CN118035690A - 基于机器学习的耐火材料烧成隧道窑温度智能预测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于机器学习的耐火材料烧成隧道窑温度智能预测方法，该方法包括：采集隧道窑中各位置的温度数据及隧道窑逆吹气管中各采集时刻的气体流速数据，获取各位置各采集时刻的局部温度趋势序列与局部温度残差序列，获取各位置各采集时刻的隧道窑传热匹配指数，根据隧道窑传热匹配指数获取各位置各采集时刻的对流紊乱指数，获取任意两个位置间的位置关联权重，结合对流紊乱指数与位置关联权重得到各采集时刻的空间温度耦合指数，利用神经网络模型完成隧道窑温度的预测。本发明旨在提高隧道窑温度预测的准确性与可靠性，完成隧道窑温度的智能预测。

Description

基于机器学习的耐火材料烧成隧道窑温度智能预测方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于机器学习的耐火材料烧成隧道窑温度智能预测方法。

背景技术

隧道窑是由耐火材料、保温材料和建筑材料砌筑而成的装有窑车等运载工具的与隧道相似的窑炉，是现代化的连续式烧成的热工设备，广泛用于陶瓷产品的焙烧生产，在磨料等冶金行业中也有应用。按照烧成品种可以分为耐火材料隧道窑、陶瓷隧道窑、红砖隧道窑等，为提高隧道窑中烧成物的质量，需要对隧道窑温度进行预测，便于及时调整温度，避免烧成物质量下降。

用于耐火材料隧道窑温度预测的方法如基于神经网络的方法对隧道窑温度进行预测，能够捕捉复杂的非线性关系，且具有较强的适应性，能够处理各种数据类型与特征，但隧道窑中隧道较长，为保证烧成物的质量，需要对隧道窑中多个位置的温度进行预测，而使用传统的神经网络技术对多维时间序列进行预测时，更多考虑的是多维时间序列整体的变化趋势，是以损失单个时间序列预测精度的前提下，提高整体预测精度，但在隧道窑中，不同位置的温度变化具有一定的依存关系与空间耦合关系，而传统的神经网络技术并未考虑各个时间序列之间的依赖关系，可能会降低对单个时间序列的预测精度。

发明内容

为了解决上述技术问题，本发明提供基于机器学习的耐火材料烧成隧道窑温度智能预测方法，以解决现有的问题。

本发明的基于机器学习的耐火材料烧成隧道窑温度智能预测方法采用如下技术方案：

本发明一个实施例提供了基于机器学习的耐火材料烧成隧道窑温度智能预测方法，该方法包括以下步骤：

将隧道窑中各位置所有采集时刻的温度数据组成各位置的温度序列；将隧道窑逆吹气管中所有采集时刻的气体流速数据组成逆吹流速序列；

根据各位置的温度序列内元素的分布获取各位置各采集时刻的局部温度趋势序列与局部温度残差序列；根据局部温度残差序列中相邻元素的差异及局部温度趋势序列的变化趋势得到各位置各采集时刻的隧道窑传热匹配指数；根据逆吹流速序列获取各采集时刻的局部逆吹气体流速序列；将各位置所有采集时刻的隧道窑传热匹配指数组成各位置的隧道窑传热匹配指数序列；根据各位置的隧道窑传热匹配指数序列获取各位置各采集时刻的局部隧道窑传热匹配指数序列；根据各采集时刻的局部逆吹气体流速序列与局部隧道窑传热匹配指数序列相同位置元素的差异，得到各位置各采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中各元素的流速传导震荡比；

根据所述流速传导震荡比及各采集时刻的局部逆吹气体流速序列与局部隧道窑传热匹配指数序列的相关性得到各位置各采集时刻的对流紊乱指数；根据任意两个位置间的距离关系得到任意两个位置间的位置关联权重；结合各位置各采集时刻的对流紊乱指数与任意两个位置间的位置关联权重得到各采集时刻的空间温度耦合指数；结合各采集时刻的空间温度耦合指数、温度数据、气体流速数据，利用神经网络模型完成隧道窑温度的预测。

优选的，所述根据各位置的温度序列内元素的分布获取各位置各采集时刻的局部温度趋势序列与局部温度残差序列，包括：

针对各位置的温度序列，将以第b个采集时刻的温度数据为中心，距离第b个采集时刻时间最近的m个采集时刻的温度数据作为第b个采集时刻的局部温度观测序列，采用时间序列分解算法获取与局部温度观测序列对应的局部温度趋势序列、局部温度残差序列，其中，所述m为预设值。

优选的，所述根据局部温度残差序列中相邻元素的差异及局部温度趋势序列的变化趋势得到各位置各采集时刻的隧道窑传热匹配指数，包括：

将各位置各采集时刻的局部温度趋势序列作为Cox-Stuart趋势性检验的输入，输出为假设检验的p值，隧道窑中第a个位置第b个采集时刻的隧道窑传热匹配指数的表达式为：

式中，表示第a个位置第b个采集时刻的局部温度趋势序列经过假设检验后的p值，c表示局部温度残差序列的长度，d表示局部温度残差序列中的第d个元素，exp()表示以自然常数为底数的指数函数，/>、/>分别表示隧道窑中第a个位置第b个采集时刻的局部温度残差序列中第d个、第d-1个元素值。

优选的，所述根据逆吹流速序列获取各采集时刻的局部逆吹气体流速序列，包括：

针对逆吹流速序列，将以第b个采集时刻的气体流速数据为中心，距离第b个采集时刻时间最近的m个采集时刻的气体流速数据作为第b个采集时刻的局部逆吹气体流速序列。

优选的，所述根据各位置的隧道窑传热匹配指数序列获取各位置各采集时刻的局部隧道窑传热匹配指数序列，包括：

针对各位置的隧道窑传热匹配指数序列，将以第b个采集时刻的隧道窑传热匹配指数为中心，距离第b个采集时刻时间最近的m个采集时刻的隧道窑传热匹配指数作为第b个采集时刻的局部隧道窑传热匹配指数序列。

优选的，所述各位置各采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中各元素的流速传导震荡比，包括：

计算各位置各采集时刻的局部隧道窑传热匹配指数序列中各元素与预设大于0的协调因子的和值，将各采集时刻的局部逆吹气体流速序列中各元素与局部隧道窑传热匹配指数序列中相同位置元素的所述和值的比值作为各位置各采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中各元素的流速传导震荡比。

优选的，所述各位置各采集时刻的对流紊乱指数，表达式为：

式中，表示隧道窑中第a个位置第b个采集时刻的对流紊乱指数，/>表示隧道窑中第b个采集时刻的局部逆吹气体流速序列与第a个位置第b个采集时刻的局部温度观测序列的皮尔逊相关系数，/>表示局部逆吹气体流速序列的长度，Sig()表示sigmoid函数，表示隧道窑中第a个位置第b个采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中第e个元素的流速传导震荡比，/>表示隧道窑中第a个位置第b个采集时刻的所有所述流速传导震荡比的均值，/>表示预设大于0的协调因子。

优选的，所述根据任意两个位置间的距离关系得到任意两个位置间的位置关联权重，包括：

计算任意两个位置间的欧式距离，将所述欧式距离的倒数作为所述任意两个位置间的位置关联权重。

优选的，所述结合各位置各采集时刻的对流紊乱指数与任意两个位置间的位置关联权重得到各采集时刻的空间温度耦合指数，表达式为：

式中，表示第b个采集时刻的空间温度耦合指数，A表示隧道窑中选取位置的数量，/>、/>分别表示隧道窑中第i个、第j个位置在第b个采集时刻的对流紊乱指数，/>表示隧道窑中第i个位置与第j个位置间的位置关联权重，/>表示预设大于0的协调因子。

优选的，所述结合各采集时刻的空间温度耦合指数、温度数据、气体流速数据，利用神经网络模型完成隧道窑温度的预测，包括：

将当前时刻的空间温度耦合指数、所有位置的温度数据与逆吹气管中的气体流速数据作为神经网络模型的输入，输出为下一时刻各个位置的温度预测结果。

本发明至少具有如下有益效果：

本发明通过分析隧道窑单一位置温度的变化特征构建隧道窑传热匹配指数，反映了隧道窑内单一位置温度的变化符合加热规律的程度；基于隧道窑传热匹配指数分析对流传热现象对温度的影响特征并构建对流紊乱指数，反映了隧道窑内发生对流传热现象时对各位置温度变化的影响程度；基于对流紊乱指数分析隧道窑内各位置温度变化的关联特征并构建空间温度耦合指数，反映了各位置温度变化之间的依赖关系；进而将各时刻的空间温度耦合指数与温度数据、气体流速数据作为LSTM长短期记忆神经网络的输入，有助于识别各维时间序列之间的依赖关系，提高隧道窑内各位置下一时刻的温度预测结果的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的基于机器学习的耐火材料烧成隧道窑温度智能预测方法的步骤流程图；

图2为温度预测指标获取流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于机器学习的耐火材料烧成隧道窑温度智能预测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于机器学习的耐火材料烧成隧道窑温度智能预测方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集隧道窑不同位置的温度数据以及隧道窑逆吹气管中的气体流速数据，并对采集的数据进行预处理。

将A个热电偶温度传感器等距均匀放置在隧道窑烧成带的主线中，通过A个热电偶温度传感器采集烧成带中A个位置的温度数据，通过风速仪采集隧道窑逆吹气管中的气体流速数据，记采集时间间隔为T，记采集次数为N，本实施中A=10，T=0.5s，N=1800，实施者均可根据实际情况自行设定，本实施例对此不做限制。

由于隧道窑内温度过高，在通过传感器采集数据的过程中可能会受到温度影响导致传感器采集到的数据存在缺失值和噪声，为避免缺失值、噪声干扰对后续分析结果产生影响，本实施例使用回归填充法对缺失值进行填充处理，通过小波阈值去噪算法对填充后的数据进行去噪处理。其中回归填充法与小波阈值去噪算法均为现有公知技术，具体过程本实施例不做赘述。

至此，得到预处理后的隧道窑温度数据和逆吹气管中的气体流速数据。

步骤S002，根据隧道窑单一位置温度的变化情况构建隧道窑传热匹配指数，基于隧道窑传热匹配指数分析对流传热现象对温度的影响特征构建对流紊乱指数，基于对流紊乱指数分析隧道窑各位置温度变化的关联特征并构建空间温度耦合指数。

具体的，本实施例将采集隧道窑中各位置的温度数据及隧道窑逆吹气管中各采集时刻的气体流速数据，获取各位置各采集时刻的局部温度趋势序列与局部温度残差序列，获取各位置各采集时刻的隧道窑传热匹配指数，根据隧道窑传热匹配指数获取各位置各采集时刻的对流紊乱指数，获取任意两个位置间的位置关联权重，结合对流紊乱指数与位置关联权重得到各采集时刻的空间温度耦合指数，利用神经网络模型完成隧道窑温度的预测，温度预测指标获取流程图如图2所示。各采集时刻的空间温度耦合指数的构建过程具体为：

分别将隧道窑内A个位置所有采集时刻上的温度数据所构成的A个序列分别记为、/>、…、/>，其中/>、/>、/>分别表示在隧道窑中第1个、第2个、第A个位置所有采集时刻的温度序列，将隧道窑逆吹气管在所有采集时刻上的气体流速数据所构成的序列记为逆吹流速序列，其中，本实施例中构建的所有序列中的元素均以采集时间顺序进行排列。

在隧道窑中，隧道内气体的传热方式主要为对流传热，通过烧成带中的烧嘴向隧道窑内喷出高流速的高温气体，当高流速的高温气体从烧嘴中喷出时，由于气体不受管道约束，会迅速扩散，当高温气体扩散到空气中时，会迅速向空气中放热，导致从烧嘴中喷出的气体温度下降，从而使温度出现有规律的波动；随着高温气体不断从烧嘴中向隧道窑内喷出，隧道窑的温度会逐渐升高；隧道窑内温度与从烧嘴中喷出高温气体的温度差异逐渐变小，温度的波动程度逐渐降低。

基于上述分析，本实施例通过单一位置温度的变化情况构建隧道窑传热匹配指数，以隧道窑中第a个位置的温度序列为例，按照时间顺序以第b个采集时刻为中心、选取与第b个采集时刻时间最近的c个采集时刻的温度数据所构成的序列记为第b个采集时刻的局部温度观测序列/>，本实施例中c=31，实施者可根据实际情况自行设定，本实施例对此不做限制；将局部温度观测序列/>作为STL时间序列分解算法的输入，输出为局部温度观测序列/>的局部温度趋势序列与局部温度残差序列；将局部温度趋势序列作为Cox-Stuart趋势性检验的输入，趋势性检验的原假设为局部温度趋势序列存在上升趋势，趋势性检验的输出结果为假设检验的p值。其中STL时间序列分解、Cox-Stuart趋势性检验均为现有公知技术，具体过程本实施例不做赘述。计算隧道窑中各位置各采集时刻的隧道窑传热匹配指数，表达式为：

式中，表示在隧道窑中第a个位置第b个采集时刻的隧道窑传热匹配指数，/>表示第a个位置第b个采集时刻的局部温度趋势序列经过假设检验后的p值，c表示局部温度残差序列的长度，d表示局部温度残差序列中的第d个元素，exp()表示以自然常数为底数的指数函数，/>、/>分别表示隧道窑中第a个位置第b个采集时刻的局部温度残差序列中第d个、第d-1个元素值。

局部温度趋势序列假设检验的p值越大，即越大，表明原假设越可靠，即局部温度趋势序列/>存在上升趋势越可靠，同时局部温度残差序列中，随着时间的推移，若残差逐渐变小，即随着d的增大、/>逐渐变小，即/>逐渐变大，表明隧道窑内第a个位置的温度波动越小，越符合烧嘴向隧道窑内加热的规律，故计算出的隧道窑传热匹配指数越大。

在隧道窑中，烧成带中的烧嘴向隧道窑内喷出高流速的高温气体，实现对隧道窑的加热，当空气温度较高时，分子间的间距增大，导致热空气的密度下降，造成温度较高的空气逐渐上升，温度较低的空气逐渐下降，出现隧道窑中不同温度的空气不均匀分布的情况，即出现温度分层现象，使隧道窑较低位置的升温速率降低，此时通过在隧道窑的逆吹气管中向隧道窑内喷射逆吹气体，迫使顶部温度较高的热空气向位置较低的热空气传递，产生搅动，且逆吹气管中气体流速越大，产生扰动的程度越大，隧道窑内高温气体与低温气体的混合越充分，对流传热的效率越高，温度的变化越稳定。

基于上述分析，本实施例基于隧道窑传热匹配指数构建对流紊乱指数，反映对流传热现象对温度的影响程度，以隧道窑中第a个位置为例，将所有采集时刻的隧道窑传热匹配指数所构成的序列记为隧道窑传热匹配指数序列，对逆吹流速序列和隧道窑传热匹配指数序列按照与局部温度观测序列相同的获取方法，得到各采集时刻的局部逆吹气体流速序列、局部隧道窑传热匹配指数序列，并计算各采集时刻的局部逆吹气体流速序列与局部温度观测序列的皮尔逊相关系数，其中皮尔逊相关系数的计算为现有公知技术，具体过程本实施例不做赘述。计算隧道窑中各位置各采集时刻的对流紊乱指数，表达式为：

式中，表示隧道窑中第a个位置第b个采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中第e个元素的流速传导震荡比，/>表示第b个采集时刻的局部逆吹气体流速序列中的第e个元素值，/>表示隧道窑中第a个位置第b个采集时刻的局部隧道窑传热匹配指数序列中的第e个元素值，/>表示预设大于0的协调因子，用于避免分母为零导致无法计算，本实施例中/>，实施者可根据实际情况自行设定，本实施例对此不做限制；

表示隧道窑中第a个位置第b个采集时刻的对流紊乱指数，/>表示隧道窑中第b个采集时刻的局部逆吹气体流速序列与第a个位置第b个采集时刻的局部温度观测序列的皮尔逊相关系数，/>表示局部逆吹气体流速序列的长度，本实施例中/>，Sig()表示sigmoid函数，/>表示隧道窑中第a个位置第b个采集时刻的所有所述流速传导震荡比的均值。

在隧道窑中，局部逆吹气体流速序列与局部温度观测序列的皮尔逊相关系数越大，即越大，表明逆吹气体流速与温度变化的相关程度越大，即逆吹气体流速对温度的影响程度越大，同时各流速传导震荡比与所有流速传导震荡比的均值之间差异越小，即越小，表明越不符合烧嘴所喷出的高温气体对隧道窑加热时的温度波动特征，即此时越可能是由于逆吹气体所产生的对流传热现象导致温度的变化趋于平稳，故计算出的对流紊乱指数越大。

计算得到了各采集时刻的对流紊乱指数，反映隧道窑内温度受到对流传热现象的影响程度，当各位置均受到逆吹气体的影响时，隧道窑内各位置的温度变化应当具有一致性，即隧道窑内不同位置的温度变化趋势、温度差异应当较为相似。基于上述分析，本实施例基于对流紊乱指数构建空间温度耦合指数，反映隧道窑内各时刻的不同位置温度变化特征的相似程度，空间温度耦合指数的构建过程如下：

式中，表示隧道窑中第i个位置与第j个位置的位置关联权重，/>表示隧道窑中第i个位置与第j个位置之间的欧氏距离；

表示第b个采集时刻的空间温度耦合指数，A表示隧道窑中选取位置的数量，/>、分别表示隧道窑中第i个、第j个位置在第b个采集时刻的对流紊乱指数。

隧道窑中两个不同位置的欧式距离越近，即越小，则两个位置之间的温度变化应当越相似，故计算出的位置关联权重越大，同时隧道窑中同一时刻两个位置的对流紊乱指数差异越小，即/>越小，表明两个位置的温度变化特征越相似，越符合隧道窑内温度的变化规律，故计算出的空间温度耦合指数越大。

步骤S003，基于各采集时刻的空间温度耦合指数，使用LSTM长短期记忆神经网络实现对隧道窑温度的预测。

将当前采集时刻的空间温度耦合指数、A个位置的温度数据和逆吹气管中的气体流速数据作为LSTM长短期记忆神经网络的输入，输出为隧道窑中下一时刻A个位置的温度预测结果，实现对耐火材料隧道窑的温度预测。其中LSTM长短期记忆神经网络及LSTM长短期记忆神经网络的训练过程为现有公知技术，具体过程本实施例不做赘述，LSTM长短期记忆神经网络训练时以Adam为优化算法，以MSE均方根误差为损失函数。

综上所述，本发明实施例通过分析隧道窑内各位置温度变化的关联特征并构建空间温度耦合指数，反映了各位置温度变化之间的依赖关系；进而将当前采集时刻的空间温度耦合指数与温度数据、气体流速数据作为LSTM长短期记忆神经网络的输入，有助于识别各维时间序列之间的依赖关系，提高隧道窑内各位置下一时刻的温度预测结果的精度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同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。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，该方法包括以下步骤：

将隧道窑中各位置所有采集时刻的温度数据组成各位置的温度序列；将隧道窑逆吹气管中所有采集时刻的气体流速数据组成逆吹流速序列；

根据各位置的温度序列内元素的分布获取各位置各采集时刻的局部温度趋势序列与局部温度残差序列；根据局部温度残差序列中相邻元素的差异及局部温度趋势序列的变化趋势得到各位置各采集时刻的隧道窑传热匹配指数；根据逆吹流速序列获取各采集时刻的局部逆吹气体流速序列；将各位置所有采集时刻的隧道窑传热匹配指数组成各位置的隧道窑传热匹配指数序列；根据各位置的隧道窑传热匹配指数序列获取各位置各采集时刻的局部隧道窑传热匹配指数序列；根据各采集时刻的局部逆吹气体流速序列与局部隧道窑传热匹配指数序列相同位置元素的差异，得到各位置各采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中各元素的流速传导震荡比；

根据所述流速传导震荡比及各采集时刻的局部逆吹气体流速序列与局部隧道窑传热匹配指数序列的相关性得到各位置各采集时刻的对流紊乱指数；根据任意两个位置间的距离关系得到任意两个位置间的位置关联权重；结合各位置各采集时刻的对流紊乱指数与任意两个位置间的位置关联权重得到各采集时刻的空间温度耦合指数；结合各采集时刻的空间温度耦合指数、温度数据、气体流速数据，利用神经网络模型完成隧道窑温度的预测。

2.根据权利要求1所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述根据各位置的温度序列内元素的分布获取各位置各采集时刻的局部温度趋势序列与局部温度残差序列，包括：

针对各位置的温度序列，将以第b个采集时刻的温度数据为中心，距离第b个采集时刻时间最近的m个采集时刻的温度数据作为第b个采集时刻的局部温度观测序列，采用时间序列分解算法获取与局部温度观测序列对应的局部温度趋势序列、局部温度残差序列，其中，所述m为预设值。

3.根据权利要求1所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述根据局部温度残差序列中相邻元素的差异及局部温度趋势序列的变化趋势得到各位置各采集时刻的隧道窑传热匹配指数，包括：

将各位置各采集时刻的局部温度趋势序列作为Cox-Stuart趋势性检验的输入，输出为假设检验的p值，隧道窑中第a个位置第b个采集时刻的隧道窑传热匹配指数的表达式为：

式中，表示第a个位置第b个采集时刻的局部温度趋势序列经过假设检验后的p值，c表示局部温度残差序列的长度，d表示局部温度残差序列中的第d个元素，exp()表示以自然常数为底数的指数函数，/>、/>分别表示隧道窑中第a个位置第b个采集时刻的局部温度残差序列中第d个、第d-1个元素值。

4.根据权利要求2所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述根据逆吹流速序列获取各采集时刻的局部逆吹气体流速序列，包括：

针对逆吹流速序列，将以第b个采集时刻的气体流速数据为中心，距离第b个采集时刻时间最近的m个采集时刻的气体流速数据作为第b个采集时刻的局部逆吹气体流速序列。

5.根据权利要求2所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述根据各位置的隧道窑传热匹配指数序列获取各位置各采集时刻的局部隧道窑传热匹配指数序列，包括：

针对各位置的隧道窑传热匹配指数序列，将以第b个采集时刻的隧道窑传热匹配指数为中心，距离第b个采集时刻时间最近的m个采集时刻的隧道窑传热匹配指数作为第b个采集时刻的局部隧道窑传热匹配指数序列。

6.根据权利要求1所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述各位置各采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中各元素的流速传导震荡比，包括：

计算各位置各采集时刻的局部隧道窑传热匹配指数序列中各元素与预设大于0的协调因子的和值，将各采集时刻的局部逆吹气体流速序列中各元素与局部隧道窑传热匹配指数序列中相同位置元素的所述和值的比值作为各位置各采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中各元素的流速传导震荡比。

7.根据权利要求1所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述各位置各采集时刻的对流紊乱指数，表达式为：

式中，表示隧道窑中第a个位置第b个采集时刻的对流紊乱指数，/>表示隧道窑中第b个采集时刻的局部逆吹气体流速序列与第a个位置第b个采集时刻的局部温度观测序列的皮尔逊相关系数，/>表示局部逆吹气体流速序列的长度，Sig()表示sigmoid函数，/>表示隧道窑中第a个位置第b个采集时刻的局部隧道窑传热匹配指数序列与局部逆吹气体流速序列中第e个元素的流速传导震荡比，/>表示隧道窑中第a个位置第b个采集时刻的所有所述流速传导震荡比的均值，/>表示预设大于0的协调因子。

8.根据权利要求1所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述根据任意两个位置间的距离关系得到任意两个位置间的位置关联权重，包括：

计算任意两个位置间的欧式距离，将所述欧式距离的倒数作为所述任意两个位置间的位置关联权重。

9.根据权利要求1所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述结合各位置各采集时刻的对流紊乱指数与任意两个位置间的位置关联权重得到各采集时刻的空间温度耦合指数，表达式为：

式中，表示第b个采集时刻的空间温度耦合指数，A表示隧道窑中选取位置的数量，/>、/>分别表示隧道窑中第i个、第j个位置在第b个采集时刻的对流紊乱指数，/>表示隧道窑中第i个位置与第j个位置间的位置关联权重，/>表示预设大于0的协调因子。

10.根据权利要求1所述的基于机器学习的耐火材料烧成隧道窑温度智能预测方法，其特征在于，所述结合各采集时刻的空间温度耦合指数、温度数据、气体流速数据，利用神经网络模型完成隧道窑温度的预测，包括：

将当前时刻的空间温度耦合指数、所有位置的温度数据与逆吹气管中的气体流速数据作为神经网络模型的输入，输出为下一时刻各个位置的温度预测结果。