CN113626978B - 一种民爆乳化炸药的爆速在线预测方法及系统 - Google Patents
一种民爆乳化炸药的爆速在线预测方法及系统 Download PDFInfo
- Publication number
- CN113626978B CN113626978B CN202110700242.1A CN202110700242A CN113626978B CN 113626978 B CN113626978 B CN 113626978B CN 202110700242 A CN202110700242 A CN 202110700242A CN 113626978 B CN113626978 B CN 113626978B
- Authority
- CN
- China
- Prior art keywords
- working condition
- explosion
- condition parameters
- current
- civil
- 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
- 239000002360 explosive Substances 0.000 title claims abstract description 164
- 239000000839 emulsion Substances 0.000 title claims abstract description 132
- 238000005474 detonation Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004880 explosion Methods 0.000 claims abstract description 222
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000012372 quality testing Methods 0.000 claims description 29
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 230000003111 delayed effect Effects 0.000 abstract description 7
- 239000012071 phase Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 239000008346 aqueous phase Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000004604 Blowing Agent Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010070834 Sensitisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 239000003995 emulsifying agent Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000008313 sensitization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种民爆乳化炸药的爆速在线预测方法及系统，获取民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参数，将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于该实时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数，因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，可以满足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生产情况的调整。
Description
技术领域
本发明涉及爆速预测技术领域，更具体的说，涉及一种民爆乳化炸药的爆速在线预测方法及系统。
背景技术
爆速是民爆乳化炸药的一个重要质量指标，若实现爆速的在线监测，就可以在民爆乳化炸药生产过程中，发现爆速不合格的民爆乳化炸药时，及时提醒相关的操作人员对生产进行调整，提高民爆乳化炸药的合格率。
目前，在民爆乳化炸药生产过程中，由于缺乏爆速在线监测仪表，因此无法监测实时生产的民爆乳化炸药的爆速。现有民爆企业一般通过收集当前民爆乳化炸药成品进行爆速离线监测，得到当前生产的民爆乳化炸药的爆速。然而，该种方法得到的是滞后的爆速，不利于企业根据民爆乳化炸药的生产情况进行生产调整。因此，现有离线检测爆速的方式，不能满足民爆企业对于民爆乳化炸药爆速的在线监测需求，并且费时费力，爆速检测效率低。
发明内容
有鉴于此，本发明公开一种民爆乳化炸药的爆速在线预测方法及系统，通过获取民爆乳化炸药的实时工况参数，并基于该实时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数，因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可以满足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生产情况的调整。
一种民爆乳化炸药的爆速在线预测方法，包括：
获取民爆乳化炸药的当前工况参数；
从所述当前工况参数中提取出当前关键工况参数，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所述爆速的相关系数；
将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。
可选的，所述从所述当前工况参数中提取出当前关键工况参数，具体包括：
对所述当前工况参数进行数据清洗得到当前目标工况参数；
从所述当前目标工况参数中提取出所述当前关键工况参数。
可选的，所述对所述当前工况参数进行数据清洗得到当前目标工况参数，具体包括：
基于原则法对所述当前工况参数中的异常值进行检测，并用参数平均值替换对应的异常值，得到所述当前目标工况参数；
其中，所述原则法的表达式如下：
式中，表示工况参数标准差，n表示所述当前工况参数中任意一种被清洗参数的总个数，i表示被清洗参数n中第i个参数，i∈[1，n]，/>为参数平均值，当/>时，xg为异常值。
可选的，所述民爆乳化炸药爆速预测模型的建立过程包括：
获取民爆乳化炸药的历史生产数据，所述历史生产数据包括工况参数和离线质检爆速；
对所述历史生产数据进行数据清洗，得到目标历史生产数据，所述目标历史生产数据包括目标工况参数和目标离线质检爆速；
从所述目标工况参数中提取出关键工况参数，其中，所述关键工况参数与所述目标离线质检爆速的相关系数高于非关键工况参数与所述目标离线质检爆速的相关系数；
将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型。
可选的，所述从所述目标工况参数中提取出关键工况参数，具体包括：
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数平均值；
从所述工况参数平均值中选取所述关键工况参数。
可选的，在将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型之后，还包括：
采用粒子群优化算法对梯度提升决策树超参数进行优化，并利用优化后的梯度提升决策树得到优化后的民爆乳化炸药爆速预测模型。
可选的，所述将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型，具体包括：
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中，通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回归树；
如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将所述强学习器确定为所述民爆乳化炸药爆速预测模型。
可选的，所述负数梯度的表达式如下：
式中，rti表示所述负数梯度，i＝1，2，…,N，N表示训练集数据的总个数，t＝1，2，…,H，H表示基回归树的总个数，y表示训练集中目标变量的值，L(y,Ft-1(x))为损失函数，Ft-1(x)为上一次迭代的强学习器，Ft(x)为当前的强学习器，xi为训练集的第i个样本的变量；
所述当前基回归树的表达式如下：
式中，ht(x)表示当前基回归树；
所述强学习器的表达式如下：
Ft(x)＝ht(x)+Ft-1(x)；
式中，Ft-1(x)表示上一次迭代的强学习器，Ft(x)表示当前的强学习器。
一种民爆乳化炸药的爆速在线预测系统，包括：
获取单元，用于获取民爆乳化炸药的当前工况参数；
参数提取单元，用于从所述当前工况参数中提取出当前关键工况参数，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所述爆速的相关系数；
预测单元，用于将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。
可选的，所述参数提取单元具体包括：
第一数据清洗子单元，用于对所述当前工况参数进行数据清洗得到当前目标工况参数；
第二数据提取子单元，用于从所述当前目标工况参数中提取出所述当前关键工况参数。
从上述的技术方案可知，本发明公开了一种民爆乳化炸药的爆速在线预测方法及系统，获取民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参数，将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于该实时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数，因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可以满足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生产情况的调整。
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，下面将对实施例或现有技术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，还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种民爆乳化炸药的爆速在线预测方法流程图；
图2为本发明实施例公开的一种民爆乳化炸药的工况参数与爆速的相关性示意图；
图3为本发明实施例公开的一种民爆乳化炸药爆速预测模型的建立方法流程图；
图4为本发明实施例公开的一种民爆乳化炸药爆速的预测值和真实值的对比示意图；
图5为本发明实施例公开的一种民爆乳化炸药的爆速在线预测系统的结构示意图。
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。
本发明实施例公开了一种民爆乳化炸药的爆速在线预测方法及系统，获取民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参数，将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于该实时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数，因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可以满足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生产情况的调整。
参见图1，本发明实施例公开的一种民爆乳化炸药的爆速在线预测方法流程图，该方法包括：
步骤S101、获取民爆乳化炸药的当前工况参数；
其中，工况参数如表1中所示的变量名称。
表1
| 变量序号 | 变量名称 | 变量序号 | 变量名称 |
| 1 | 油相储罐温度 | 15 | 乳化剂流量 |
| 2 | 油相罐一温度 | 16 | 油相密度 |
| 3 | 油相罐二温度 | 17 | 水相密度 |
| 4 | 水相储罐温度 | 18 | 酸密度 |
| 5 | 水相罐1上温度 | 19 | 发泡剂密度 |
| 6 | 水相罐2上温度 | 20 | 基质泵压力 |
| 7 | 基质泵温度 | 21 | 精乳器压力 |
| 8 | 钢带冷却水温度 | 22 | 出药压力 |
| 9 | 敏化机温度 | 23 | 水相泵压力 |
| 10 | 出药温度 | 24 | 油相泵压力 |
| 11 | 油相流量 | 25 | 粗乳器转速 |
| 12 | 水相流量 | 26 | 钢带转速 |
| 13 | 发泡剂流量 | 27 | 乳胶泵转速 |
| 14 | 酸流量 |
步骤S102、从所述当前工况参数中提取出当前关键工况参数；
其中，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所述爆速的相关系数。
在实际应用中，可以采用特征工程相关技术，比如，最大互信息方法，计算当前工况参数与爆速的相关系数，相关系数接近于0表示工况参数与爆速的相关性越低，相关系数接近于1表示工况参数与爆速的相关性越大，工况参数与爆速的相关性可参见图2所示，本发明选择与爆速的相关系数高的前几个当前工况参数作为当前关键工况参数。
步骤S103、将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。
其中，民爆乳化炸药爆速预测模型以关键工况参数作为样本数据，以爆速作为样本标签训练得到。
综上可知，本发明公开了一种民爆乳化炸药的爆速在线预测方法，获取民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参数，将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于该实时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数，因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可以满足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生产情况的调整。
为避免因当前工况参数中存在异常值，导致预测的爆速不准确，步骤S102具体可以包括：
对当前工况参数进行数据清洗得到当前目标工况参数；
从当前目标工况参数中提取出当前关键工况参数。
其中，数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。本发明通过对当前工况参数进行数据清洗来对当前工况参数中的异常值进行检测和替换，以得到更为准确的当前目标工况参数。
在实际应用中，可以基于原则法对所述当前工况参数中的异常值进行检测，并用参数平均值替换对应的异常值，得到当前目标工况参数；
其中，原则法的表达式如下：
式中，表示工况参数标准差，n表示所述当前工况参数中任意一种被清洗参数的总个数，i表示被清洗参数n中第i个参数，i∈[1，n]，/>为参数平均值，当/>时，xg为异常值。
为进一步优化上述实施例，参见图3，本发明实施例公开的一种民爆乳化炸药爆速预测模型的建立方法流程图，该方法包括：
步骤S201、获取民爆乳化炸药的历史生产数据；
其中，所述历史生产数据包括工况参数和离线质检爆速，工况参数可参见表1所示。
步骤S202、对所述历史生产数据进行数据清洗，得到目标历史生产数据；
其中，所述目标历史生产数据包括目标工况参数和目标离线质检爆速；
本实施例对史生产数据进行数据清洗的目的是对历史生产数据中的异常值进行检测，并用参数平均值替换对应的异常值。在实际应用中，可以采用原则法，数据清洗具体过程可参见图1实施例对应部分，此处不再赘述。
步骤S203、从所述目标工况参数中提取出关键工况参数；
其中，所述关键工况参数与所述目标离线质检爆速的相关系数高于非关键工况参数与所述目标离线质检爆速的相关系数。
步骤S204、将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型。
为进一步优化上述实施例，步骤S203具体可以包括：
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数平均值，并从所述工况参数平均值中选取所述关键工况参数。
其中，预设上午时间段比如上午9点到11点，预设下午时间段比如下午3点到5点。
需要说明的是，本实施例中，民爆乳化炸药的爆速一般检测时间在上午10点30左右和下午4点30左右，由于系统没有记录准确的检测时间，一个批次分成上午和下午进行分析。上午的时间段采集上午9点到11点的工况数据，1min采集一次工况参数，下午的时间段采集下午3点到5点的工况数据，1min采集一次工况参数，由于离线质检的爆速是上午和下午检测的两次数据，因此存在工况数据和爆速多对一的关系，导致工况数据和爆速的维度不一致。为解决这一问题，本发明对工况参数中在预设上午时间段采集的所有工况参数取平均值，使得上午采集的工况数据与上午采集的爆速的维度一致；同样，对预设下午时间段采集的所有工况参数取平均值，使得下午采集的工况数据与下午采集的爆速的维度一致。
需要说明的是，本实施例中优选使用lightGBM框架建立民爆乳化炸药爆速预测模型。
为进一步优化上述实施例，在步骤S204之后还可以包括：
采用粒子群优化算法对梯度提升决策树超参数进行优化，并利用优化后的梯度提升决策树得到优化后的民爆乳化炸药爆速预测模型。
其中，梯度提升决策树超参数为：每棵树的叶子节点num_leaves、最大树的深度max_depth、叶子可能具有的最小记录数min_date_in_leaf、选择特征的比例feature_fraction、每次迭代使用的数据比例bagging_fraction和L1正则lambda。
粒子群优化算法的步骤如下：
1)初始化粒子的速度和位置；
其中，粒子表示梯度提升决策树超参数的随机值，根据得到的超参数建立民爆乳化炸药爆速预测模型，粒子群优化算法的目的是找到最优超参数。
2)计算每个粒子的适应度函数；
3)根据所述适应度函数，确定每个粒子的当前最优位置，并确定粒子群的最优位置；
最优位置包括局部最优位置和全局最优位置。
4)根据局部最优位置和全局最优位置更新粒子的速度和位置；
5)判断是否达到粒子的速度和位置各自所需的精度，如果未达到精度，则重复2)、3)和4)，直到达到粒子的速度和位置各自所需的精度。
其中，步骤2)中适应度函数为K—交叉验证R2；
式中，yi为爆速真实值，为爆速预测值，/>为爆速平均值，i为当前测试样的标号，i＝1,2,3,...,n，n为总的测试集样本，R2为模型评价指数。
步骤4)中，粒子的速度和位置的更新公式如下：
式中，和/>分别表示粒子在k次和k+1次迭代时的速度，/>和/>表示粒子在k次和k+1次迭代时的位置，c1和c2表示加速因子，r1、r2为随机数，w为权重，pid为全局最优位置，xid为粒子的位置，pgd为局部最优位置。
为进一步优化上述实施例，步骤S204具体可以包括：
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中，通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回归树，如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将所述强学习器确定为所述民爆乳化炸药爆速预测模型。
其中，所述负数梯度的表达式如下：
式中，rti表示所述负数梯度，i＝1，2，…,N，N表示训练集数据的总个数，t＝1，2，…,H，H表示基回归树的总个数，y表示训练集中目标变量的值，L(y,Ft-1(x))为损失函数，Ft-1(x)为上一次迭代的强学习器，Ft(x)为当前的强学习器，xi为训练集的第i个样本的变量；
所述当前基回归树的表达式如下：
式中，ht(x)表示当前基回归树。
所述强学习器的表达式如下：
Ft(x)＝ht(x)+Ft-1(x)；
式中，表示上一次迭代的强学习器，/>表示当前的强学习器。
为便于理解本发明所要保护的技术方案，本发明还提供了一个具体实施例，如下：
本发明获取了民爆企业63批次乳化炸药某产线的工况参数和爆速数据，使用56批数据作为民爆乳化炸药爆速预测模型的训练数据，7批数据作为民爆乳化炸药爆速预测模型的测试数据验证民爆乳化炸药爆速预测模型的精度，经过计算，民爆乳化炸药爆速预测模型的为0.906，民爆乳化炸药爆速预测模型的均方根误差RMSE为0.03817，民爆乳化炸药爆速预测模型的平均绝对误差MAE为0.02785，根据预测的结果可知目前民爆乳化炸药爆速预测模型的预测精度较高。
其中，本实施例得到的预测结果如表2和图4所示。
表2
由此可以看出，本发明建立的民爆乳化炸药爆速预测模型的预测精度较高，因此可以将训练完成的民爆乳化炸药爆速预测模型部署在信息系统上，以乳化炸药生产线采集的实时工况参数输入民爆乳化炸药爆速预测模型，实现乳化炸药爆速在线预测，从而对乳化炸药的生产状况进行监测。
需要特别说明的是，本发明使用的编程语言包括但不限于Python、Java、Matlab、R等。
与上述方法实施例相对应，本发明还公开了一种民爆乳化炸药的爆速在线预测系统。
参见图5，本发明实施例公开的一种民爆乳化炸药的爆速在线预测系统的结构示意图，该系统包括：
获取单元301，用于获取民爆乳化炸药的当前工况参数；
其中，工况参数如表1中所示的变量名称。
参数提取单元302，用于从所述当前工况参数中提取出当前关键工况参数，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所述爆速的相关系数；
在实际应用中，可以采用特征工程相关技术，比如，最大互信息方法，计算当前工况参数与爆速的相关系数，相关系数接近于0表示工况参数与爆速的相关性越低，相关系数接近于1表示工况参数与爆速的相关性越大，工况参数与爆速的相关性可参见图2所示，本发明选择与爆速的相关系数高的前几个当前工况参数作为当前关键工况参数。
预测单元303，用于将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。
其中，民爆乳化炸药爆速预测模型以关键工况参数作为样本数据，以爆速作为样本标签训练得到。
综上可知，本发明公开了一种民爆乳化炸药的爆速在线预测系统，获取民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参数，将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于该实时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数，因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可以满足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生产情况的调整。
为避免因当前工况参数中存在异常值，导致预测的爆速不准确，上述实施例中的参数提取单元302具体可以包括：
第一数据清洗子单元，用于对所述当前工况参数进行数据清洗得到当前目标工况参数；
第二数据提取子单元，用于从所述当前目标工况参数中提取出所述当前关键工况参数。
在实际应用中，可以基于原则法对所述当前工况参数中的异常值进行检测，并用参数平均值替换对应的异常值，得到当前目标工况参数。
为进一步优化上述实施例，第一数据清洗子单元具体可以用于：
基于原则法对所述当前工况参数中的异常值进行检测，并用参数平均值替换对应的异常值，得到所述当前目标工况参数；
其中，所述原则法的表达式如下：
式中，表示工况参数标准差，n表示所述当前工况参数中任意一种被清洗参数的总个数，i表示被清洗参数n中第i个参数，i∈[1，n]，/>为参数平均值，当/>时，xg为异常值。
为进一步优化上述实施例，爆速在线预测系统还可以包括：
模型建立单元，用于建立所述民爆乳化炸药爆速预测模型；
所述模型建立单元具体包括：
获取子单元，用于获取民爆乳化炸药的历史生产数据，所述历史生产数据包括工况参数和离线质检爆速；
第二数据清洗子单元，用于对所述历史生产数据进行数据清洗，得到目标历史生产数据，所述目标历史生产数据包括目标工况参数和目标离线质检爆速；
第二数据提取子单元，用于从所述目标工况参数中提取出关键工况参数，其中，所述关键工况参数与所述目标离线质检爆速的相关系数高于非关键工况参数与所述目标离线质检爆速的相关系数；
模型建立子单元，用于将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型。
在实际应用中，第二数据提取子单元具体可以用于：
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数平均值；
从所述工况参数平均值中选取所述关键工况参数。
为进一步优化上述实施例，模型建立单元还可以包括：
模型优化子单元，用于采用粒子群优化算法对梯度提升决策树超参数进行优化，并利用优化后的梯度提升决策树得到优化后的民爆乳化炸药爆速预测模型。
在实际应用中，模型建立子单元具体用于：
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中，通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回归树；
如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将所述强学习器确定为所述民爆乳化炸药爆速预测模型。
需要特别说明的是，系统实施例中各组成部分的具体工作原理，请参见方法实施例对应部分，此处不再赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种民爆乳化炸药的爆速在线预测方法，其特征在于，包括：
获取民爆乳化炸药的当前工况参数；
从所述当前工况参数中提取出当前关键工况参数，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所述爆速的相关系数；
将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值；其中，所述民爆乳化炸药爆速预测模型的建立过程包括：
获取民爆乳化炸药的历史生产数据，所述历史生产数据包括工况参数和离线质检爆速；
对所述历史生产数据进行数据清洗，得到目标历史生产数据，所述目标历史生产数据包括目标工况参数和目标离线质检爆速；
从所述目标工况参数中提取出关键工况参数，其中，所述关键工况参数与所述目标离线质检爆速的相关系数高于非关键工况参数与所述目标离线质检爆速的相关系数；
将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型；
所述从所述目标工况参数中提取出关键工况参数，具体包括：
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数平均值；
从所述工况参数平均值中选取所述关键工况参数；
在将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型之后，还包括：
采用粒子群优化算法对梯度提升决策树超参数进行优化，并利用优化后的梯度提升决策树得到优化后的民爆乳化炸药爆速预测模型；
所述将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型，具体包括：
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中，通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回归树；
如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将所述强学习器确定为所述民爆乳化炸药爆速预测模型。
2.根据权利要求1所述的爆速在线预测方法，其特征在于，从所述当前工况参数中提取出当前关键工况参数，具体包括：
对所述当前工况参数进行数据清洗得到当前目标工况参数；
从所述当前目标工况参数中提取出所述当前关键工况参数。
3.根据权利要求1所述的爆速在线预测方法，其特征在于，对所述当前工况参数进行数据清洗得到当前目标工况参数，具体包括：
基于原则法对所述当前工况参数中的异常值进行检测，并用参数平均值替换对应的异常值，得到所述当前目标工况参数；
其中，所述原则法的表达式如下：
式中，表示工况参数标准差，n表示所述当前工况参数中任意一种被清洗参数的总个数，i表示被清洗参数n中第i个参数，i∈[1，n]，/>为参数平均值，当/>时，xg为异常值。
4.根据权利要求1所述的爆速在线预测方法，其特征在于，所述负数梯度的表达式如下：
式中，rti表示所述负数梯度，i＝1，2，…,N，N表示训练集数据的总个数，t＝1，2，…,H，H表示基回归树的总个数，y表示训练集中目标变量的值，L(y,Ft-1(x))为损失函数，Ft-1(x)为上一次迭代的强学习器，Ft(x)为当前的强学习器，xi为训练集的第i个样本的变量；
所述当前基回归树的表达式如下：
式中，ht(x)表示当前基回归树；
所述强学习器的表达式如下：
Ft(x)＝ht(x)+Ft-1(x)；
式中，Ft-1(x)表示上一次迭代的强学习器，Ft(x)表示当前的强学习器。
5.一种民爆乳化炸药的爆速在线预测系统，其特征在于，包括：
获取单元，用于获取民爆乳化炸药的当前工况参数；
参数提取单元，用于从所述当前工况参数中提取出当前关键工况参数，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所述爆速的相关系数；
预测单元，用于将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当前爆速预测值；其中，所述民爆乳化炸药爆速预测模型的建立过程包括：
获取民爆乳化炸药的历史生产数据，所述历史生产数据包括工况参数和离线质检爆速；
对所述历史生产数据进行数据清洗，得到目标历史生产数据，所述目标历史生产数据包括目标工况参数和目标离线质检爆速；
从所述目标工况参数中提取出关键工况参数，其中，所述关键工况参数与所述目标离线质检爆速的相关系数高于非关键工况参数与所述目标离线质检爆速的相关系数；
将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型；
所述从所述目标工况参数中提取出关键工况参数，具体包括：
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数平均值；
从所述工况参数平均值中选取所述关键工况参数；
在将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型之后，还包括：
采用粒子群优化算法对梯度提升决策树超参数进行优化，并利用优化后的梯度提升决策树得到优化后的民爆乳化炸药爆速预测模型；
所述将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型，具体包括：
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中，通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回归树；
如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将所述强学习器确定为所述民爆乳化炸药爆速预测模型。
6.根据权利要求5所述的爆速在线预测系统，其特征在于，所述参数提取单元具体包括：
第一数据清洗子单元，用于对所述当前工况参数进行数据清洗得到当前目标工况参数；
第二数据提取子单元，用于从所述当前目标工况参数中提取出所述当前关键工况参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110700242.1A CN113626978B (zh) | 2021-06-23 | 2021-06-23 | 一种民爆乳化炸药的爆速在线预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110700242.1A CN113626978B (zh) | 2021-06-23 | 2021-06-23 | 一种民爆乳化炸药的爆速在线预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113626978A CN113626978A (zh) | 2021-11-09 |
| CN113626978B true CN113626978B (zh) | 2023-12-26 |
Family
ID=78378332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110700242.1A Active CN113626978B (zh) | 2021-06-23 | 2021-06-23 | 一种民爆乳化炸药的爆速在线预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113626978B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114264620A (zh) * | 2021-11-24 | 2022-04-01 | 淮阴工学院 | 一种基于python语言的便捷式光谱数据分析系统和方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06249600A (ja) * | 1993-02-26 | 1994-09-06 | Sato Kogyo Co Ltd | 制御発破のエキスパートシステム |
| CN105779160A (zh) * | 2016-04-19 | 2016-07-20 | 贵州巨能化工有限公司 | 一种民爆行业专用清洗剂及其制备方法 |
| CN105828070A (zh) * | 2016-03-23 | 2016-08-03 | 华中科技大学 | 防误码扩散的jpeg-ls图像无损/近无损压缩算法硬件实现方法 |
| CN106910144A (zh) * | 2017-01-11 | 2017-06-30 | 华南理工大学 | 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 |
| CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
| CN108415384A (zh) * | 2018-03-07 | 2018-08-17 | 中钢集团马鞍山矿山研究院有限公司 | 一种炸药生产线的环境与能耗智能监测集成系统 |
| CN109871640A (zh) * | 2019-03-07 | 2019-06-11 | 常州大学 | 一种基于蒙特卡罗模拟的粉尘二次爆炸风险预测方法 |
| CN110309608A (zh) * | 2019-07-05 | 2019-10-08 | 东北大学 | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 |
| CN110826714A (zh) * | 2019-10-29 | 2020-02-21 | 大连海事大学 | 一种岩质基坑爆破参数动态调控方法 |
| CN111275252A (zh) * | 2020-01-16 | 2020-06-12 | 南华大学 | 基于rga-bpnng的爆破峰值速度预测方法、装置及介质 |
| JP2020119189A (ja) * | 2019-01-23 | 2020-08-06 | 株式会社電通国際情報サービス | 流体解析システム、流体解析方法、および流体解析プログラム |
| CN111784025A (zh) * | 2020-05-26 | 2020-10-16 | 武汉理工大学 | 基于简支梁模型的竖井边墙爆破振动速度预测系统和方法 |
| CN111814387A (zh) * | 2020-06-11 | 2020-10-23 | 中国兵器科学研究院 | 一种破片初速确定方法和装置及电子设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10817801B2 (en) * | 2016-07-25 | 2020-10-27 | General Electric Company | System and method for process modeling and control using disturbance rejection models |
| US20180285759A1 (en) * | 2017-04-03 | 2018-10-04 | Linkedin Corporation | Online hyperparameter tuning in distributed machine learning |
| US11416645B2 (en) * | 2019-02-05 | 2022-08-16 | Dyno Nobel Inc. | Systems for automated blast design planning and methods related thereto |
-
2021
- 2021-06-23 CN CN202110700242.1A patent/CN113626978B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06249600A (ja) * | 1993-02-26 | 1994-09-06 | Sato Kogyo Co Ltd | 制御発破のエキスパートシステム |
| CN105828070A (zh) * | 2016-03-23 | 2016-08-03 | 华中科技大学 | 防误码扩散的jpeg-ls图像无损/近无损压缩算法硬件实现方法 |
| CN105779160A (zh) * | 2016-04-19 | 2016-07-20 | 贵州巨能化工有限公司 | 一种民爆行业专用清洗剂及其制备方法 |
| CN106910144A (zh) * | 2017-01-11 | 2017-06-30 | 华南理工大学 | 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 |
| CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
| CN108415384A (zh) * | 2018-03-07 | 2018-08-17 | 中钢集团马鞍山矿山研究院有限公司 | 一种炸药生产线的环境与能耗智能监测集成系统 |
| JP2020119189A (ja) * | 2019-01-23 | 2020-08-06 | 株式会社電通国際情報サービス | 流体解析システム、流体解析方法、および流体解析プログラム |
| CN109871640A (zh) * | 2019-03-07 | 2019-06-11 | 常州大学 | 一种基于蒙特卡罗模拟的粉尘二次爆炸风险预测方法 |
| CN110309608A (zh) * | 2019-07-05 | 2019-10-08 | 东北大学 | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 |
| CN110826714A (zh) * | 2019-10-29 | 2020-02-21 | 大连海事大学 | 一种岩质基坑爆破参数动态调控方法 |
| CN111275252A (zh) * | 2020-01-16 | 2020-06-12 | 南华大学 | 基于rga-bpnng的爆破峰值速度预测方法、装置及介质 |
| CN111784025A (zh) * | 2020-05-26 | 2020-10-16 | 武汉理工大学 | 基于简支梁模型的竖井边墙爆破振动速度预测系统和方法 |
| CN111814387A (zh) * | 2020-06-11 | 2020-10-23 | 中国兵器科学研究院 | 一种破片初速确定方法和装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工神经网络的炸药爆炸参数预测;蔡星会;白少峰;孙新利;朱满林;;四川兵工学报(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113626978A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5922343B2 (ja) | オンラインプロセスランをプロセスモデルと整合する方法、オンラインプロセスランの分析を実行する方法、及びコンピュータ装置 | |
| CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN104487949B (zh) | 基于分析器的控制系统和算法的设计开发和实施 | |
| US20090143873A1 (en) | Batch process monitoring using local multivariate trajectories | |
| CN113626978B (zh) | 一种民爆乳化炸药的爆速在线预测方法及系统 | |
| CN110456026B (zh) | 一种土壤墒情监测方法及装置 | |
| CN110945593A (zh) | 用于预测生物反应器中的过程的产出和对生物反应器中的过程建模的方法 | |
| EP1630635A2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
| TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
| CN115931055B (zh) | 一种基于大数据分析的农村供水运行诊断方法及系统 | |
| CN105674943B (zh) | 一种通用的多点非线性整体变形预测方法 | |
| WO2016039805A1 (en) | Apparatus and method for ensembles of kernel regression models | |
| CN111665882B (zh) | 温度控制方法及系统 | |
| JP2001280599A (ja) | 発電プラント配管の寿命予測方法 | |
| CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
| CN116579795A (zh) | 基于大数据的市政建筑工程造价评估系统 | |
| CN112700039A (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
| CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
| CN111412391A (zh) | 一种管网泄漏检测方法及系统 | |
| CN116102100B (zh) | 一种基于物联网设备的水质修复反馈控制方法及系统 | |
| CN117010549A (zh) | 基于大数据管理体系的信息溯源方法及终端 | |
| JP2010029925A (ja) | 品質予測方法 | |
| CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
| CN115203905A (zh) | 一种融合专家经验及智能算法的设备健康评估方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province (High tech Zone) Patentee after: Zhongkong Technology Co.,Ltd. Country or region after: China Address before: No. six, No. 309, Binjiang District Road, Hangzhou, Zhejiang Patentee before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |