[發明專利]基于ARIMA及RNN的立磨振動預測方法及裝置

有效

• 申請號: 202010517591.5
• 申請日: 2020-06-09
• 公開（公告）號: CN111695730B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 紀楊建;陳欣玥
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F16/2455;G06F16/2458;G06Q10/0639;G06N3/0442;G06Q50/04
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 陳瀟瀟

1.一種基于ARIMA及RNN的立磨振動預測方法，其特征在于，包括：

獲取表征立磨的實時振動值的第一時序數據，及表征與所述立磨的實時振動值關聯的影響因子的實時值的第二時序數據；

依據所述第一時序數據及所述第二時序數據，建立表征所述立磨的實時振動值與所述影響因子關聯關系的第一時間序列矩陣；

以所述第一時序數據為輸入，經預訓練的ARIMA自回歸移動平均模型輸出預測所述立磨未來振動值的第三時序數據；

以所述第一時間序列矩陣為輸入，經預訓練的RNN循環神經網絡模型輸出預測所述立磨未來振動值的殘差的第四時序數據；

對所述第三時序數據及所述第四時序數據求和，輸出最終預測所述立磨未來振動值的第五時序數據；

所述ARIMA自回歸移動平均模型的建立方法，包括：

獲取所述立磨振動值的歷史時序數據；

對所述立磨振動值的歷史時序數據進行ADF單位根檢驗，當所述立磨振動值的歷史時序數據存在單位根時，對所述立磨振動值的歷史時序數據進行d階差分運算，直至所述立磨振動值的歷史時序數據不存在單位根；

依據通過ADF單位根檢驗后的立磨振動值歷史時序數據，基于AIC信息準則確定ARIMA自回歸移動平均模型的階數p和q，其中，p為自回歸項數，q為滑動平均項數；

依據d、p及q建立ARIMA自回歸移動平均模型：

，

其中，L是滯后算子，，及為待估計參數，表示零均值的白噪聲隨機誤差序列，為所述立磨振動值的歷史時序數據；

所述依據通過ADF單位根檢驗后的立磨振動值歷史時序數據，基于AIC信息準則確定ARIMA自回歸移動平均模型的階數p和q，包括：

通過公式計算AIC值，其中，N為通過ADF單位根檢驗后的立磨振動值歷史時序數據的序列長度，為對噪聲項方差的估計值；

依據AIC值遍歷p和q的值，以AIC最小值對應的p和q的值作為所述ARIMA自回歸移動平均模型的階數；

所述RNN循環神經網絡模型的訓練方法，包括：

獲取所述立磨振動值的歷史時序數據及所述影響因子的歷史時序數據；

依據所述立磨振動值的歷史時序數據及所述影響因子的歷史時序數據，建立表征所述立磨的振動值與所述影響因子關聯關系的第二時間序列矩陣；

以所述立磨振動值的歷史時序數據為輸入，經所述預訓練的ARIMA自回歸移動平均模型輸出預測所述立磨未來振動值的第六時序數據，并計算所述第六時序數據的殘差；

以所述第二時間序列矩陣為測試樣本作為RNN循環神經網絡的輸入，以所述第六時序數據的預測殘差為輸出，以所述第六時序數據的殘差為期望值，依據所述RNN循環神經網絡的輸出值和期望值的殘差，通過反向傳播調整所述RNN循環神經網絡的參數，直至所述RNN循環神經網絡滿足收斂條件，得到預訓練的RNN循環神經網絡模型。

2.根據權利要求1所述的基于ARIMA及RNN的立磨振動預測方法，其特征在于，所述以所述第一時序數據為輸入，經預訓練的ARIMA自回歸移動平均模型輸出預測所述立磨未來振動值的第三時序數據，包括：

對所述第一時序數據進行數據清洗，所述數據清洗包括缺失值、異常值及重復值的處理；

以進行數據清洗后的第一時序數據為輸入，經預訓練的ARIMA自回歸移動平均模型輸出預測所述立磨未來振動值的第三時序數據。

3.根據權利要求1所述的基于ARIMA及RNN的立磨振動預測方法，其特征在于，所述影響因子包括：

立磨主電機電流、立磨入口壓力、立磨入口溫度、立磨出口壓力、立磨出口溫度、主輥壓力、主輥反壓力、主輥風壓、主輥轉速、選粉機電機電流、選粉機轉速、主減速器垂直振動、物料水分、磨內噴水量、喂料量以及料層厚度。