[發明專利]基于大數據和機器學習的燒結終點預測系統的建立方法

有效

• 申請號: 201810311140.9
• 申請日: 2018-04-09
• 公開（公告）號: CN108469180B
• 公開（公告）日: 2020-07-21
• 發明（設計）人: 劉小杰;劉頌;呂慶;孫艷芹;石泉;陳超;劉月明;王新蕊
• 申請（專利權）人: 華北理工大學
• 主分類號: F27B21/14
• 分類號: F27B21/14;F27D19/00
• 代理公司: 長沙星耀專利事務所(普通合伙) 43205
• 代理人: 許伯嚴

1.一種基于大數據和機器學習的燒結終點預測系統的建立方法，包括以下步驟：

S1、采集歷史數據：即采集整個燒結工序中影響燒結終點變化的全部變量數據；

S2、數據預處理：對可采集到的歷史數據進行分析，獲得時間點對應的時間序列樣本，補充缺失數據，剔除異常、重復數據，確定模型輸入變量和輸出變量、數據標準化處理；

S3、燒結終點位置分類：即將所述輸出變量依據繪圖法對燒結終點位置分布狀態進行直觀展示，綜合考慮數據分布特點和設備控制精度，實現對數據集進行正確的分類；

S4、建立預報模型：即依據步驟S3對輸出樣本的六類區間劃分標準，將輸出樣本進行數字編碼；然后結合輸入樣本利用GBDT建立預報模型；

所述六類區間分別為：欠燒+++、欠燒++、欠燒+、欠燒、正常、過燒，其中“+”越多代表偏離正常燒結終點位置越遠；

利用梯度提升決策樹建立預報模型，具體過程包括：

輸入訓練數據集為T＝{(x₁,t₁)，(x₂,t₂)，…，(x_n,t_n)}，其中x_j＝[x₁,x₂,…,x_n]^T∈Rⁿ,t_j＝[1,2,3,4,5,6]^T，j＝1,2,…,N，輸出回歸樹為f_M(x)

1)首先進行初始化，獲得使得損失函數最小的常數估計值，作為樹的一個根節點；

2)計算損失函數的負梯度在當前模型的值，將其作為殘差估計；

其中，m＝1,2,…M，i＝1,2,…N

3)對r_mi擬合一顆回歸樹，得到第m棵樹的葉結點區域R_mj,j＝1,2,...J，即一棵由J個葉子節點組成的樹；

4)利用線性搜索估計回歸樹葉結點區域的值，使損失函數最小化

5)更新回歸樹

6)獲得輸出的最終模型

2.根據權利要求1的基于大數據和機器學習的燒結終點預測系統的建立方法，其特征在于，步驟S2中，獲得時間點對應的時間序列樣本是指以大多數變量的采集時間間隔為參照，依據時間點對應對所有變量進行匹配，最終得到所需時間序列樣本。

3.根據權利要求1的基于大數據和機器學習的燒結終點預測系統的建立方法，其特征在于，步驟S2確定模型輸入變量的方法為通過相關性分析，以與燒結終點位置的變化相關性強的變量，作為本發明模型的輸入變量。

4.根據權利要求1的基于大數據和機器學習的燒結終點預測系統的建立方法，其特征在于，步驟S3對燒結終點位置分類具體包括以下步驟：

S31、利用python的matplotlib模塊對輸出樣本繪制散點圖；

S32、根據散點圖中數據樣本的分布情況，綜合考慮數據分布特點和設備控制精度，對連續分布的輸出樣本進行離散化分類：

S33、結合工藝經驗，對上述離散化的燒結終點位置分類設定分類標準。

5.根據權利要求4的基于大數據和機器學習的燒結終點預測系統的建立方法，其特征在于，對上述離散化的燒結終點位置分類設定分類標準，即綜合考慮數據分布特點和設備控制精度即結合工藝經驗和實際燒結終點位置的數據分布情況，確定輸燒結終點位置分類標準。

6.根據權利要求1的基于大數據和機器學習的燒結終點預測系統的建立方法，其特征在于，依據步驟S4對輸出樣本進行數字編碼，即對所有樣本(xj,tj)的輸出tj進行數字編碼；xj指輸入變量；tj指輸出變量。