CN115983114A - 一种窑炉温度预测方法、系统、设备及介质 - Google Patents
一种窑炉温度预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115983114A CN115983114A CN202211646614.8A CN202211646614A CN115983114A CN 115983114 A CN115983114 A CN 115983114A CN 202211646614 A CN202211646614 A CN 202211646614A CN 115983114 A CN115983114 A CN 115983114A
- Authority
- CN
- China
- Prior art keywords
- temperature
- kiln
- data
- temperature prediction
- prediction
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明提供了一种窑炉温度预测方法、系统、设备及介质,所述方法包括:利用监测到的窑炉数据得到历史数据集,并根据历史数据集获取第一训练集和第一测试集,利用第一训练集、第一测试集初步对模型进行训练、测试,利用预先获取的第二训练集、第二测试集再次训练、测试模型,并根据第二测试集输出误差筛选出最优温度预测模型;根据窑炉温区在预设的预测前期时间段内的窑炉数据和最优温度预测模型,得到预测时间段的窑炉温区预测温度。本发明实现对窑炉未来温度进行预测。本发明提供的窑炉温度预测方法,通过两次训练、测试模型,不仅能够快速、精准地实现对窑炉未来温度的预测,而且可以提前预知各温区温度变化趋势,可靠性高,成本低。
Description
技术领域
本发明涉及温度预测技术领域,特别是涉及一种窑炉温度预测方法系统、设备及介质。
背景技术
工业窑炉是用耐火材料砌成的用以煅烧物料或烧成制品的设备。其主要被广泛应用于机械、冶金、石油和煤气等工业,工业窑炉的创造和发展对人类进步起着十分重要的作用。
在现有技术中,传统工业窑炉的主要组成部分有:工业炉砌体、工业炉排烟系统、工业炉预热器和工业炉燃烧装置等。传统工业窑炉为了加快产品的烧成速度,缩短产品的烧成周期,通常采用的方法是由操作工来增减燃料或者改变功率输出来控制窑炉内部的温度。但是,由于人为控制的不稳定性,人工操作的过程中难免出现功率调节过大或过小的现象,导致窑炉温度上升过高或上升滞后,影响产品的烧结。
目前,正极材料原料经过混合后,装钵进入窑炉开始烧结,原料在窑炉内以固定的推速经过升温区、保温区及降温区,各温区需维持相应的温度来进行烧结,正常工作情况下各温区温度会在稳定的区间范围内波动,但是存在温度波动较大的情况,导致窑炉实际烧结温度与设定温度偏差较大,从而影响物料性能,增加公司成本。
发明内容
本发明的目的是提供一种窑炉温度预测方法,以实现对窑炉未来温度进行预测。
为了实现上述目的,第一方面,本发明实施例提供了一种窑炉温度预测方法,所述方法包括:
获取任一窑炉温区在其对应的温区设定时间范围内的窑炉数据,并构成历史数据集;所述窑炉数据包括温度数据和功率数据;
根据所述历史数据集获取第一训练集和第一测试集,利用所述第一训练集分别对预先选取的若干初始温度预测模型进行训练,得到若干第一温度预测模型;
利用所述第一测试集分别测试若干所述第一温度预测模型,输出第一测试集输出误差,并根据所述第一测试集输出误差和第一测试误差预设范围,从所述第一温度预测模型中筛选出第二温度预测模型;
利用预先获取的第二训练集分别对若干所述第二温度预测模型进行训练,得到第三温度预测模型;
根据预先获取的第二测试集分别测试若干所述第三温度预测模型,输出第二测试集输出误差,并将所述第二测试集输出误差最小值对应的所述第三温度预测模型作为对应窑炉温区的最优温度预测模型;
将在预设的预测前期时间段内采集到的所述窑炉温区的待预测窑炉数据输入所述最优温度预测模型,得到预测时间段的窑炉温区预测温度。
进一步地,所述根据历史数据集获取第一训练集和第一测试集的步骤包括:
根据所述历史数据集选取所述窑炉温区在其对应的温度异常设定时间范围内的窑炉数据,并将其作为待处理历史数据集;
对所述待处理历史数据集进行预处理,得到预处理后的历史数据集;其中,所述预处理包括数据清洗处理;
根据所述预处理后的历史数据集获取第一训练集和第一测试集。
进一步地,所述数据清洗处理,具体包括:
当所述待处理历史数据集中存在异常跳变的历史窑炉数据时,将所述异常跳变的历史窑炉数据替换为所有所述历史窑炉数据的中位数值,直至所述窑炉数据中不存在异常跳变的温度数据时;所述异常跳变的历史窑炉数据为与附近历史窑炉数据差值超过预设差值的温度数据。
进一步地,所述第二训练集和所述第二测试集均包括所述窑炉温区在预设的预测前期时间段内的历史窑炉数据;其中,所述预设的预测前期时间段包括预测前期正常时间段和预测前期故障时间段。
进一步地,所述初始温度预测模型包括:LSTM模型、RNN模型、GRU模型、CNN模型和GRN模型。
进一步地,所述方法还包括:
根据所述窑炉温区的窑炉数据,获取若干统计模量,并根据所述统计模量,得到所述窑炉温区的温度分布特征;
根据所述温度分布特征,得到窑炉温区温度变化趋势。
进一步地,所述统计模量包括均值、方差、偏度和峰度。第二方面,本发明实施例还提供了一种窑炉温度预测系统,所述系统包括:
数据获取模块,用于获取任一窑炉温区在其对应的温区设定时间范围内的窑炉数据,并构成历史数据集;所述窑炉数据包括温度数据和功率数据;
第一筛选模块,用于根据所述历史数据集获取第一训练集和第一测试集,利用所述第一训练集分别对预先选取的若干初始温度预测模型进行训练,得到若干第一温度预测模型;还用于利用所述第一测试集分别测试若干所述第一温度预测模型,输出第一测试集输出误差,并根据所述第一测试集输出误差和第一测试误差预设范围,从所述第一温度预测模型中筛选出第二温度预测模型;
第二筛选模块,用于利用预先获取的第二训练集分别对若干所述第二温度预测模型进行训练,得到第三温度预测模型;还用于根据预先获取的第二测试集分别测试若干所述第三温度预测模型,输出第二测试集输出误差,并将所述第二测试集输出误差最小值对应的所述第三温度预测模型作为对应窑炉温区的最优温度预测模型;
温度预测模块,用于将在预设的预测前期时间段内采集到的所述窑炉温区的待预测窑炉数据输入所述最优温度预测模型,得到预测时间段的窑炉温区预测温度。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种窑炉温度预测方法、系统、设备及介质,所述方法包括:对窑炉温区进行监测,得到窑炉数据,并构成历史数据集,所述窑炉数据包括窑炉的温度数据和功率数据;根据所述历史数据集获取第一训练集和第一测试集,根据第一训练集和第一测试集分别对初始温度预测模型进行训练、测试,以初步筛选初始温度预测模型,得到第二温度预测模型;利用第二训练集和第一测试集分别对初始温度预测模型进行训练、测试,以对第二温度预测模型进行筛选,得到对应窑炉温区的最优温度预测模型,从而实现窑炉各温区温度的精准预测。本发明通过对窑炉未来温度进行精准预测,能够提前预知各温区温度变化趋势,从而降低温度波动较大对物料造成的影响。
附图说明
图1是本发明实施例一种窑炉温度预测方法的流程示意图;
图2是本发明实施例一种窑炉温度预测方法的时序预测示意图;
图3是本发明实施例一种窑炉温度预测系统的系统框图;
图4是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白,下面结合附图及实施例,对本发明作进一步详细说明,显然,以下所描述的实施例是本发明实施例的一部分,仅用于说明本发明,但不用来限制本发明的范围。基于本发明中的实施例,本领域普通技术人员在没有作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。
在一个实施例中,如图1所示,本发明实施例提供了一种窑炉温度预测方法,所述方法包括:
S11、获取任一窑炉温区在其对应的温区设定时间范围内的窑炉数据,并构成历史数据集;所述窑炉数据包括温度数据和功率数据;所述温区设定时间范围包括温度正常设定时间范围和温度异常设定时间范围,需要说明的是,本领域技术人员可根据具体情况设置温度正常设定时间范围的时间长度,本发明实施例不作具体限制。
在本实施例中,通过postman对温区的测点位号数据进行获取,在温度正常设定时间范围和温度异常设定时间范围内,以1分钟为间隔获取温度数据和功率数据,。在其他实施例中,也可以采用其他现有的采集方式和采集间隔来采集温区的温度数据和功率数据,在此不做赘述。
本实施例的一个例子如下:
针对不同温区的不同设定温度,本实施例选取不同炉的同一温区(比如各个窑炉的4u温区)在温度异常设定时间范围的温度数据和功率数据,本实施例优先将温度异常设定时间范围设置为温度异常前后6天,如表1所示。
表1炉区取值时间表
需要说明的是,对窑炉温度数据的检测也可以并不仅限于温度数据和功率数据,可根据需要添加其他窑炉数据使预测结果更加准确。
S12、根据所述历史数据集获取第一训练集和第一测试集,利用所述第一训练集分别对预先选取的若干初始温度预测模型进行训练,得到若干第一温度预测模型。
在本实施例中,所述根据历史数据集获取第一训练集和第一测试集的步骤包括:
根据所述历史数据集选取所述窑炉温区在其对应的温度异常设定时间范围内的窑炉数据,并将其作为待处理历史数据集;本实施例优先将温度异常设定时间范围设置为温度异常前后6天,本领域技术人员可根据实际情况具体设置,不局限本发明;
对所述待处理历史数据集进行预处理,得到预处理后的历史数据集;其中,所述预处理包括数据清洗处理;
根据所述预处理后的历史数据集获取第一训练集和第一测试集。
其中,所述数据清洗处理,具体包括:当所述待处理历史数据集中存在异常跳变的历史窑炉数据时,将所述异常跳变的历史窑炉数据替换为所有所述历史窑炉数据的中位数值,直至所述窑炉数据中不存在异常跳变的温度数据时;所述异常跳变的历史窑炉数据为与附近历史窑炉数据差值超过预设差值的温度数据。
本实施例在训练预测模型之前对获取的待处理历史数据进行清洗,如骤变为0的数据,将数据骤变为0的时刻的值,使用样本总体的中位数进行填充替换处理,获得清洗后的历史数据集,以避免骤变数据带来的误差干扰,比如:当所述窑炉数据中存在值为0的温度数据时,将所述值为0的温度数据替换为所有温度数据的中位数值,直至所述窑炉数据中不存在值为0的温度数据时;当所述窑炉数据中存在值为0的功率数据时,将所述值为0的功率数据替换为所有功率数据的中位数值,直至所述窑炉数据中不存在值为0的功率数据时。
S13、利用所述第一测试集分别测试若干所述第一温度预测模型,输出第一测试集输出误差,并根据所述第一测试集输出误差和第一测试误差预设范围,从所述第一温度预测模型中筛选出第二温度预测模型。
S14、利用预先获取的第二训练集分别对若干所述第二温度预测模型进行训练,得到第三温度预测模型。
S15、根据预先获取的第二测试集分别测试若干所述第三温度预测模型,输出第二测试集输出误差,并将所述第二测试集输出误差最小值对应的所述第三温度预测模型作为对应窑炉温区的最优温度预测模型。
S16、将在预设的预测前期时间段内采集到的所述窑炉温区的待预测窑炉数据输入所述最优温度预测模型,得到预测时间段的窑炉温区预测温度;其中,所述待预测窑炉数据包括待预测温度数据和待预测功率数据。
在本实施例中,历史数据集包括第一训练集和第一测试集,历史数据集一般为包含温度异常时间的前后6天的数据;所述第二训练集和所述第二测试集均包括所述窑炉温区在预设的预测前期时间段内的历史窑炉数据;其中,所述预设的预测前期时间段包括需要预测温度的时间前期的正常时间段和故障时间段;所述历史窑炉数据包括历史温度数据和历史功率数据。
本实施例通过以上两次对预测模型训练、测试,从而筛选出第二测试集输出误差最小值对应的所述第三温度预测模型作为对应窑炉温区的最优温度预测模型。需要说明的是,在选定合适数据集的情况下,也可以安排进行第三次或更多次的模型训练及测试筛选过程。
在本实施例中,所述预测模型包括:LSTM模型、RNN模型、GRU模型、CNN模型和GRN模型。优选的,本实施例可以采用基于LSTM(longshort term memory,长短时记忆神经网络)的方法,根据历史数据,对未来时刻的温度数据进行预测。
例如,需要做出提前12小时的加热棒预警,以提供足够的备料时间,因此进行对未来12小时的温度预测,考虑到也有加热功率数据,因此,将当前一段时间的加热功率数据和温区温度数据一起输入最优温度预测模型,作为特征预测未来12小时的窑炉温度数据,即使用从1到n时间段内的温度(t)和功率(p)预测出n+1到k时刻区间的温度值,如图2所示。
在实际建模中,首先确定时间步,例如以24小时为时间步来预测未来12小时的温度数据,随机在所需预测温度的温区上选取时间段进行预测并检验。
在本申请的其他实施例中,可根据实际情况选择更多窑炉的温区进行预测测试,如根据故障维修记录,均选择报修时间往前30天的数据,除去用来预测的数据,均用来训练初始温度预测模型。
可选地,在本申请中,对于不同窑炉的不同温区,设置对应训练好的模型进行预测,不同温区使用的最优温度预测模型不同,且在进行某一温区温度预测时,均预先采用预测时间前的数据集对预测模型再次进行训练,调整最优温度预测模型的参数。
当窑炉更换加热设备后,需要重复模型训练筛选的步骤,选择合适的预测模型。
本实施例在得到窑炉温区预测温度之后,还包括:
当所述窑炉温区预测温度超出预设温度阈值时,获取对应窑炉负责人的通信设备地址;
对所述对应窑炉负责人的设备地址发送提示信息。
若所述窑炉温区预测温度超出第一预设值,则呼叫所述对应窑炉负责人的通信设备地址并播放提示语音作为提示信息;
若所述窑炉温区预测温度超出第二预设值,则向所述对应窑炉负责人的通信设备地址发送短信作为提示信息;
所述第一预设值大于所述第二预设值。
当预测的温度出现波动较大的情况,会推送消息给相关责任人,提前应对温度波动较大的情况。
相关责任人可以设置不同的警报等级,对于不同的警报等级采用呼叫或短信等不同的提示方式,以更有针对性地实施应对措施。
在一个实施例中,本实施例提供的一种窑炉温度预测方法还包括:
根据所述窑炉温区的窑炉数据,获取若干统计模量,并根据所述统计模量,得到所述窑炉温区的温度分布特征;其中,所述统计模量包括均值、方差、偏度和峰度;
根据所述温度分布特征,得到窑炉温区温度变化趋势。
本实施例采用多种统计模量对窑炉数据(温区温度数据、功率数据)进行分析,得到所述窑炉温区的温度分布特征,以通过温度分布特征对窑炉温区温度进行分析,比如:对温度分布特征进行分析,得到窑炉温区温度变化趋势;当存在窑炉温区的温度异常时,说明加热棒需要进行更换,本实施例采用不同统计模量分别对温区异常前后的窑炉数据进行分析计算,得到对应的温度分布特征,根据温度分布特征,得到温区异常前、后的温度变化趋势,并对不同窑炉同一温区温度异常前、后的温度变化趋势进行比较分析,以根据异常前、后的温度变化趋势检测加热棒工况或者加热棒维修时间的正确性等,比如:在根据异常前、后的温度变化趋势判断到温度变化明显,则说明温区加热棒稳定性存在变化,本领域技术人员也可以根据异常前、后的温度变化趋势检测加热棒的质量等特性。设窑炉数据X=[x1,x2,...,xn],i表示第i个窑炉数据,n表示窑炉数据包含的元素个数,则X的统计值可以表示为:
其中,均值代表数据的中心位置,若X近似服从高斯分布,则数据基本分布在均值两侧;方差表示为数据变量对均值的偏离程度。方差也是变量X的第二阶中心矩。
偏度表征概率分布密度函数曲线相对于平均值的不对称程度,衡量随机变量概率分布的不对称性。
峰度表征概率分布密度函数曲线在平均值处的状态若峰度<3,则分布平缓;若峰度>3,则分布陡峭。
例如,本实施例可以生成7炉号4u温区(7#4u)在预定时间之内的温度与功率频率分布直方图,分析得出,温度集中分布在700℃附近,而7炉号4u温区的功率数据可以看作近似服从高斯分布,因此,本实施例可以根据温度和功率的数据特点对温度异常进行判别分析。
在另一实施例中,本实施例还可以采用ARIMA预测算法进行预测,ARIMA预测算法主要关注数据的未来某个时间节点的变化,而忽略其中的过程数据。具体体现为,关注数据在12小时后的数据节点位置,而不关注数据在12小时内是如何变化的。
本发明提供了一种窑炉温度预测方法,实现对窑炉未来温度进行预测,提前预知各温区温度变化趋势,协助技术人员提前发现窑炉温度异常提前判断并做出相应措施,降低温度波动较大对物料造成的影响。
基于上述一种窑炉温度预测方法,本发明实施例还提供了一种窑炉温度预测系统,如图3所示,所述系统包括:
数据获取模块1,用于获取任一窑炉温区在其对应的温区设定时间范围内的窑炉数据,并构成历史数据集;所述窑炉数据包括温度数据和功率数据;
第一筛选模块2,用于根据所述历史数据集获取第一训练集和第一测试集,利用所述第一训练集分别对预先选取的若干初始温度预测模型进行训练,得到若干第一温度预测模型;还用于利用所述第一测试集分别测试若干所述第一温度预测模型,输出第一测试集输出误差,并根据所述第一测试集输出误差和第一测试误差预设范围,从所述第一温度预测模型中筛选出第二温度预测模型;
第二筛选模块3,用于利用预先获取的第二训练集分别对若干所述第二温度预测模型进行训练,得到第三温度预测模型;还用于根据预先获取的第二测试集分别测试若干所述第三温度预测模型,输出第二测试集输出误差,并将所述第二测试集输出误差最小值对应的所述第三温度预测模型作为对应窑炉温区的最优温度预测模型;
温度预测模块4,用于将在预设的预测前期时间段内采集到的所述窑炉温区的待预测窑炉数据输入所述最优温度预测模型,得到预测时间段的窑炉温区预测温度。
关于一种窑炉温度预测系统的具体限定可以参见上文中对于一种窑炉温度预测方法的限定,在此不再赘述。上述系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图4示出一个实施例中计算机设备的内部结构图,该计算机设备具体可以是终端或服务器。如图4所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算设备可以包括比途中所示更多或更少的部件,或者组合某些部件,或者具有同样的部件布置。
综上,本发明提供了一种窑炉温度预测方法、系统、设备及介质,所述方法包括:利用监测到的窑炉数据得到历史数据集,并根据历史数据集获取第一训练集和第一测试集,利用第一训练集、第一测试集分别对预测模型进行训练、测试,并根据第一测试集输出误差初次筛选预测模型;利用预先获取的第二训练集、第二测试集再次分别训练、测试预测模型,并根据第二测试集输出误差筛选出最优温度预测模型;根据窑炉温区在预设的预测前期时间段内的窑炉数据和最优温度预测模型,得到预测时间段的窑炉温区预测温度。本发明实现对窑炉温区未来温度进行预测,不仅可以更加准确地预测窑炉温区未来温度,能够提前预知各温区温度变化趋势,而且降低了未来温度预测过程中的计算量。
本说明书中的各个实施例均采用递进的方式描述,各个实施例直接相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。需要说明的是,上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种窑炉温度预测方法,其特征在于,所述方法包括:
获取任一窑炉温区在其对应的温区设定时间范围内的窑炉数据,并构成历史数据集;所述窑炉数据包括温度数据和功率数据;
根据所述历史数据集获取第一训练集和第一测试集,利用所述第一训练集分别对预先选取的若干初始温度预测模型进行训练,得到若干第一温度预测模型;
利用所述第一测试集分别测试若干所述第一温度预测模型,输出第一测试集输出误差,并根据所述第一测试集输出误差和第一测试误差预设范围,从所述第一温度预测模型中筛选出第二温度预测模型;
利用预先获取的第二训练集分别对若干所述第二温度预测模型进行训练,得到第三温度预测模型;
根据预先获取的第二测试集分别测试若干所述第三温度预测模型,输出第二测试集输出误差,并将所述第二测试集输出误差最小值对应的所述第三温度预测模型作为对应窑炉温区的最优温度预测模型;
将在预设的预测前期时间段内采集到的所述窑炉温区的待预测窑炉数据输入所述最优温度预测模型,得到预测时间段的窑炉温区预测温度。
2.根据权利要求1所述的一种窑炉温度预测方法,其特征在于,所述根据历史数据集获取第一训练集和第一测试集的步骤包括:
根据所述历史数据集选取所述窑炉温区在其对应的温度异常设定时间范围内的窑炉数据,并将其作为待处理历史数据集;
对所述待处理历史数据集进行预处理,得到预处理后的历史数据集;其中,所述预处理包括数据清洗处理;
根据所述预处理后的历史数据集获取第一训练集和第一测试集。
3.根据权利要求2所述的一种窑炉温度预测方法,其特征在于,所述数据清洗处理,具体包括:
当所述待处理历史数据集中存在异常跳变的历史窑炉数据时,将所述异常跳变的历史窑炉数据替换为所有所述历史窑炉数据的中位数值,直至所述窑炉数据中不存在异常跳变的温度数据时;所述异常跳变的历史窑炉数据为与附近历史窑炉数据差值超过预设差值的温度数据。
4.根据权利要求1所述的一种窑炉温度预测方法,其特征在于:
所述第二训练集和所述第二测试集均包括所述窑炉温区在预设的预测前期时间段内的历史窑炉数据;其中,所述预设的预测前期时间段包括预测前期正常时间段和预测前期故障时间段。
5.根据权利要求1所述的一种窑炉温度预测方法,其特征在于:所述初始温度预测模型包括:LSTM模型、RNN模型、GRU模型、CNN模型和GRN模型。
6.根据权利要求1所述的一种窑炉温度预测方法,其特征在于,所述方法还包括:
根据所述窑炉温区的窑炉数据,获取若干统计模量,并根据所述统计模量,得到所述窑炉温区的温度分布特征;
根据所述温度分布特征,得到窑炉温区温度变化趋势。
7.根据权利要求6所述的一种窑炉温度预测方法,其特征在于:所述统计模量包括均值、方差、偏度和峰度。
8.一种窑炉温度预测系统,其特征在于,所述系统包括:
数据获取模块,用于获取任一窑炉温区在其对应的温区设定时间范围内的窑炉数据,并构成历史数据集;所述窑炉数据包括温度数据和功率数据;
第一筛选模块,用于根据所述历史数据集获取第一训练集和第一测试集,利用所述第一训练集分别对预先选取的若干初始温度预测模型进行训练,得到若干第一温度预测模型;还用于利用所述第一测试集分别测试若干所述第一温度预测模型,输出第一测试集输出误差,并根据所述第一测试集输出误差和第一测试误差预设范围,从所述第一温度预测模型中筛选出第二温度预测模型;
第二筛选模块,用于利用预先获取的第二训练集分别对若干所述第二温度预测模型进行训练,得到第三温度预测模型;还用于根据预先获取的第二测试集分别测试若干所述第三温度预测模型,输出第二测试集输出误差,并将所述第二测试集输出误差最小值对应的所述第三温度预测模型作为对应窑炉温区的最优温度预测模型;
温度预测模块,用于将在预设的预测前期时间段内采集到的所述窑炉温区的待预测窑炉数据输入所述最优温度预测模型,得到预测时间段的窑炉温区预测温度。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646614.8A CN115983114A (zh) | 2022-12-19 | 2022-12-19 | 一种窑炉温度预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646614.8A CN115983114A (zh) | 2022-12-19 | 2022-12-19 | 一种窑炉温度预测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983114A true CN115983114A (zh) | 2023-04-18 |
Family
ID=85957491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211646614.8A Pending CN115983114A (zh) | 2022-12-19 | 2022-12-19 | 一种窑炉温度预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983114A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056644A (zh) * | 2023-10-12 | 2023-11-14 | 苏州科尔珀恩机械科技有限公司 | 基于机器学习的工业窑炉温度预测方法及系统 |
-
2022
- 2022-12-19 CN CN202211646614.8A patent/CN115983114A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056644A (zh) * | 2023-10-12 | 2023-11-14 | 苏州科尔珀恩机械科技有限公司 | 基于机器学习的工业窑炉温度预测方法及系统 |
CN117056644B (zh) * | 2023-10-12 | 2023-12-26 | 苏州科尔珀恩机械科技有限公司 | 基于机器学习的工业窑炉温度预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5091604B2 (ja) | 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム | |
CN115983114A (zh) | 一种窑炉温度预测方法、系统、设备及介质 | |
JP6733164B2 (ja) | プロセス監視装置、プロセス監視方法及びプログラム | |
US20210096532A1 (en) | Information processing method, information processing apparatus, and non-transitory computer-readable recording medium | |
CN113383282A (zh) | 校正离子注入半导体制造工具中的部件故障 | |
JP2018112903A (ja) | プラント運転支援装置、プラント運転支援方法、プラント運転支援プログラム及び記録媒体 | |
US11803165B2 (en) | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program | |
JP2004178492A (ja) | 強化学習法を用いたプラントシミュレーション方法 | |
JP2007224918A (ja) | 制限値超過を判断する方法 | |
JP2007052739A (ja) | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム | |
US20200097381A1 (en) | Data processing method, data processing device, data processing system, and non-transitory computer-readable recording medium | |
JP2008146157A (ja) | ネットワーク異常判定装置 | |
JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
JPH102843A (ja) | 製造工程管理システム | |
JP7089438B2 (ja) | プラント操業支援装置 | |
JP7107386B2 (ja) | 情報処理装置 | |
CN115971597A (zh) | 回流焊的温度监控方法、设备及存储介质 | |
CN110895624A (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
CN115964942A (zh) | 一种动力电池材料烧制系统加热组件老化预测方法及系统 | |
US10521716B2 (en) | Computer-assisted analysis of a data record from observations | |
CN111651503A (zh) | 一种配电网数据异常识别方法、系统及终端设备 | |
JPWO2017183066A1 (ja) | ウインドウ評価方法および分析装置 | |
JP2002183250A (ja) | 製造プロセスにおける解析装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
JP7248100B2 (ja) | 監視方法、監視装置、プログラム | |
CN117725541B (zh) | 退火炉运行状态智能监控与故障诊断系统 |
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 |