CN115081698B - 基于变形度预测烧成曲线的方法、设备及计算机存储介质 - Google Patents
基于变形度预测烧成曲线的方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN115081698B CN115081698B CN202210648510.4A CN202210648510A CN115081698B CN 115081698 B CN115081698 B CN 115081698B CN 202210648510 A CN202210648510 A CN 202210648510A CN 115081698 B CN115081698 B CN 115081698B
- Authority
- CN
- China
- Prior art keywords
- deformation
- firing
- degree
- polynomial
- predicting
- 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 109
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims description 14
- 239000000919 ceramic Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 23
- 239000000843 powder Substances 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 229910052729 chemical element Inorganic materials 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005245 sintering Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003068 static effect Effects 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
- 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
- 239000011449 brick Substances 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 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
- 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
- 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
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 238000010583 slow cooling Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 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"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于变形度预测烧成曲线的方法，涉及数据预测技术领域，运用了大数据工程，机器学习、人工智能等方式，为建陶企业的数字化智能化发展提供了一个切实的解决方案。通过对窑炉温度曲线和瓷砖变形的历史数据进行数据拓扑、数据挖掘和数据分析，寻找出窑炉温度曲线与瓷砖变形调节的关联性，并运用机器学习、人工智能方法建立训练出瓷砖变形度与窑炉曲线的相关模型，将模型存储于计算机中，进行可视化处理，帮助窑炉技术人员和司炉工在出现变形时，预测出应该调节的窑炉温度点位和相应的温度值。
Description
技术领域
本发明涉及数据预测技术领域，尤其涉及基于变形度预测烧成曲线的方法、设备及计算机存储介质。
背景技术
建筑陶瓷砖在烧成过程中会产生各种缺陷，如变形、开口裂、边裂、炸坯、滴脏和色差等，其中变形出现的情况最为普遍，而且在窑炉烧成的各个温度带里都会出现变形，如四边变形、大小头变形、凹凸变形、翘角、塌角变形以及波浪边变形等等。在窑尾出砖口司炉工要对陶瓷砖的变形度进行测量，当发现变形度超出正常值时，就要考虑调节窑炉各个温度带的温度，以减少变形情况的发生。
目前现有的一些烧成曲线预测模型，是通过输入粉料和釉料的数据进行预测，得到预测的烧成曲线以及影响烧成曲线的重要因素，利于无经验的司炉工进行调节窑炉温度，减少陶瓷砖烧成的缺陷。但存在的问题是，陶瓷砖进入窑炉时，粉料和釉料的检测是必要的，但并非实时的数据，无法在线完成，且数据非常稀疏，不利于模型的建立和实时纠偏。
发明内容
本发明的目的在于提出基于变形度预测烧成曲线的方法、设备及计算机存储介质，以解决现有的烧成曲线预测模型不方便建立和实时纠偏的技术问题。
为达此目的，本发明采用以下技术方案：基于变形度预测烧成曲线的方法，包括如下步骤：
分析影响窑炉烧成的关键因素，所述关键因素包括粉料和釉料的化学元素、粉料和釉料的烧白度和膨胀系数、粉料和釉料的各个成分在瓷砖烧成过程中的权重以及历史烧成曲线与当天产成品的优等品率的关联；
建立窑尾瓷砖的变形标准，以确定窑尾瓷砖的变形度与窑炉烧成曲线之间的关联性；
将历史烧成曲线输入烧成曲线自适应转化模型，烧成曲线自适应转化模型对历史烧成曲线进行曲线拆解，对拆解生成的多个曲线段进行多项式拟合，转化为历史烧成曲线对应的多项式嵌入参数；利用历史变形度数据以及所述多项式嵌入参数训练并生成多项式嵌入参数预测模型；
对关键因素的分析结果和所述关联性建立多项式嵌入参数预测模型的评估函数，根据所述评估函数建立评估机制；
对多项式嵌入参数预测模型进行正交试验，正交试验因子包括产成品的优等品率、粉釉料各种元素的物化成分、烧白度和膨胀系数对窑炉温度的影响、模型的最大深度、模型的学习率以及模型的集成评估器；利用评估机制对正交试验后的各个多项式嵌入参数预测模型进行排名，选出排名最前的多项式嵌入参数预测模型；
将实时变形数据输入排名最前的所述多项式嵌入参数预测模型，输出预测的多项式嵌入参数；
将所述预测的多项式嵌入参数输入所述烧成曲线自适应转化模型，烧成曲线自适应转化模型输出对烧成温度影响最大的前K项因素和不同变形度的烧成曲线。
作为一种可选的实施例，窑尾瓷砖变形度的变形标准包括：
对角变形标准限值：凸0.7mm～0.8mm，凹0.4mm；
四边变形标准限值：凸0.5mm～0.65mm，凹0.3mm～0.4mm；
波浪、塌边的变形标准限值：凸0.2mm，凹0.2mm；
弯角变形标准限值：凸0.3mm，弯角凹0.3mm；
烧成厚度分最大值和最小值；
烧成尺码根据产品确定。
作为一种可选的实施例，所述评估函数包括：
R2_score：
MAPE_score：
其中，
为模型的预测值，yi为观察值，
为平均观察值；
特征排序分数：Σ((加总权重＝子类权重*大类权重)*重要度排序倒序)；
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；
对多项式嵌入参数预测模型的输入值按1.5倍分位数范围检查变形度变化：根据每列变形的排序，进行四分位，得出Q1(25％)，Q2(50％)，Q3(75％)点位，然后以Q3-Q1得出四分位距(IQR)；最大值设定是Q2(50％)加上一个四分位距，最小值设定是在Q2(50％)减去一个四分位距。
作为一种可选的实施例，所述评估机制包括如下规则：
1)r2_score值越接近1越好；
2)MAPE_score值越小越好；
3)特征排序分数越大，排序靠前权重越大的参数的越多，越符合工艺先验知识；
4)物料趋势分数越大，符合先验趋势的参数的越多，越符合工艺先验；
5)R2排名，r2_score值越靠近1，排名越前；
6)MAPE_score排名，MAPE_score值越小，排名越前；
7)特征排序分数排名，特征排序分数越大，排名越前；
8)物料趋势分数排名，物料趋势分数越大，排名越前；
9)平均分排名average_rank：将6)、7)、8)三项相加求平均数，得出的数值即为平均分排名，平均分排名越靠前，多项式嵌入参数预测模型越好。
作为一种可选的实施例，正交试验采用的正交试验因子包括：
产成品的优等品率＝[0,0.9]；
粉釉料各种元素的物化成分＝[0,0.1]；
烧白度和膨胀系数对窑炉温度的影响＝[None,['烧白度','膨胀系数'],['烧白度'],['膨胀系数']]；
模型的最大深度(max_depth_set)＝[3,6,9]；
模型的学习率(learning_rate_set)＝[0.1,0.2,0.4]；
模型的集成评估器(n_estimators_set)＝[10,50,100]。
作为一种可选的实施例，所述方法还包括：基于对烧成温度影响最大的前K项因素以及不同变形度的烧成曲线，生成最佳烧成曲线建议。
本发明还公开了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变形度预测烧成曲线的方法程序，所述处理器执行所述基于变形度预测烧成曲线的方法程序时实现上述的基于变形度预测烧成曲线的方法的步骤。
本发明还公开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变形度预测烧成曲线的方法程序，所述基于变形度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变形度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：
在本发明中，运用了大数据工程，机器学习、人工智能等方式，为建陶企业的数字化智能化发展提供了一个切实的解决方案。通过对窑炉温度曲线和瓷砖变形的历史数据进行数据拓扑、数据挖掘和数据分析，寻找出窑炉温度曲线与瓷砖变形调节的关联性，并运用机器学习、人工智能方法建立训练出瓷砖变形度与窑炉曲线的相关模型，将模型存储于计算机中，进行可视化处理，帮助窑炉技术人员和司炉工在出现变形时，预测出应该调节的窑炉温度点位和相应的温度值。
值得说明的是，在每个企业的窑尾对瓷砖的变形度检测都是必检项目，且每个班要测8次变形数据，这些变形数据可以随时成为对窑炉曲线输入项，以帮助窑炉技术人员和司炉工随时监测窑炉的情况，利于无经验的技术人员调整窑炉的温度点，以解决瓷砖变形问题。相对于现有技术以粉料和釉料数据作为输入项，本发明以变形数据作为输入项的优点在于变形数据密集，利于预测模型的建立和纠偏。
附图说明
图1是本发明的框架示意图；
图2是本发明的流程示意图；
图3是本发明的对烧成温度影响最大的前K项因素的排序示意图。
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。
下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
基于变形度预测烧成曲线的方法，包括如下步骤：
分析影响窑炉烧成的关键因素，所述关键因素包括粉料和釉料的化学元素、粉料和釉料的烧白度和膨胀系数、粉料和釉料的各个成分在瓷砖烧成过程中的权重以及历史烧成曲线与当天产成品的优等品率的关联；
建立窑尾瓷砖的变形标准，以确定窑尾瓷砖的变形度与窑炉烧成曲线之间的关联性；瓷砖在窑炉内依次通过预热带、氧化带、中高温带、高温带、急冷带与缓冷带，根据烧成工艺先验知识，在各个不同的温度带瓷砖都可能产生变形。确定窑尾瓷砖变形度的变形标准就是将该测量点与窑炉曲线相关联，有多少个测量点，就有多少条窑炉烧成曲线展示。其中，变形标准根据不同的窑炉进行调整。
将历史烧成曲线输入烧成曲线自适应转化模型，烧成曲线自适应转化模型对历史烧成曲线进行曲线拆解，对拆解生成的多个曲线段进行多项式拟合，转化为历史烧成曲线对应的多项式嵌入参数；利用历史变形度数据以及所述多项式嵌入参数训练并生成多项式嵌入参数预测模型；
具体地，烧成曲线自适应转化模型可以是一个数学模型，功能为输入历史烧成曲线，可以输出历史烧成曲线对应的多项式嵌入参数；输入多项式嵌入参数，可以输出窑炉烧成曲线以及对烧成温度影响最大的前K项因素。
其中，历史烧成曲线包含历史烧成曲线参数，所述历史烧成曲线参数可以是工业化生产过程中实际的参数数据，包含但不限于，连续加热设备烧成表面温度、底面温度、压力、气氛参数等。
具体地，多项式嵌入参数预测模型可以是机器学习模型、深度学习模型等，使用的预测算法包括但不限于回归算法(线性回归、岭回归、LASSO回归(Leastabsoluteshrinkage and selection operator)、弹性网络回归、多元回归等)、树状回归算法(决策树、随机森林、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)、XGBoost(eXtreme Gradient Boosting，极端梯度提升)等)、基于深度学习的回归算法等。多项式嵌入参数预测模型的功能为输入变形度数据，可以输出多项式嵌入参数。
其中，历史变形度数据是历史烧成曲线对应烧成的瓷砖的变形数据、窑炉历史数据、相应的分级检测数据、粉料和釉料的检测数据，其中变形数据包括但不限于，对角变形数据、四边变形数据、弯角变形数据等。
对关键因素的分析结果和所述关联性建立多项式嵌入参数预测模型的评估函数，根据所述评估函数建立评估机制；其中，所述评估函数用于对多项式嵌入参数预测模型进行评分，所述评估机制用于根据评分判断多项式嵌入参数预测模型的好坏。
对多项式嵌入参数预测模型进行正交试验，正交试验因子包括产成品的优等品率、粉釉料各种元素的物化成分、烧白度和膨胀系数对窑炉温度的影响、模型的最大深度、模型的学习率以及模型的集成评估器；利用评估机制对正交试验后的各个多项式嵌入参数预测模型进行排名，选出排名最前的多项式嵌入参数预测模型；其中，正交试验的目的在于选定多项式嵌入参数预测模型模型的参数，以提高多项式嵌入参数预测模型的预测准确度。
将实时变形数据输入排名最前的所述多项式嵌入参数预测模型，输出预测的多项式嵌入参数；
将所述预测的多项式嵌入参数输入所述烧成曲线自适应转化模型，烧成曲线自适应转化模型输出对烧成温度影响最大的前K项因素(topk)和不同变形度的烧成曲线。
在本发明中，运用了大数据工程，机器学习、人工智能等方式，为建陶企业的数字化智能化发展提供了一个切实的解决方案。通过对窑炉温度曲线和瓷砖变形的历史数据进行数据拓扑、数据挖掘和数据分析，寻找出窑炉温度曲线与瓷砖变形调节的关联性，并运用机器学习、人工智能方法建立训练出瓷砖变形度与窑炉曲线的相关模型，将模型存储于计算机中，进行可视化处理，帮助窑炉技术人员和司炉工在出现变形时，预测出应该调节的窑炉温度点位和相应的温度值。
值得说明的是，在每个企业的窑尾对瓷砖的变形度检测都是必检项目，且每个班要测8次变形数据，这些变形数据可以随时成为对窑炉曲线输入项，以帮助窑炉技术人员和司炉工随时监测窑炉的情况，利于无经验的技术人员调整窑炉的温度点，以解决瓷砖变形问题。相对于现有技术以粉料和釉料数据作为输入项，本发明以变形数据作为输入项的优点在于变形数据密集，利于预测模型的建立和纠偏。
作为一种可选的实施例，窑尾瓷砖变形度的变形标准包括：
对角变形标准限值：凸0.7mm～0.8mm，凹0.4mm；
四边变形标准限值：凸0.5mm～0.65mm，凹0.3mm～0.4mm；
波浪、塌边的变形标准限值：凸0.2mm，凹0.2mm；
弯角变形标准限值：凸0.3mm，弯角凹0.3mm；
烧成厚度分最大值和最小值；
烧成尺码根据产品确定。
作为一种可选的实施例，所述评估函数包括：
R2_score：
MAPE_score：
其中，
为模型的预测值，即预测的多项式嵌入参数；yi为观察值，即历史烧成曲线的多项式嵌入参数；
为平均观察值，即历史烧成曲线的多项式嵌入参数的平均值；
特征排序分数：Σ((加总权重＝子类权重*大类权重)*重要度排序倒序)；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。
对多项式嵌入参数预测模型的输入值按1.5倍分位数范围检查变形度变化：根据每列变形的排序，进行四分位，得出Q1(25％)，Q2(50％)，Q3(75％)点位，然后以Q3-Q1得出四分位距(IQR)；最大值设定是Q2(50％)加上一个四分位距，最小值设定是在Q2(50％)减去一个四分位距。
在本实施例中，变形度接近于0时最佳，当变形度等于50％加上一个四分位距时，则默认为变形度的最大值，超过这个数值就是离散变量；同样，当变形度等于50％减去一个四分位距时，则默认为变形度的最小值，小于这个数值也是离散变量。利用1.5倍分位数对变形度数据进行筛查，筛掉变形度数据中的离散变量，以避免离散变量进入模型而增加模型的不稳定性，实现减少模型预测效果的偏差，提高预测精确度。
作为一种可选的实施例，所述评估机制包括如下规则：
1)r2_score值越接近1越好；
2)MAPE_score值越小越好；
3)特征排序分数越大，排序靠前权重越大的参数的越多，越符合工艺先验知识；
4)物料趋势分数越大，符合先验趋势的参数的越多，越符合工艺先验；
5)R2排名，r2_score值越靠近1，排名越前；
6)MAPE_score排名，MAPE_score值越小，排名越前；
7)特征排序分数排名，特征排序分数越大，排名越前；
8)物料趋势分数排名，物料趋势分数越大，排名越前；
9)平均分排名average_rank：将6)、7)、8)三项相加求平均数，得出的数值即为平均分排名，平均分排名越靠前，多项式嵌入参数预测模型越好。
作为一种可选的实施例，正交试验采用的正交试验因子包括：
产成品的优等品率＝[0,0.9]；
粉釉料各种元素的物化成分＝[0,0.1]；
烧白度和膨胀系数对窑炉温度的影响＝[None,['烧白度','膨胀系数'],['烧白度'],['膨胀系数']]；
模型的最大深度(max_depth_set)＝[3,6,9]；
模型的学习率(learning_rate_set)＝[0.1,0.2,0.4]；
模型的集成评估器(n_estimators_set)＝[10,50,100]。
在本实施例中，通过上述的正交试验因子生成的多项式嵌入参数模型的数量为2*2*4*3*3*3＝432个。
作为一种可选的实施例，所述方法还包括：基于对烧成温度影响最大的前K项因素以及不同变形度的烧成曲线，生成最佳烧成曲线建议。
具体地，烧成曲线建议可以是工程师易懂的且对工业化过程中提高生产效率与质量的具有指导性的调整方法；可以是对某个烧成曲线参数进行调整。在本实施例中，通过生成的最佳烧成曲线建议，节省人工试错时间，提高生产质量及效率，达到降本增效的目的。
本发明还公开了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变形度预测烧成曲线的方法程序，所述处理器执行所述基于变形度预测烧成曲线的方法程序时实现上述的基于变形度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(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(DirectRambus 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变形度预测烧成曲线的方法程序，所述基于变形度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变形度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基于变形度预测烧成曲线的方法、设备及计算机存储介质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 (7)
1.基于变形度预测烧成曲线的方法，其特征在于：包括如下步骤：
分析影响窑炉烧成的关键因素，所述关键因素包括粉料和釉料的化学元素、粉料和釉料的烧白度和膨胀系数、粉料和釉料的各个成分在瓷砖烧成过程中的权重以及历史烧成曲线与当天产成品的优等品率的关联；
建立窑尾瓷砖的变形标准，以确定窑尾瓷砖的变形度与窑炉烧成曲线之间的关联性；
将历史烧成曲线输入烧成曲线自适应转化模型，烧成曲线自适应转化模型对历史烧成曲线进行曲线拆解，对拆解生成的多个曲线段进行多项式拟合，转化为历史烧成曲线对应的多项式嵌入参数；利用历史变形度数据以及所述多项式嵌入参数训练并生成多项式嵌入参数预测模型；
对关键因素的分析结果和所述关联性建立多项式嵌入参数预测模型的评估函数，根据所述评估函数建立评估机制；
所述评估函数包括：
R2_score：；
MAPE_score：；其中，为模型的预测值，为观察值，为平均观察值；
特征排序分数：Σ((加总权重=子类权重*大类权重)*重要度排序倒序)；
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；
对多项式嵌入参数预测模型的输入值按1.5 倍分位数范围检查变形度变化：根据每列变形的排序，进行四分位，得出Q1（25%），Q2（50%），Q3（75%）点位，然后以Q3-Q1得出四分位距（IQR）；最大值设定是Q2（50%）加上一个四分位距，最小值设定是在Q2（50%）减去一个四分位距；
对多项式嵌入参数预测模型进行正交试验，正交试验因子包括产成品的优等品率、粉釉料各种元素的物化成分、烧白度和膨胀系数对窑炉温度的影响、模型的最大深度、模型的学习率以及模型的集成评估器；利用评估机制对正交试验后的各个多项式嵌入参数预测模型进行排名，选出排名最前的多项式嵌入参数预测模型；
将实时变形数据输入排名最前的所述多项式嵌入参数预测模型，输出预测的多项式嵌入参数；
将所述预测的多项式嵌入参数输入所述烧成曲线自适应转化模型，烧成曲线自适应转化模型输出对烧成温度影响最大的前K项因素和不同变形度的烧成曲线。
2.根据权利要求1所述的基于变形度预测烧成曲线的方法，其特征在于：窑尾瓷砖变形度的变形标准包括：
对角变形标准限值：凸0.7mm～0.8mm，凹0.4mm；
四边变形标准限值：凸0.5mm～0.65mm，凹0.3mm～0.4mm；
波浪、塌边的变形标准限值：凸0.2mm，凹0.2mm；
弯角变形标准限值：凸0.3mm，弯角凹0.3mm；
烧成厚度分最大值和最小值；
烧成尺码根据产品确定。
3.根据权利要求1所述的基于变形度预测烧成曲线的方法，其特征在于：所述评估机制包括如下规则：
1）r2_score值越接近1越好；
2）MAPE_score值越小越好；
3）特征排序分数越大，排序靠前权重越大的参数的越多，越符合工艺先验知识；
4）物料趋势分数越大，符合先验趋势的参数的越多，越符合工艺先验；
5）R2排名，r2_score值越靠近1，排名越前；
6）MAPE_score排名，MAPE_score值越小，排名越前；
7）特征排序分数排名，特征排序分数越大，排名越前；
8）物料趋势分数排名，物料趋势分数越大，排名越前；
9）平均分排名average_rank：将6）、7）、8）三项相加求平均数，得出的数值即为平均分排名，平均分排名越靠前，多项式嵌入参数预测模型越好。
4.根据权利要求1所述的基于变形度预测烧成曲线的方法，其特征在于：正交试验采用的正交试验因子包括：
产成品的优等品率 = [0, 0.9]；
粉釉料各种元素的物化成分= [0, 0.1]；
烧白度和膨胀系数对窑炉温度的影响 = [None, ['烧白度', '膨胀系数'], ['烧白度'], ['膨胀系数']]；
模型的最大深度（max_depth_set） = [3,6,9]；
模型的学习率（learning_rate_set） = [0.1,0.2,0.4]；
模型的集成评估器（n_estimators_set） = [10,50,100]。
5.如权利要求1所述的基于变形度预测烧成曲线的方法，其特征在于：所述方法还包括：基于对烧成温度影响最大的前K项因素以及不同变形度的烧成曲线，生成最佳烧成曲线建议。
6.一种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变形度预测烧成曲线的方法程序，所述处理器执行所述基于变形度预测烧成曲线的方法程序时实现权利要求1-5任一所述的基于变形度预测烧成曲线的方法的步骤。
7.一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变形度预测烧成曲线的方法程序，所述基于变形度预测烧成曲线的方法程序被处理器执行时实现权利要求1-5任一所述的基于变形度预测烧成曲线的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210648510.4A CN115081698B (zh) | 2022-06-09 | 2022-06-09 | 基于变形度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 |
|---|---|---|---|
| CN202210648510.4A CN115081698B (zh) | 2022-06-09 | 2022-06-09 | 基于变形度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 |
|---|---|
| CN115081698A CN115081698A (zh) | 2022-09-20 |
| CN115081698B true CN115081698B (zh) | 2023-04-07 |
Family
ID=83250824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210648510.4A Active CN115081698B (zh) | 2022-06-09 | 2022-06-09 | 基于变形度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) | CN115081698B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2022063118A1 (zh) * | 2020-09-23 | 2022-03-31 | 胜斗士(上海)科技技术发展有限公司 | 用于确定价格敏感度的方法和装置 |
| CN114565193A (zh) * | 2022-04-15 | 2022-05-31 | 西安科技大学 | 基于机器学习的煤自燃倾向性预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150088606A1 (en) * | 2013-09-20 | 2015-03-26 | Tata Consultancy Services Ltd. | Computer Implemented Tool and Method for Automating the Forecasting Process |
| US11681931B2 (en) * | 2019-09-24 | 2023-06-20 | International Business Machines Corporation | Methods for automatically configuring performance evaluation schemes for machine learning algorithms |
-
2022
- 2022-06-09 CN CN202210648510.4A patent/CN115081698B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022063118A1 (zh) * | 2020-09-23 | 2022-03-31 | 胜斗士(上海)科技技术发展有限公司 | 用于确定价格敏感度的方法和装置 |
| 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 |
| CN114565193A (zh) * | 2022-04-15 | 2022-05-31 | 西安科技大学 | 基于机器学习的煤自燃倾向性预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115081698A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109870903B (zh) | 参数优化方法、装置以及非瞬时计算机可读取介质 | |
| CN113254738B (zh) | 烧成曲线的自适应预测方法、设备及计算机存储介质 | |
| KR101011546B1 (ko) | 예측식 작성장치 및 예측식 작성방법 | |
| CN101067828A (zh) | 焦炉火道温度集成建模与软测量方法 | |
| CN114026510B (zh) | 用于优化增材制造工艺中的工艺参数的方法和系统 | |
| 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 | |
| CN107545101A (zh) | 一种设计目标与设计变量均为区间的优化设计方法 | |
| Lauzon-Gauthier et al. | The Sequential Multi-block PLS algorithm (SMB-PLS): Comparison of performance and interpretability | |
| CN113589693A (zh) | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 | |
| CN111027117B (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 | |
| JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
| JP5853723B2 (ja) | リン濃度予測装置及び吹錬制御方法 | |
| KR20180022030A (ko) | 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 | |
| Huang et al. | Machine learning approach for investigating compressive strength of self-compacting concrete containing supplementary cementitious materials and recycled aggregate | |
| 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 | |
| JP5450121B2 (ja) | モデル予測制御装置およびプログラム | |
| CN117172116A (zh) | 基于pso-bp组合模型的混凝土抗压强度预测方法 | |
| CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
| JP5821656B2 (ja) | 生石灰濃度予測装置及び吹錬制御方法 | |
| CN111474850A (zh) | 基于改进正弦余弦算法优化pid液压调平系统控制方法 | |
| CN115062834B (zh) | 基于正交试验筛选Lasso回归预测烧成曲线的方法 | |
| JP6933196B2 (ja) | 高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置 | |
| JP6844204B2 (ja) | 予測テーブル設計装置、方法及びプログラム | |
| CN111680720A (zh) | 基于改进cs-svr模型的高炉铁水硅含量预测方法 | |
| Achong et al. | Concrete strength prediction using linear regression of machine learning algorithm |
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 |