CN113642800B - 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 - Google Patents
建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 Download PDFInfo
- Publication number
- CN113642800B CN113642800B CN202110962103.6A CN202110962103A CN113642800B CN 113642800 B CN113642800 B CN 113642800B CN 202110962103 A CN202110962103 A CN 202110962103A CN 113642800 B CN113642800 B CN 113642800B
- Authority
- CN
- China
- Prior art keywords
- value
- curve
- array
- temperature
- range
- 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
- 238000010304 firing Methods 0.000 title claims abstract description 48
- 239000000919 ceramic Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007405 data analysis Methods 0.000 title claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 claims abstract description 44
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000010583 slow cooling Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
Abstract
本发明公开了一种建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统,数据分析方法通过数据获取步骤、模型建立步骤、数据预测步骤和最优预测曲线形成步骤生成最优预测曲线,其中模型建立步骤为将N天内的温度数组value_range进行笛卡尔积运算,并通过所述随机森林模型进行迭代预测,更新最优值数组;数据分析系统通过数据获取模块、模型建立模块、数据预测模块和最优预测曲线形成模块生成最优预测曲线。所述建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统,通过制定最优预测曲线,解决了人工调整的使用时长久,影响烧制效率和瓷砖的产量的问题。
Description
技术领域
本发明涉及陶瓷烧制技术领域,特别是一种建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统。
背景技术
建筑陶瓷窑炉的烧成制度是陶瓷砖烧成工艺的关键技术,不同窑炉烧制不同品种瓷砖的烧成制度各不相同。但是,窑炉烧成从预热带、氧化带、高温带、强冷带、缓冷带的规律是一样的。现阶段的建筑陶瓷窑炉,瓷砖在烧成中出现问题时,需要技术人员随时进行调整,这种调整的规律是怎样的,在每个技术人员看来,都是很难说清楚的。一般情况下,调整时间快则一个小时,慢则四五个小时,有时出现问题,几天都调整不好,从而影响烧制效率和瓷砖的产量。
发明内容
针对上述缺陷,本发明的目的在于提出一种建筑陶瓷窑炉烧成制度的数据分析方法,通过制定最优预测曲线,解决了人工调整的使用时长久,影响烧制效率和瓷砖的产量的问题。
针对上述缺陷,本发明的另一个目的在于提出一种建筑陶瓷窑炉烧成制度的数据分析系统,通过制定最优预测曲线,解决了人工调整的使用时长久,影响烧制效率和瓷砖的产量的问题。
为达此目的,本发明采用以下技术方案:一种建筑陶瓷窑炉烧成制度的数据分析方法,包括以下步骤:
数据获取步骤:获取每天的温度变量曲线并将曲线数字化处理获得温度数组value_range,将每天对应的温度数组value_range储存于selected_sup字典中;
模型建立步骤:调用selected_sup字典中的温度数组value_range,并将所述温度数组value_range内的元素划分成训练集和测试集,其中划分到训练集内的元素为第一元素,划分到测试集内的元素为第二元素;
根据所述温度变量曲线的输入和输出,将所述测试集中的第二元素划分为测试集输入变量和第一输出量;利用所述第一元素通过随机森林算法训练出随机森林模型,将测试集输入变量放入随机森林模型运算得到第一预测值,比较所述第一预测值和所述第一输出量得到每个所述第二元素的误差率,筛选出误差率最低的所述第二元素并放入最优值数组,形成最优值元素;
数据预测步骤:调用selected_sup字典中的温度数组value_range,将N天内的温度数组value_range进行笛卡尔积运算,并通过所述随机森林模型进行迭代预测,更新最优值数组;
其中,所述迭代预测为:每经过笛卡尔积运算得出一个组合元素,形成组合元素数组,根据所述温度变量曲线的输入和输出,将所述组合元素数组的组合元素划分为组合输入变量和第二输出量,将所述组合输入变量经过随机森林模型运算得到第二预测值,比较所述第二预测值和所述第二输出量得到组合元素的误差率,并与所述最优值数组中误差率最低的最优值元素的误差率进行比较,当该组合元素的误差率低于最优值数组中误差率最低的最优值元素的误差率时,将该组合元素放入所述最优值数组;
最优预测曲线形成步骤:将所述最优值数组内的最优值元素连成最优预测曲线。
值得说明的是,所述数据获取步骤具体为:
A1:获取每天的温度变量曲线并计算每天的日平均值mean以及日方差std;
A2:建立等差数列std_range,
其中所述等差数列std_range=[-0.5,-0.4,-0.3,-0.2,-0.1,0,0.1,0.2,0.3,0.4,0.5];
A3:建立温度变量可选择数组rg=mean+std_range*std,
所述温度变量可选择数组rg=mean+[-0.5*std,-0.4*std,-0.3*std,-0.2*std,-0.1*std,0,0.1std,0.2*std,0.3*std,0.4*std,0.5std];
A4:获取所述温度变量可选择数组rg的最大值rg_max和最小值rg_min,并得出差值X=最大值rg_max-最小值rg_min;
A5:建立所述温度数组value_range=rg_min+X*mean*std_range*std,并储存于selected_sup字典中。
可选地,在所述模型建立步骤中,随机抽取所述温度数组value_range内的元素形成训练集和测试集,其中,所述训练集占所述温度数组value_range中元素总数的80%,所述测试集占所述温度数组value_range中元素总数的20%。
具体地,在所述模型建立步骤中,在所述模型建立步骤中,所述第二元素的误差率=(第一预测值-第一输出量)/第二元素;
所述数据预测步骤中,所述组合元素的误差率=(第二预测值-第二输出量)/组合元素。
优选的,在数据获取步骤中,所述温度变量曲线分为优品率曲线和废品率曲线;
获取每天的温度曲线,若当天的成品的优品率高于优品设定值时,将该温度曲线划分为优品率曲线,若当天的成品的废品率低于废品设定值时,将该温度曲线划分为废品率曲线;
在所述最优预测曲线形成步骤中,所述最优预测曲线分为优品率最高曲线和废品率最低曲线;其中,所述优品率最高曲线根据所述优品率曲线执行所述数据获取步骤、所述模型建立步骤、所述数据预测步骤和所述最优预测曲线形成步骤后生成,所述废品率最低曲线根据所述废品率曲线执行所述数据获取步骤、所述模型建立步骤、所述数据预测步骤和所述最优预测曲线形成步骤后生成。
一种建筑陶瓷窑炉烧成制度的数据分析系统,包括数据获取模块、模型建立模块、数据预测模块和最优预测曲线形成模块;
所述数据获取模块用于获取每天的温度变量曲线并将曲线数字化处理获得温度数组value_range,还用于将每天对应的温度数组value_range储存于selected_sup字典中;
所述模型建立模块用于调用selected_sup字典中的温度数组value_range,并将所述温度数组value_range内的元素划分成训练集和测试集,其中划分到训练集内的元素为第一元素,划分到测试集内的元素为第二元素;还用于根据所述温度变量曲线的输入和输出,将所述测试集中的第二元素划分为测试集输入变量和第一输出量;还用于利用第一元素通过随机森林算法训练出随机森林模型,还用于将所述第二元素放入所述随机森林模型运算得到第一预测值,还用于比较所述第一预测值和所述第一输出量得到每个所述第二元素的误差率,筛选出误差率最低的所述第二元素并放入最优值数组,形成最优值元素;
所述数据预测模块用于调用selected_sup字典中的温度数组value_range,还用于将N天内的温度数组value_range进行笛卡尔积运算,并通过随机森林模型进行迭代预测,更新最优值数组;其中,迭代预测为:每经过笛卡尔积运算得到一个组合元素,形成组合元素数组,根据所述温度变量曲线的输入和输出,将所述组合元素数组的组合元素划分为组合输入变量和第二输出量,将所述组合输入变量经过随机森林模型运算得到第二预测值,比较所述第二预测值和所述第二输出量得到组合元素的误差率,并与所述最优值数组中误差率最低的最优值元素的误差率进行比较,当该组合元素的误差率低于最优值数组中误差率最低的最优值元素的误差率时,将该组合元素放入所述最优值数组;
所述最优预测曲线形成模块用于将所述最优值数组内的最优值元素连成最优预测曲线。
值得说明的是,所述数据获取模块具体用于获取每天的温度变量曲线并计算每天的日平均值mean以及日方差std;还用于建立等差数列std_range,其中所述等差数列std_range=[-0.5,-0.4,-0.3,-0.2,-0.1,0,0.1,0.2,0.3,0.4,0.5];还用于建立温度变量可选择数组rg=mean+std_range*std,所述温度变量可选择数组rg=mean+[-0.5*std,-0.4*std,-0.3*std,-0.2*std,-0.1*std,0,0.1std,0.2*std,0.3*std,0.4*std,0.5std];还用于获取温度变量可选择数组rg的最大值rg_max和最小值rg_min,并得出差值X=最大值rg_max-最小值rg_min;还用于建立所述温度数组value_range=rg_min+X*mean*std_range*std,并储存于selected_sup字典中。
可选地,所述模型建立模块用于随机抽取所述温度数组value_range内的元素形成训练集和测试集,其中,所述训练集占所述温度数组value_range中元素总数的80%,所述测试集占所述温度数组value_range中元素总数的20%。
具体地,所述模型建立模块中的第二元素的误差率=(第一预测值-第一输出量)/第二元素;所述数据预测模块中的组合元素的误差率=(第二预测值-第二输出量)/组合元素。
优选的,在所述数据获取模块中,所述温度变量曲线分为优品率曲线和废品率曲线;所述数据获取模块还用于获取每天的温度曲线,还用于若当天的成品的优品率高于优品设定值时,将该温度曲线划分为所述优品率曲线,还用于若当天的成品的废品率低于废品设定值时,将该温度曲线划分为所述废品率曲线;
在所述最优预测曲线形成模块中,所述最优预测曲线分为优品率最高曲线和废品率最低曲线;所述最优预测曲线形成模块还用于根据所述优品率曲线执行所述数据获取模块、所述模型建立模块、所述数据预测模块和所述最优预测曲线形成模块后生成所述优品率最高曲线;还用于根据所述废品率曲线执行所述数据获取模块、所述模型建立模块、所述数据预测模块和所述最优预测曲线形成模块后生成所述废品率最低曲线。
上述技术方案中的一个技术方案具有如下有益效果:在所述建筑陶瓷窑炉烧成制度的数据分析方法中,通过数据获取步骤、模型建立步骤和数据预测步骤获取大量的窑炉数据,在经过随机森林模型的迭代预测,找出窑炉制度的变化规律,为窑炉制度的调整和修订提供数据分析依据,并根据窑炉烧成产品的分级情况,形成窑炉烧成的最优预测曲线,在实际加工时,当烧成缺陷出现时,窑炉的烧成温度根据最优预测曲线做相应的调整,经过调整后的瓷砖的优等品率有了明显的提升,避免了人工调整的使用时长久的情况出现,从而提高了烧制效率,而且提高了产出的瓷砖的产量。
附图说明
图1是本发明的一个实施例的流程图。
具体实施方式
下面详细描述本发明的实施方式,实施方式的示例在附图中示出,其中,相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的实施方式的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的实施方式的不同结构。为了简化本发明的实施方式的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明的实施方式可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明的实施方式提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如图1所示,一种建筑陶瓷窑炉烧成制度的数据分析方法,包括以下步骤:
数据获取步骤:获取每天的温度变量曲线并将曲线数字化处理获得温度数组value_range,将每天对应的温度数组value_range储存于selected_sup字典中;
模型建立步骤:调用selected_sup字典中的温度数组value_range,并将所述温度数组value_range内的元素划分成训练集和测试集,其中划分到训练集内的元素为第一元素,划分到测试集内的元素为第二元素,根据所述温度变量曲线的输入和输出,将所述测试集中的第二元素划分为测试集输入变量和第一输出量;利用所述第一元素通过随机森林算法训练出随机森林模型,将测试集输入变量放入随机森林模型运算得到第一预测值,比较所述第一预测值和所述第一输出量得到每个所述第二元素的误差率,筛选出误差率最低的所述第二元素并放入最优值数组,形成最优值元素;具体地,随机森林算法指的是利用多棵树对样本进行训练并预测的一种分类器。一些实施例中,在使用随机森林算法时,设置最大深度为5,并设置随机种子;设置温度数组value_range的训练集和测试集,再将所述训练集中的第一元素划分为训练集输入变量A、训练集输出变量B,将所述测试集中的第二元素划分为测试集输入变量C和第一输出量D,训练集输入变量A、训练集输出变量B、测试集输入变量C和第一输出量D都是从实际生产中产生的温度变量曲线中提取的数据,然后将训练集的第一元素放入所述随机森林算法进行训练,训练出随机森林模型之后,再将测试集输入变量C放入已经训练好的随机森林模型做预测,得到第一预测值E,由于所述第一输出量D是在实际生产中产生的,是没有经过随机森林模型训练的,在检查错误率时,公式如下:错误率=(第一预测值E-第一输出量D)/测试集内的第二元素。
数据预测步骤:调用selected_sup字典中的温度数组value_range,将N天内的温度数组value_range进行笛卡尔积运算,并通过所述随机森林模型进行迭代预测,更新最优值数组;其中,所述迭代预测为:每经过笛卡尔积运算得出一个组合元素,形成组合元素数组,根据所述温度变量曲线的输入和输出,将所述组合元素数组的组合元素划分为组合输入变量和第二输出量,将所述组合输入变量经过随机森林模型运算得到第二预测值,比较所述第二预测值和所述第二输出量得到组合元素的误差率,并与所述最优值数组中误差率最低的最优值元素的误差率进行比较,当该组合元素的误差率低于最优值数组中误差率最低的最优值元素的误差率时,将该组合元素放入所述最优值数组;具体地,笛卡尔乘积是指在数学中,两个集合A和B的笛卡尔积,又称直积,表示第一个对象是X的成员而第二个对象是Y的所有可能有序对的其中一个成员。优选的,N天为4天,将4天内的温度数组value_range进行笛卡尔积运算,由于每组温度数组value_range有11个元素,就会产生11*11*11*11=14641次迭代,从而保证了数据的充足性,使得到的结果具有可靠性。
最优预测曲线形成步骤:将所述最优值数组内的最优值元素连成最优预测曲线。具体地,能在最优预测曲线的数据中直接挖掘当优品率下降时的变量数值变化情况。
在所述建筑陶瓷窑炉烧成制度的数据分析方法中,通过数据获取步骤、模型建立步骤和数据预测步骤获取大量的窑炉数据,再经过随机森林模型的迭代预测,找出窑炉制度的变化规律,为窑炉制度的调整和修订提供数据分析依据,并根据窑炉烧成产品的分级情况,形成窑炉烧成的最优预测曲线,在实际加工时,当烧成缺陷出现时,窑炉的烧成温度根据最优预测曲线做相应的调整,经过调整后的瓷砖的优等品率有了明显的提升,避免了人工调整的使用时长久的情况出现,从而提高了烧制效率,而且提高了产出的瓷砖的产量。
值得说明的是,所述数据获取步骤具体为:
A1:获取每天的温度变量曲线并计算每天的日平均值mean以及日方差std;具体地,温度变量曲线优选为每10分钟采集一次数据,每小时6次,每天24小时,从而得到日平均值为当天的温度总数除以6再除以24。
A2:建立等差数列std_range,
其中所述等差数列std_range=
[-0.5,-0.4,-0.3,-0.2,-0.1,0,0.1,0.2,0.3,0.4,0.5];
A3:建立温度变量可选择数组rg=mean+std_range*std,
所述温度变量可选择数组rg=mean+[-0.5*std,-0.4*std,-0.3*std,-0.2*std,-0.1*std,0,0.1std,0.2*std,0.3*std,0.4*std,0.5std];具体地,比如高温带的某一个温度点,一天的日平均值mean是1200度,然后用日平均值mean1200度加上从-0.5到+0.5的日方差std,就形成了温度变量可选择数组rg,该温度变量可选择数组rg有11个变量。在实际中,由于实际温度变化并不大,用等差数列std_range乘以日方差std计算,能捕捉实际温度变化比较小的变化,防止出现数据溢出情况。
A4:获取所述温度变量可选择数组rg的最大值rg_max和最小值rg_min,并得出差值X=最大值rg_max-最小值rg_min;
A5:建立所述温度数组value_range=rg_min+X*mean*std_range*std,并储存于selected_sup字典中。
一些实施例中,在所述模型建立步骤中,随机抽取所述温度数组value_range内的元素形成训练集和测试集,其中,所述训练集占所述温度数组value_range中元素总数的80%,所述测试集占所述温度数组value_range中元素总数的20%。在大数据处理中,一般都要划分训练集和测试集,训练集用来训练模型,测试集不进入模型,在训练好模型以后,测试集的数据进入模型,检测模型的准确度。当训练集占温度数组value_range中元素总数少于80%,样品量不够,会导致建立的随机森林模型并不能准确反映实际,当训练集占温度数组value_range中元素总数大于80%时,会导致测试集样品不够,得到的测试值不能够详细和准确地反映温度变量曲线。当训练集占温度数组value_range中元素总数的80%,测试集占温度数组value_range中元素总数的20%,建立的随机森林模型能准确反映实际的同时,测试值中的第二元素能够详细和准确地反映温度变量曲线。
可选地,在所述模型建立步骤中,所述第二元素的误差率=(第一预测值-第一输出量)/第二元素;
所述数据预测步骤中,所述组合元素的误差率=(第二预测值-第二输出量)/组合元素。所述第二元素的误差率反映了所述第二元素跑完所述随机森林模型后的所述第一预测值与所述第一输出量之间的差距,所述组合元素的误差率反映了所述组合元素跑完所述随机森林模型后的所述第二预测值与所述第二输出量之间的差距。当误差率越小,代表根据该第一元素或该组合元素调节烧制温度时,产出的瓷砖质量更高。
优选的,在数据获取步骤中,所述温度变量曲线分为优品率曲线和废品率曲线;获取每天的温度曲线,若当天的成品的优品率高于优品设定值时,将该温度曲线划分为优品率曲线,若当天的成品的废品率低于废品设定值时,将该温度曲线划分为废品率曲线;具体地,所述优品设定值和所述废品设定值根据建陶工艺专家对窑炉分析的特性制定。根据工艺专家的结论制定规则,当模型发现条件满足就直接触发规则,而不是通过机器学习,从而提高了准确性。在所述最优预测曲线形成步骤中,所述最优预测曲线分为优品率最高曲线和废品率最低曲线;其中,所述优品率最高曲线根据所述优品率曲线执行所述数据获取步骤、所述模型建立步骤、所述数据预测步骤和所述最优预测曲线形成步骤后生成,所述废品率最低曲线根据所述废品率曲线执行所述数据获取步骤、所述模型建立步骤、所述数据预测步骤和所述最优预测曲线形成步骤后生成。通过优品率最高和废品率最低等两个维度来反映瓷砖的产出质量,更加符合企业的需求,从而能使企业根据自身的需求通过衡量优品率和废品率的重要性来选择烧制效率,提高瓷砖的产出质量。
值得说明的是,本实施例的具体步骤为:
第一步:做featureselection目标检测;基于规则选出变量;其中,规则就是找出优品率最高,和废品率最低时的窑炉烧成曲线,变量是每个实际温度点,变量的最优值选择为:最大化优品何最小化废品。
第二步:确定第一步选出的每个变量的值可选择的区间:mean+[-0.5std,-0.4std,…,0,0.1std,…,0.5std];
第三步:用所有变量基于原始数据先训练出一个模型(只用日均值mean)。
第四步:对第一步选出的变量以及其值可选择的区间,做gridsearch.网格搜索;对第一步选出的变量以外的其他变量(没有选中的变量),设定值为其每个变量的均值(用全部天数计算均值);对第一步选出的变量以及其值可选择的区间,做gridsearch.网格搜索。本实施例中第一步选出了2个变量:变量1和变量2;把变量1进入第二步确定的区间(mean,std)做循环搜索,把变量2进入第二步确定的区间(mean,std)做循环搜索,生成一个数据,数据包括所有其他变量、变量1和变量2;用随机森林模型预测其优品率和废品率(只用日均值mean);最后选择出最大化优品的最优变量1值和变量2值形成优品率最高曲线,或者选择出最小化废品的最优变量1值和变量2值形成废品率最低曲线。
一种建筑陶瓷窑炉烧成制度的数据分析系统,包括数据获取模块、模型建立模块、数据预测模块和最优预测曲线形成模块;所述数据获取模块用于获取每天的温度变量曲线并将曲线数字化处理获得温度数组value_range,还用于将每天对应的温度数组value_range储存于selected_sup字典中;所述模型建立模块用于调用selected_sup字典中的温度数组value_range,并将所述温度数组value_range内的元素划分成训练集和测试集,其中划分到训练集内的元素为第一元素,划分到测试集内的元素为第二元素;还用于根据所述温度变量曲线的输入和输出,将所述测试集中的第二元素划分为测试集输入变量和第一输出量;还用于利用第一元素通过随机森林算法训练出随机森林模型,还用于将所述第二元素放入所述随机森林模型运算得到第一预测值,还用于比较所述第一预测值和所述第一输出量得到每个所述第二元素的误差率,筛选出误差率最低的所述第二元素并放入最优值数组,形成最优值元素;所述数据预测模块用于调用selected_sup字典中的温度数组value_range,还用于将N天内的温度数组value_range进行笛卡尔积运算,并通过随机森林模型进行迭代预测,更新最优值数组;其中,迭代预测为:每经过笛卡尔积运算得到一个组合元素,形成组合元素数组,根据所述温度变量曲线的输入和输出,将所述组合元素数组的组合元素划分为组合输入变量和第二输出量,将所述组合输入变量经过随机森林模型运算得到第二预测值,比较所述第二预测值和所述第二输出量得到组合元素的误差率,并与所述最优值数组中误差率最低的最优值元素的误差率进行比较,当该组合元素的误差率低于最优值数组中误差率最低的最优值元素的误差率时,将该组合元素放入所述最优值数组;所述最优预测曲线形成模块用于将所述最优值数组内的最优值元素连成最优预测曲线。
值得说明的是,所述数据获取模块具体用于获取每天的温度变量曲线并计算每天的日平均值mean以及日方差std;还用于建立等差数列std_range,其中等差数列std_range=[-0.5,-0.4,-0.3,-0.2,-0.1,0,0.1,0.2,0.3,0.4,0.5];还用于建立温度变量可选择数组rg=mean+std_range*std,所述温度变量可选择数组rg=mean+[-0.5*std,-0.4*std,-0.3*std,-0.2*std,-0.1*std,0,0.1std,0.2*std,0.3*std,0.4*std,0.5std];还用于获取温度变量可选择数组rg的最大值rg_max和最小值rg_min,并得出差值X=最大值rg_max-最小值rg_min;还用于建立所述温度数组value_range=rg_min+X*mean*std_range*std,并储存于selected_sup字典中。
一些实施例中,所述模型建立模块用于随机抽取所述温度数组value_range内的元素形成训练集和测试集,其中,所述训练集占所述温度数组value_range中元素总数的80%,所述测试集占所述温度数组value_range中元素总数的20%。
可选地,所述模型建立模块中的第二元素的误差率=(第一预测值-第一输出量)/第二元素;所述数据预测模块中的组合元素的误差率=(第二预测值-第二输出量)/组合元素。
优选的,在所述数据获取模块中,所述温度变量曲线分为优品率曲线和废品率曲线;所述数据获取模块还用于获取每天的温度曲线,还用于若当天的成品的优品率高于优品设定值时,将该温度曲线划分为所述优品率曲线,还用于若当天的成品的废品率低于废品设定值时,将该温度曲线划分为所述废品率曲线;在所述最优预测曲线形成模块中,所述最优预测曲线分为优品率最高曲线和废品率最低曲线;所述最优预测曲线形成模块还用于根据所述优品率曲线执行所述数据获取模块、所述模型建立模块、所述数据预测模块和所述最优预测曲线形成模块后生成所述优品率最高曲线;还用于根据所述废品率曲线执行所述数据获取模块、所述模型建立模块、所述数据预测模块和所述最优预测曲线形成模块后生成所述废品率最低曲线。
在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
此外,在本发明的各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施方式,可以理解的是,上述实施方式是示例性的,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实施进行变化、修改、替换和变型。
Claims (10)
1.一种建筑陶瓷窑炉烧成制度的数据分析方法,其特征在于,包括以下步骤:
数据获取步骤:获取每天的温度变量曲线并将曲线数字化处理获得温度数组value_range,将每天对应的温度数组value_range储存于selected_sup字典中;
模型建立步骤:调用selected_sup字典中的温度数组value_range,并将所述温度数组value_range内的元素划分成训练集和测试集,其中划分到训练集内的元素为第一元素,划分到测试集内的元素为第二元素;
根据所述温度变量曲线的输入和输出,将所述测试集中的第二元素划分为测试集输入变量和第一输出量;利用所述第一元素通过随机森林算法训练出随机森林模型,将测试集输入变量放入随机森林模型运算得到第一预测值,比较所述第一预测值和所述第一输出量得到每个所述第二元素的误差率,筛选出误差率最低的所述第二元素并放入最优值数组,形成最优值元素;
数据预测步骤:调用selected_sup字典中的温度数组value_range,将N天内的温度数组value_range进行笛卡尔积运算,并通过所述随机森林模型进行迭代预测,更新最优值数组;
其中,所述迭代预测为:每经过笛卡尔积运算得出一个组合元素,形成组合元素数组,根据所述温度变量曲线的输入和输出,将所述组合元素数组的组合元素划分为组合输入变量和第二输出量,将所述组合输入变量经过随机森林模型运算得到第二预测值,比较所述第二预测值和所述第二输出量得到组合元素的误差率,并与所述最优值数组中误差率最低的最优值元素的误差率进行比较,当该组合元素的误差率低于最优值数组中误差率最低的最优值元素的误差率时,将该组合元素放入所述最优值数组;最优预测曲线形成步骤:将所述最优值数组内的最优值元素连成最优预测曲线。
2.根据权利要求1所述的一种建筑陶瓷窑炉烧成制度的数据分析方法,其特征在于,所述数据获取步骤具体为:
A1:获取每天的温度变量曲线并计算每天的日平均值mean以及日方差std;
A2:建立等差数列std_range,
其中所述等差数列std_range=[-0.5,-0.4,-0.3,-0.2,-0.1,0,0.1,0.2,0.3,0.4,0.5];
A3:建立温度变量可选择数组rg=mean+std_range*std,
所述温度变量可选择数组rg=mean+[-0.5*std,-0.4*std,-0.3*std,-0.2*std,-0.1*std,0,0.1std,0.2*std,0.3*std,0.4*std,0.5std];
A4:获取所述温度变量可选择数组rg的最大值rg_max和最小值rg_min,并得出差值X=最大值rg_max-最小值rg_min;
A5:建立所述温度数组value_range=rg_min+X*mean*std_range*std,并储存于selected_sup字典中。
3.根据权利要求2所述的一种建筑陶瓷窑炉烧成制度的数据分析方法,其特征在于:在所述模型建立步骤中,随机抽取所述温度数组value_range内的元素形成训练集和测试集,其中,所述训练集占所述温度数组value_range中元素总数的80%,所述测试集占所述温度数组value_range中元素总数的20%。
4.根据权利要求3所述的一种建筑陶瓷窑炉烧成制度的数据分析方法,其特征在于:在所述模型建立步骤中,在所述模型建立步骤中,所述第二元素的误差率=(第一预测值-第一输出量)/第二元素;
所述数据预测步骤中,所述组合元素的误差率=(第二预测值-第二输出量)/组合元素。
5.根据权利要求4所述的一种建筑陶瓷窑炉烧成制度的数据分析方法,其特征在于:在数据获取步骤中,所述温度变量曲线分为优品率曲线和废品率曲线;
获取每天的温度曲线,若当天的成品的优品率高于优品设定值时,将该温度曲线划分为优品率曲线,若当天的成品的废品率低于废品设定值时,将该温度曲线划分为废品率曲线;
在所述最优预测曲线形成步骤中,所述最优预测曲线分为优品率最高曲线和废品率最低曲线;其中,所述优品率最高曲线根据所述优品率曲线执行所述数据获取步骤、所述模型建立步骤、所述数据预测步骤和所述最优预测曲线形成步骤后生成,所述废品率最低曲线根据所述废品率曲线执行所述数据获取步骤、所述模型建立步骤、所述数据预测步骤和所述最优预测曲线形成步骤后生成。
6.一种建筑陶瓷窑炉烧成制度的数据分析系统,其特征在于:包括数据获取模块、模型建立模块、数据预测模块和最优预测曲线形成模块;
所述数据获取模块用于获取每天的温度变量曲线并将曲线数字化处理获得温度数组value_range,还用于将每天对应的温度数组value_range储存于selected_sup字典中;
所述模型建立模块用于调用selected_sup字典中的温度数组value_range,并将所述温度数组value_range内的元素划分成训练集和测试集,其中划分到训练集内的元素为第一元素,划分到测试集内的元素为第二元素;还用于根据所述温度变量曲线的输入和输出,将所述测试集中的第二元素划分为测试集输入变量和第一输出量;还用于利用第一元素通过随机森林算法训练出随机森林模型,还用于将所述第二元素放入所述随机森林模型运算得到第一预测值,还用于比较所述第一预测值和所述第一输出量得到每个所述第二元素的误差率,筛选出误差率最低的所述第二元素并放入最优值数组,形成最优值元素;
所述数据预测模块用于调用selected_sup字典中的温度数组value_range,还用于将N天内的温度数组value_range进行笛卡尔积运算,并通过随机森林模型进行迭代预测,更新最优值数组;其中,迭代预测为:每经过笛卡尔积运算得到一个组合元素,形成组合元素数组,根据所述温度变量曲线的输入和输出,将所述组合元素数组的组合元素划分为组合输入变量和第二输出量,将所述组合输入变量经过随机森林模型运算得到第二预测值,比较所述第二预测值和所述第二输出量得到组合元素的误差率,并与所述最优值数组中误差率最低的最优值元素的误差率进行比较,当该组合元素的误差率低于最优值数组中误差率最低的最优值元素的误差率时,将该组合元素放入所述最优值数组;
所述最优预测曲线形成模块用于将所述最优值数组内的最优值元素连成最优预测曲线。
7.根据权利要求6所述的一种建筑陶瓷窑炉烧成制度的数据分析系统,其特征在于:所述数据获取模块具体用于获取每天的温度变量曲线并计算每天的日平均值mean以及日方差std;还用于建立等差数列std_range,其中所述等差数列std_range=[-0.5,-0.4,-0.3,-0.2,-0.1,0,0.1,0.2,0.3,0.4,0.5];还用于建立温度变量可选择数组rg=mean+std_range*std,所述温度变量可选择数组rg=mean+[-0.5*std,-0.4*std,-0.3*std,-0.2*std,-0.1*std,0,0.1std,0.2*std,0.3*std,0.4*std,0.5std];还用于获取温度变量可选择数组rg的最大值rg_max和最小值rg_min,并得出差值X=最大值rg_max-最小值rg_min;还用于建立所述温度数组value_range=rg_min+X*mean*std_range*std,并储存于selected_sup字典中。
8.根据权利要求7所述的一种建筑陶瓷窑炉烧成制度的数据分析系统,其特征在于:所述模型建立模块用于随机抽取所述温度数组value_range内的元素形成训练集和测试集,其中,所述训练集占所述温度数组value_range中元素总数的80%,所述测试集占所述温度数组value_range中元素总数的20%。
9.根据权利要求8所述的一种建筑陶瓷窑炉烧成制度的数据分析系统,其特征在于:所述模型建立模块中的第二元素的误差率=(第一预测值-第一输出量)/第二元素;所述数据预测模块中的组合元素的误差率=(第二预测值-第二输出量)/组合元素。
10.根据权利要求9所述的一种建筑陶瓷窑炉烧成制度的数据分析系统,其特征在于:在所述数据获取模块中,所述温度变量曲线分为优品率曲线和废品率曲线;所述数据获取模块还用于获取每天的温度曲线,还用于若当天的成品的优品率高于优品设定值时,将该温度曲线划分为所述优品率曲线,还用于若当天的成品的废品率低于废品设定值时,将该温度曲线划分为所述废品率曲线;
在所述最优预测曲线形成模块中,所述最优预测曲线分为优品率最高曲线和废品率最低曲线;所述最优预测曲线形成模块还用于根据所述优品率曲线执行所述数据获取模块、所述模型建立模块、所述数据预测模块和所述最优预测曲线形成模块后生成所述优品率最高曲线;还用于根据所述废品率曲线执行所述数据获取模块、所述模型建立模块、所述数据预测模块和所述最优预测曲线形成模块后生成所述废品率最低曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962103.6A CN113642800B (zh) | 2021-08-20 | 2021-08-20 | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962103.6A CN113642800B (zh) | 2021-08-20 | 2021-08-20 | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642800A CN113642800A (zh) | 2021-11-12 |
CN113642800B true CN113642800B (zh) | 2023-11-03 |
Family
ID=78423150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110962103.6A Active CN113642800B (zh) | 2021-08-20 | 2021-08-20 | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642800B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062834B (zh) * | 2022-06-09 | 2022-12-27 | 佛山众陶联供应链服务有限公司 | 基于正交试验筛选Lasso回归预测烧成曲线的方法 |
CN114882961B (zh) * | 2022-06-09 | 2023-02-07 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
CN115081697B (zh) * | 2022-06-09 | 2023-03-24 | 佛山众陶联供应链服务有限公司 | 基于原料预测烧成曲线的方法、设备及计算机存储介质 |
CN115081698B (zh) * | 2022-06-09 | 2023-04-07 | 佛山众陶联供应链服务有限公司 | 基于变形度预测烧成曲线的方法、设备及计算机存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355208A (zh) * | 2016-08-31 | 2017-01-25 | 广州精点计算机科技有限公司 | 一种基于cox模型和随机生存森林的数据预测分析方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110309971A (zh) * | 2019-06-28 | 2019-10-08 | 广州市准诚市场咨询有限公司 | 一种具有自动超参检索的月度用电量预测方法及系统 |
-
2021
- 2021-08-20 CN CN202110962103.6A patent/CN113642800B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355208A (zh) * | 2016-08-31 | 2017-01-25 | 广州精点计算机科技有限公司 | 一种基于cox模型和随机生存森林的数据预测分析方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110309971A (zh) * | 2019-06-28 | 2019-10-08 | 广州市准诚市场咨询有限公司 | 一种具有自动超参检索的月度用电量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113642800A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642800B (zh) | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 | |
CN109408774B (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
CN113011661A (zh) | 一种用于河流生态修复的曝气控制系统及其控制方法 | |
CN113095694A (zh) | 一种适用于多地貌类型区的降雨输沙模型构建方法 | |
CN106547899B (zh) | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN112331266A (zh) | 消除pcr荧光基线期波动的方法 | |
CN110413949A (zh) | 一种呈递增或递减变化趋势的数据处理方法 | |
CN113705656B (zh) | 一种异距数列等分筛选方法、系统、存储介质 | |
CN114170427B (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
CN111967616B (zh) | 自动时间序列回归方法和装置 | |
CN114154407A (zh) | 一种热弯玻璃生产质量检测方法及系统 | |
CN107784197B (zh) | 一种pcr实验优化方法 | |
CN108959042A (zh) | 一种基线管理中基线数据计算方法 | |
CN117732886B (zh) | 一种基于级联智能诊断的热轧质量预控制方法 | |
CN115062834B (zh) | 基于正交试验筛选Lasso回归预测烧成曲线的方法 | |
CN111462818A (zh) | 测序产量预测方法和建立测序产量预测模型的方法及装置 | |
CN109754010B (zh) | 一种时序约束模糊聚类的间歇过程多模态划分方法 | |
CN116434082B (zh) | 基于深度学习的湖泊水环境遥感监测方法 | |
CN117236793B (zh) | 一种α型半水石膏性能测试方法及系统 | |
Amribt et al. | Parameter identification for state estimation: Design of an extended kalman filter for hybridoma cell fed-batch cultures | |
CN114969937A (zh) | 利用实测温度的混凝土坝位移监控模型的建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 851600 Pengbo Health Industrial Park Management Committee 111b, Linzhou County, Lhasa City, Tibet Autonomous Region Applicant after: Tibet zhongtaolian Supply Chain Service Co.,Ltd. Address before: 851600 Pengbo Health Industrial Park Management Committee 111b, Linzhou County, Lhasa City, Tibet Autonomous Region Applicant before: Linzhou zhongtaolian Supply Chain Service Co.,Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |