CN111475988A - 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 - Google Patents

Abstract

一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，包括以下步骤：步骤1、获取数据；步骤2、构建综合能耗模型，设定优化目标函数；步骤3、使用梯度提升决策树算法进行建模；步骤4、使用遗传算法对得到的梯度提升决策树进行处理，寻优得到适应度值最大的控制变量值；步骤5、把得到的控制变量值设置为定型机生产的工艺参数，使定型机的综合能耗最小。本发明使用梯度提升决策树和遗传算法对定型机的能耗进行优化，具有较高的准确性。

Description

基于梯度提升决策树和遗传算法的印染定型机能耗优化方法

技术领域

本发明涉及到一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法。

技术背景

定型机是印染工艺流程中的重要设备,也是印染行业中能耗较大的设备之一，约占印染企业总能耗的二分之一，其能耗主要由导热油加热的燃气能耗以及导热风机消耗的电能等组成。

目前，印染行业通过工艺流程优化、车间优化调度和更新设备等方法能够实现一定程度上的节能，但效果较为局限。随着大数据技术的发展，通过建立预测模型对定型机的工艺参数和能耗数据进行训练，使用机器学习算法预测定型机的能耗，进而调整工艺参数对能耗进行优化，可实现更好的节能效果。

发明内容

为了克服现有的印染工艺流程优化、车间优化调度在定型机节能方面的局限性，本发明使用工艺参数、能耗等印染定型过程产生的数据构建预测模型进行训练，使用梯度提升决策树算法预测未来生产过程中定型机的能耗，并结合遗传算法进行能耗优化，具有较高的准确性。

为了解决上述技术问题，本发明所采用的技术方案是：

一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，所述印染定型机能耗优化方法包括以下步骤：

步骤1、获取数据，过程如下：

获取N组定型机生产运行时的下述数据：一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量，以及布料类别、耗电量、耗水量、燃气使用量和订单量，其中，N是大于0的自然数；

步骤2、构建综合能耗模型，设定优化目标函数；

所述综合能耗模型的构建过程为：

①从印染样本数据中抽取能耗相关数据：耗电量E、燃气消耗量G、耗水量W以及订单量数据米数M；

②通过综合单位产量能耗公式

计算产品单位产量综合能耗，其中

P_q为企业综合能耗，单位为千克标煤；E_i为生产活动中消耗的第i类能源实物量；P_i为第i类能源折算标煤系数。P产品单位产量综合能耗，单位为千克标煤每百米；∑N_gh为各种合格品产量，单位为百米；

③即

得到单位产量能耗，用该数据代表综合能耗情况。

步骤3、使用梯度提升决策树算法进行建模

输入参数如下：

U_f：一号定型机前端湿度；

U_e：一号定型机尾端湿度；

P_gas：一号定型机燃气表压力；

S_c：一号定型机车速；

S_avg：一号定型机排风平均转速；

T_avg：一号定型机烘房平均温度；

T_env：环境温度；

T_gas：一号定型机燃气表温度；

C_type：布料类别；

T_p：流程耗时；

输出参数：

P：定型机综合能耗。

所述梯度提升决策树模型为：

其中，Ptype_i为第i个订单的定型机能耗类别预测值，T为回归数的数量，J为叶子节点的数量，P表示定型机能耗类别预测模型，f_p1，0(x_i，p)为定型机能耗类别预测初始化的回归树，fp_1，t(x_i，p)t∈{1，T}代表定型机能耗类别预测模型第t棵回归树，j∈{1，J}代表第j个叶子节点，c_p1，t，j代表定型机能耗类别预测模型第t棵回归树的第j个叶子节点的残差值，R_p，t，j为定型机能耗类别预测模型第t棵回归树的第j个叶子节点，I(x_i，p∈R_p，t，j)即x_i，p属于定型机能耗类别预测模型第t棵回归树的第j个叶子节点时等于1，否则为0；

将x_i，pi∈{order}依次输入定型机能耗类别预测模型回归树t训练回归树模型以拟合c_p1，t，j：

最终将所有定型机能耗类别预测模型回归树模型以上述公式组合得到最终定型机能耗类别预测模型：

其中C_p1it，j为c_p1，t，j训练后最佳的值。

步骤4、使用遗传算法对得到的梯度提升决策树进行处理，寻优得到适应度值最大的控制变量值，过程如下：

(4.1)变量参数选定：

选定变量：U_f、U_e、P_gas、T_env、C_type、T_p；

控制变量：S_c、S_avg、T_avg、T_gas；

输出变量：P；

求解精度：保留一位小数；

(4.2)将控制变量编码成二进制数，所有控制变量串联成一条染色体，每条染色体占37个二进制位，其中：10个二进制位表示S_c的编码，13个二进制位表示S_avg的编码，9个二进制位表示T_avg的编码，5个二进制位表示T_gas的编码；

(4.3)当输入一组选定变量的值，即U_f、U_e、P_gas、T_env、T_gas、C_type、T_p变量值时，进行控制变量的二进制编码，得到所有可能的控制变量值，并从所有可能的控制变量值中随机选取M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas的值；M是大于0的自然数；设置P为适应度值，即每一组的控制变量都对应一个适应度值；

对步骤3得到的梯度提升决策树进行处理，把U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、S_avg、T_gas代入，得到P；

进行M次代入，得到M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；

使用遗传算法在得到的M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据中，找出适应度值最大的控制变量值，方法如下：

I)染色体的选择：

采用轮盘赌选择法，设P_i为个体i被选择的概率，F_i为个体i的适应度值，则有

即个体被选择的概率与个体的适应度值有关；

其中，所述个体i是指一组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；所述j是指第j个个体；所述n是指第n个个体；

II)染色体的交叉：

把两个父代控制变量染色体部分结构进行替换重组形成新的个体，交叉算子根据交叉率将种群中的两个个体随机的交换某些基因，能够产生新的基因；

本遗传算法选择交叉概率为0.6，平均为60％的染色体进行交pos位点前后二进制进行交叉；

III)染色体的变异：

根据变异概率选择变异位点，将二进制位改变；

本遗传算法对1％基因进行变异；

步骤5、把得到的控制变量值设置为定型机生产的工艺参数，使定型机的综合能耗最小。

在本发明中，所述步骤1中，采集的印染定型机数据是5000组，即N取5000。

在本发明中，所述步骤4的(4.3)中，从所有可能的控制变量值中，随机选取10000组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas的值，即M取10000(这里不限定10000组的话，实际可得到2³⁷次方的值)

本发明的技术构思为：在定型机的工艺参数和能耗数据的基础上，计算产品单位产量能耗代表综合能耗，构建预测模型，使用梯度提升决策树和遗传算法对定型机的能耗进行优化。

本发明的有益效果主要表现在：使用梯度提升决策树来生成预测模型，提升预测的准确率。使用遗传算法进行寻优，得到适应度最大的控制变量值，以此设置定型机的工艺参数，使得综合能耗最低。

附图说明

图1为本发明实现基于梯度提升决策树和遗传算法的印染定型机能耗优化方法的流程图。

图2为遗传算法寻优的测试数据表示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

参照图1和图2，一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，包括以下步骤：

步骤1、获取数据，过程如下：

利用温度、湿度、压力、速度、水表、电表、设备仪表盘以及订单信息，获取5000组定型机生产运行时的下述数据：一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量，以及布料类别、耗电量、耗水量、燃气使用量、订单量。

步骤2、构建综合能耗模型，设定优化目标函数；

所述综合能耗模型的构建过程为：

①从印染样本数据中抽取能耗相关数据：耗电量E、燃气消耗量G、耗水量W以及订单量数据米数M，如表1所示：

耗电量(E)	燃气消耗量(G)	耗水量(W)	米数(M)
				131	79	26	2560
203	142	39	3780
				98	66	20	1650
231	189	42	4087
				284	238	69	7420
245	171	51	5241
				…	…	…	…
91	56	12	1420
				145	98	33	3670

表1

1立方米天然气折算标煤系数为1.33，即P_G为1.33；1度电的折算标煤系数为0.404，即P_E为0.404；1立方米自来水的折算标煤系数为0.086。即单位产量能耗

用该数据代表定型机综合能耗情况；

②通过计算所有数据样本的单位产量能耗P，得到最大值P_max＝8.70以及最小值P_min＝5.38，得到ΔP＝P_max-P_min＝3.32，单位产量能耗小于

的能耗类别用1表示，代表能耗较低；单位产量能耗大于

6.49并且小于

的能耗类别用2，代表能耗适中；单位产量能耗大于

的能耗类别用4表示，代表能耗较高；

步骤3、使用梯度提升决策树算法进行建模

输入参数：

U_f：一号定型机前端湿度；

U_e：一号定型机尾端湿度；

P_gas：一号定型机燃气表压力；

S_c：一号定型机车速；

S_avg：一号定型机排风平均转速；

T_avg：一号定型机烘房平均温度；

T_env：环境温度；

T_gas：一号定型机燃气表温度；

C_type：布料类别；

T_p：流程耗时；

输出参数：

P：定型机综合能耗；

所述梯度提升决策树模型为：

其中，Ptype_i为第i个订单的定型机能耗类别预测值，T为回归数的数量，J为叶子节点的数量，P表示定型机能耗类别预测模型，f_p1，0(x_i，p)为定型机能耗类别预测初始化的回归树，f_p1，t(x_i，p)t∈{1，T}代表定型机能耗类别预测模型第t棵回归树，j∈{1，J}代表第j个叶子节点，c_p1，t，j代表定型机能耗类别预测模型第t棵回归树的第j个叶子节点的残差值，R_p，t，j为定型机能耗类别预测模型第t棵回归树的第j个叶子节点，I(x_i，p∈R_p，t，j)即x_i，p属于定型机能耗类别预测模型第t棵回归树的第j个叶子节点时等于1，否则为0；

将x_i，pi∈{order}依次输入定型机能耗类别预测模型回归树t训练回归树模型以拟合c_p1，t，j：

最终将所有定型机能耗类别预测模型回归树模型以上述公式组合得到最终定型机能耗类别预测模型：

其中C_p1，t，j为c_p1，t，j训练后最佳的值；

步骤4、使用遗传算法对得到的梯度提升决策树进行处理，寻优得到适应度值最大的控制变量值，过程如下：

(4.1)变量参数选定：

选定变量：U_f、U_e、P_gas、T_env、T_gas、C_type、T_p；

控制变量：S_c、S_avg、T_avg、T_gas；

输出变量：P；

求解精度：保留一位小数；

(4.2)将控制变量编码成二进制数，所有控制变量串联成一条染色体，每条染色体占37个二进制位，其中：10个二进制位表示S_c的编码，13个二进制位表示S_avg的编码，9个二进制位表示T_avg的编码，5个二进制位表示T_gas的编码；

S_c的取值范围为[30，90]，长度为60，由于要精确到1位小数，需要区分为600等份，又因为2⁹<600<2¹⁰，所以需用10位二进制表示S_c的编码。同理，S_avg的取值范围为[636,1392]，需用13位二进制表示S_avg的编码；T_avg的取值范围为[165,205]，需用9位二进制数表示T_avg的编码；T_gas的取值范围为[20,22]需用5位二进制数表示T_gas的编码；

(4.3)当系统输入U_f、U_e、P_gas、T_env、T_gas、C_type、T_p变量时，进行控制变量的二进制编码；设置P为适应度值，在范围内每一组的控制变量都对应一个适应度值；

对步骤3得到的梯度提升决策树进行处理，把U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas代入，得到P；

进行10000次代入，得到10000组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；

利用遗传算法，在得到的10000组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据中，选出适应度值最大的控制变量值，方法如下：

I)染色体的选择：

采用轮盘赌选择法，设P_i为个体i被选择的概率，F_i为个体i的适应度值，则有

即个体被选择的概率与个体的适应度值有关；

其中，所述个体i是指一组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；所述j是指第j个个体；所述n是指第n个个体；

II)染色体的交叉：

把两个父代控制变量染色体部分结构进行替换重组形成新的个体，交叉算子根据交叉率将种群中的两个个体随机的交换某些基因，能够产生新的基因；

本遗传算法选择交叉概率为0.6，平均为60％的染色体进行交pos位点前后二进制进行交叉；

III)染色体的变异：

根据变异概率选择变异位点，将二进制位改变；

本遗传算法对1％基因进行变异，即随机个数基因进行1到1之间的变异转换。

IV)重复进行I)至III)的选择、交叉、变异，直到达到迭代次数10000，实现通过遗传算法随机选出使印染定型机综合能耗P最大的一组控制变量进行输出；

步骤5、将步骤4得到的控制变量S_c、S_avg、T_avg、T_gas，设置为定型机生产运行的工艺参数，使该定型机的综合能耗最小。

选取一组数据，利用上述步骤，得到输出结果，具体为：当输入的U_f、U_e、P_gas、T_env、T_gas、C_type、T_p分别为：23.29、3.07、302.63、28、1、287.54时，得到所有组合重的最大P为6.01，其中S_c、S_avg、T_avg、T_gas组合分别为：71、1260.7、183.22、21.15，并把得到的数据进行控制界面的设置，提高印染定型机的运行效率。

本技术领域中的普通技术人员应当认识到，以上内容仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上实例的变化、变型都将落在本发明的权利要求书范围内。

Claims (5)

1.一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于，所述印染定型机能耗优化方法包括以下步骤：

步骤1、获取数据，过程如下：

获取N组定型机生产运行时的下述数据：一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量，以及布料类别、耗电量、耗水量、燃气使用量和订单量，其中，N是大于0的自然数；

步骤2、构建综合能耗模型，设定优化目标函数；

步骤3、使用梯度提升决策树算法进行建模

输入参数如下：

U_f：一号定型机前端湿度；

U_e：一号定型机尾端湿度；

P_gas：一号定型机燃气表压力；

S_c：一号定型机车速；

S_avg：一号定型机排风平均转速；

T_avg：一号定型机烘房平均温度；

T_env：环境温度；

T_gas：一号定型机燃气表温度；

C_type：布料类别；

T_p：流程耗时；

输出参数：

P：定型机综合能耗；

步骤4、使用遗传算法对得到的梯度提升决策树进行处理，寻优得到适应度值最大的控制变量值，过程如下：

(4.1)变量参数选定：

选定变量：U_f、U_e、P_gas、T_env、T_gas、C_type、T_p；

控制变量：S_c、S_avg、T_avg、T_gas；

输出变量：P；

求解精度：保留一位小数；

(4.2)将控制变量编码成二进制数，所有控制变量串联成一条染色体，每条染色体占37个二进制位，其中：10个二进制位表示S_c的编码，13个二进制位表示S_avg的编码，9个二进制位表示T_avg的编码，5个二进制位表示T_gas的编码；

(4.3)当输入一组选定变量的值，即U_f、U_e、P_gas、T_env、T_gas、C_type、T_p变量值时，进行控制变量的二进制编码，得到所有可能的控制变量的值，并从所有可能的控制变量的值中随机选取M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas的值；M是大于0的自然数；设置P为适应度值，即每一组的控制变量都对应一个适应度值；

对步骤3得到的梯度提升决策树进行处理，把U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas代入，得到P；

进行M次代入，得到M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；

使用遗传算法在得到的M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据中，找出适应度值最大的控制变量值，方法如下：

I)染色体的选择：

采用轮盘赌选择法，设P_i为个体i被选择的概率，F_i为个体i的适应度值，则有

即个体被选择的概率与个体的适应度值有关；

其中，所述个体i是指一组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；所述j是指第j个个体；所述n是指第n个个体；

II)染色体的交叉：

把两个父代控制变量染色体部分结构进行替换重组形成新的个体，交叉算子根据交叉率将种群中的两个个体随机的交换某些基因，能够产生新的基因；

本遗传算法选择交叉概率为0.6，平均为60％的染色体进行交pos位点前后二进制进行交叉；

III)染色体的变异：

根据变异概率选择变异位点，将二进制位改变；

本遗传算法对1％基因进行变异；

步骤5、把得到的控制变量值设置为定型机生产的工艺参数，使定型机的综合能耗最小。

2.根据权利要求1所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤1中，采集的定型机数据是5000组，即N取5000。

3.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤2中，综合能耗模型的构建过程为：

①从印染样本数据中抽取能耗相关数据：耗电量E、燃气消耗量G、耗水量W以及订单量数据米数M；

②通过综合单位产量能耗公式

计算产品单位产量综合能耗，其中

P_q为企业综合能耗，单位为千克标煤；E_i为生产活动中消耗的第i类能源实物量；P_i为第i类能源折算标煤系数。P产品单位产量综合能耗，单位为千克标煤每百米；ΣN_gh为各种合格品产量，单位为百米；

③即

得到单位产量能耗，用该数据代表综合能耗情况。

4.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤3中，所述梯度提升决策树模型为：

其中，Ptype_i为第i个订单的定型机能耗类别预测值，T为回归数的数量，J为叶子节点的数量，P表示定型机能耗类别预测模型，f_p1，0(x_i，p)为定型机能耗类别预测初始化的回归树，f_p1，t(x_i，p)t∈{1，T}代表定型机能耗类别预测模型第t棵回归树，j∈{1，J}代表第j个叶子节点，c_p1，t，j代表定型机能耗类别预测模型第t棵回归树的第j个叶子节点的残差值，R_p，t，j为定型机能耗类别预测模型第t棵回归树的第j个叶子节点，I(x_i，p∈R_p，t，j)即x_i，p属于定型机能耗类别预测模型第t棵回归树的第j个叶子节点时等于1，否则为0；

将x_i，pi∈{order}依次输入定型机能耗类别预测模型回归树t训练回归树模型以拟合c_p1，t，j：

最终将所有定型机能耗类别预测模型回归树模型以上述公式组合得到最终定型机能耗类别预测模型：

其中C_p1，t，j为c_p1，t，j训练后最佳的值。

5.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤4中，从所有可能的控制变量的值中，随机选取10000组的值，即M取10000。

Images