CN117034767A - 一种基于kpca-gwo-gru的陶瓷辊道窑温度预测方法 - Google Patents
一种基于kpca-gwo-gru的陶瓷辊道窑温度预测方法 Download PDFInfo
- Publication number
- CN117034767A CN117034767A CN202311011816.XA CN202311011816A CN117034767A CN 117034767 A CN117034767 A CN 117034767A CN 202311011816 A CN202311011816 A CN 202311011816A CN 117034767 A CN117034767 A CN 117034767A
- Authority
- CN
- China
- Prior art keywords
- gru
- data set
- prediction model
- kpca
- gwo
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000000919 ceramic Substances 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000010304 firing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 19
- 241000282461 Canis lupus Species 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000003723 Smelting Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 14
- 230000009467 reduction Effects 0.000 description 11
- 241000282421 Canidae Species 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004579 marble Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及辊道窑冶炼技术领域，尤其涉及一种基于KPCA‑GWO‑GRU的陶瓷辊道窑温度预测方法，包括对陶瓷辊道窑烧成带温度的历史数据集进行预处理，采用KPCA算法进行特征选择，随机划分为训练数据集与测试数据集，并设置成滑动时间窗口的格式；构建初始的GRU预测模型；随机初始化超参数，采用训练集对初始的GRU预测模型进行训练；采用GWO算法对训练后的GRU预测模型进行超参数寻优；采用测试集对最优条件下的GRU预测模型进行迭代测试；通过误差评价指标对N个测试结果和GRU预测模型进行评价，输出预测精准度最高的GRU预测模型。本发明利用具有强大的特征提取和非线性处理能力的深度学习技术，通过启发式算法对深度学习参数进行寻优，以更精确地对陶瓷辊道窑温度进行预测。
Description
技术领域
本发明涉及辊道窑冶炼技术领域，尤其涉及一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法。
背景技术
陶瓷制品在辊道窑中的烧制是一个高度非线性的过程，受温度、风压、风速、陶瓷块转动频率等参数的深刻影响。同时，辊道窑燃烧需要大量燃料，陶瓷生产能耗占据建材生产总能耗的40％，因此，陶瓷生产过程辊道窑烧成带温度的精准预测具有重大意义对于提高陶瓷生产效率、降低生产成本、减少排放具有重要意义。
一般来说，直接测量方法由于工况复杂、条件恶劣的限制，在很大程度上受到限制，而基于物理的方法(如机理模型)的缺点是估算结果对参数误差非常敏感，而关键参数因子(如：风压、风速、陶瓷块)有时难以测量。因此，有必要构建数据驱动模型，在参数信息较少的情况下对烧成带进行估计。
近年来，各种数据驱动的浅层机器学习(ML)模型，如人工神经网络(ANN)、径向基函数神经网络(RBFNN)、多层人工神经网络(MLNN)、极限学习机(ELM)、随机森林(RF)、支持向量机(SVM)等，已被广泛用于回归预测。这些模型具有很好的对变量与复杂非线性参数进行建模的能力。由于ML模型的超参数决定了估计结果和精度，因此采用元启发式算法，包括遗传算法(GA)、粒子群优化算法(PSO)、鲸鱼优化算法(WOA)、传粉算法(FPA)、灰狼优化算法(GWO)等，获得ML模型的最优超参数。此外，可利用Kendall-τ相关系数和熵权、KPCA降维、相关性分析等数据预处理技术，寻找ML模型的有效输入组合。
目前各种文献综述表明，混合元启发式算法和数据预处理技术的浅ML模型(即混合模型)比浅ML模型或基于物理的方法具有更高的估计精度。这些模型被推荐为在有限参数条件下对变量进行建模预测的最佳选择。
虽然混合了适当的元启发算法和数据预处理技术的浅ML模型已经被证明有可能进行各种回归预测，但由于浅ML模型的结构不能完全模拟变量与各种复杂参数的非线性关系，这些混合模型的输出存在较大误差。
发明内容
本发明的目的在于提出一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，利用具有强大的特征提取和非线性处理能力的深度学习技术，通过启发式算法对深度学习参数进行寻优，以更精确地对陶瓷辊道窑温度进行预测。
为达此目的，本发明采用以下技术方案：
一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，包括以下步骤：
S1、获取陶瓷辊道窑烧成带温度的历史数据集，对历史数据集进行预处理，得到初始数据集；
S2、采用KPCA算法对初始数据集进行特征选择，降低初始数据集的维度，获得适合用于建模的建模数据集；
S3、将建模数据集随机划分为训练数据集与测试数据集，并将训练集与测试集设置成滑动时间窗口的格式；其中训练数据集与测试数据集的比值为9：1；
S4、构建初始的GRU预测模型，并设置超参数和评价阈值；
S5、随机初始化超参数，采用训练集对初始的GRU预测模型进行训练，得到训练后的GRU预测模型；
S6、采用GWO算法对训练后的GRU预测模型进行超参数寻优，得到最优条件下的GRU预测模型；
S7、采用测试集对最优条件下的GRU预测模型进行迭代测试，生成N个测试结果，其中，N为正整数；
S8、通过误差评价指标对N个测试结果和GRU预测模型进行评价，评价预测准精度，输出预测精准度最高的GRU预测模型。
优选的，在S1中，所述历史数据集包括烧成带温度数据和各种相关参数数据，其中各种相关参数数据包括风压、风机频率、风机电流和煤气压力；
所述对历史数据集进行预处理，具体包括以下步骤：
对历史数据集根据拉依达准则进行检验，并对异常或缺失的烧成带温度数据用前后相邻时刻的温度均值进行替换。
优选的，在S2中，所述采用KPCA算法对初始数据集进行特征选择，具体包括以下步骤：
S21、设样本数量为n，影响因素数量为m，建立映射函数为：
其中，xi为第i个样本数据；φ(xi)为映射函数；Rm为m维的输入样本；Rk为k维的输出样本；
S22、在映射过程中，得到特征空间的协方差矩阵C：
S23、设协方差矩阵C的特征值λ＝{λ1,λ2,...,λn}(λ≥0)，特征值λ对应的特征向量ν＝{ν1,ν2,...,νn}，两者满足如下关系：
S24、设降维过程中核函数为将公式(2)和公式(3)代入公式/>最终得到nλa＝Ka,其中a为K的特征向量，特征值为nλ；
S25、在进行特征空间变换的过程中,xi的投影为：
根据实际情况，选取公式(4)中的前几个重要分量作为主成分。
优选的，在S3中，所述将训练集与测试集设置成滑动时间窗口的格式，具体包括以下步骤：
设定固定的时间长度和窗口大小，在训练集与测试集的原始时间序列数据上按照顺序滑动，并取出与该窗口大小相同的一段时间长度的序列数据。
优选的，在S4中，所述构建初始的GRU预测模型，具体包括以下公式：
rt＝σ(Wr·[ht-1,xt]) (5)
zt＝σ(Wz·[ht-1,xt]) (6)
其中，rt为重置门；zt为更新门；xt为当前输入；为当前输入和先前隐藏层状态汇总；ht为更新记忆后的隐藏层输出；Wr和Wz分别为重置门和更新门的权重矩阵；Wh为隐藏层权重矩阵；σ和tan分别为sigmoid激活函数和双曲正切激活函数。
优选的，在S6中，所述采用GWO算法对训练后的GRU预测模型进行超参数寻优，具体包括以下公式：
在狩猎过程中包围猎物的过程，采用以下公式表示：
其中，D表示猎物与灰狼的交互作用，t为当前迭代，Xp(t)和X分别为迭代中猎物和灰狼的位置向量；A和C表示参数向量；
其中，α为从2到0的线性递减向量，和/>分别表示[0,1]中随机生成的向量。
优选的，在S8中，所述S通过误差评价指标对N个测试结果和GRU预测模型进行评价，评价预测准精度，具体包括以下公式：
其中，R2表示拟合系数；MAPE表示平均绝对百分比误差；RMSE表示平均方根误差；MAE表示平均绝对误差；n为样本个数，yi为实际样本值，为样本均值，/>为预测样本值。
上述技术方案中的一个技术方案具有以下有益效果：
1、由于陶瓷辊道窑烧成带温度数据的前后时间存在关系，所以数据处理可以使用滑动时间窗口的格式对数据进行处理，弥补常规温度预测模型未对时间考虑导致的误差；
2、针对辊道窑烧成带温度非线性、不平稳、易干扰且相关参数繁杂的特点，提出用KPCA算法对温度预测相关的繁杂参数进行相关性分析降维，这样能够把对温度有影响的因素筛选出来，以提高模型的预测效率；
3、由于机理模型建模误差较大及浅层机器学习模型学习能力有限，引入了GRU深度学习模型，解决机器学习难以对复杂情况建模、在数据量大的情况下回归预测表现不佳的问题；
4、采用参数寻优以及误差评价指标的方法，不仅寻找到最适合深度学习模型的超参数，同时预测精准度高的深度学习模型。
附图说明
图1是本发明在一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法的流程示意图；
图2是本发明在一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法的原理示意图；
图3是本发明在一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法的GWO算法的原理示意图；
图4是本发明在一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法的GRU算法的原理示意图；
图5是本发明在一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法的一实施例的结构示意图；
图6是本发明在一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法的一实施例的参数示意图；
图7是本发明在一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法的一实施例的结果示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1-2所示，一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，包括以下步骤：
S1、获取陶瓷辊道窑烧成带温度的历史数据集，对历史数据集进行预处理，得到初始数据集；
S2、采用KPCA算法对初始数据集进行特征选择，降低初始数据集的维度，获得适合用于建模的建模数据集；
S3、将建模数据集随机划分为训练数据集与测试数据集，并将训练集与测试集设置成滑动时间窗口的格式；其中训练数据集与测试数据集的比值为9：1；
S4、构建初始的GRU预测模型，并设置超参数和评价阈值；
S5、随机初始化超参数，采用训练集对初始的GRU预测模型进行训练，得到训练后的GRU预测模型；
S6、采用GWO算法对训练后的GRU预测模型进行超参数寻优，得到最优条件下的GRU预测模型；
S7、采用测试集对最优条件下的GRU预测模型进行迭代测试，生成N个测试结果，其中，N为正整数；
S8、通过误差评价指标对N个测试结果和GRU预测模型进行评价，评价预测准精度，输出预测精准度最高的GRU预测模型。
由于辊道窑烧成带温度相关参数众多，使得陶瓷烧成过程具有时滞、非线性和多干扰的特点。为解决上述技术问题，本发明提出了一种基于KPCA-GWO-GRU的辊道窑烧成带温度预测方法。
首先，引入KPCA算法可有效地提取数据集内参数的非线性特征，筛选出包含主要信息的主成分，降低影响因素的变量维度；同时对烧成带的各种参数进行相关性分析降维，再用GRU预测模型提取时序特征对温度进行预测，再利用GWO算法对GRU预测模型的几个超参数进行优化，寻求最优条件。最后利用测试数据集对GRU预测模型再进行一次一次的迭代和评价来减少误差，提高GRU预测模型的预测准确度。
综上，本发明与现有技术相比，具有的优点及带来的有益效果如下：
1、由于陶瓷辊道窑烧成带温度数据的前后时间存在关系，所以数据处理可以使用滑动时间窗口的格式对数据进行处理，弥补常规温度预测模型未对时间考虑导致的误差；
2、针对辊道窑烧成带温度非线性、不平稳、易干扰且相关参数繁杂的特点，提出用KPCA算法对温度预测相关的繁杂参数进行相关性分析降维，这样能够把对温度有影响的因素筛选出来，以提高模型的预测效率；
3、由于机理模型建模误差较大及浅层机器学习模型学习能力有限，引入了GRU深度学习模型，解决机器学习难以对复杂情况建模、在数据量大的情况下回归预测表现不佳的问题；
4、采用参数寻优以及误差评价指标的方法，不仅寻找到最适合深度学习模型的超参数，同时预测精准度高的深度学习模型。
更进一步的说明，在S1中，所述历史数据集包括烧成带温度数据和各种相关参数数据，其中各种相关参数数据包括风压、风机频率、风机电流和煤气压力；
所述对历史数据集进行预处理，具体包括以下步骤：
对历史数据集根据拉依达准则进行检验，并对异常或缺失的烧成带温度数据用前后相邻时刻的温度均值进行替换。
由于对历史数据集进行预处理中采用了拉依达准则筛除异常数据，为后续陶瓷辊道窑烧成带温度预测提供数据基础，以提高预测效率和预测的准确率。
更进一步的说明，在S2中，所述采用KPCA算法对初始数据集进行特征选择，具体包括以下步骤：
S21、设样本数量为n，影响因素数量为m，建立映射函数为：
其中，xi为第i个样本数据；φ(xi)为映射函数；Rm为m维的输入样本；Rk为k维的输出样本；
S22、在映射过程中，得到特征空间的协方差矩阵C：
S23、设协方差矩阵C的特征值λ＝{λ1,λ2,...,λn}(λ≥0)，特征值λ对应的特征向量ν＝{ν1,ν2,...,νn}，两者满足如下关系：
S24、设降维过程中核函数为将公式(2)和公式(3)代入公式/>最终得到nλa＝Ka,其中a为K的特征向量，特征值为nλ；
S25、在进行特征空间变换的过程中,xi的投影为：
根据实际情况，选取公式(4)中的前几个重要分量作为主成分。
由于窑炉烧成带数据的非线性和非平稳性，同时烧成带相关的参数也比较多，有如预热带和冷却带每一段的温度、煤气压力，烧成周期、各种抽烟风机频率和电流、烧成尺码、冲压次数、烧成厚度等，由于现有的PCA降维算法的局限性(只能处理线性数据)，所以采用核主成分分析(KPCA)对预输入数据进行降维和特征提取。
核主成分分析(KPCA)是一种非线性数据处理方法，KPCA是在PCA算法的基础上引入一个核函数，先将数据映射到高维特征空间，然后进行线性变换，以达到数据区分和降维的效果。
在辊道窑烧成带的影响因素中，影响因素相对较多，且具有非常明显的非线性特征，因此可以使用KPCA算法进行处理。
更进一步的说明，在S3中，所述将训练集与测试集设置成滑动时间窗口的格式，具体包括以下步骤：
设定固定的时间长度和窗口大小，在训练集与测试集的原始时间序列数据上按照顺序滑动，并取出与该窗口大小相同的一段时间长度的序列数据。
滑动时间窗口是一种常用的时间序列数据预处理技术，它可以将时间序列数据转化为滑动窗口内的多个小块，并且在每一个小块里包含了当前的输入数据和目标数据。因此，滑动时间窗口可以用来生成训练样本和测试样本，以便进行时序数据的预测和建模。
具体来说，对于时间长度为T1的时间序列数据X，X2，...，XT1，如果设置窗口大小为T2，则可以从X1到XT1-T2+1的位置开始，每隔K个时间步骤(步长)，就可以产生一个窗口，这个窗口就包括了K时刻到K+T2-1时刻的时间序列数据。
通过滑动时间窗口，可以得到多个长度为T2的、连续的、有重叠部分的小块，而每个小块中都包括了当前的输入数据和目标数据，其中输入数据是窗口内前T2-1个时间步骤对应的时间序列数据，而目标数据则是窗口最后一个时间步骤对应的时间序列数据。通过这些小块，就可以将原始时间序列数据转化为多个训练样本和测试样本，以用于后续的机器学习模型的建立和分析。
更进一步的说明，在S4中，所述构建初始的GRU预测模型，具体包括以下公式：
rt＝σ(Wr·[ht-1,xt]) (5)
zt＝σ(Wz·[ht-1,xt]) (6)
其中，rt为重置门；zt为更新门；xt为当前输入；为当前输入和先前隐藏层状态汇总；ht为更新记忆后的隐藏层输出；Wr和Wz分别为重置门和更新门的权重矩阵；Wh为隐藏层权重矩阵；σ和tan分别为sigmoid激活函数和双曲正切激活函数。
GRU是2014年发布的一种方法，它允许每个重复单元在多个时间尺度上自适应地记录依赖关系。GRU作为LSTM的一个版本，既保留了LSTM的效果，又简化了LSTM的构造，使其广受欢迎。GRU神经网络是对RNN的改进，通过引入“门”结构有效克服RNN1`中长依赖和梯度消失的问题，其网络神经元中主要包含两个“门”结构，分别为更新门和重置门，其门控循环单元结构如图4所示，其中zt和rt分别代表更新门和复位门，箭头方向表示数据流向，其中，更新门zt实现对前一时刻隐藏状态信息的选择性遗忘,重置门rt实现对当前状态和之前信息的选择性记忆，rt和zt的值越接近0，说明上一时刻需要遗忘的信息多；其值越接近1，代表记忆下来的信息越多。
GRU模型的输入为时刻t的输入xt和时刻t-1的隐藏状态xt-1，其中包含来自先验节点的信息。输出结果是隐藏节点在时刻t的输出yt和转移到下一个节点的隐藏状态ht。
GRU模型只保留两个门，即更新门和重置门，它们调节过去状态信息与当前上下文的结合。具体来说，更新门控制要包含在当前状态中的过去状态信息的数量。更新门的值越高，就允许从以前的状态传递更多的信息到当前状态。另一方面，复位门负责确定要忽略的先前状态信息的数量。复位门的值越低，表示丢弃的状态信息越少。
更进一步的说明，在S6中，所述采用GWO算法对训练后的GRU预测模型进行超参数寻优，具体包括以下公式：
在狩猎过程中包围猎物的过程，采用以下公式表示：
其中，D表示猎物与灰狼的交互作用，t为当前迭代，Xp(t)和X分别为迭代中猎物和灰狼的位置向量；A和C表示参数向量；
其中，α为从2到0的线性递减向量，和/>分别表示[0,1]中随机生成的向量。
灰狼优化(GWO)是一种群体智能优化模型，具有灵活、简单和非衍生机制等优点。此外，它有一个有限的控制代理调整，和优越的收敛性。一些研究发现，与其他传统优化模型相比，GWO具有更好的数值特性，可以防止局部最优，并被认为是解决高度非线性、多元和多模态优化问题的一种方便的随机方法。GWO是一种新的元启发式算法技术，最初由Mirjalili等人提出，其灵感来自灰狼的狩猎和社会等级。灰狼群本质上分为四个等级，分别是alpha(α)、beta(β)、delta(σ)和omega(Ω)。等级制度的最高层次是阿尔法，狼群中占优势的领导狼。此外，关键的决定是由阿尔法灰狼做出的。灰狼的第二等级是贝塔狼，他们作为导师并提供反馈，以授权和帮助阿尔法狼。另一方面，三角洲狼服从阿尔法和贝塔狼的命令，统治着欧米伽狼。最后，欧米伽狼是等级制度中最低的群体，跟随其他占统治地位的狼。
灰狼狩猎过程的初级阶段包括狩猎、包围和攻击猎物。在GWO算法中，层次的结构为最适合的解决方案、第二最佳解决方案、第三最佳解决方案，以及其他解决方案候选解。图3给出了GWO算法的流程图，以便更好地理解GWO算法的工作原理。
更进一步的说明，在S8中，所述S通过误差评价指标对N个测试结果和GRU预测模型进行评价，评价预测准精度，具体包括以下公式：
其中，R2表示拟合系数；MAPE表示平均绝对百分比误差；RMSE表示平均方根误差；MAE表示平均绝对误差；n为样本个数，yi为实际样本值，为样本均值，/>为预测样本值。
本发明提供一种实施例用于对陶瓷辊道窑温度进行实际预测，证明本发明预测方法中基于KPCA-GWO-GRU的模型的有效性和泛化性。
本发明是使用深度学习模型预测陶瓷辊道窑烧成带窑头的温度。采集的是佛山某公司辊道窑GF-mbA80102(大理石)烧成带传感器上的温度数据以及各种相关参数如(二次风压、风机频率、窑炉速度、煤气压力等等)。如图5、图6所示。
1、KPCA算法降维
首先利用核主成分分析降维算法(KPCA算法)，对陶瓷辊道窑烧成带相关参数进行降维，经过KPCA降维处理之后，分解炉出口温度的影响因素由30维降至5维，累计贡献率达到90％以上。KPCA算法对前5个主成分的单个贡献率及累计贡献率见表1。
表1 KPCA算法对30个影响因素的处理结果
| 单元序号 | 贡献率％ | 累计贡献率％ |
| K1 | 41.348 | 41.348 |
| K2 | 22.742 | 64.09 |
| K3 | 13.038 | 77.128 |
| K4 | 9.293 | 86.421 |
| K5 | 5.370 | 91.791 |
为了更好地验证KPCA算法在数据筛选方面的优越性，引入用PCA数据筛选方法处理主成分的单个贡献率及累计贡献率，见表2。
表2 PCA对30个影响因素的处理结果
由于辊道窑烧成带出口温度具有非线性、强耦合性、多干扰、大时滞等特征，PCA只能进行线性变化，在非线性数据处理时往往得不到较好的期望效果；而KPCA可以进行非线性变化，能将原数据通过引入隐性非线性映射函数映射到高维空间，然后对此空间执行算法进行线性降维，对数据的筛选效果更好。实验结果表明，KPCA对主成分的累计贡献率要高于PCA。
2、GWO-GRU模型预测
设计了GWO算法，对GRU模型进行优化，构建基于灰狼算法优化GRU的温度预测模型。其结果确定了GRU模型窗口大小和神经元数量。GWO参数设置如下：灰狼数量＝50；最大迭代次数＝100；下界＝-20；上界＝20；维度数＝3；适应度函数＝GRU模型结果。使用GRU网络在训练中的RMSE结果作为适应度值，对模型进行杂交。训练数据首先使用随机确定的超参数进行训练，并在测试数据上评估其成功程度。接下来，应用GWO算法，并将结果作为超参数(神经元数和窗口大小)。之后，对网络进行再训练，并通过误差评价指标(RMSE)测量方法确定其在测试数据集中的成功程度。重复相同的过程直到迭代结束，并将最佳结果与使用随机确定的超参数的网络训练结果进行比较。
表3各种模型预测结果指标
由图7预测结果及预测指标对比表3证明了模型良好的泛化性和拟合非线性数据的能力，所提出的模型预测结果可以较好的拟合辊道窑烧成带温度的变化趋势，可作为后期的指导，对企业降低成本、指导后期工作具有重大意义。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，其特征在于，包括以下步骤：
S1、获取陶瓷辊道窑烧成带温度的历史数据集，对历史数据集进行预处理，得到初始数据集；
S2、采用KPCA算法对初始数据集进行特征选择，降低初始数据集的维度，获得适合用于建模的建模数据集；
S3、将建模数据集随机划分为训练数据集与测试数据集，并将训练集与测试集设置成滑动时间窗口的格式；其中训练数据集与测试数据集的比值为9：1；
S4、构建初始的GRU预测模型，并设置超参数和评价阈值；
S5、随机初始化超参数，采用训练集对初始的GRU预测模型进行训练，得到训练后的GRU预测模型；
S6、采用GWO算法对训练后的GRU预测模型进行超参数寻优，得到最优条件下的GRU预测模型；
S7、采用测试集对最优条件下的GRU预测模型进行迭代测试，生成N个测试结果，其中，N为正整数；
S8、通过误差评价指标对N个测试结果和GRU预测模型进行评价，评价预测准精度，输出预测精准度最高的GRU预测模型。
2.根据权利要求1所述的一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，其特征在于，在S1中，所述历史数据集包括烧成带温度数据和各种相关参数数据，其中各种相关参数数据包括风压、风机频率、风机电流和煤气压力；
所述对历史数据集进行预处理，具体包括以下步骤：
对历史数据集根据拉依达准则进行检验，并对异常或缺失的烧成带温度数据用前后相邻时刻的温度均值进行替换。
3.根据权利要求2所述的一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，其特征在于，在S2中，所述采用KPCA算法对初始数据集进行特征选择，具体包括以下步骤：
S21、设样本数量为n，影响因素数量为m，建立映射函数为：
其中，xi为第i个样本数据；φ(xi)为映射函数；Rm为m维的输入样本；Rk为k维的输出样本；
S22、在映射过程中，得到特征空间的协方差矩阵C：
S23、设协方差矩阵C的特征值λ＝{λ1,λ2,...,λn}(λ≥0)，特征值λ对应的特征向量ν＝{ν1,ν2,...,νn}，两者满足如下关系：
S24、设降维过程中核函数为将公式(2)和公式(3)代入公式/>最终得到nλa＝Ka,其中a为K的特征向量，特征值为nλ；
S25、在进行特征空间变换的过程中,xi的投影为：
根据实际情况，选取公式(4)中的前几个重要分量作为主成分。
4.根据权利要求3所述的一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，其特征在于，在S3中，所述将训练集与测试集设置成滑动时间窗口的格式，具体包括以下步骤：
设定固定的时间长度和窗口大小，在训练集与测试集的原始时间序列数据上按照顺序滑动，并取出与该窗口大小相同的一段时间长度的序列数据。
5.根据权利要求1所述的一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，其特征在于，在S4中，所述构建初始的GRU预测模型，具体包括以下公式：
rt＝σ(Wr·[ht-1,xt]) (5)
zt＝σ(Wz·[ht-1,xt]) (6)
其中，rt为重置门；zt为更新门；xt为当前输入；为当前输入和先前隐藏层状态汇总；ht为更新记忆后的隐藏层输出；Wr和Wz分别为重置门和更新门的权重矩阵；Wh为隐藏层权重矩阵；σ和tan分别为sigmoid激活函数和双曲正切激活函数。
6.根据权利要求1所述的一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，其特征在于，在S6中，所述采用GWO算法对训练后的GRU预测模型进行超参数寻优，具体包括以下公式：
在狩猎过程中包围猎物的过程，采用以下公式表示：
其中，D表示猎物与灰狼的交互作用，t为当前迭代，Xp(t)和X分别为迭代中猎物和灰狼的位置向量；A和C表示参数向量；
其中，α为从2到0的线性递减向量，和/>分别表示[0,1]中随机生成的向量。
7.根据权利要求1所述的一种基于KPCA-GWO-GRU的陶瓷辊道窑温度预测方法，其特征在于，在S8中，所述S通过误差评价指标对N个测试结果和GRU预测模型进行评价，评价预测准精度，具体包括以下公式：
其中，R2表示拟合系数；MAPE表示平均绝对百分比误差；RMSE表示平均方根误差；MAE表示平均绝对误差；n为样本个数，yi为实际样本值，为样本均值，/>为预测样本值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311011816.XA CN117034767A (zh) | 2023-08-11 | 2023-08-11 | 一种基于kpca-gwo-gru的陶瓷辊道窑温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311011816.XA CN117034767A (zh) | 2023-08-11 | 2023-08-11 | 一种基于kpca-gwo-gru的陶瓷辊道窑温度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117034767A true CN117034767A (zh) | 2023-11-10 |
Family
ID=88631300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311011816.XA Pending CN117034767A (zh) | 2023-08-11 | 2023-08-11 | 一种基于kpca-gwo-gru的陶瓷辊道窑温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034767A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744503A (zh) * | 2024-02-20 | 2024-03-22 | 北京科技大学 | 一种转炉出钢温度的预测方法 |
| CN117807410A (zh) * | 2024-02-29 | 2024-04-02 | 东北大学 | 转钢辊道设定速度的确定方法及装置、存储介质、终端 |
| CN117807410B (zh) * | 2024-02-29 | 2024-05-31 | 东北大学 | 转钢辊道设定速度的确定方法及装置、存储介质、终端 |
-
2023
- 2023-08-11 CN CN202311011816.XA patent/CN117034767A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744503A (zh) * | 2024-02-20 | 2024-03-22 | 北京科技大学 | 一种转炉出钢温度的预测方法 |
| CN117807410A (zh) * | 2024-02-29 | 2024-04-02 | 东北大学 | 转钢辊道设定速度的确定方法及装置、存储介质、终端 |
| CN117807410B (zh) * | 2024-02-29 | 2024-05-31 | 东北大学 | 转钢辊道设定速度的确定方法及装置、存储介质、终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111848B (zh) | 一种基于rnn-cnn神经网络融合算法的人体周期表达基因识别方法 | |
| CN109360604B (zh) | 一种卵巢癌分子分型预测系统 | |
| CN108732931B (zh) | 一种基于jit-rvm的多模态间歇过程建模方法 | |
| CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
| CN109472397B (zh) | 基于粘度变化的聚合工艺参数调节方法 | |
| CN110600085B (zh) | 一种基于Tree-LSTM的有机物物理化学性质预测方法 | |
| CN117034767A (zh) | 一种基于kpca-gwo-gru的陶瓷辊道窑温度预测方法 | |
| CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
| CN113780420B (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
| CN111917785A (zh) | 一种基于de-gwo-svr的工业互联网安全态势预测方法 | |
| CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
| CN111931418A (zh) | 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 | |
| CN113241122A (zh) | 自适应弹性网与深度神经网络融合的基因数据变量选择及分类方法 | |
| CN115905855A (zh) | 一种改进的元学习算法MG-Reptile | |
| CN113204918B (zh) | 水泥窑生产能耗的建模方法 | |
| CN112926251B (zh) | 一种基于机器学习的滑坡位移高精度预测方法 | |
| CN114117852A (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
| CN115525697A (zh) | 一种基于中药生产数据挖掘的工艺优化方法 | |
| CN113486952B (zh) | 一种基因调控网络的多因素模型优化方法 | |
| Li et al. | Temperature modeling of wave rotor refrigeration process based on elastic net variable selection and deep belief network | |
| Li et al. | Modeling and optimum operating conditions for FCCU using artificial neural network | |
| Tan et al. | Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm. | |
| Yang et al. | Prediction of Shanghai air quality index based on BP neural network optimized by genetic algorithm | |
| CN114881106A (zh) | 一种基于mpa-svm的变压器故障诊断方法及装置 | |
| Li et al. | Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace |
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 |