CN117272847A - 加热棒温度数据的预测方法及装置 - Google Patents
加热棒温度数据的预测方法及装置 Download PDFInfo
- Publication number
- CN117272847A CN117272847A CN202311562475.5A CN202311562475A CN117272847A CN 117272847 A CN117272847 A CN 117272847A CN 202311562475 A CN202311562475 A CN 202311562475A CN 117272847 A CN117272847 A CN 117272847A
- Authority
- CN
- China
- Prior art keywords
- temperature data
- prediction model
- heating rod
- target
- data
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012795 verification Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000010295 mobile communication 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
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000003442 weekly effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请公开了一种加热棒温度数据的预测方法及装置。其中,该方法包括:获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数;分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度;通过预测模型预测加热棒在预设时刻的温度。本申请解决了由于无法精准预测加热棒在未来某时刻的温度数据,造成的无法及时更换加热棒的技术问题。
Description
技术领域
本申请涉及加热棒温度预测技术领域,具体而言,涉及一种加热棒温度数据的预测方法及装置。
背景技术
工业窑炉是用于煅烧物料或制品的设备,主要应用于机械、冶金、石油和煤气等工业领域。传统工业窑炉通常由砌体、排烟系统、预热器和燃烧装置等组成,而温度控制一般通过人工操作来实现。然而,由于人为控制的不稳定性,会导致温度波动过大,影响产品的烧结质量。目前,在工业生产中,加热棒被广泛应用于物料加热过程中,通过改变加热棒的功率来维持特定温度。不同温区的加热棒工作条件不同,在加热棒无法维持设定温度值的情况下需要及时更换。然而,由于加热棒数量众多,由于无法精准预测加热棒在未来某时刻的温度数据,导致无法及时更换温度可能出现异常的加热棒,进而可能影响工业窑炉的正常使用。
发明内容
本申请实施例提供了一种加热棒温度数据的预测方法及装置,以至少解决由于无法精准预测加热棒在未来某时刻的温度数据,造成的无法及时更换加热棒的技术问题。
根据本申请实施例的一个方面,提供了一种加热棒温度数据的预测方法,包括:获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数;分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度;通过预测模型预测加热棒在预设时刻的温度。
可选地,分别根据每个目标时间区间的k个温度数据,确定预测模型,包括:确定自回归项阶数对应的第一取值范围、差分阶数对应的第二取值范围和移动平均项阶数对应的第三取值范围;根据第一取值范围、第二取值范围和第三取值范围,确定自回归项阶数、差分阶数与移动平均项阶数之间的x个组合集,其中,x为正整数;将多个目标时间区间中的每个目标时间区间的k个温度数据中的y个温度数据分别确定为训练数据,将k个温度数据中的k-y个温度数据分别确定为第一验证数据,其中,y为小于k的正整数;利用训练数据和第一验证数据,确定预测模型。
可选地,通过预测模型预测加热棒在预设时刻的温度之前,方法还包括:对预测模型进行精度验证。
可选地,对预测模型进行精度验证,包括:获取工业窑炉中的加热棒在当前时间区间中的目标温度数据;在目标温度数据中确定z个温度数据为第二验证数据,其中,z为正整数;根据第二验证数据,对预测模型进行精度验证。
可选地,在预测模型未通过精度验证的情况下,确定第一预测模型,其中,第一预测模型的模型参数至少包括:第一组合集,其中,第一组合集是使得第一参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,第一参数用于表征第一预测模型的拟合程度;对第一预测模型进行精度验证;在第一预测模型通过精度验证的情况下,通过第一预测模型预测加热棒在预设时刻的温度;在第一预测模型未通过精度验证的情况下,更新预测模型,直至更新后的预测模型通过精度验证。
可选地,分别根据每个目标时间区间的k个温度数据,确定预测模型之前,方法还包括:分别对每个目标时间区间的k个温度数据进行清洗处理;分别去除清洗后的k个温度数据中的噪声。
可选地,若加热棒在预设时刻的温度不在预设温度区间内,生成用于提示目标对象更换加热棒的报警信息。
根据本申请实施例的再一方面,还提供了一种加热棒温度数据的预测装置,包括:获取模块,用于获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数;确定模块,用于分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度;预测模块,用于通过预测模型预测加热棒在预设时刻的温度。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的加热棒温度数据的预测方法。
根据本申请实施例的再一方面,还提供了一种电子设备,包括:存储器和处理器,处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上的加热棒温度数据的预测方法。
在本申请实施例中,采用获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数;分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度;通过预测模型预测加热棒在预设时刻的温度的方式,通过分别根据每个目标时间区间的k个温度数据,确定预测模型,并利用预测模型预测加热棒在预设时刻的温度,达到了精准预测加热棒在未来某时刻的温度数据的目的,从而实现了及时更换温度可能出现异常的加热棒的技术效果,进而解决了由于无法精准预测加热棒在未来某时刻的温度数据,造成的无法及时更换加热棒的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种加热棒温度数据的预测方法的流程图;
图2是根据本申请实施例的一种用于显示加热棒温度数据的用户界面的示意图;
图3是根据本申请实施例的一种加热棒温度数据的预测装置的结构图;
图4是根据本申请实施例的一种加热棒温度数据的预测方法的计算机终端的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种加热棒温度数据的预测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种加热棒温度数据的预测方法的流程图,如图1所示,该方法包括如下步骤:步骤S102,获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数。
例如,获取2023年1月1日,在[0:0:0]- [8:0:0]的时间区间内,确定多个目标时间区间,获取多个目标时间区间中每个目标时间区间内的k个温度数据。
时序数据是指在一段时间内收集到的数据,通常按照时间的先后顺序排列。时序数据通常具有以下特点:1.时间关联性:时序数据的每个数据点都与特定的时间点相关联,数据之间存在时间上的先后顺序;2.时间依赖性:时序数据的未来值往往与过去的值相关,即前一个时间点的数据可以影响后一个时间点的数据;3.季节性:时序数据可能存在周期性的变化,如每天、每周或每年的重复模式;4.噪声和异常值:时序数据通常包含噪声和异常值,这些干扰因素可能会影响数据的准确性和可靠性。
步骤S104,分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度。
根据本申请的另一些可选的实施例,分别利用每个目标时间区间的k个温度数据,对差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)进行训练。
ARIMA模型主要分为两部分:自回归模型和移动平均模型。自回归模型将当前值与过去若干个时刻的值之间的关系建立为线性回归模型,用p表示自回归项的阶数。自回归模型可表示为:,其中,/>为自回归系数,/>为误差项。
移动平均模型则将当前值与过去若干个时刻的误差项之间的关系建立为线性回归模型,用q表示移动平均项的阶数。移动平均模型可表示为:,其中,/>为移动平均系数,/>为白噪声误差序列。
将自回归模型和移动平均模型结合,就是自回归移动平均模型(AutoregressiveMoving Average Model,ARMA),ARMA模型的数学表达式为:
,其中,/>为噪声误差,/>和/>分别为自回归系数和移动平均系数,p和q分别表示自回归项和移动平均项的阶数。
ARIMA模型则是在ARMA模型的基础上加入了差分操作来将非平稳时间序列转化为平稳时间序列。差分的形式如下:,通常情况下,ARIMA模型可能要进行多次差分操作,一般用d阶差分进行表示。
可以理解的是,p参数表示自回归项阶数,即前p个时间点的值对当前时间点的影响,例如,p=2表示利用前两个时间点的值来预测当前时间点的值。d参数表示差分阶数,即进行几次差分操作才能将非平稳时间序列转化为平稳时间序列,例如,d=1表示对原始时间序列进行一阶差分操作。q参数表示移动平均项阶数,即过去q个时间点的误差对当前时间点的影响,例如,q=2表示考虑过去两个时间点的误差对当前时间点的影响。
通过网格搜索和交叉验证,确定最优的p,d,q参数组合,使得ARIMA模型的预测精度最高。
网格搜索是一种用于选择模型超参数的方法,网格搜索通过穷举搜索给定的参数组合,然后根据某种评价指标选择最优的参数组合。交叉验证是一种评估模型性能的方法,交叉验证将数据集分为多个子集,然后通过多次训练和测试来评估模型的性能。常用的交叉验证方法包括k-fold交叉验证和留一法交叉验证。
网格搜索和交叉验证通常结合使用,通过网格搜索来选择模型的超参数,并使用交叉验证来评估模型性能。具体步骤如下:1.定义参数空间:确定需要调节的超参数及其取值范围,例如学习率、正则化参数等;2.构建参数组合:根据参数空间的取值范围,生成一系列可能的参数组合;3.交叉验证:将数据集分为k个子集,进行k次训练和测试,每次使用其中k-1个子集作为训练集,剩余的一个子集作为测试集;4.模型训练和评估:对于每个参数组合,使用交叉验证的训练集进行模型训练,然后使用测试集进行模型评估,得到评价指标的平均值;5.选择最优参数组合:根据评价指标的平均值,选择最优的参数组合作为最终模型的超参数。
进一步地,利用赤池信息准则(Akaike Information Criterion,AIC),确定目标组合集,其中,AIC作为模型选择和超参数调优的指标,其可以量化模型的拟合程度和复杂度,并在此基础上进行模型选择,避免过度拟合和欠拟合等问题。
AIC的计算公式为:,其中,ln(L)是预测模型的最大似然估计的对数,k是预测模型的参数个数。
步骤S106,通过预测模型预测加热棒在预设时刻的温度。
对加热棒状态进行实时监控,在通过预测模型预测加热棒在预设时刻的温度超过设定阈值的情况下,向操作员工推送异常信息,进行人工检测并及时更换加热棒。
根据上述步骤,通过分别根据每个目标时间区间的k个温度数据,确定预测模型,并利用预测模型预测加热棒在预设时刻的温度,达到了精准预测加热棒在未来某时刻的温度数据的目的,从而实现了及时更换温度可能出现异常的加热棒的技术效果。
根据本申请的一些可选的实施例,分别根据每个目标时间区间的k个温度数据,确定预测模型,包括以下步骤:确定自回归项阶数对应的第一取值范围、差分阶数对应的第二取值范围和移动平均项阶数对应的第三取值范围;根据第一取值范围、第二取值范围和第三取值范围,确定自回归项阶数、差分阶数与移动平均项阶数之间的x个组合集,其中,x为正整数;将多个目标时间区间中的每个目标时间区间的k个温度数据中的y个温度数据分别确定为训练数据,将k个温度数据中的k-y个温度数据分别确定为第一验证数据,其中,y为小于k的正整数;利用训练数据和第一验证数据,确定预测模型。
根据本申请的另一些可选的实施例,通过如下步骤确定预测模型:步骤S1,确定p,d,q的取值范围,通常p和q的取值范围可以设置为0到某个较大的正整数,d的取值范围可以设置为0到1。
步骤S2,根据上一步确定的参数范围,使用网格搜索生成所有可能的参数组合。例如,如果p的取值范围是0到2,d的取值范围是0到1,q的取值范围是0到2,那么可能的参数组合有(0,0,0)、(0,0,1) 、(0,0,2) 、(0,1,0) 、(0,1,1) 、(0,1,2) 、(0,2,0) 、(0,2,1) 、(0,2,2) 、(1,0,0) 、... 、(2,1,2) 、(2,2,0) 、(2,2,1) 、(2,2,2)。
步骤S3,利用赤池信息准则(Akaike Information Criterion,AIC),判断优化参数是否最优。
步骤S4,确定模型,使用验证数据对模型进行验证,使用均方根误差为评价指标。
步骤S5,在精度达到要求的情况下,保存模型并上线预测;在精度未达到要求的情况下,执行步骤S6。
步骤S6,根据模型验证的结果,对p,d,q的范围进行调整,如果预测模型的参数值位于范围的边界上,可以适当扩大范围,以对参数进行优化。重复执行步骤S2至步骤S5。
举例而言,假设优化后的p,d,q组合为 (0,0,1) 、 (0,1,0) 、 (0,2,1) 、 (2,1,2) 、 (2,2,1),分别确定上述5个组合对应的AIC值,例如:(0,0,1) -AIC值:100; (0,1,0)-AIC值:90; (0,2,1) -AIC值:95; (2,1,2) -AIC值:85; (2,2,1) -AIC值:92。需要注意的是,AIC是一种信息准则,用于比较统计模型的拟合优度,其中最小的AIC值表示模型拟合得最好。因此,确定预测模型的p,d,q分别为2,1,2。
根据本申请的另一些可选的实施例,通过预测模型预测加热棒在预设时刻的温度之前,还需要:对预测模型进行精度验证。
在本申请的一些可选的实施例,对预测模型进行精度验证,可以通过以下方法实现:获取工业窑炉中的加热棒在当前时间区间中的目标温度数据;在目标温度数据中确定z个温度数据为第二验证数据,其中,z为正整数;根据第二验证数据,对预测模型进行精度验证。
作为本申请的一些可选的实施例,在预测模型未通过精度验证的情况下,确定第一预测模型,其中,第一预测模型的模型参数至少包括:第一组合集,其中,第一组合集是使得第一参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,第一参数用于表征第一预测模型的拟合程度;对第一预测模型进行精度验证;在第一预测模型通过精度验证的情况下,通过第一预测模型预测加热棒在预设时刻的温度;在第一预测模型未通过精度验证的情况下,更新预测模型,直至更新后的预测模型通过精度验证。
在本申请的一些可选的实施例中,分别根据每个目标时间区间的k个温度数据,确定预测模型之前,还需要:分别对每个目标时间区间的k个温度数据进行清洗处理;分别去除清洗后的k个温度数据中的噪声。
作为本申请的另一些可选的实施例,若加热棒在预设时刻的温度不在预设温度区间内,生成用于提示目标对象更换加热棒的报警信息。
本申请实施例还提供了的另一种加热棒温度数据的预测方法,该方法包括如下步骤:步骤S202,数据收集。
可选地,通过温度传感器、红外测温仪或无线温度传感器采集工业窑炉中的加热棒的温度数据。
步骤S204,数据预处理。
具体而言,检查数据是否存在缺失值、异常值或噪声。可以使用插值方法填充缺失值,通过统计方法或其他规则检测和处理异常值,以及应用滤波技术降低噪声。时序数据可能存在波动或周期性变化,可以使用平滑技术来减少这些变化。常用的平滑方法有移动平均、指数平滑和加权移动平均。
步骤S206,确定训练数据和测试数据,并通过网格搜索对预测模型的模型参数进行优化。
步骤S2061,确定要优化的参数范围,其中,ARIMA模型的参数包括阶数d(差分阶数)、p(自回归阶数)和q(移动平均阶数)。根据实际情况,确定每个参数的可能取值范围。
步骤S2062,根据确定的参数范围,生成所有可能的参数组合。
步骤S2063,针对每个参数组合,训练ARIMA模型。使用训练集的数据,根据当前参数组合训练ARIMA模型。
步骤S2064,计算步骤S2063中的每个参数组合的AIC值,根据AIC值确定最优参数,并确定ARIMA模型。
具体而言,比较当前参数组合下的模型性能与历史最优模型性能,更新最优参数组合。重复步骤S2063至步骤S2064,直到遍历完所有参数组合。
确定优化后的参数对应的赤池信息准则AIC是否满足要求,其中,,其中,k表示模型参数的数量,L表示模型的极大似然函数值。AIC值越小,说明模型越好。
步骤S2065,使用验证数据验证最优参数下的ARIMA模型,并选择一些常用的性能指标,如均方根误差(RMSE)或平均绝对误差(MAE)评估模型的泛化能力。在精度满足要求的情况下,执行步骤S208;在不满足扩大参数范围的情况下,重新执行步骤S206,直至模型精度通过测试。
步骤S208,根据加热棒实时产生的温度数据对预测模型的精度进行测试,在模型精度通过测试的情况下,通过预测模型预测加热棒在预设时刻的温度;在模型精度未通过测试的情况下,调整模型参数,重新执行步骤S206,直至模型精度通过测试。
可选地,若加热棒在预设时刻的温度不在预设温度区间内,生成用于提示目标对象更换加热棒的报警信息,图2是根据本申请实施例的一种用于显示加热棒温度数据的用户界面的示意图,如图2所示,当前时间为2023年1月1日的[0:0:0],预测时间为2023年1月1日的[1:0:0],加热棒正常运行的温度范围为90℃-100℃,在2023年1月1日的[1:0:0]的预测温度为89℃的情况下,生成并展示报警信息。
图3是根据本申请实施例的一种加热棒温度数据的预测装置的结构图,如图3所示,该装置包括:获取模块30,用于获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数。
确定模块32,用于分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度。
预测模块34,用于通过预测模型预测加热棒在预设时刻的温度。
需要说明的是,上述图3中的各个模块可以是程序模块(例如是实现某种特定功能的程序指令集合),也可以是硬件模块,对于后者,其可以表现为以下形式,但不限于此:上述各个模块的表现形式均为一个处理器,或者,上述各个模块的功能通过一个处理器实现。
需要说明的是,图3所示实施例的优选实施方式可以参见图1所示实施例的相关描述,此处不再赘述。
图4示出了一种用于实现加热棒温度数据的预测方法的计算机终端的硬件结构框图。如图4所示,计算机终端40可以包括一个或多个(图中采用402a、402b,……,402n来示出)处理器402(处理器402可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器404、以及用于通信功能的传输模块406。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端40还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。
应当注意到的是上述一个或多个处理器402和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端40中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器404可用于存储应用软件的软件程序以及模块,如本申请实施例中的加热棒温度数据的预测方法对应的程序指令/数据存储装置,处理器402通过运行存储在存储器404内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的加热棒温度数据的预测方法。存储器404可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器404可进一步包括相对于处理器402远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端40。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端40的通信供应商提供的无线网络。在一个实例中,传输模块406包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块406可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端40的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图4所示的计算机终端可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图4仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机终端中的部件的类型。
需要说明的是,图4所示的电子设备用于执行图1所示的加热棒温度数据的预测方法,因此上述命令的执行方法中的相关解释说明也适用于该电子设备,此处不再赘述。
本申请实施例还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的加热棒温度数据的预测方法。
非易失性存储介质执行以下功能的程序:获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数;分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度;通过预测模型预测加热棒在预设时刻的温度。
本申请实施例还提供了一种电子设备,包括:存储器和处理器,处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上的加热棒温度数据的预测方法。
处理器用于运行执行以下功能的程序:获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,k个温度数据中的每个温度数据为时序数据,k为大于2的整数;分别根据每个目标时间区间的k个温度数据,确定预测模型,其中,预测模型的模型参数至少包括:目标组合集,其中,目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,目标参数用于表征预测模型的拟合程度;通过预测模型预测加热棒在预设时刻的温度。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种加热棒温度数据的预测方法,其特征在于,包括:
获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,所述k个温度数据中的每个温度数据为时序数据,k为大于2的整数;
分别根据每个目标时间区间的所述k个温度数据,确定预测模型,其中,所述预测模型的模型参数至少包括:目标组合集,其中,所述目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,所述目标参数用于表征预测模型的拟合程度;
通过所述预测模型预测所述加热棒在预设时刻的温度。
2.根据权利要求1所述的方法,其特征在于,分别根据每个目标时间区间的所述k个温度数据,确定预测模型,包括:
确定自回归项阶数对应的第一取值范围、差分阶数对应的第二取值范围和移动平均项阶数对应的第三取值范围;
根据所述第一取值范围、所述第二取值范围和所述第三取值范围,确定所述自回归项阶数、所述差分阶数与所述移动平均项阶数之间的x个组合集,其中,x为正整数;
将所述多个目标时间区间中的所述每个目标时间区间的k个温度数据中的y个温度数据分别确定为训练数据,将所述k个温度数据中的k-y个温度数据分别确定为第一验证数据,其中,y为小于k的正整数;
利用所述训练数据和所述第一验证数据,确定所述预测模型。
3.根据权利要求1所述的方法,其特征在于,通过所述预测模型预测所述加热棒在预设时刻的温度之前,所述方法还包括:
对所述预测模型进行精度验证。
4.根据权利要求3所述的方法,其特征在于,对所述预测模型进行精度验证,包括:
获取所述工业窑炉中的所述加热棒在当前时间区间中的目标温度数据;
在所述目标温度数据中确定z个温度数据为第二验证数据,其中,z为正整数;
根据所述第二验证数据,对所述预测模型进行精度验证。
5.根据权利要求3所述的方法,其特征在于,包括:
在所述预测模型未通过精度验证的情况下,确定第一预测模型,其中,所述第一预测模型的模型参数至少包括:第一组合集,其中,所述第一组合集是使得第一参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,所述第一参数用于表征第一预测模型的拟合程度;
对所述第一预测模型进行精度验证;
在所述第一预测模型通过精度验证的情况下,通过所述第一预测模型预测所述加热棒在预设时刻的温度;
在所述第一预测模型未通过精度验证的情况下,更新预测模型,直至更新后的预测模型通过精度验证。
6.根据权利要求1所述的方法,其特征在于,分别根据每个目标时间区间的所述k个温度数据,确定预测模型之前,所述方法还包括:
分别对所述每个目标时间区间的k个温度数据进行清洗处理;
分别去除清洗后的k个温度数据中的噪声。
7.根据权利要求1所述的方法,其特征在于,若所述加热棒在预设时刻的温度不在预设温度区间内,生成用于提示目标对象更换所述加热棒的报警信息。
8.一种加热棒温度数据的预测装置,其特征在于,包括:
获取模块,用于获取工业窑炉中的加热棒在多个目标时间区间中的每个目标时间区间的k个温度数据,其中,所述k个温度数据中的每个温度数据为时序数据,k为大于2的整数;
确定模块,用于分别根据每个目标时间区间的所述k个温度数据,确定预测模型,其中,所述预测模型的模型参数至少包括:目标组合集,其中,所述目标组合集是使得目标参数最小的自回归项阶数、差分阶数和移动平均项阶数所构成的集合,所述目标参数用于表征预测模型的拟合程度;
预测模块,用于通过所述预测模型预测所述加热棒在预设时刻的温度。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的加热棒温度数据的预测方法。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述处理器用于运行存储在所述存储器中的程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的加热棒温度数据的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562475.5A CN117272847A (zh) | 2023-11-22 | 2023-11-22 | 加热棒温度数据的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562475.5A CN117272847A (zh) | 2023-11-22 | 2023-11-22 | 加热棒温度数据的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272847A true CN117272847A (zh) | 2023-12-22 |
Family
ID=89218258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311562475.5A Pending CN117272847A (zh) | 2023-11-22 | 2023-11-22 | 加热棒温度数据的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272847A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN113599894A (zh) * | 2021-07-23 | 2021-11-05 | 四川弘馗环保科技有限公司 | 一种复合式高频振动干湿预分离装置 |
US20220076848A1 (en) * | 2020-09-09 | 2022-03-10 | Optum, Inc. | Seasonally adjusted predictive data analysis |
CN116663426A (zh) * | 2023-06-28 | 2023-08-29 | 浙江中控技术股份有限公司 | 汽化炉炉温预测模型的训练方法、装置及电子设备 |
CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
-
2023
- 2023-11-22 CN CN202311562475.5A patent/CN117272847A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
US20220076848A1 (en) * | 2020-09-09 | 2022-03-10 | Optum, Inc. | Seasonally adjusted predictive data analysis |
CN113599894A (zh) * | 2021-07-23 | 2021-11-05 | 四川弘馗环保科技有限公司 | 一种复合式高频振动干湿预分离装置 |
CN116663426A (zh) * | 2023-06-28 | 2023-08-29 | 浙江中控技术股份有限公司 | 汽化炉炉温预测模型的训练方法、装置及电子设备 |
CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
Non-Patent Citations (5)
Title |
---|
(印)迪潘简•撒卡尔 作;徐键 等译: "Python机器学习实战 真实智能案例实践指南", 31 December 2020, 机械工业出版社, pages: 430 * |
RUCHI VERMA .ETAL: "Time Series Forecasting Using Machine Learning", ADVANCES IN COMPUTING AND DATA SCIENCES, pages 372 - 381 * |
何兴平 等: "基于差分自回归移动平均模型的电气设备温度预测", 自动化与仪器仪表, no. 12, pages 98 * |
国家税务总局收入规划核算司 编: "税收统计学", 30 September 2014, 中国税务出版社, pages: 158 * |
李志强 等: "基于时间序列分析的微型加热元件温度预测模型", 电子技术与软件工程, pages 182 - 183 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kundu et al. | Weibull accelerated failure time regression model for remaining useful life prediction of bearing working under multiple operating conditions | |
Mohajerin Esfahani et al. | From infinite to finite programs: Explicit error bounds with applications to approximate dynamic programming | |
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
US20170030949A1 (en) | Electrical load prediction including sparse coding | |
Fahim et al. | TSI: Time series to imaging based model for detecting anomalous energy consumption in smart buildings | |
CN103246279B (zh) | 一种存在执行阀粘滞特性的化工过程的控制性能评估方法 | |
CN111144950B (zh) | 模型筛选方法、装置、电子设备及存储介质 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
KR20110043277A (ko) | 베이지안 통계기법을 이용한 발전설비 고장예측방법 | |
JP2023550995A (ja) | 機械学習を用いた電気機器の負荷予測 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
Zhang et al. | Performance assessment of cascade control loops with non-Gaussian disturbances using entropy information | |
JP2018063574A (ja) | トレンド予測装置および負荷予測装置 | |
CN117078105A (zh) | 基于人工智能的生产质量监控方法及系统 | |
CN113656461B (zh) | 数据处理方法、装置、电子设备和介质 | |
CN114692959A (zh) | 基于灰度关联分析法的城市能源数据融合系统 | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
CN112765463B (zh) | 一种大数据和用户需求的数据管理方法及云计算服务器 | |
CN117272847A (zh) | 加热棒温度数据的预测方法及装置 | |
JP2019513001A (ja) | 電流消費モニタリングおよびその機械学習に基づくデバイス状態の決定のためのシステムおよびその方法 | |
CN116470485A (zh) | 时间序列的处理系统、方法和计算机可读存储介质 | |
Kazemi et al. | Estimating the drift time for processes subject to linear trend disturbance using fuzzy statistical clustering | |
JP6616889B2 (ja) | ウインドウ評価方法および分析装置 | |
JP2019032807A (ja) | 要因分析システム、要因分析方法およびプログラム |
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 |