据预处理模块，用于对训练数据集进行预处理，包括训练数据的合并、二次筛选及标准化处理；
神经网络训练模块，用于构建神经网络，利用训练集和测试集分别对神经网络进行训练和测试，调整神经网络的超参数；
结果展示及输出模块，用于输出并保存整个训练过程中的可视化内容以供随时查询；
模型精度验证模块，用于对备选的在线工艺孪生模型进行精度验证。
本发明的有益效果是：1)将深度学习技术应用到了水泥烧成系统的工艺核心计算中，在填补该项技术空白的同时，也突破了原有离线工艺模型无法应用到在线场景的限制，最终生成的孪生模型可以实现在水泥烧成系统生产的在线应用；2)本发明采用VBA语言编写的程序,实现了批量自动将工艺数据带入离线模型并得到输出结果的过程，替代了手动逐个将工艺数据代入离线工艺模型进行计算而生成训练数据的方式，显著提升了训练数据的生成效率，且同时可针对多个水泥厂的多个工况进行数据生成工作；3)本发明的孪生模型与原有离线工艺模型计算结果近似，真正实现了原有离线工艺模型的孪生过程，此实现机制可以推广到其他流程工业中的现有离线工艺模型到在线模型的转换；4)本发明利用现有水泥企业现有的DCS系统读取实际工业数据，基于真实的工业数据开展数据处理，数据分析及模型搭建工作；最终上线的模型由于是针对真实稳定工况的反映，能够在烧成系统工况稳定的情况下对关注的关键变量做出预测，从而指导操作人员的行为，提高操作平稳率；5)本发明最终生成的孪生模型采用R语言编写，因此该模型便于封装，同时该模型可为后续实现自动控制提供操作参数；6)本发明得到的孪生模型在能够独立作为一个软件运行的前提下，也便于作为上级主程序如能源管理监测平台或智能云平台中的工艺计算模块，填补市面上类似软件产品缺乏工艺核心计算模块的空白。
附图说明
图1是本发明实施例一的整体流程图。
图2是本发明实施例一VBA主程序循环体内容构成示意图。
图3是本发明实施例一R语言主程序内容构成示意图。
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，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方式仅仅用以解释本发明，并不用于限定本发明。
实施例一，如图1所示，一种基于VBA和深度学习的水泥烧成工艺模型孪生方法，包括利用水泥烧成系统离线模型生成训练数据以及建立在线工艺孪生模型。
利用水泥烧成系统离线模型生成训练数据，包括步骤：
S1)获取任意时刻的实际工况输入参数，将实际工况输入参数带入到水泥烧成系统离线模型中，得到可行的输出结果，获得一组计算案例的Excel文件；
S2)设置训练集数据规模，根据训练集数据规模将计算案例的Excel文件复制多组，将多组计算案例的Excel文件存放到指定文件夹中；
S3)创建生成训练数据的VBA模块程序，VBA主程序循环体内容如图2所示；
S4)在VBA模块程序中设置循环语句，利用循环语句遍历指定文件夹中的所述多组计算案例的Excel文件，获得备选的训练数据的组数，多组计算案例的 Excel文件记为N组，包括步骤：
S41)根据训练集数据规模读取与循环序数相对应的计算案例的Excel文件；
S42)根据工艺参数的合理范围在VBA模块程序中设置实际工况输入参数变化范围，在实际工况输入参数变化范围内对实际工况输入参数进行随机选取；
S43)在VBA模块程序中设置预筛器，利用预筛器采用一系列预筛条件对随机选取的实际工况输入参数值进行合理性判定，当随机选取的实际工况输入参数值满足所述一系列预筛条件时，则进入步骤S44)；当随机选取的实际工况输入参数值不满足一系列预筛条件中的任何一条预筛条件时，判断循环序数是否小于N，若否，则进入步骤；若是，则循环序数加1，返回步骤S41)，一系列预筛条件包括数据的格式是否符合预设要求、输入数据的大小是否在实际工况输入参数变化范围内和是否存在数据缺失；
S44)将随机选取的实际工况输入参数值输入水泥烧成系统离线模型；
S45)获取所述水泥烧成系统离线模型的输出结果，根据所述输出结果判断是否获得全局最优解，若否，则循环序数加1，返回步骤S41)；若是，则获得一组备选的训练数据，将备选的训练数据保存到特定位置的一个CSV文件中，备选的训练数据包括随机选取的实际工况输入参数和水泥烧成系统离线模型的输出结果；
S46)对CSV文件中所有备选的训练数据的组数进行统计。
S5)设置训练集数据规模，判断备选的训练数据的组数是否达到训练集数据规模，若否，则返回步骤S1)中，若是，则获得最终的训练数据集，在VBA模块程序内设置邮件发送机制，利用邮件发送机制通知程序使用者程序运行结束，邮件发送机制用于使用者及时查看训练数据的收集结果。
建立在线工艺孪生模型，在线工艺孪生模型采用R语言编写，R语言主程序内容构成如图3所示，包括步骤：
A)对训练数据集进行预处理，包括训练数据的合并、二次筛选及标准化处理。
训练数据的合并包括：对利用水泥烧成系统离线模型生成训练数据过程中获得的各个独立的CSV文件进行合并，获得合并后的数据。二次筛选包括：从合并后的数据中读取初始数据源，对初始数据源进行二次筛选，去除其中的空值和无效值，无效值包括负值。标准化处理用于去除不同量纲和数据变化大小程度不同的影响，包括将所述二次筛选后的输入参数都归入自变量数据集，将所述二次筛选后的输出参数归入因变量数据集。
B)将训练数据集按比例分成训练集和测试集；
C)构建神经网络，利用所述训练集和所述测试集分别对所述神经网络进行训练和测试；
D)获得测试结果，设置神经网络精度，判断测试结果是否达到神经网络精度，若否，则调整所述神经网络的超参数和/或增加所述训练数据集规模；若是，则获得备选的在线工艺孪生模型。
建立在线工艺孪生模型还包括：
E)采集多段稳定时间的工艺实测数据，所述工艺实测数据包括模型输入值，将所述模型输入值分别输入到所述水泥烧成系统离线模型和所述备选的在线工艺孪生模型中；
F)获得离线模型输出结果和在线工艺孪生模型输出结果，计算离线模型输出结果和在线工艺孪生模型输出结果之间的相对误差，获得所有输出工艺参数的相对误差；
G)根据不同的输出工艺参数设置与各个输出工艺参数对应的误差精度值，判断所有输出工艺参数的相对误差是否均满足与各个输出工艺参数对应的误差精度值，若是，则将备选的在线工艺孪生模型判定为合格的孪生模型，合格的孪生模型用于后续的在线优化场景；若否，则认为所述备选的在线工艺孪生模型不合格，判断步骤S42)中实际工况输入参数变化范围是否合理，若合理，则进入步骤H)；若不合理，则根据实际工况对实际工况输入参数变化范围进行重新设置，进入步骤H)；
H)返回步骤S1)，重新生成训练数据集。
一种基于VBA和深度学习的水泥烧成工艺模型孪生系统，包括训练数据生成模块和工艺模型孪生模块，
训练数据生成模块包括原有工艺复制模块、输入数据随机变化模块、输入数据预筛器、调用工艺模型计算指令模块、单次计算后数据处理模块、邮件发送模块和实际执行调整模块；
原有工艺复制模块，用于通过对原有单个离线工艺计算模块进行复制，得到大量复制后的相同工艺计算数据；
输入数据随机变化模块，用于以实际水泥烧成系统相关输入参数的变化范围为设置标准，通过VBA主程序逐一遍历所有在所述原有工艺复制模块中的复制后的文件，对读取的输入数据进行随机变化，得到和原有工艺计算数据完全不同的输入数据；
输入数据预筛器设置在VBA主程序中，用于对输入数据内容进行检查，通过预先设置好的对于输入数据随机变化后内容的结果进行检查；
调用工艺模型计算指令模块，用于对每个变化以后的输入数据的文件，调用其所在Excel文件的计算指令，执行工艺模型的模拟计算，在计算完毕会输出计算结果及计算状态关键词；
单次计算后数据处理模块，对输出的计算状态关键词进行查询，判断是否得到全局最优解，将得到全局最优解的输入和输出数据另存到一个CSV文件中，对于没有得到最优解的文件则不做任何操作，继续遍历下一个复制后的文件，在程序中设置训练数据累加器，当得到全局最优解时，该累加器数值加1，所述训练数据累加器用于当前得到总训练数据规模的存储内容；
邮件发送模块，用于通知程序使用者程序运行结束并提供训练数据的收集结果；
实际执行调整模块，用于判断训练数据是否达到预设规模并进行相应调整，调整复制文件的个数及再次执行VBA主程序以生成更多训练数据，若在后续工艺模型孪生模块中最后一步模型精度验证无法通过，则回到VBA主程序中对输入数据的随机变化范围的设置内容进行检查和重新调整输入数据的合理范围。
工艺模型孪生模块包括数据预处理模块、神经网络训练模块、结果展示及输出模块、模型精度验证模块；
数据预处理模块，用于对训练数据集进行预处理，包括训练数据的合并、二次筛选及标准化处理；
神经网络训练模块，用于构建神经网络，利用训练集和测试集分别对神经网络进行训练和测试，调整神经网络的超参数；
结果展示及输出模块，用于输出并保存整个训练过程中的可视化内容以供随时查询；
模型精度验证模块，用于对备选的在线工艺孪生模型进行精度验证。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明通过在线的深度学习模型替代操作员的人工操作进行准确及时的操作调整，并且实现自我学习和针对工况的优化调节，从而达到进一步平稳生产，节能降耗的目标。
以上仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，包括利用水泥烧成系统离线模型生成训练数据以及建立在线工艺孪生模型。
2.根据权利要求1所述的基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，所述利用水泥烧成系统离线模型生成训练数据，包括步骤：
S1)获取任意时刻的实际工况输入参数，将所述实际工况输入参数带入到水泥烧成系统离线模型中，得到可行的输出结果，获得一组计算案例的Excel文件；
S2)设置训练集数据规模，根据所述训练集数据规模将所述计算案例的Excel文件复制多组，将多组所述计算案例的Excel文件存放到指定文件夹中；
S3)创建生成训练数据的VBA模块程序；
S4)在所述VBA模块程序中设置循环语句，利用循环语句遍历所述指定文件夹中的所述多组计算案例的Excel文件，获得备选的训练数据的组数；
S5)设置训练集数据规模，判断所述备选的训练数据的组数是否达到训练集数据规模，若否，则返回步骤S1)中，若是，则获得最终的训练数据集。
3.根据权利要求2所述的基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，步骤S4)中利用循环语句遍历所述指定文件夹中的所述多组计算案例的Excel文件，所述多组计算案例的Excel文件记为N组，包括步骤：
S41)根据训练集数据规模读取与循环序数相对应的所述计算案例的Excel文件；
S42)根据工艺参数的合理范围在VBA模块程序中设置实际工况输入参数变化范围，在所述实际工况输入参数变化范围内对实际工况输入参数进行随机选取；
S43)在VBA模块程序中设置预筛器，利用所述预筛器采用一系列预筛条件对随机选取的实际工况输入参数值进行合理性判定，当随机选取的实际工况输入参数值满足所述一系列预筛条件时，则进入步骤S44)；当随机选取的实际工况输入参数值不满足所述一系列预筛条件中的任何一条预筛条件时，判断循环序数是否小于N，若否，则进入步骤；若是，则循环序数加1，返回步骤S41)；
S44)将随机选取的实际工况输入参数值输入水泥烧成系统离线模型；
S45)获取所述水泥烧成系统离线模型的输出结果，根据所述输出结果判断是否获得全局最优解，若否，则循环序数加1，返回步骤S41)；若是，则获得一组备选的训练数据，将所述备选的训练数据保存到特定位置的一个CSV文件中，所述备选的训练数据包括所述随机选取的实际工况输入参数和所述水泥烧成系统离线模型的输出结果；
S46)对所述CSV文件中所有备选的训练数据的组数进行统计。
4.根据权利要求2或3所述的基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，在所述VBA模块程序内设置邮件发送机制，利用所述邮件发送机制通知程序使用者程序运行结束，所述邮件发送机制用于使用者及时查看训练数据的收集结果。
5.根据权利要求4所述的基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，所述一系列预筛条件包括数据的格式是否符合预设要求、输入数据的大小是否在实际工况输入参数变化范围内和/或是否存在数据缺失。
6.根据权利要求5所述的基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，所述建立在线工艺孪生模型，包括步骤：
A)对训练数据集进行预处理；
B)将训练数据集按比例分成训练集和测试集；
C)构建神经网络，利用所述训练集和所述测试集分别对所述神经网络进行训练和测试；
D)获得测试结果，设置神经网络精度，判断所述测试结果是否达到神经网络精度，若否，则调整所述神经网络的超参数和/或增加所述训练数据集规模；若是，则获得备选的在线工艺孪生模型。
7.根据权利要求6所述的基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，所述建立在线工艺孪生模型还包括：
E)采集多段稳定时间的工艺实测数据，所述工艺实测数据包括模型输入值，将所述模型输入值分别输入到所述水泥烧成系统离线模型和所述备选的在线工艺孪生模型中；
F)获得离线模型输出结果和在线工艺孪生模型输出结果，计算离线模型输出结果和在线工艺孪生模型输出结果之间的相对误差，获得所有输出工艺参数的相对误差；
G)根据不同的输出工艺参数设置与各个输出工艺参数对应的误差精度值，判断所述所有输出工艺参数的相对误差是否均满足与各个输出工艺参数对应的误差精度值，若是，则将所述备选的在线工艺孪生模型判定为合格的孪生模型，所述合格的孪生模型用于后续的在线优化场景；若否，则认为所述备选的在线工艺孪生模型不合格，判断步骤S42)中实际工况输入参数变化范围是否合理，若合理，则进入步骤H)；若不合理，则根据实际工况对实际工况输入参数变化范围进行重新设置，进入步骤H)；
H)返回步骤S1)，重新生成训练数据集。
8.根据权利要求7所述的基于VBA和深度学习的水泥烧成工艺模型孪生方法，其特征在于，步骤A)中对训练数据集进行预处理，包括训练数据的合并、二次筛选及标准化处理；
所述训练数据的合并包括：对利用水泥烧成系统离线模型生成训练数据过程中获得的各个独立的CSV文件进行合并，获得合并后的数据；
所述二次筛选包括：从合并后的数据中读取初始数据源，对所述初始数据源进行二次筛选，去除其中的空值和无效值，所述无效值包括负值；
所述标准化处理用于去除不同量纲和数据变化大小程度不同的影响，包括将所述二次筛选后的输入参数都归入自变量数据集，将所述二次筛选后的输出参数归入因变量数据集。
9.一种基于VBA和深度学习的水泥烧成工艺模型孪生系统，适用于如权利要求1至8所述的任意一项基于VBA和深度学习的水泥烧成系统工艺模型孪生方法，其特征在于，包括训练数据生成模块和工艺模型孪生模块，
所述训练数据生成模块包括原有工艺复制模块、输入数据随机变化模块、输入数据预筛器、调用工艺模型计算指令模块、单次计算后数据处理模块、邮件发送模块和实际执行调整模块；
所述原有工艺复制模块，用于通过对原有单个离线工艺计算模块进行复制，得到大量复制后的相同工艺计算数据；
所述输入数据随机变化模块，用于以实际水泥烧成系统相关输入参数的变化范围为设置标准，通过VBA主程序逐一遍历所有在所述原有工艺复制模块中的复制后的文件，对读取的输入数据进行随机变化，得到和原有工艺计算数据完全不同的输入数据；
所述输入数据预筛器设置在VBA主程序中，用于对输入数据内容进行检查，通过预先设置好的对于输入数据随机变化后内容的结果进行检查；
所述调用工艺模型计算指令模块，用于对每个变化以后的输入数据的文件，调用其所在Excel文件的计算指令，执行工艺模型的模拟计算，在计算完毕会输出计算结果及计算状态关键词；
所述单次计算后数据处理模块，对输出的计算状态关键词进行查询，判断是否得到全局最优解，将得到全局最优解的输入和输出数据另存到一个CSV文件中，对于没有得到最优解的文件则不做任何操作，继续遍历下一个复制后的文件，在程序中设置训练数据累加器，当得到全局最优解时，该累加器数值加1，所述训练数据累加器用于当前得到总训练数据规模的存储内容；
所述邮件发送模块，用于通知程序使用者程序运行结束并提供训练数据的收集结果；
所述实际执行调整模块，用于判断训练数据是否达到预设规模并进行相应调整，调整复制文件的个数及再次执行VBA主程序以生成更多训练数据，若在后续工艺模型孪生模块中最后一步模型精度验证无法通过，则回到VBA主程序中对输入数据的随机变化范围的设置内容进行检查和重新调整输入数据的合理范围。
10.根据权利要求9所述的基于VBA和深度学习的水泥烧成工艺模型孪生系统，其特征在于，所述工艺模型孪生模块包括数据预处理模块、神经网络训练模块、结果展示及输出模块和模型精度验证模块；
所述数据预处理模块，用于对训练数据集进行预处理，包括训练数据的合并、二次筛选及标准化处理；
所述神经网络训练模块，用于构建神经网络，利用训练集和测试集分别对神经网络进行训练和测试，调整神经网络的超参数；
所述结果展示及输出模块，用于输出并保存整个训练过程中的可视化内容以供随时查询；
所述模型精度验证模块，用于对备选的在线工艺孪生模型进行精度验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911292865.9A CN111026057B (zh) | 2019-12-16 | 2019-12-16 | 一种基于vba和深度学习的水泥烧成工艺模型孪生方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911292865.9A CN111026057B (zh) | 2019-12-16 | 2019-12-16 | 一种基于vba和深度学习的水泥烧成工艺模型孪生方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111026057A true CN111026057A (zh) | 2020-04-17 |
| CN111026057B CN111026057B (zh) | 2020-12-15 |
Family
ID=70209393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911292865.9A Active CN111026057B (zh) | 2019-12-16 | 2019-12-16 | 一种基于vba和深度学习的水泥烧成工艺模型孪生方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111026057B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671919A (zh) * | 2021-08-20 | 2021-11-19 | 林周县众陶联供应链服务有限公司 | 一种建筑陶瓷间歇式球磨机泥浆制备控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020091460A1 (en) * | 2000-03-24 | 2002-07-11 | Allen William D. | Hybrid CNC control system |
| CN1746604A (zh) * | 2005-10-19 | 2006-03-15 | 东北大学 | 竖炉焙烧过程智能优化设定方法 |
| CN102169077A (zh) * | 2010-12-28 | 2011-08-31 | 东北大学 | 湿式磨矿过程溢流粒度指标混合智能软测量方法 |
| CN105425585A (zh) * | 2015-11-11 | 2016-03-23 | 北京首钢股份有限公司 | 一种单机架冷轧轧制力模型和前滑模型调试方法 |
| EP3193294A1 (en) * | 2016-01-13 | 2017-07-19 | Hamilton Sundstrand Space Systems International, Inc. | Spreadsheet tool manager for collaborative modeling |
| CN109783496A (zh) * | 2019-01-14 | 2019-05-21 | 东北大学 | 基于Excel&VBA的数据收集和处理自动化工具及使用方法 |
| CN109858775A (zh) * | 2019-01-10 | 2019-06-07 | 湖南科技大学 | 基于数控系统的凸轮轴智能磨削工艺软件数据库系统的集成应用方法 |
-
2019
- 2019-12-16 CN CN201911292865.9A patent/CN111026057B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020091460A1 (en) * | 2000-03-24 | 2002-07-11 | Allen William D. | Hybrid CNC control system |
| CN1746604A (zh) * | 2005-10-19 | 2006-03-15 | 东北大学 | 竖炉焙烧过程智能优化设定方法 |
| CN102169077A (zh) * | 2010-12-28 | 2011-08-31 | 东北大学 | 湿式磨矿过程溢流粒度指标混合智能软测量方法 |
| CN105425585A (zh) * | 2015-11-11 | 2016-03-23 | 北京首钢股份有限公司 | 一种单机架冷轧轧制力模型和前滑模型调试方法 |
| EP3193294A1 (en) * | 2016-01-13 | 2017-07-19 | Hamilton Sundstrand Space Systems International, Inc. | Spreadsheet tool manager for collaborative modeling |
| CN109858775A (zh) * | 2019-01-10 | 2019-06-07 | 湖南科技大学 | 基于数控系统的凸轮轴智能磨削工艺软件数据库系统的集成应用方法 |
| CN109783496A (zh) * | 2019-01-14 | 2019-05-21 | 东北大学 | 基于Excel&VBA的数据收集和处理自动化工具及使用方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671919A (zh) * | 2021-08-20 | 2021-11-19 | 林周县众陶联供应链服务有限公司 | 一种建筑陶瓷间歇式球磨机泥浆制备控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111026057B (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019001220A1 (zh) | 一种基于决策树的数控车床车削过程能耗预测系统及方法 | |
| CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
| CN102508692B (zh) | 临近空间飞行器控制方法仿真与验证方法 | |
| CN107844424A (zh) | 基于模型的测试系统及方法 | |
| CN106874483A (zh) | 一种基于大数据技术的图形化的数据质量评测的装置及方法 | |
| CN101342664A (zh) | 一种复杂空间型面在机质量检测系统 | |
| CN108683560A (zh) | 一种大数据流处理框架的性能基准测试系统及方法 | |
| AU2022204116A1 (en) | Verification method for electrical grid measurement data | |
| CN111026057B (zh) | 一种基于vba和深度学习的水泥烧成工艺模型孪生方法及系统 | |
| CN112270489B (zh) | 一种通过机器学习的方式建立的工程造价分析方法 | |
| CN105550393A (zh) | 一种支持方案快速生成的枪械变型设计方法 | |
| CN115630045B (zh) | 基于人工智能的数据溯源追踪方法及ai系统 | |
| CN110287750A (zh) | 一种自动化检测设备二维码重码检测装置及系统 | |
| CN116090552A (zh) | 一种人工智能加速卡产品的训练和推理性能的测试方法 | |
| Ak et al. | Data analytics and uncertainty quantification for energy prediction in manufacturing | |
| CN109064126A (zh) | 基于质量驱动的水电工程计量信息管理方法 | |
| CN114925905A (zh) | 一种基于标识解析的工业能耗调配方法、设备及介质 | |
| CN114298679A (zh) | 基于大数据的工业ai平台及其应用方法、介质及电子设备 | |
| CN112347131B (zh) | 一种基于城轨项目需求识别和覆盖的方法及装置 | |
| CN112966946A (zh) | 一种物料平衡指标体系框架的生成方法及装置 | |
| CN109214500A (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
| Bhatnagar et al. | On-the-Fly Knowledge Acquisition for Automated Planning Applications: Challenges and Lessons Learnt. | |
| CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
| CN103605849A (zh) | 一种产品设计分析开发环境中联动计算的实现方法 | |
| CN103530805A (zh) | 一种基于数据库和系统接口的自动结算系统和方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210329 Address after: 100024 Beijing city Chaoyang District Guanzhuang 1 East South Patentee after: CHINA BUILDING MATERIAL TEST & CERTIFICATION GROUP Co.,Ltd. Address before: 101113 No.1 Guanghua Road, Industrial Development Zone, Tongzhou District, Beijing Patentee before: CHINA BUILDING MATERIAL TEST & CERTIFICATION GROUP BEIJING TIAN YU Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CP03 | Change of name, title or address |
Address after: 100024 South Building of scientific research and production area, No.1 Guanzhuang Dongli, Chaoyang District, Beijing Patentee after: China National Inspection and testing Holding Group Co.,Ltd. Address before: 100024 Beijing city Chaoyang District Guanzhuang 1 East South Patentee before: CHINA BUILDING MATERIAL TEST & CERTIFICATION GROUP Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230111 Address after: Room 501, 5th Floor, Building 303, Dongli Guanzhuang (Building Materials Research Institute), Chaoyang District, Beijing 100024 Patentee after: Zhongcun Big Data Technology Co.,Ltd. Address before: 100024 South Building of scientific research and production area, No.1 Guanzhuang Dongli, Chaoyang District, Beijing Patentee before: China National Inspection and testing Holding Group Co.,Ltd. |
|
| TR01 | Transfer of patent right |