CN112183642A - 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 - Google Patents

Abstract

本发明涉及一种基于随机森林模型的水泥烧成煤耗检测方法与系统，所述方法包括：采集数据集；所述数据集包括煤耗和与煤耗相关的工业参数；根据所述数据集搭建随机森林模型；以所述工业参数为输入，所述煤耗为输出，通过构建CART回归树模型对所述随机森林模型进行训练；将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。本发明解决了多变量之间的强耦合关系和滞后性，提高了煤耗检测效率。

Description

一种基于随机森林模型的水泥烧成煤耗检测方法与系统

技术领域

本发明涉及水泥烧成技术领域，特别是涉及一种基于随机森林模型的水泥烧成煤耗检测方法与系统。

背景技术

水泥烧成系统在水泥生产中是十分重要的一环，根据水泥行业相关数据显示，我国的水泥产量排在世界前列。在水泥生产过程中，煤耗是十分重要的指标，有效预测煤耗指标，实现煤耗指标的在线预测，对提高水泥生产效率乃至提升国民经济水平有着十分重要的意义。但是由于水泥生产过程的烧成系统尤其是回转窑具有非线性、强耦合性等特点，仅仅从机理上很难建立水泥烧成系统煤耗指标预测模型，除此之外由于不同的工作人员现场操作经验不同，使得水泥烧成系统一直处于平稳高效的运行状态具有一定的难度，这样就导致能源无法高效利用，造成一定程度的浪费。另外，采用OPC技术对水泥工业DCS设备的数据提取的过程中，由于设备运行情况和人员操作等因素，有时会造成数据缺失，这也为后续建立精确的煤耗预测模型带来挑战。

针对回转窑非线性、强耦合性的特点，常建锋等人研究了一种基于区间跟踪变量软约束的多目标预测控制算法并将其应用到回转窑过程控制中，达到了优化水泥烧成过程、降低能耗的目的。王昭旭等人将一种隐含时间序列深度信念网络运用到水泥烧成过程能耗指标预测，消除了时变时延对水泥能耗预测的影响。

由于水泥烧成系统本身具有大滞后性、非线性、时变时滞以及变量间强耦合性的特点，因此难以对其建立精确的数学模型。

发明内容

基于此，本发明的目的是提供一种基于随机森林模型的水泥烧成煤耗检测方法与系统，解决了多变量之间的强耦合关系和滞后性，提高了煤耗检测效率。

为实现上述目的，本发明提供了如下方案：

一种基于随机森林模型的水泥烧成煤耗检测方法，包括：

采集数据集，所述数据集包括煤耗和与煤耗相关的工业参数；

根据所述数据集搭建随机森林模型；

以所述工业参数为输入，所述煤耗为输出，通过构建CART回归树模型对所述随机森林模型进行训练；

将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。

可选地，所述根据所述数据集搭建随机森林模型，具体包括：

从所述数据集中随机抽取多个训练集，所述训练集中样本数量与所述数据集中样本数量相等；

根据各所述训练集分别构造决策树：当所述决策树进行特征分裂时，随机抽取设定数量的所述工业参数，根据设定数量的所述工业参数确定所述决策树的最优输出煤耗；

将各所述决策树构成随机森林模型。

可选地，所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈，分解炉出口温度和一级筒出口温度反馈。

可选地，所述CART回归树模型为

其中，R_m表示从所述输入特征中划分出的输入特征单元，C_m表示与R_m相对应的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，M为输入空间划分个数，I表示参数。。

可选地，所述训练后的随机森林模型为；

其中，f(x)为所述训练后的随机森林模型预测的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，N为树的个数。

本发明还公开了一种基于随机森林模型的水泥烧成煤耗检测系统，包括：

数据采集模块，采集数据集，所述数据集包括煤耗和与煤耗相关的工业参数；

随机森林模型搭建模块，用于根据所述数据集搭建随机森林模型；

训练模块，以所述工业参数为输入，所述煤耗为输出，通过构建CART回归树模型对所述随机森林模型进行训练；

预测模块，用于将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。

可选地，随机森林模型搭建模块，具体包括：

训练集抽取单元，用于从所述数据集中随机抽取多个训练集，所述训练集中样本数量与所述数据集中样本数量相等；

决策树构造单元，用于根据各所述训练集分别构造决策树：当所述决策树进行特征分裂时，随机抽取设定数量的所述工业参数，根据设定数量的所述工业参数确定所述决策树的最优输出煤耗；

随机森林模型构造单元，用于各所述决策树构成随机森林模型。

可选地，所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈，分解炉出口温度和一级筒出口温度反馈。

可选地，所述CART回归树模型为

其中，R_m表示从所述输入特征中划分出的输入特征单元，C_m表示与R_m相对应的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，M为输入空间划分个数，I表示参数。

可选地，所述训练后的随机森林模型为；

其中，f(x)为所述训练后的随机森林模型预测的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，N为树的个数。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种基于随机森林模型的水泥烧成煤耗检测方法与系统，根据采集的数据集搭建随机森林模型，利用所述数据集，通过构建CART回归树模型对所述随机森林模型进行训练；通过训练后的随机森林模型预测输出煤耗，随机森林模型算法具有运算速度快、泛化能力强的优点，提高了煤耗检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于随机森林模型的水泥烧成煤耗检测方法流程示意图；

图2为本发明随机森林模型算法流程示意图；

图3为本发明决策树训练流程示意图；

图4为本发明一种基于随机森林模型的水泥烧成煤耗检测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于随机森林模型的水泥烧成煤耗检测方法与系统，解决了多变量之间的强耦合关系和滞后性，提高了煤耗检测效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为一种基于随机森林模型的水泥烧成煤耗检测方法流程示意图，如图1所示，一种基于随机森林模型的水泥烧成煤耗检测方法包括以下步骤：

步骤101：采集数据集；所述数据集包括煤耗和与煤耗相关的工业参数。

步骤101中，工业参数为水泥烧成系统的输入变量，工业参数包括喂料量反馈、EP风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈，其中，EP(europ-plast)风机为塑料防腐风机的简称。水泥烧成系统的输出变量包括历史吨熟料实物煤耗。

关于水泥烧成系统输入和输出变量的筛选：通过对水泥生产现场烧成系统的运行分析，基于相关系数从水泥烧成系统数据库选取与水泥烧制煤耗相关的十一个变量。

相关系数是反映变量之间关系密切程度的统计指标，取值在-1到1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关。数据越接近1说明两个变量相关关系越强，其计算公式为：

其中，r_xy表示x和y两个变量之间的相关系数，S_xy表示x和y两变量的协方差，S_x表示x变量的标准差，S_y表示y变量的标准差，其计算公式分别为：

其中，x_i′∈x，y_i′∈y，

表示x变量的均值，

表示y变量的均值。

数据收集与处理：采用OPC技术将水泥工业现场DCS设备的数据提取并导入sqlserver数据库存储，从烧成系统生产数据库中提取十一个相关变量数据后，根据现场工程师的经验知识得出每个变量的正常范围，根据此范围来剔除异常数据，以此得到有效数据集。

本实施例中，收集三个月的生产数据，生产数据经过筛选后得到有效数据集，来预测未来10分钟的煤耗。

步骤102：根据所述数据集搭建随机森林模型。

其中，步骤102中，随机森林模型由bagging+决策树构成，bagging指Bagging算法(Bootstrap aggregating，引导聚集算法)。

步骤102具体包括以下步骤：

用bootstrap方法从所述数据集中随机抽取多个训练集，所述训练集中样本数量与所述数据集中样本数量相等。

根据各所述训练集分别构造决策树(对于每个训练集，都构造一棵决策树)：当所述决策树进行特征分裂时，随机抽取设定数量的所述工业参数，根据设定数量的所述工业参数确定所述决策树的最优输出煤耗，寻找最优解进行分裂。由于随机森林模型有以上两次随机采样的过程，实际是对样本和特征都进行了采样，所以有效的避免了过拟合。

各所述决策树构成随机森林模型。

步骤103：以所述工业参数为输入，所述煤耗为输出，通过构建CART回归树模型对所述随机森林模型进行训练。随机森林模型算法流程如图2所示。

其中，步骤103具体包括：

1)构建CART回归树模型：

其中，工业参数构成的数据空间划分为R₁～R_m个单元，C_m为R_m相对应的输出值；f(x_i)为第i棵决策树的输出，M为输入空间划分个数，I表示参数，具体为指示函数，当C_m输出为叶子节点时返回1，否则返回0。

2)CART回归树的生成：

构建的CART回归树模型的训练误差为：

其中，y_i为当前训练集真实值，为了使平方误差达到最小，对上式求偏导并令其得0，有

可知，当C_m对应为所有真实值y_i的均值时，平方误差达到最小，即：

对于给定的训练集，CART回归树通过递归的方式形成二叉树，使得划分后的数据集叶子节点的输出尽可能接近训练样本的y_i值，也就是真实值。就选择特征而言，如果选择数据集T的j号特征的某个分量s作为分割阈值，将数据集分为R₁＝{x|x^j≤s}和R₂＝{x|x^j＞s}两个部分，其中，R₁为x^j≤s的样本集合，R₂为x^j＞s的样本集合。

分割后的数据集与实际值的均方误差定义为：

其中，c₁为R₁单元上所有样本对应目标变量(输出变量)的均值，c₂为R₂单元上所有样本对应目标变量的均值。通过前面的分析可知，当c₁、c₂分别为对应数据区间上的均值时，平方误差达到最小。遍历所有特征，计算当前每一个切分点的误差，选择切分误差最小的点将输入空间划分为两部分，递归执行上述操作，直到切分结束，如图3所示。

3)随机森林模型的生成：

按照平均误差最小对决策树进行分割，随机森林模型的输出值为所有基学习器即所有决策树输出结果的均值：

f(x)为模型的预测结果，f(x_i)为第i棵决策树的输出，N为树的个数。

步骤104：将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。

其中，步骤104具体包括将水泥烧成系统实际生产中的实时工业参量数据带入训练好的随机森林水泥烧成系统煤耗指标预测模型，实现水泥烧成系统煤耗指标的在线预测。

本发明还公开了一种基于随机森林模型的水泥烧成煤耗检测系统，如图4所示，所述系统包括：

数据采集模块201，用于采集数据集；所述数据集包括煤耗和与煤耗相关的工业参数。

随机森林模型搭建模块202，用于根据所述数据集搭建随机森林模型。

训练模块203，用于以所述工业参数为输入，所述煤耗为输出，通过构建CART回归树模型对所述随机森林模型进行训练。

预测模块204，用于将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。

随机森林模型搭建模块202，具体包括：

训练集抽取单元，用于从所述数据集中随机抽取多个训练集，所述训练集中样本数量与所述数据集中样本数量相等。

决策树构造单元，用于根据各所述训练集分别构造决策树：当所述决策树进行特征分裂时，随机抽取设定数量的所述工业参数，根据设定数量的所述工业参数确定所述决策树的最优输出煤耗。

随机森林模型构造单元，用于将各所述决策树构成随机森林模型。

所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈。

所述CART回归树模型为

其中，R_m表示从所述输入特征中划分出的输入特征单元，C_m表示与R_m相对应的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，M为输入空间划分个数，I表示参数，具体为指示函数，当C_m输出为叶子节点时返回1，否则返回0。

所述训练后的随机森林模型为：

其中，f(x)为所述训练后的随机森林模型预测的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，N为树的个数。

本发明一种基于随机森林模型的水泥烧成煤耗检测方法及系统，通过随机森林模型解决了水泥烧成系统多变量之间的强耦合关系和滞后性，同时该模型相对于神经网络模型运算速度较快，更易实现水泥烧成系统煤耗指标的在线预测；另外由于随机森林模型自身的特点，其在样本和特征选择上都进行了采样，所以可以有效的避免过拟合，进而增强了模型的泛化能力。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于随机森林模型的水泥烧成煤耗检测方法，其特征在于，所述方法包括：

采集数据集；所述数据集包括煤耗和与煤耗相关的工业参数；

根据所述数据集搭建随机森林模型；

以所述工业参数为输入，所述煤耗为输出，通过构建CART回归树模型对所述随机森林模型进行训练；

将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。

2.根据权利要求1所述的基于随机森林模型的水泥烧成煤耗检测方法，其特征在于，所述根据所述数据集搭建随机森林模型，具体包括：

从所述数据集中随机抽取多个训练集，所述训练集中样本数量与所述数据集中样本数量相等；

根据各所述训练集分别构造决策树：当所述决策树进行特征分裂时，随机抽取设定数量的所述工业参数，根据设定数量的所述工业参数确定所述决策树的最优输出煤耗；

将各所述决策树构成随机森林模型。

3.根据权利要求1所述的基于随机森林模型的水泥烧成煤耗检测方法，其特征在于，所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈。

4.根据权利要求1所述的基于随机森林模型的水泥烧成煤耗检测方法，其特征在于，所述CART回归树模型为

其中，R_m表示从所述输入特征中划分出的输入特征单元，C_m表示与R_m相对应的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，M为输入空间划分个数，I表示参数。

5.根据权利要求1所述的基于随机森林模型的水泥烧成煤耗检测方法，其特征在于，所述训练后的随机森林模型为：

其中，f(x)为所述训练后的随机森林模型预测的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，N为树的个数。

6.一种基于随机森林模型的水泥烧成煤耗检测系统，其特征在于，所述系统包括：

数据采集模块，用于采集数据集；所述数据集包括煤耗和与煤耗相关的工业参数；

随机森林模型搭建模块，用于根据所述数据集搭建随机森林模型；

训练模块，用于以所述工业参数为输入，所述煤耗为输出，通过构建CART回归树模型对所述随机森林模型进行训练；

预测模块，用于将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。

7.根据权利要求6所述的基于随机森林模型的水泥烧成煤耗检测系统，其特征在于，随机森林模型搭建模块，具体包括：

训练集抽取单元，用于从所述数据集中随机抽取多个训练集，所述训练集中样本数量与所述数据集中样本数量相等；

决策树构造单元，用于根据各所述训练集分别构造决策树：当所述决策树进行特征分裂时，随机抽取设定数量的所述工业参数，根据设定数量的所述工业参数确定所述决策树的最优输出煤耗；

随机森林模型构造单元，用于将各所述决策树构成随机森林模型。

8.根据权利要求6所述的基于随机森林模型的水泥烧成煤耗检测系统，其特征在于，所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈。

9.根据权利要求6所述的基于随机森林模型的水泥烧成煤耗检测系统，其特征在于，所述CART回归树模型为

其中，R_m表示从所述输入特征中划分出的输入特征单元，C_m表示与R_m相对应的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，M为输入空间划分个数，I表示参数。

10.根据权利要求6所述的基于随机森林模型的水泥烧成煤耗检测系统，其特征在于，所述训练后的随机森林模型为：

其中，f(x)为所述训练后的随机森林模型预测的输出煤耗，f(x_i)为第i棵决策树的输出煤耗，N为树的个数。

Images