CN113505914B - 优化svm的注塑机液压系统能耗预测方法、系统和设备 - Google Patents
优化svm的注塑机液压系统能耗预测方法、系统和设备 Download PDFInfo
- Publication number
- CN113505914B CN113505914B CN202110675137.7A CN202110675137A CN113505914B CN 113505914 B CN113505914 B CN 113505914B CN 202110675137 A CN202110675137 A CN 202110675137A CN 113505914 B CN113505914 B CN 113505914B
- Authority
- CN
- China
- Prior art keywords
- drosophila
- energy consumption
- svm
- prediction
- injection molding
- 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.)
- Active
Links
Images
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及注塑机的能耗预测技术领域,更具体地,涉及一种优化SVM的注塑机液压系统能耗预测方法、系统和设备。以注射压力、溶胶温度、保压时间等工艺参数为输入量。采用改进果蝇算法优化SVM预测注塑机生产能耗和生产效率。以企业每日实际生产数据为模型训练基础,进行能耗的预测;本发明通过改进果蝇算法的自适应步长和设置混沌搅动机制,不仅有效的提高了预测模型的预测精度,也很好的解决了短期预测数据随机性大偶发性高的问题。
Description
技术领域
本发明涉及注塑机的能耗预测技术领域,更具体地,涉及一种优化SVM的注塑机液压系统能耗预测方法、系统和设备。
背景技术
注塑机作为注塑行业的核心生产设备,在国内塑料制品生产企业中被大量使用,据统计,注塑机实际能耗高出理论能耗1倍以上,其生产效率也远低于国际先进水平,因此,降低注塑机能耗,提高注塑机的生产效率,是企业目前亟待解决的问题。在生产过程中,注塑机消耗的能量主要集中在以下三个模块,即液压系统能耗、循环冷却水的能耗、加热器的能耗;其中液压系统能耗占比最大,占总能耗的75%~80%,因此基于对注塑机液压系统的能耗分析,构建注塑机能耗预测及优化模型意义巨大。
发明内容
本发明为克服上述现有技术中的缺陷,提供一种优化SVM的注塑机液压系统能耗预测方法、系统、设备及存储介质,解决了注塑机能耗预测困难的问题,提高了注塑机能耗预测的精度。
为解决上述技术问题,本发明采用的技术方案是:一种优化SVM的注塑机液压系统能耗预测方法,包括以下步骤:
S1.采集数据集,采集的数据包括注射压力、熔胶温度、保压时长、单位周期内注塑机能耗与生产效率;并以注塑机注射压力、熔胶温度、保压时长作为能耗预测模型的输入量,以单位周期内注塑机能耗与生产效率作为能耗模型的输出量;
S2.对步骤S1采集的数据进行初始化,并将采集的数据分为训练数据集和测试数据集;训练数据集用来训练得到的预测模型,测试数据集用来测试预测模型的预测效果;训练数据集与测试数据集的区分,可以采用十折交叉法,也可以用留出法;十折交叉法是将数据分成十份,轮流将九份数据当做训练数据,一份数据当做测试数据;然后,测试十次;
S3.建立支持向量机能耗预测模型,简称SVM模型,所用的SVM模型选择径向基核函数,并采用改进的果蝇算法对SVM模型的惩罚因子C和核函数参数g进行优化选择,参数优化的步骤具体包括:
S311.随机初始化果蝇群体的初始位置,设置种群个体数n以及各个种群的果蝇规模数sizen、最大迭代次数maxgen,以及果蝇的初始步长和初始方向;
S312.完成一次迭代后,计算每个果蝇个体当前位置与初始位置的距离,将距离的倒数作为味道浓度判定值,将味道浓度判定值转化为支持向量机的两个超参数:惩罚因子C和核函数参数g;
S313.将支持向量机模型的方差MSE作为味道浓度判定函数,得出当前果蝇的味道浓度值;
S314.比较出当代果蝇中味道最浓的果蝇个体,比较当代最优味道浓度值是否为历史最优味道浓度值,若当前果蝇浓度优于历史值,则更新当前历史最优浓度值,以及历史最优果蝇位置,并将历史最优位置作为下一次搜寻的起点位置;
S315.判断当前果蝇是否陷入局部最优,若是,则使用混沌Henon映射新步长,扰动产生新的果蝇位置,以跳出局部最优循环;
S316.判断是否达到循环终止条件,达到最大迭代次数或者达到设定的精度,即跳出循环,否则更新步长L,继续步骤S312的循环迭代寻优,直到满足循环终止条件;
S317.通过改进的果蝇算法得到最优的核函数参数g和惩罚因子C,将得到的结果作为SVM预测模型的训练参数,以提高预测模型的预测精度;
S4.使用步骤S2中的训练数据集对建立的SVM模型进行训练,使用测试数据集对SVM模型预测性能进行检验,得到最终的SVM能耗预测模型。
进一步的,所述的步骤S32中,将味道浓度判定值转化为支持向量机的两个超参数,惩罚因子C和核函数参数g的表达式为:
式中,i表示第i个果蝇个体。
进一步的,所述的步骤S35中,当寻优位置陷入局部最优时,运用下式扰动产生寻优位置:
式中,n表示混沌步数放大系数,L表示当前步长,xt、yt分别表示果蝇位置的横坐标和纵坐标。
进一步的,所述的步骤S36中,采用下式更新步长L:
式中,L0表示初始步长,L表示自适应调整后的步长,gen表示当前迭代次数,maxgen表示最大迭代次数。
进一步的,所述的步骤S312中,当果蝇个体飞到某个位置(xt,yt)时,按照下式计算目前位置与初始位置的距离:
进一步的,构建SVM模型具体包括:
S321.SVM模型是通过任意一个输入样本x,来预测得到的对应的输出值y,训练数据样本集合为(xi,yi),其中xi∈Rn,yi∈R,R是实数集合,i=1,2,3,…,l;SVM模型的非线性回归理论是对样本数据x做一个非线性映射,实现输入空间从低维空间到高维空间的转变,然后在高维空间内解决问题,以达到拟合精度;其预测模型表达式为:
y=f(x)=ωφ(x)+b
式中,ω为权重;b为偏置项为常数;φ(x)为低维空间到高维空间的非线性映射函数;
S322.对优化目标取极值:
约束条件为:
式中,C为惩罚因子;ξi和ξi *为松弛因子;ε为损失函数;
S323.为了解决高维二次规划问题,利用拉格朗日乘子向量,将步骤S22中的优化问题转化为相对简单的二次优化问题:
式中,i,j=1,2,…,m,xi,j为输入量;yi为输出量;ai,bi为拉格朗日乘子;
S324.得到SVM的回归函数为:
进一步的,所选用的径向基核函数为:
本发明还提供一种基于优化SVM的注塑机液压系统能耗预测系统,包括:
数据采集模块:用于采集的数据包括注射压力、熔胶温度、保压时长、单位周期内注塑机能耗与生产效率;并以注塑机注射压力、熔胶温度、保压时长作为能耗预测模型的输入量,以单位周期内注塑机能耗与生产效率作为能耗模型的输出量;
训练测试模块:用于对步骤S1采集的数据进行初始化,并将采集的数据分为训练数据集和测试数据集;训练数据集用来训练得到的预测模型,测试数据集用来测试预测模型的预测效果;
SVM模型构建模块:用于建立支持向量机能耗预测模型,简称SVM模型,所用的SVM模型选择径向基核函数;
SVM模型的惩罚因子C和核函数参数g优化模块:用于采用改进的果蝇算法对惩罚因子C和核函数参数g进行优化选择,具体包括:
随机初始化果蝇群体的初始位置,设置种群个体数n以及各个种群的果蝇规模数sizen、最大迭代次数maxgen,以及果蝇的初始步长和初始方向;
完成一次迭代后,计算每个果蝇个体当前位置与初始位置的距离,将距离的倒数作为味道浓度判定值,将味道浓度判定值转化为支持向量机的两个超参数:惩罚因子C和核函数参数g;
将支持向量机模型的方差MSE作为味道浓度判定函数,得出当前果蝇的味道浓度值;
比较出当代果蝇中味道最浓的果蝇个体,比较当代最优味道浓度值是否为历史最优味道浓度值,若当前果蝇浓度优于历史值,则更新当前历史最优浓度值,以及历史最优果蝇位置,并将历史最优位置作为下一次搜寻的起点位置;
判断当前果蝇是否陷入局部最优,若是,则使用混沌Henon映射新步长,扰动产生新的果蝇位置,以跳出局部最优循环;
判断是否达到循环终止条件,达到最大迭代次数或者达到设定的精度,即跳出循环,否则更新步长L,继续循环迭代寻优,直到满足循环终止条件;
通过改进的果蝇算法得到最优的核函数参数g和惩罚因子C,将得到的结果作为SVM预测模型的训练参数,以提高预测模型的预测精度。
本发明还提供一种计算机设备,包括存储器和处理器,所述的存储器存储有计算机程序,所述的处理器执行所述的计算机程序时实现以上所述的方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述的计算机程序被处理器执行时实现以上所述方法的步骤。
与现有技术相比,有益效果是:本发明提供的一种优化SVM的注塑机液压系统能耗预测方法、系统、设备及存储介质,解决了注塑机能耗预测困难的问题,不仅提高了注塑机能耗预测的精度,也很好的解决了短期预测数据随机性大偶发性高的问题,对指导企业实际生产过程的排班和成本预算等问题意义重大。
附图说明
图1是本发明MFOA-SVM预测模型工作流程图。
图2是果蝇搜索食物示意图。
图3是果蝇算法寻优流程图。
图4是Henon映射混沌图,其中,b=0.3。
图5是本发明改进果蝇算法流程示意图。
图6是实施例中训练集和测试集的评估结果。
图7是实施例中不同预测模型能耗预测效果比较。
图8是实施例中不同预测模型能耗预测准确性比较。
图9是实施例中不同预测模型生产效率预测效果比较。
图10是实施例中生产效率不同预测模型的准确性比较。
具体实施方式
附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
本发明以注射压力、溶胶温度、保压时间等工艺参数为输入量,以企业每日实际生产数据为模型训练基础。采用改进果蝇算法优化SVM,构建注塑机液压系统能耗和生产效率的预测模型,即MFOA-SVM预测模型。
如图1所示,为MFOA-SVM预测模型工作流程图;一种优化SVM的注塑机液压系统能耗预测方法,包括以下步骤:
S1.采集数据集,采集的数据包括注射压力、熔胶温度、保压时长、单位周期内注塑机能耗与生产效率;并以注塑机注射压力、熔胶温度、保压时长作为能耗预测模型的输入量,以单位周期内注塑机能耗与生产效率作为能耗模型的输出量;
S2.对步骤S1采集的数据进行初始化,并将采集的数据分为训练数据集和测试数据集;训练数据集用来训练得到的预测模型,测试数据集用来测试预测模型的预测效果;
S3.建立支持向量机能耗预测模型,简称SVM模型,所用的SVM模型选择径向基核函数,并采用改进的果蝇算法对SVM模型的惩罚因子C和核函数参数g进行优化选择,如图5所示,采用改进果蝇算法进行参数优化的步骤具体包括:
S311.随机初始化果蝇群体的初始位置,设置种群个体数n以及各个种群的果蝇规模数sizen、最大迭代次数maxgen,以及果蝇的初始步长和初始方向;
S312.完成一次迭代后,计算每个果蝇个体当前位置与初始位置的距离,将距离的倒数作为味道浓度判定值,将味道浓度判定值转化为支持向量机的两个超参数:
S313.将支持向量机模型的方差MSE作为味道浓度判定函数,得出当前果蝇的味道浓度值;
S314.比较出当代果蝇中味道最浓的果蝇个体,比较当代最优味道浓度值是否为历史最优味道浓度值,若当前果蝇浓度优于历史值,则更新当前历史最优浓度值,以及历史最优果蝇位置,并将历史最优位置作为下一次搜寻的起点位置;
S315.判断当前果蝇是否陷入局部最优,若是,则使用混沌Henon映射新步长,使用公式(7)扰动产生新的果蝇位置,以跳出局部最优循环;
S316.判断是否达到循环终止条件,达到最大迭代次数或者达到设定的精度,即跳出循环,否则使用公式(5)更新步长L,继续步骤S312的循环迭代寻优,直到满足循环终止条件;
S317.通过改进的果蝇算法得到最优的核函数参数g和惩罚因子C,将得到的结果作为SVM预测模型的训练参数,以提高预测模型的预测精度;
S4.使用步骤S2中的训练数据集对建立的SVM模型进行训练,使用测试数据集对SVM模型预测性能进行检验,得到最终的SVM能耗预测模型。
果蝇算法:
果蝇的工作原理如图2所示,在初始阶段,种群量为N的果蝇从随机生成的初始位置出发,沿着随机方向寻找,在搜寻完成一次迭代后,开始计算每个果蝇个体的味道浓度,将味道浓度最大的果蝇个体的位置作为下一次迭代搜索的初始位置,继续下一次的迭代搜索,直到找寻到食物的位置或者满足迭代要求之后,即退出循环搜寻流程。不难看出,果蝇群体利用各个体合作与竞争的关系,通过信息共享机制来寻找食物的位置即最优解,将浓度判定值带入到目标函数中,以目标函数值来判定果蝇位置好坏。
根据果蝇优化算法的思想,如图3所示,可以把算法优化的过程分为以下步骤:
(1)首先,随机初始化果蝇种群的初始搜索位置;
(2)然后让每个果蝇个体按随机的方向和飞行距离去寻找食物目标;
(3)当果蝇个体飞到某个位置(xt,yt)时,可以按照公式(3)来计算目前位置与初始位置的距离:
一般可以把距离的倒数作为味道浓度判定值:
Si=1/Di (4)
(4)接下来将味道浓度判定值与判定函数相结合,即得到该果蝇个体位置的味道浓度。本发明利用果蝇算法优化支持向量机模型参数,味道浓度判定函数为训练样本的预测结果与测试结果集的误差;
(5)当迭代过程结束后,计算每个果蝇个体的味道浓度,将味道浓度最大的果蝇位置设为当前迭代最佳味道浓度值位置,下次迭代时,其他果蝇群体将这个位置作为新的初始位置,从而完成初始位置的更新。
(6)重复步骤(2)~(5)寻优,直到找到目标食物所在的位置。
改进的果蝇算法
1、改进的自适应步长
作为群体智能算法,FOA易陷入早熟收敛且缺少跳出局部最优解的机制,在高维度复杂的优化问题求解中尤为突出,标准果蝇算法在迭代寻优过程中,步长是固定值,而步长主要跟果蝇的全局寻优有关,当步长过大时,果蝇全局寻优能力强,但也会导致寻优过程容易错过最优解,最终收敛不到最优解的位置上;步长过小,容易陷入局部最优值。针对上述问题,本文提出根据迭代次数自适应步长的策略,步长更新策略为式(5)。这样设置策略的目的是,在迭代搜索前期,设置较大步长,增大果蝇搜寻半径,增强其全局寻优能力,随着迭代次数的不断增加,根据式(5)可知,当前迭代的果蝇步长会逐渐减小,果蝇的局部寻优能力也逐渐增强。该策略很好的满足了算法前期需要较强的全局能力和中后期需要较强局部寻优能力的需求。
式中,L0表示初始步长,L表示自适应调整后的步长,gen表示当前迭代次数,maxgen表示最大迭代次数。
2、改进混沌步长
Henon映射是一种二维的非线性动力系统,对初值敏感,初值不同会导致结果具有极大的差异性。Henon映射是二维空间产生的混沌现象,如式(6)所示:
Henon映射是否发生混沌状态主要由参数a、b的取值决定,随着参数a的递增,x的范围逐渐变大且取值均匀,因此可将其混沌值作为扰动果蝇算法的步长。研究表明,当a∈(0.1,1.4),且b∈(0.2,0.314)时,映射会产生混沌现象,生成的混沌序列具有随机性。图4表示通过数值计算研究Henon映射x分量和y分量随着参数a的变化的分岔情况。
当将Henon映射运用到改进果蝇算法中,当寻优位置陷入局部最优时,运用式(7),扰动得出寻优位置:
式中,n表示混沌步数放大系数,L表示当前步长。
支持向量机
SVM模型是通过任意一个输入样本x,来预测得到的对应的输出值y,训练数据样本集合为(xi,yi),其中xi∈Rn,yi∈R,R是实数集合,i=1,2,3,…,l;SVM模型的非线性回归理论是对样本数据x做一个非线性映射,实现输入空间从低维空间到高维空间的转变,然后在高维空间内解决问题,以达到拟合精度;其预测模型表达式为:
y=f(x)=ωφ(x)+b (8)
式中,ω为权重;b为偏置项为常数;φ(x)为低维空间到高维空间的非线性映射函数;
对优化目标取极值:
约束条件为:
式中,C为惩罚因子;ξi和ξi *为松弛因子;ε为损失函数;
为了解决高维二次规划问题,利用拉格朗日乘子向量,将步骤S22中的优化问题转化为相对简单的二次优化问题:
式中,i,j=1,2,…,m,xi,j为输入量;yi为输出量;ai,bi为拉格朗日乘子;
最后可以得到SVM的回归函数为:
核函数确定后,就要寻找最优的两个参数,即惩罚因子C和核参数g,惩罚因子确定了在最小化训练误差和SVM模型的复杂度之间的权重,核参数定义了非线性函数从输入空间到高维特征空间的映射,因此,参数C和g对于SVM模型的泛化性能起着决定性作用。本文将通过改进的果蝇算法动态调整参数,然后将获得的最佳参数输入到SVM模型中进行预测,这种混合模型能有效减少人为选择的盲目性,提高SVM模型的预测能力。
为验证改进果蝇算法优化SVM的效果,引入的粒子群优化SVM和遗传算法优化SVM的对比实验,通过对三组实验预测准确性评估可得出,采用改进的果蝇算法的预测效果最佳。本发明不仅有效地提高了预测模型的预测精度,也很好的解决了短期预测数据随机性大偶发性高的问题,对指导企业实际生产过程的排班和成本预算等问题意义重大。
实施例
一、预测结果评估指标
本实施例采用相对误差、平均绝对误差百分比、决定系数(R2),作为判断预测模型性能的指标。其中,RE表示预测值偏离实际值的程度,通过RE的散点图可以直观地反映该指标的优越性;MAPE在RE的基础上增加了绝对值,可以用数字百分比直接衡量模型的性能;对于R2,其值越大,因变量中能够被自变量解释的比例就越大,当R2越接近1表示模型拟合度越高。
本实施例根据MAPE和R2两个评价指标,对预测效果进行了等级评价,方便更直观的评价预测模效果,具体等级划分如下表所示。
表1评价指标等级划分标准
二、实验数据
本实施例选取某厂金鹰-760型注塑机1000组能耗数据为样本数据,以注射压力、温度、保压时长为输入数据,对注塑机液压系统能耗及生产效率做预测,部分能耗实验数据如下表所示。
表2注塑机能耗预测数据
本实施例采用的数据是通过实际工厂中的生产数据,生产数据的选取时间段时随机筛选,选取了某工厂金鹰-760型号一个月的能耗数据,并将一般的数据用于训练模型,一般数据用于验证模型效果,将PSO-SVM,GA-SVM,MFOA-SVM三种预测方法的预测拟合效果进行对比,具体的三种预测方法的详细参数如下表所示。
表3不同预测模型的初始参数
三、数据分割比例策略分析
对于数据分割,通常有四种常用的比例:6:4、7:3、8:2或9:1;合适比例的选择通常基于文献和历史经验,而缺乏深入的研究,本文基于MAPE和R2的误差评估方法,分析训练集与测试集数据的最优比例。
基于MAPE评估的结果如表4所示。
表4 MAPE评价结果
基于R2评估的结果如表5所示。
表5 R2评价结果
注塑机能耗预测MAPE和R2值的三维直方图如图6所示。据分析,选择最小MAPE和最大R2的数据比率时最为恰当的,因此预测数据分割比率应选择6:4。
四、实验结果分析
4.1、能耗预测结果分析
本实施例采用MFOA-SVM改进的果蝇算法优化结合RE,MAPE和R2的评估指标,将MFOA-SVM的预测准确性与PSO-SVM,GA-SVM的两个常用预测方法进行比较,以评估预测模型的准确性,如图7所示,不难看出,由于例子群算法本身容易陷入局部最优,因此,其优化SVM的拟合效果最差;遗传算法由于有变异操作,使得在寻优过程中的寻优能力较好,其拟合效果也不错;本文基于改进的果蝇算法优化SVM参数,其预测效果最优,具体的预测效果比较如下表所示。
表6不同预测模型的能耗预测效果比较
从图8(a)、图8(b)可知,MFOA-SVM具有最小的MAPE和最大的R2,与实际数据最匹配,其次是GA-SVM,PSO-SVM。进一步分析,测试集上MFOA-SVM的MAPE和R2分别为3.02%(<5%)和0.9746(>0.9),属于预测的第B级精度、GA-SVM的MAPE和R2分别为4.2%(<5%)和0.9623(>0.9),也属于预测的B级精度、PSO-SVM的MAPE和R2分别为6.14%(>5%)和0.9096(>0.9)、属于预测的C级精度。但与PSO-SVM,GA-SVM的预测结果相比,MFOA-SVM方法具有最佳的性能。
RE的散点图直观地观察预测值偏离真实值,相对预测误差的基准设置为[-5.0%,5.0%]。该图用于显示落入参考范围内的相对预测误差的离散点。分析上图可知,在基准范围内,PSO-SVM、GA-SVM、MFOA-SVM三种预测模型相对误差离散点的数量为7、9、10;不难看出,相对误差评估表现最好的是MFOA-SVM,略好于GA-SVM。
4.2、生产效率结果分析
如图9所示,为不同预测模型生产效率预测效果比较。
基于MAPE和R2准确性评估模型的效果如下表所示。
表7生产效率不同预测模型的预测效果比较
从图10(a)、10(b)可知,MFOA-SVM具有最小的MAPE和最大的R2,与实际数据最匹配,其次是GA-SVM,PSO-SVM。进一步分析,测试集上MFOA-SVM的MAPE和R2分别为3.13%(<5%)和0.9763(>0.9),属于预测的第B级精度、GA-SVM的MAPE和R2分别为4.33%(<5%)和0.9519(>0.9),也属于预测的B级精度、PSO-SVM的MAPE和R2分别为7.02%(>5%)和0.8838(<0.9)、属于预测的C级精度。但与PSO-SVM,GA-SVM的预测结果相比,MFOA-SVM方法具有最佳的性能。
RE的散点图直观地观察预测值偏离真实值,相对预测误差的基准设置为[-5.0%,5.0%]。该图用于显示落入参考范围内的相对预测误差的离散点。分析图10可知,在基准范围内,PSO-SVM、GA-SVM、MFOA-SVM三种预测模型相对误差离散点的数量为5、9、11;不难看出,相对误差评估表现最好的是MFOA-SVM,略好于GA-SVM。
本发明以注射压力、溶胶温度、保压时间等工艺参数为输入量。采用改进果蝇算法优化SVM预测注塑机生产能耗和生产效率。以企业每日实际生产数据为模型训练基础,进行能耗的预测;本发明通过改进果蝇算法的自适应步长和设置混沌搅动机制,不仅有效的提高了预测模型的预测精度,也很好的解决了短期预测数据随机性大偶发性高的问题。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种优化SVM的注塑机液压系统能耗预测方法,其特征在于,包括以下步骤:
S1.采集数据集,采集的数据包括注射压力、熔胶温度、保压时长、单位周期内注塑机能耗与生产效率;并以注塑机注射压力、熔胶温度、保压时长作为能耗预测模型的输入量,以单位周期内注塑机能耗与生产效率作为能耗模型的输出量;
S2.对步骤S1采集的数据进行初始化,并将采集的数据分为训练数据集和测试数据集;训练数据集用来训练得到的预测模型,测试数据集用来测试预测模型的预测效果;
S3.建立支持向量机能耗预测模型,简称SVM模型,所用的SVM模型选择径向基核函数,并采用改进的果蝇算法对SVM模型的惩罚因子C和核函数参数g进行优化选择,参数优化的步骤具体包括:
S311.随机初始化果蝇群体的初始位置,设置种群个体数n以及各个种群的果蝇规模数sizen、最大迭代次数maxgen,以及果蝇的初始步长和初始方向;
S312.完成一次迭代后,计算每个果蝇个体当前位置与初始位置的距离,将距离的倒数作为味道浓度判定值,将味道浓度判定值转化为支持向量机的两个超参数:惩罚因子C和核函数参数g;
S313.将支持向量机模型的方差MSE作为味道浓度判定函数,得出当前果蝇的味道浓度值;
S314.比较出当代果蝇中味道最浓的果蝇个体,比较当代最优味道浓度值是否为历史最优味道浓度值,若当前果蝇浓度优于历史值,则更新当前历史最优浓度值,以及历史最优果蝇位置,并将历史最优位置作为下一次搜寻的起点位置;
S315.判断当前果蝇是否陷入局部最优,若是,则使用混沌Henon映射新步长,扰动产生新的果蝇位置,以跳出局部最优循环;
S316.判断是否达到循环终止条件,达到最大迭代次数或者达到设定的精度,即跳出循环,否则更新步长L,继续步骤S312的循环迭代寻优,直到满足循环终止条件;
S317.通过改进的果蝇算法得到最优的核函数参数g和惩罚因子C,将得到的结果作为SVM预测模型的训练参数,以提高预测模型的预测精度;
S4.使用步骤S2中的训练数据集对建立的SVM模型进行训练,使用测试数据集对SVM模型预测性能进行检验,得到最终的SVM能耗预测模型。
7.一种优化SVM的注塑机液压系统能耗预测系统,其特征在于,包括:
数据采集模块:用于采集的数据包括注射压力、熔胶温度、保压时长、单位周期内注塑机能耗与生产效率;并以注塑机注射压力、熔胶温度、保压时长作为能耗预测模型的输入量,以单位周期内注塑机能耗与生产效率作为能耗模型的输出量;
训练测试模块:用于对步骤S1采集的数据进行初始化,并将采集的数据分为训练数据集和测试数据集;训练数据集用来训练得到的预测模型,测试数据集用来测试预测模型的预测效果;
SVM模型构建模块:用于建立支持向量机能耗预测模型,简称SVM模型,所用的SVM模型选择径向基核函数;
SVM模型的惩罚因子C和核函数参数g优化模块:用于采用改进的果蝇算法对惩罚因子C和核函数参数g进行优化选择,具体包括:
随机初始化果蝇群体的初始位置,设置种群个体数n以及各个种群的果蝇规模数sizen、最大迭代次数maxgen,以及果蝇的初始步长和初始方向;
完成一次迭代后,计算每个果蝇个体当前位置与初始位置的距离,将距离的倒数作为味道浓度判定值,将味道浓度判定值转化为支持向量机的两个超参数:惩罚因子C和核函数参数g;
将支持向量机模型的方差MSE作为味道浓度判定函数,得出当前果蝇的味道浓度值;
比较出当代果蝇中味道最浓的果蝇个体,比较当代最优味道浓度值是否为历史最优味道浓度值,若当前果蝇浓度优于历史值,则更新当前历史最优浓度值,以及历史最优果蝇位置,并将历史最优位置作为下一次搜寻的起点位置;
判断当前果蝇是否陷入局部最优,若是,则使用混沌Henon映射新步长,扰动产生新的果蝇位置,以跳出局部最优循环;
判断是否达到循环终止条件,达到最大迭代次数或者达到设定的精度,即跳出循环,否则更新步长L,继续循环迭代寻优,直到满足循环终止条件;
通过改进的果蝇算法得到最优的核函数参数g和惩罚因子C,将得到的结果作为SVM预测模型的训练参数,以提高预测模型的预测精度。
8.一种计算机设备,包括存储器和处理器,所述的存储器存储有计算机程序,其特征在于,所述的处理器执行所述的计算机程序时实现权利要求1至6任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述的计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675137.7A CN113505914B (zh) | 2021-06-17 | 2021-06-17 | 优化svm的注塑机液压系统能耗预测方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675137.7A CN113505914B (zh) | 2021-06-17 | 2021-06-17 | 优化svm的注塑机液压系统能耗预测方法、系统和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505914A CN113505914A (zh) | 2021-10-15 |
CN113505914B true CN113505914B (zh) | 2023-05-26 |
Family
ID=78010070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675137.7A Active CN113505914B (zh) | 2021-06-17 | 2021-06-17 | 优化svm的注塑机液压系统能耗预测方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505914B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
CN109934330A (zh) * | 2019-03-04 | 2019-06-25 | 温州大学 | 基于多样化种群的果蝇优化算法来构建预测模型的方法 |
CN109961173A (zh) * | 2019-02-25 | 2019-07-02 | 华北电力大学 | 一种用于分布式电源发电功率的智能预测方法 |
-
2021
- 2021-06-17 CN CN202110675137.7A patent/CN113505914B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
CN109961173A (zh) * | 2019-02-25 | 2019-07-02 | 华北电力大学 | 一种用于分布式电源发电功率的智能预测方法 |
CN109934330A (zh) * | 2019-03-04 | 2019-06-25 | 温州大学 | 基于多样化种群的果蝇优化算法来构建预测模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505914A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516831A (zh) | 一种基于mwoa算法优化svm的短期负荷预测方法 | |
CN109685277A (zh) | 用电量预测方法及装置 | |
CN109033730A (zh) | 一种基于改进的粒子群优化算法的刀具磨损预测方法 | |
Xuemei et al. | Building cooling load forecasting using fuzzy support vector machine and fuzzy C-mean clustering | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN103605909B (zh) | 一种基于灰色理论及支持向量机的水质预测方法 | |
CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及系统 | |
CN115470704B (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
Lei et al. | Improved artificial bee colony algorithm and its application in data clustering | |
CN114357852A (zh) | 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法 | |
Cao et al. | A novel multi-objective optimization approach of machining parameters with small sample problem in gear hobbing | |
CN112734014A (zh) | 基于置信上界思想的经验回放采样强化学习方法及系统 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN105574586A (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
Yin et al. | A novel SVM parameter tuning method based on advanced whale optimization algorithm | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
Jamous et al. | Modifications of particle swarm optimization techniques and its application on stock market: A survey | |
CN113313322B (zh) | Moea/d挤压工艺参数多目标优化方法及装置 | |
CN109086941A (zh) | 一种能源消费预测方法 | |
CN113505914B (zh) | 优化svm的注塑机液压系统能耗预测方法、系统和设备 | |
CN115394381A (zh) | 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置 | |
Wang et al. | Wind weather prediction based on multi-output least squares support vector regression optimised by bat algorithm | |
CN113222256A (zh) | 一种基于mpso-lstm模型的股票预测方法及系统 | |
Tyas et al. | Implementation of Particle Swarm Optimization (PSO) to improve neural network performance in univariate time series prediction | |
CN112487723A (zh) | 一种基于多参数的中水热源泵系统优化设计方法 |
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 |