CN115081697A - 基于原料预测烧成曲线的方法、设备及计算机存储介质 - Google Patents
基于原料预测烧成曲线的方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN115081697A CN115081697A CN202210647155.9A CN202210647155A CN115081697A CN 115081697 A CN115081697 A CN 115081697A CN 202210647155 A CN202210647155 A CN 202210647155A CN 115081697 A CN115081697 A CN 115081697A
- Authority
- CN
- China
- Prior art keywords
- data
- kiln
- predicting
- firing
- feedstock
- 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.)
- Granted
Links
- 238000010304 firing Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002994 raw material Substances 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims description 12
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 17
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 13
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005245 sintering Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 239000000843 powder Substances 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- CHWRSCGUEQEHOH-UHFFFAOYSA-N potassium oxide Chemical compound [O-2].[K+].[K+] CHWRSCGUEQEHOH-UHFFFAOYSA-N 0.000 description 1
- 229910001950 potassium oxide Inorganic materials 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于原料预测烧成曲线的方法,涉及数据预测技术领域,包括采集数据源,数据源包括原料数据、窑炉设备数据以及分级数据;按照产品编号、产线号、前后工序时间戳及工序间时间差进行逻辑关联,根据逻辑关联对数据源进行数据拓扑,得到数据集;对数据集进行数据清洗,得到清洗好的基础数据集;将基础数据集划分出训练集和测试集;利用训练集训练并建立出窑炉预测模型,利用测试集测试窑炉预测模型;将实时的原料数据输入验证后的窑炉预测模型,输出预测的窑炉设备数据和窑炉烧成曲线。当原料发送变化的情况下,利用窑炉预测模型预测出相应的窑炉设备数据以进行调整参考,稳定生产产质量,从而降低对熟练技术工人的依赖度。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及基于原料预测烧成曲线的方法、设备及计算机存储介质。
背景技术
目前传统窑炉曲线调整一般两种方式,一种方法是通过原料配方制定部门通知窑炉技术工程师大概此配方原料情况,但是没有具体多少度,也没有告知如何调整;另一种方法是窑炉技术工程师通过窑炉烧出来的产品质量情况判断是否需要调整温度;因此以上两种方式都是依靠人的主观经验进行窑炉烧成曲线的调整,导致调整的周期长且试错成本高,甚至此类产品生产完了,生产问题还是没有解决。
陶瓷原料不稳定且在原料加工过程中造成配方性能波动,导致不能及时调整到适应原料配方的窑炉烧成曲线。而传统陶瓷窑炉烧成技术人员对窑炉烧成制度的调试,都是来源于经验积累。虽然大部分建陶企业使用的辊道窑都是现代化的窑炉,不同原料配方产品的窑炉烧成制度调试,还是基于日常生产中的一次次试错。由此极易造成生产不稳定,产品质量波动;所以急需要一种通过快速检测或者整线算法模型优化,一旦原料成分发生波动,可以及时反馈到窑炉系统,并预测出相应的窑炉烧成曲线。
发明内容
本发明的目的在于提出基于原料预测烧成曲线的方法、设备及计算机存储介质,以解决调整窑炉烧成制度试错成本高的技术问题。
为达此目的,本发明采用以下技术方案:基于原料预测烧成曲线的方法,包括如下步骤:
S1:采集数据源,所述数据源包括原料数据、窑炉设备数据以及分级数据;
S2:按照产品编号、产线号、前后工序时间戳及工序间时间差进行逻辑关联,根据逻辑关联对数据源进行数据拓扑,得到数据集;
S3:对所述数据集进行数据清洗,得到清洗好的基础数据集;
S4:将所述基础数据集划分出训练集和测试集;
S5:基于两步走多项式拟合和Xgboost模型中的多输出回归,利用训练集训练并建立出窑炉预测模型,利用测试集测试窑炉预测模型;所述窑炉预测模型的功能为输入原料数据,输出预测的窑炉设备数据,并根据预测的窑炉设备数据预测并输出窑炉烧成曲线;
S6:根据训练集与测试集的得分验证窑炉预测模型;
S7:构建多输出回归模型特征重要性的函数参数,以平均特征重要性进行排序,输出对窑炉烧成温度影响最大的前K项变量参数;
S8:将实时的原料数据输入验证后的所述窑炉预测模型,输出预测的窑炉设备数据和窑炉烧成曲线。
作为一种可选的实施例,训练集与测试集的得分包括模型得分R2_score,所述R2_score通过以下公式计算:
作为一种可选的实施例,训练集与测试集的得分还包括模型得分MAPE,所述MAPE通过以下公式计算:MAPE=sum(|y*-y|×100/y)/n (2);
其中,MAPE为模型得分模型得分MAPE;n为样本量;y为实际值;y*为预测值。
作为一种可选的实施例,对窑炉烧成温度影响最大的前K项变量参数进行特征排序分数计算,以验证窑炉预测模型的预测效果,其中,特征排序分数计算公式为:Σ((加总权重=子类权重*大类权重)*重要度排序倒序)。
作为一种可选的实施例,所述步骤S4中,将80%的基础数据集划分为训练集,剩余20%的基础数据集划分为测试集。
作为一种可选的实施例,所述步骤S3中,所述数据清洗包括格式内容清洗、逻辑错误清洗、异常值清洗以及缺失值清洗。
本发明还提供了一种基于原料预测烧成曲线的设备,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预测烧成曲线的方法程序,所述处理器执行所述基于原料预测烧成曲线的方法程序时实现上述的基于原料预测烧成曲线的方法的步骤。
本发明还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预测烧成曲线的方法程序,所述基于原料预测烧成曲线的方法程序被处理器执行时实现上述的基于原料预测烧成曲线的方法的步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明通过采集原料数据、窑炉设备数据、分级数据进入大数据模型里面进行训练及学习,得到窑炉预测模型,当原料发送变化的情况下,利用窑炉预测模型预测出相应的窑炉设备数据以进行调整参考,稳定生产产质量,从而降低对熟练技术工人的依赖度。
附图说明
图1是本发明其中一个实施例流程图示意图;
图2是本发明其中一个实施例系统整体结构示意图;
图3是本发明其中一个实施例的数据分析流程示意图;
图4是本发明其中一个实施例的数据拓扑流程示意图;
图5是本发明其中一个实施例的关键特征筛选图;
图6是本发明另一个实施例的关键特征筛选图;
图7是本发明其中一个实施例的窑炉预测参数示意图。
具体实施方式
本发明实施例的基于原料预测烧成曲线的方法,包括如下步骤:
S1:采集数据源,所述数据源包括原料数据、窑炉设备数据以及分级数据;所述原料数据包括粉料数据、面釉数据和抛釉数据;所述窑炉设备数据包括窑炉温度数据、风机电流和变频数据和窑炉电机传动过程中的传动速度、频率;所述分级数据包括优等率、合格率和缺陷数据;
S2:按照产品编号、产线号、前后工序时间戳及工序间时间差进行逻辑关联,根据逻辑关联对数据源进行数据拓扑,得到数据集;实现完成数据链路搭建;具体地,部分数据的追溯关联可按下表1所示。
表1
S3:对所述数据集进行数据清洗,得到清洗好的基础数据集;
S4:将所述基础数据集划分出训练集和测试集;
S5:基于两步走多项式拟合和Xgboost模型中的多输出回归,利用训练集训练并建立出窑炉预测模型,利用测试集测试窑炉预测模型;所述窑炉预测模型的功能为输入原料数据,输出预测的窑炉设备数据,并根据预测的窑炉设备数据预测并输出窑炉烧成曲线;其中,两步走多项式拟合包括:第一步预测出烧成窑炉的每段的烧成曲线(比如预热带温度、氧化带温度、高温烧成带温度等),第二步再拟合成整条完整的烧成曲线。
具体地,模型训练包括以下步骤:(1)构建多项式模型:输入曲线,输出曲线,设定R2_score;(2)构架用于存储参数的的空列表:列名、拟合多项式曲线、输出参数、系数和R2_score;(3)构建计算多项式函数:结构化输出数据框;枚举系数列表以产生曲线;获取温度标签,多项式计算、存储输出;合并曲线;填写高温带面、高温带底。
S6:根据训练集与测试集的得分验证窑炉预测模型;
S7:构建多输出回归模型特征重要性的函数参数,以平均特征重要性进行排序,输出对窑炉烧成温度影响最大的前K项变量参数;
具体地,包括:构建评估函数:确认X,Y,其中,X是指输入数据,如原料物理化学数据;Y是指输出数据,如窑炉的烧成曲线数据;将多项式嵌入转换为窑炉特征,其中多项式嵌入的是原料参数,从数据采集而来;设置窑炉的温度;设置R2_score,mape_set;构建多输出回归模型特征重要性的函数参数:利用多输出回归模型训练数据,绘制前topK个特征,即对窑炉烧成温度影响最大的前K项变量参数,默认绘制全部;Model_index子回归模型的索引列表,默认聚合所有子模型,特征重要性得分矩阵,列按平均重要性得分降序排列;输出特征重要性且排序。
S8:将实时的原料数据输入验证后的所述窑炉预测模型,输出预测的窑炉设备数据和窑炉烧成曲线。
本发明通过采集原料数据、窑炉设备数据、分级数据进入大数据模型里面进行训练及学习,得到窑炉预测模型,当原料发送变化的情况下,利用窑炉预测模型预测出相应的窑炉设备数据以进行调整参考,稳定生产产质量,从而降低对熟练技术工人的依赖度。
作为一种可选的实施例,训练集与测试集的得分包括模型得分R2_score,所述R2_score通过以下公式计算:
具体地,模型得分R2_score的值越接近1,窑炉预测模型的效果越好。
3、根据权利要求1所述的基于原料预测烧成曲线的方法,其特征在于:训练集与测试集的得分还包括模型得分MAPE,所述MAPE通过以下公式计算:MAPE=sum(|y*-y|×100/y)/n;
其中,MAPE为模型得分模型得分MAPE;n为样本量;y为实际值;y*为预测值。
具体地,模型得分MAPE的值越小,窑炉预测模型的效果越好。
作为一种可选的实施例,对窑炉烧成温度影响最大的前K项变量参数进行特征排序分数计算,以验证窑炉预测模型的预测效果,其中,特征排序分数计算公式为:Σ((加总权重=子类权重*大类权重)*重要度排序倒序)。
考虑到模型的实际效果好坏不能单纯从数理角度进行判断,因此结合工艺理论知识与工艺经验,以工艺理论知识和工艺经验为基础验证窑炉预测模型的预测效果,具体地,特征排序分数越大,排序靠前权重越大的参数的越多,越符合工艺先验。在本发明里,对于物料有权重分类,如:粉料、面釉、抛釉三种物料各占比30%,40%,30%,这就是大类权重,然后粉料中的铝、硅、钾、钠、钙、镁各种元素的权重也不一样,这是子类权重,特征排序分数,就是按照权重总表把各个物料权重的分数算出来,然后再排序,做评估。物料趋势分数:穷举参数,1倍方差取样,最高温度点及取样参数的斜率;正相关斜率为正,负相关斜率为负;符合工艺先验趋势+1*加总权重分数;不符合-1*加总权重分数;加总所有穷举的参数;在本发明中,粉料和釉料中的化学元素与烧成温度有的是正相关的,如三氧化二铝,含量越大,温度越高;但有些是负相关的,如氧化钾,含量越大,温度越低。物料趋势分数就是看看在最高温度点的趋势是否符合工艺先验趋势,符合就是正的加总权重分数,不符合,就是负的加总权重分数。
作为一种可选的实施例,所述步骤S4中,将80%的基础数据集划分为训练集,剩余20%的基础数据集划分为测试集。
作为一种可选的实施例,所述步骤S3中,所述数据清洗包括格式内容清洗、逻辑错误清洗、异常值清洗以及缺失值清洗。
具体地,格式内容清洗是日期格式、时间戳单位、数值格式、全半角格式以及不应存在的字符清洗等;逻辑错误清洗是数据重复清洗、不合理值清洗、矛盾内容修正等;异常值是指一组测定值中与平均值的偏差超过两倍标准差的测定值。与平均值的偏差超过三倍标准差的测定值,称为高度异常的异常值。异常值清洗是指对超出3倍标准差的值高度异常值进行数据清洗,包括删除、视为缺失值、平均值修正、盖帽法、分箱法、回归插补、多重插补等;缺失值清洗是指对所采集数据表中的缺失值进行特殊值填充、平均值填充、热卡填充、最近邻法、删除缺失值等方法进行缺失值处理,使数据集完整。
本发明还提供一种预测烧成曲线的设备,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预测烧成曲线的方法程序,所述处理器执行所述基于原料预测烧成曲线的方法程序时实现上述的基于原料预测烧成曲线的方法的步骤。
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(ReadOnlyMemory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory,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(StaticRAM,SRAM)、动态随机存取存储器(DynamicRAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM,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预测烧成曲线的方法程序,所述基于原料预测烧成曲线的方法程序被处理器执行时实现上述的基于原料预测烧成曲线的方法的步骤。
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.基于原料预测烧成曲线的方法,其特征在于:包括如下步骤:
S1:采集数据源,所述数据源包括原料数据、窑炉设备数据以及分级数据;
S2:按照产品编号、产线号、前后工序时间戳及工序间时间差进行逻辑关联,根据逻辑关联对数据源进行数据拓扑,得到数据集;
S3:对所述数据集进行数据清洗,得到清洗好的基础数据集;
S4:将所述基础数据集划分出训练集和测试集;
S5:基于两步走多项式拟合和Xgboost模型中的多输出回归,利用训练集训练并建立出窑炉预测模型,利用测试集测试窑炉预测模型;所述窑炉预测模型的功能为输入原料数据,输出预测的窑炉设备数据,并根据预测的窑炉设备数据预测并输出窑炉烧成曲线;
S6:根据训练集与测试集的得分验证窑炉预测模型;
S7:构建多输出回归模型特征重要性的函数参数,以平均特征重要性进行排序,输出对窑炉烧成温度影响最大的前K项变量参数;
S8:将实时的原料数据输入验证后的所述窑炉预测模型,输出预测的窑炉设备数据和窑炉烧成曲线。
3.根据权利要求1所述的基于原料预测烧成曲线的方法,其特征在于:训练集与测试集的得分还包括模型得分MAPE,所述MAPE通过以下公式计算:
MAPE=sum(|y*-y|×100/y)/n (2);
其中,MAPE为模型得分模型得分MAPE;n为样本量;y为实际值;y*为预测值。
4.根据权利要求1所述的基于原料预测烧成曲线的方法,其特征在于:对窑炉烧成温度影响最大的前K项变量参数进行特征排序分数计算,以验证窑炉预测模型的预测效果,其中,特征排序分数计算公式为:Σ((加总权重=子类权重*大类权重)*重要度排序倒序)。
5.根据权利要求1所述的基于原料预测烧成曲线的方法,其特征在于:所述步骤S4中,将80%的基础数据集划分为训练集,剩余20%的基础数据集划分为测试集。
6.根据权利要求1所述的基于原料预测烧成曲线的方法,其特征在于:所述步骤S3中,所述数据清洗包括格式内容清洗、逻辑错误清洗、异常值清洗以及缺失值清洗。
7.一种基于原料预测烧成曲线的设备,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预测烧成曲线的方法程序,所述处理器执行所述基于原料预测烧成曲线的方法程序时实现权利要求1-6任一所述的基于原料预测烧成曲线的方法的步骤。
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预测烧成曲线的方法程序,所述基于原料预测烧成曲线的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预测烧成曲线的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647155.9A CN115081697B (zh) | 2022-06-09 | 2022-06-09 | 基于原料预测烧成曲线的方法、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647155.9A CN115081697B (zh) | 2022-06-09 | 2022-06-09 | 基于原料预测烧成曲线的方法、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081697A true CN115081697A (zh) | 2022-09-20 |
CN115081697B CN115081697B (zh) | 2023-03-24 |
Family
ID=83250725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210647155.9A Active CN115081697B (zh) | 2022-06-09 | 2022-06-09 | 基于原料预测烧成曲线的方法、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081697B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935784A (zh) * | 2022-09-30 | 2023-04-07 | 佛山众陶联供应链服务有限公司 | 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241786A1 (en) * | 1996-05-06 | 2006-10-26 | Eugene Boe | Method and apparatus for approximating gains in dynamic and steady-state processes for prediction, control, and optimization |
CN104794263A (zh) * | 2015-03-31 | 2015-07-22 | 济南大学 | 基于ls_svm软测量的水泥回转窑烧成带温度的混杂建模方法 |
CN110108123A (zh) * | 2019-04-08 | 2019-08-09 | 厦门理工学院 | 一种窑炉温度-压力解耦控制方法、装置、设备及系统 |
WO2019183144A1 (en) * | 2018-03-19 | 2019-09-26 | Coffing Daniel L | Processing natural language arguments and propositions |
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 |
CN110849164A (zh) * | 2019-12-09 | 2020-02-28 | 济南大学 | 用于获取水泥熟料煅烧窑炉环节优化设定值的方法 |
CN111931418A (zh) * | 2020-07-21 | 2020-11-13 | 广东工业大学 | 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
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 |
-
2022
- 2022-06-09 CN CN202210647155.9A patent/CN115081697B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241786A1 (en) * | 1996-05-06 | 2006-10-26 | Eugene Boe | Method and apparatus for approximating gains in dynamic and steady-state processes for prediction, control, and optimization |
CN104794263A (zh) * | 2015-03-31 | 2015-07-22 | 济南大学 | 基于ls_svm软测量的水泥回转窑烧成带温度的混杂建模方法 |
WO2019183144A1 (en) * | 2018-03-19 | 2019-09-26 | Coffing Daniel L | Processing natural language arguments and propositions |
CN110108123A (zh) * | 2019-04-08 | 2019-08-09 | 厦门理工学院 | 一种窑炉温度-压力解耦控制方法、装置、设备及系统 |
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 |
CN110849164A (zh) * | 2019-12-09 | 2020-02-28 | 济南大学 | 用于获取水泥熟料煅烧窑炉环节优化设定值的方法 |
CN111931418A (zh) * | 2020-07-21 | 2020-11-13 | 广东工业大学 | 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
史天运等: "工业窑炉气氛智能控制与智能测量方法", 《中国铁道科学》 * |
王丽俊: "陶瓷梭式窑炉优化控制研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935784A (zh) * | 2022-09-30 | 2023-04-07 | 佛山众陶联供应链服务有限公司 | 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统 |
CN115935784B (zh) * | 2022-09-30 | 2023-07-18 | 佛山众陶联供应链服务有限公司 | 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115081697B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115081697B (zh) | 基于原料预测烧成曲线的方法、设备及计算机存储介质 | |
JP4207915B2 (ja) | 品質変動表示装置、品質変動表示方法、品質変動表示プログラム及び該プログラムを記録した記録媒体 | |
JP4584295B2 (ja) | 2段階仮想測定方法 | |
JP2006318263A (ja) | 情報分析システム、情報分析方法及びプログラム | |
JP7151546B2 (ja) | 制御装置、制御方法、及び制御プログラム | |
CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及系统 | |
Lauzon-Gauthier et al. | The Sequential Multi-block PLS algorithm (SMB-PLS): Comparison of performance and interpretability | |
US7813893B2 (en) | Method of process trend matching for identification of process variable | |
CN116307195A (zh) | 一种基于深度学习的带钢精轧宽展预测方法和系统 | |
JP4400253B2 (ja) | 品質影響要因解析方法、品質予測方法、品質制御方法、品質影響要因解析装置、品質予測装置、品質制御装置、品質影響要因解析システム、品質予測システム、品質制御システム、及びコンピュータプログラム | |
US11035666B2 (en) | Inspection-guided critical site selection for critical dimension measurement | |
JP2022552981A (ja) | ダイレベル入力データなしのダイレベル製品モデリング | |
JP4663808B2 (ja) | プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置 | |
CN110555220B (zh) | 一种光电转换模型的率定方法及系统 | |
CN108694755B (zh) | 模型构建系统以及模型构建方法 | |
JP2009099960A (ja) | 品質管理方法、半導体装置の製造方法及び品質管理システム | |
CN114819391A (zh) | 基于历史数据集时间跨度优化的光伏发电功率预测方法 | |
CN115356998A (zh) | 基于人工智能的氮氧化物预测方法及相关装置 | |
JP2004186374A (ja) | 製造データ解析方法及びそれをコンピュータに実行させるプログラム | |
Syahtaria et al. | Failure risk analysis glass bowl production process using failure mode effect analysis and fault tree analysis methods (a case study) | |
JP2005284415A (ja) | 組立製造ラインにおける作業工程別タクトタイム推定方法、全体工程編成方法、装置およびプログラム | |
JP5402621B2 (ja) | 製造負荷予測装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 | |
CN115062834B (zh) | 基于正交试验筛选Lasso回归预测烧成曲线的方法 | |
CN115081698B (zh) | 基于变形度预测烧成曲线的方法、设备及计算机存储介质 | |
Ershov et al. | Approach to the clustering modeling for the strong correlative control measurements for estimation of percent of the suitable integrated circuits in the semiconductor industry |
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 |