CN114882961B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114882961B CN114882961B CN202210647163.3A CN202210647163A CN114882961B CN 114882961 B CN114882961 B CN 114882961B CN 202210647163 A CN202210647163 A CN 202210647163A CN 114882961 B CN114882961 B CN 114882961B
- Authority
- CN
- China
- Prior art keywords
- weight
- raw material
- model
- group
- materialized
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
Abstract
本发明公开了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,涉及数据预测技术领域。本发明根据对窑炉生产产生影响的原料物化指标的高低权重作为分组的条件,结合其他参数,分组测试不同参数组合的情况下,得到最优参数推荐用于预测模型当中,训练出更准确的预测窑炉烧成曲线的模型,推荐更有的窑炉烧成参数。加入先验知识及突出先验知识认为的影响窑炉烧成的关键因素在窑炉烧成曲线预测模型中的作用,从而提升预测模型的学习效率,一定程度上提升预测模型的准确性,更有效通过预测模型提高窑炉烧成调整的效率,降低窑炉烧成参数调整的时间成本及试错成本,保障窑炉烧成的产质量稳定。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及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。
背景技术
在现有生产条件下,窑炉烧成产出成品的流程上,基本已实现全线自动化烧制。但企业根据实际经营情况改变原料、配方、产品型号规格以及天气温度等生产条件的变化都会,会对窑炉烧成产生一定的影响,从而对烧成工艺产生影响,即工艺技术人员会根据生产条件的变化调整窑炉烧成温度、气氛等设定条件。目前的窑炉烧成的参数设定都是根据工艺技术人员的经验及试验去设定和调整,一旦调整不恰当就会造成产质量的不稳定。另外,设定或调整过程中,经验丰富的技术人员可能花很短的时间能设定或调整好合适的一套生产参数,有些复杂的情况,可能需要花很长的时间才能调整好回归质量稳定的生产情况。另一方面,窑炉烧制可以说是黑箱子作业,从入窑到出窑的整个过程短则半小时,长则一个多小时,产品的质量无法在窑炉烧制过程中得到监控,只能等产品出窑后才能判断产品的质量水平。这带来一定的试错成本及时间成本。
目前一些对窑炉烧成预测的模型只是将对对影响窑炉烧成的关键因素作为数据,全部作为输入变量放入模型当中进行窑炉烧成曲线的预测,缺乏更多的先验知识加入。窑炉模型一般作为多输出的模型,在多输入且缺乏更多先验知识输入的话,模型学习效率不高,模型预测准确率等效果不会太好。
发明内容
本发明的目的在于提出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,以解决现有模型预测准确率不好的技术问题。
为达此目的,本发明采用以下技术方案:
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,所述方法包括如下步骤:
判定原料各物化成分参数的重要程度以及对窑炉烧成的影响程度,根据所述重要程度及所述影响程度标注每个物化成分参数的重要程度占比作为权重,其中:对单个原料中各个物化成分参数的重要程度占比为子类权重;对所有原料的重要程度占比为大类权重,通过计算合并子类权重和大类权重,作为加总权重;
根据计算后的加总权重,对每个原料的每个物化成分参数根据加总权重的数值大小划分出若干个权重组;
根据划分的多个权重组,分别设定各组的weight指标以及选定使用模型相关参数的方式进行测试,得到若干个测试组;所述模型相关参数是模型算法内需要进行调整的超参数;
在每个测试组中,针对每一组数据相关参数的每一轮模型相关参数运行测试多个权重组的模型,得到最优模型相关参数;
其中,所述数据相关参数是根据工艺知识及经验对基础数据集需要做的调整而制定的筛选条件;测试多个权重组的模型是指综合多个测试组、数据相关参数以及模型相关参数,通过正交筛选的模型算法交叉验证出最优的模型相关参数;
在原有的权重组的模型增加一个集成模型,得到优化后的权重组的模型;利用最优模型相关参数训练各个优化组合后的权重组的模型;
利用设定的评估指标选出结果最好的测试组,并输出对应最优的数据相关参数及模型相关参数作为窑炉烧成曲线预测模型的最优参数。
作为一种可选的实施例,所述原料各物化成分参数包括氧化铝、氧化钠、氧化镁、氧化钙的化学含量,还包括筛余、水分的物理性能指标。
作为一种可选的实施例,所述模型相关参数包括最大深度(max_depth)、每个弱学习器的权重缩减系数(learning_rate)、弱学习器的最大迭代次数(n_estimators)。
作为一种可选的实施例,权重组的数量为两个,一个是小权重组,另一个是大权重组;使用模型相关参数的方式有两种,一种是共同使用,另一种是单独使用;测试组的数量为5个,分别是:
test1:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,设定两组的weight值是固定的,小权重组的weight值等于0.1,大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),两个组共同使用模型相关参数;
test2:小权重组中每个原料的每个物化成分的加总权重小于等于0.3,大权重组每个原料的每个物化成分的加总权重为大于0.3,设定两组的weight值是固定的,小权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),两个组共同使用模型相关参数;
test3:小权重组中每个原料的每个物化成分的加总权重小于等于0.3,大权重组每个原料的每个物化成分的加总权重为大于0.3,设定两组的weight值是固定的,小权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),每组单独使用模型相关参数;
test4:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,设定两组的weight值是固定的,小权重组的weight值等于0.1,大权重组weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),每组单独使用模型相关参数;
test5:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,各个组的weight指标按照单独训练准确度设置,每组单独使用模型相关参数;
其中各自组weight的单独训练准确度设置方法如下:设定小权重组weight_low =预设初始值;
大权重组weight_high = 预设初始值;
小权重组和大权重组的weight总和为total_weight = weight_low + weight_high;
通过weight_low / total_weight计算得到小权重组的weight;
通过weight_high / total_weight计算得到大权重组的weight;
其中weight值越大,测试组的准确度越大。
作为一种可选的实施例,评估指标采用平均绝对百分比误差(MAPE)或回归平方和与总平方和之比(R2)。
作为一种可选的实施例,所述集成模型为weight_low * 小权重组 + weight_high * 大权重组。
本发明还提供基于原料权重作为模型参数选择条件的烧成曲线预测设备,包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的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程序,所述处理器执行所述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程序时实现上述的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的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有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程序,所述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程序被处理器执行时实现上述的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的步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明根据对窑炉生产产生影响的原料物化指标的高低权重作为分组的条件,结合其他参数,分组测试不同参数组合的情况下,得到最优参数推荐用于预测模型当中,训练出更准确的预测窑炉烧成曲线的模型,推荐更有的窑炉烧成参数。加入先验知识及突出先验知识认为的影响窑炉烧成的关键因素在窑炉烧成曲线预测模型中的作用,从而提升预测模型的学习效率,一定程度上提升预测模型的准确性,更有效通过预测模型提高窑炉烧成调整的效率,降低窑炉烧成参数调整的时间成本及试错成本,保障窑炉烧成的产质量稳定。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号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例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,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该特征,用于区别描述特征,无顺序之分,无轻重之分。
下面结合图1,描述本发明实施例的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,所述方法包括如下步骤:
判定原料各物化成分参数的重要程度以及对窑炉烧成的影响程度,根据所述重要程度及所述影响程度标注每个物化成分参数的重要程度占比作为权重,其中:对单个原料中各个物化成分参数的重要程度占比为子类权重;对所有原料的重要程度占比为大类权重,通过计算合并子类权重和大类权重,作为加总权重;所述子类权重为单个原料中各个物化成分参数的重要程度占比,单个原料各个物化成分参数的重要程度占比之和为1;所述大类权重为所有对窑炉烧成曲线设定可能造成影响的全部原料的重要程度占比,全部原料的重要程度占比之和等于1;所述加总权重是通过计算后的大类权重和子类权重在整体上的加权,即每个原料的每个物化成分参数对窑炉烧成曲线设定产生的影响程度;
通过结合实际的生产产品特性、窑炉特性等情况,根据工艺技术人员的生产经验,对原料的物化性能指标进行权重标注,并根据原料的类别通过子类权重、大类权重、加总权重理清各原料中多种物化性能指标的关系。通过对各种原料的每个物化性能指标进行权重标注,可以在数据科学的基础上,充分考虑实际生产产品的特性,补充人的先验知识因素到模型里面,可有效提高模型的学习效率及准确性。
根据计算后的加总权重,对每个原料的每个物化成分参数根据加总权重的数值大小划分出若干个权重组;如实验数据中,将物化成分参数根据加总权重的数值大小划分为大权重组和小权重组。具体地,可根据实际情况对分组数量等进行调整。从单个原料的物化指标的权重占比数值考虑,划分组能够更突出先验知识中所认为的影响窑炉烧成的关键因素在窑炉烧成曲线预测模型中的作用,提升预测模型学习的效率及准确性。
根据划分的多个权重组,分别设定各组的weight指标以及选定使用模型相关参数的方式进行测试,得到若干个测试组;所述模型相关参数是模型算法内需要进行调整的超参数;如实验数据中,包括最大深度(max_depth)、每个弱学习器的权重缩减系数(learning_rate)、弱学习器的最大迭代次数(n_estimators)。
在每个测试组中,针对每一组数据相关参数的每一轮模型相关参数运行测试多个权重组的模型,得到最优模型相关参数;通过设定不同条件组合的测试组,分别选出不同权重的原料物化参数的组在不同的数据相关参数、模型相关参数的最优情况,补充先验知识、突出先验知识中所认为的影响窑炉烧成的关键因素在窑炉烧成曲线预测模型中的作用,综合选出最优的参数组合,提供给最终预测模型参数建议,提升预测模型的学习效率及准确性。
其中,所述数据相关参数是根据工艺知识及经验对基础数据集需要做的调整而制定的筛选条件,最终影响到实际进行模型运行的数据集。如实验数据中,其中一个数据相关参数为窑炉产出成品的优等品率,参数值设定为0或0.9,即参数取值为0时,模型考虑全部优等品率的状态;当参数取值为0.9时,模型只考虑优等品率大于等于90%的情况;测试多个权重组的模型是指综合多个测试组、数据相关参数以及模型相关参数,通过正交筛选的模型算法交叉验证出最优的模型相关参数;如实验数据中,通过Xgboost模型,每种测试中,针对每一组数据相关参数的每一轮模型相关参数,运行测试3个模型,分别是小权重组、大权重组和不分权重组,找到最优模型相关参数。
在原有的权重组的模型增加一个集成模型,得到优化后的权重组的模型;利用最优模型相关参数训练各个优化组合后的权重组的模型;
利用设定的评估指标选出结果最好的测试组,并输出对应最优的数据相关参数及模型相关参数作为窑炉烧成曲线预测模型的最优参数。
在本发明中,根据对窑炉生产产生影响的原料物化指标的高低权重作为分组的条件,结合其他参数,分组测试不同参数组合的情况下,得到最优参数推荐用于预测模型当中,训练出更准确的预测窑炉烧成曲线的模型,推荐更有的窑炉烧成参数。加入先验知识及突出先验知识认为的影响窑炉烧成的关键因素在窑炉烧成曲线预测模型中的作用,从而提升预测模型的学习效率,提升预测模型的准确性,更有效通过预测模型提高窑炉烧成调整的效率,降低窑炉烧成参数调整的时间成本及试错成本,保障窑炉烧成的产质量稳定。
作为一种可选的实施例,所述原料各物化成分参数包括氧化铝、氧化钠、氧化镁、氧化钙的化学含量,还包括筛余、水分的物理性能指标。
作为一种可选的实施例,所述模型相关参数包括最大深度(max_depth)、每个弱学习器的权重缩减系数(learning_rate)、弱学习器的最大迭代次数(n_estimators)。
作为一种可选的实施例,权重组的数量为两个,一个是小权重组,另一个是大权重组;使用模型相关参数的方式有两种,一种是共同使用,另一种是单独使用;测试组的数量为5个,分别是:
test1:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,设定两组的weight值是固定的,小权重组的weight值等于0.1,大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),两个组共同使用模型相关参数;
test2:小权重组中每个原料的每个物化成分的加总权重小于等于0.3,大权重组每个原料的每个物化成分的加总权重为大于0.3,设定两组的weight值是固定的,小权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),两个组共同使用模型相关参数;
test3:小权重组中每个原料的每个物化成分的加总权重小于等于0.3,大权重组每个原料的每个物化成分的加总权重为大于0.3,设定两组的weight值是固定的,小权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),每组单独使用模型相关参数;
test4:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,设定两组的weight值是固定的,小权重组的weight值等于0.1,大权重组weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average(每个原料的每个物化成分的加总权重),每组单独使用模型相关参数;
test5:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,各个组的weight指标按照单独训练准确度设置,每组单独使用模型相关参数。
其中各自组weight的单独训练准确度设置方法如下:设定小权重组weight_low =预设初始值;
大权重组weight_high = 预设初始值;
小权重组和大权重组的weight总和为total_weight = weight_low + weight_high;
通过weight_low / total_weight计算得到小权重组的weight;
通过weight_high / total_weight计算得到大权重组的weight;
其中weight值越大,测试组的准确度越大。
作为一种可选的实施例,评估指标采用平均绝对百分比误差(MAPE)或回归平方和与总平方和之比(R2)。
作为一种可选的实施例,所述集成模型为weight_low * 小权重组 + weight_high * 大权重组。即取weight值最好的小权重组、取weight值最好的大权重组。
本发明还提供了基于原料权重作为模型参数选择条件的烧成曲线预测设备,包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的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程序,所述处理器执行所述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程序时实现上述的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的步骤。
包括至少一个处理器、存储器。处理器是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ReadOnly Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的 RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器 (Synch link DRAM,SLDRAM) 和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本发明实施例描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有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程序,所述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程序被处理器执行时实现上述的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的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
根据本发明实施例的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的其他构成等以及操作对于本领域普通技术人员而言都是已知的,这里不再详细描述。
在本说明书的描述中,参考术语“实施例”、“示例”等的描述意指结合该实施例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例或示例中。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例或示例。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例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.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,其特征在于,所述方法包括如下步骤:
判定原料各物化成分参数的重要程度以及对窑炉烧成的影响程度,根据所述重要程度及所述影响程度标注每个物化成分参数的重要程度占比作为权重,其中:对单个原料中各个物化成分参数的重要程度占比为子类权重;对所有原料的重要程度占比为大类权重,通过计算合并子类权重和大类权重,作为加总权重;
根据计算后的加总权重,对每个原料的每个物化成分参数根据加总权重的数值大小划分出若干个权重组;
根据划分的多个权重组,分别设定各组的weight指标以及选定使用模型相关参数的方式进行测试,得到若干个测试组;所述模型相关参数是模型算法内需要进行调整的超参数;
在每个测试组中,针对每一组数据相关参数的每一轮模型相关参数运行测试多个权重组的模型,得到最优模型相关参数;
其中,所述数据相关参数是根据工艺知识及经验对基础数据集需要做的调整而制定的筛选条件;测试多个权重组的模型是指综合多个测试组、数据相关参数以及模型相关参数,通过正交筛选的模型算法交叉验证出最优的模型相关参数;
在原有的权重组的模型增加一个集成模型,得到优化后的权重组的模型;利用最优模型相关参数训练各个优化组合后的权重组的模型;
利用设定的评估指标选出结果最好的测试组,并输出对应最优的数据相关参数及模型相关参数作为窑炉烧成曲线预测模型的最优参数。
2.根据权利要求1所述的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,其特征在于,所述原料各物化成分参数包括氧化铝、氧化钠、氧化镁、氧化钙的化学含量,还包括筛余、水分的物理性能指标。
3.根据权利要求1所述的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,其特征在于,所述模型相关参数包括最大深度max_depth、每个弱学习器的权重缩减系数learning_rate、弱学习器的最大迭代次数n_estimators。
4.根据权利要求1所述的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,其特征在于,权重组的数量为两个,一个是小权重组,另一个是大权重组;使用模型相关参数的方式有两种,一种是共同使用,另一种是单独使用;测试组的数量为5个,分别是:
test1:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,设定两组的weight值是固定的,小权重组的weight值等于0.1,大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average,其中average为每个原料的每个物化成分的加总权重,两个组共同使用模型相关参数;
test2:小权重组中每个原料的每个物化成分的加总权重小于等于0.3,大权重组每个原料的每个物化成分的加总权重为大于0.3,设定两组的weight值是固定的,小权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average,大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average,两个组共同使用模型相关参数;
test3:小权重组中每个原料的每个物化成分的加总权重小于等于0.3,大权重组每个原料的每个物化成分的加总权重为大于0.3,设定两组的weight值是固定的,小权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average,大权重组的weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average,每组单独使用模型相关参数;
test4:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,设定两组的weight值是固定的,小权重组的weight值等于0.1,大权重组weight值等于每个原料的每个物化成分的加总权重的平均值,即weight=average,每组单独使用模型相关参数;
test5:小权重组中每个原料的每个物化成分的加总权重为0,大权重组每个原料的每个物化成分的加总权重为大于0,各个组的weight指标按照单独训练准确度设置,每组单独使用模型相关参数;
其中各自组weight的单独训练准确度设置方法如下:设定小权重组为weight_low =预设初始值;
大权重组为weight_high = 预设初始值;
小权重组和大权重组的weight总和为total_weight = weight_low + weight_high;
通过weight_low / total_weight计算得到小权重组的weight;
通过weight_high / total_weight计算得到大权重组的weight;
其中weight值越大,测试组的准确度越大。
5.根据权利要求1所述的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,其特征在于,评估指标采用平均绝对百分比误差或回归平方和与总平方和之比。
6.根据权利要求4所述的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,其特征在于,所述集成模型为weight_low * 小权重组 + weight_high * 大权重组。
7.基于原料权重作为模型参数选择条件的烧成曲线预测设备,其特征在于,包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的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程序,所述处理器执行所述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程序时实现权利要求1-6任一所述的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的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有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程序,所述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程序被处理器执行时实现权利要求1-6任一所述的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的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647163.3A CN114882961B (zh) | 2022-06-09 | 2022-06-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647163.3A CN114882961B (zh) | 2022-06-09 | 2022-06-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882961A CN114882961A (zh) | 2022-08-09 |
CN114882961B true CN114882961B (zh) | 2023-02-07 |
Family
ID=82681681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210647163.3A Active CN114882961B (zh) | 2022-06-09 | 2022-06-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882961B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802977A (zh) * | 2016-12-14 | 2017-06-06 | 同济大学 | 一种用于烧结矿性能指标预测及综合质量评价方法 |
CN113642800A (zh) * | 2021-08-20 | 2021-11-12 | 林周县众陶联供应链服务有限公司 | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6947981B2 (ja) * | 2017-12-21 | 2021-10-13 | 富士通株式会社 | 推定方法、推定装置および推定プログラム |
CN108256693B (zh) * | 2018-02-11 | 2024-02-13 | 阳光电源股份有限公司 | 一种光伏发电功率预测方法、装置及系统 |
JP7199075B2 (ja) * | 2018-05-08 | 2023-01-05 | 国立研究開発法人情報通信研究機構 | 予測システムおよび予測方法 |
CN109345302B (zh) * | 2018-09-27 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN110716512A (zh) * | 2019-09-02 | 2020-01-21 | 华电电力科学研究院有限公司 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
CN113254738B (zh) * | 2021-04-27 | 2022-01-04 | 佛山众陶联供应链服务有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
CN113867289A (zh) * | 2021-09-29 | 2021-12-31 | 安徽海螺信息技术工程有限责任公司 | 一种基于工业大数据水泥生产烧成系统控制指标优化方法 |
CN114580780A (zh) * | 2022-03-21 | 2022-06-03 | 包头钢铁(集团)有限责任公司 | 一种烧结矿质量预测方法及系统 |
-
2022
- 2022-06-09 CN CN202210647163.3A patent/CN114882961B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802977A (zh) * | 2016-12-14 | 2017-06-06 | 同济大学 | 一种用于烧结矿性能指标预测及综合质量评价方法 |
CN113642800A (zh) * | 2021-08-20 | 2021-11-12 | 林周县众陶联供应链服务有限公司 | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114882961A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688825B (zh) | 一种改进型的集成加权极限学习机污水处理故障诊断方法 | |
CN110619393A (zh) | 基于学习算法的交通仿真软件参数标定方法、系统及介质 | |
CN106408423A (zh) | 用于风险评估的方法、系统及构建风险评估系统的方法 | |
CN110674614B (zh) | 一种基于rx mask中心点阵的信号眼图分析方法 | |
CN109426655B (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
DE112021002268T5 (de) | Neuronales Regressionsnetzwerk zum Identifizieren von Schwellenspannungen, die beim Lesen von Flash-Speichervorrichtungen zu verwenden sind | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
AT511272A1 (de) | Kopplungsmethodik für nicht-iterative co-simulation | |
CN109325613B (zh) | 用平行序贯极限学习机对静态电压稳定裕度在线预测方法 | |
JPH0765168A (ja) | 関数近似装置及び方法 | |
CN115715414A (zh) | 用于固态驱动器的可划分神经网络 | |
CN114882961B (zh) | 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 | |
CN114840375A (zh) | 一种半导体存储产品的老化性能测试方法及系统 | |
CN106682938A (zh) | 大数据精准营销模型的构建方法及装置 | |
CN113761026A (zh) | 基于条件互信息的特征选择方法、装置、设备和存储介质 | |
CN112529209A (zh) | 模型训练方法、装置以及计算机可读存储介质 | |
Pusponegoro et al. | Group Lasso for rainfall data modeling in Indramayu district, West Java, Indonesia | |
CN107436957A (zh) | 一种混沌多项式构造方法 | |
CN113761725B (zh) | 一种基于交通仿真的路段阻抗函数校正方法 | |
TWI778789B (zh) | 配方建構系統、配方建構方法、內儲程式之電腦可讀取記錄媒體與非暫時性電腦程式產品 | |
DE102019214546B4 (de) | Computerimplementiertes Verfahren und Vorrichtung zur Optimierung einer Architektur eines künstlichen neuronalen Netzwerks | |
CN113836789A (zh) | 基于宏细观参数关联准则的dem细观参数标定方法 | |
Tung et al. | Bias-corrected quantile regression forests for high-dimensional data | |
CN115062834B (zh) | 基于正交试验筛选Lasso回归预测烧成曲线的方法 | |
CN116227239B (zh) | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
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 |