一种大数据驱动的挤压设备的能耗预测方法及其系统技术方案

一种大数据驱动的挤压设备能耗预测方法及其系统，能耗预测方法包括以下步骤：(1)数据采集；(2)数据转换；(3)数据后处理；(4)能耗实时状态评估。上述能耗实时状态评估系统，安装于设有控制器的挤压设备，包括实时生产大数据监测系统、数据交换器、数据后处理系统、数据存储器和能耗实时状态评估模型器。本发明专利技术提出一种生产大数据驱动的挤压设备的能耗预测方法及其能耗实时状态评估系统，基于生产实时监测数据，利用大数据挖掘与分析技术实现对挤压机能耗状态的智能分析与预测，支撑挤压机能耗的在线智能优化。

Energy consumption prediction method for large data driven extrusion equipment and system thereof

The invention relates to a method for predicting energy consumption of a large data compression equipment and a system thereof, wherein the energy consumption prediction method comprises the following steps: (1) data acquisition; (2) data conversion; (3) data post processing; (4) energy consumption real-time condition assessment. The real-time energy consumption evaluation system, a controller installed in the extrusion equipment, including real-time production data monitoring system, data exchange, data postprocessing system, data storage and real-time energy consumption evaluation model. The invention provides real-time energy consumption prediction method extrusion production equipment for large data driven and energy consumption evaluation system, based on the production data real-time monitoring, intelligent analysis and prediction of energy consumption state of extrusion machine using a large data mining and analysis technology, support intelligent optimization function of online consumption squeeze.

【技术实现步骤摘要】

本专利技术涉及
，尤其涉及一种大数据驱动的挤压设备的能耗预测方法及其系统。
技术介绍
挤压设备是铝型材加工过程中核心装备之一，能耗需求高，企业迫切需要通过对挤压设备运行过程中能耗状况进行实时监控与优化控制，降低能源浪费，节约能耗成本，然而实现优化控制的前提是对挤压设备运行过程中的能耗状态进行实时评估。目前，能耗的评估主要基于工艺的能耗机理模型揭示能耗规律、特征以支持能耗动态行为的评估与优化，若采用该方法需对复杂的机理过程进行深刻认识，并需要简化关键结构参数、物性参数、忽略生产约束的动态性和时变性，因此能耗的评估与分析准确性低，无法反映能耗随生产实际的实时能耗行为。与此同时，随着企业智能化、信息化程度的提高，企业每时每刻产生海量的生产、能耗信息数据，这些大规模数据通过各种传感器以各种形式传到数据中心服务器，并基于统计分析被用于监控和评估，数据价值未被充分挖掘和利用，这些海量的数据中蕴含着大量宝贵的信息，包含了丰富的映射实际生产运行规律、能耗规律、能耗与运行参数、生产指标约束等关系的潜在信息，这些潜在的信息数据可以有效支撑能耗行为模型的构建以及能耗优化。因此，可利用挤压设备运行过程丰富的实时数据信息，采用数据信息挖掘技术，建立能耗等生产信息的数据统计回归模型，对挤压设备运行过程中的实时能耗状态进行评估分析。目前，工艺能耗的评估多基于机理模型，该种方法需对复杂的工艺能耗机理过程进行深刻认识，并简化关键结构参数、物性参数，忽略生产约束的动态性和时变性，假设生产过程一直出去理想状态，然而生产过程存在各种不确定性因素，采用该种方法评估挤压工艺的实时能耗可靠性低，无法反应真实情况，为后续的优化带来困扰。
技术实现思路
本专利技术的目的在于提出一种大数据驱动的挤压设备的能耗预测方法，基于生产实时监测数据，利用大数据挖掘与分析技术实现对挤压机能耗状态的智能分析与预测。本专利技术的另一个目的在于提出一种大数据驱动的挤压设备的能耗实时状态评估系统，基于生产实时监测数据，利用大数据挖掘与分析技术实现对挤压机能耗状态的智能分析、预测，支撑挤压机能耗的在线智能优化。为达此目的，本专利技术采用以下技术方案：一种大数据驱动的挤压设备能耗预测方法，包括以下步骤：(1)数据采集：收集目标挤压设备的运动状态数据、控制参数数据及电耗数据；(2)数据转换：将步骤一采集的数据结合起来存在到一个一致的数据存储中，并通过数据标准化引擎获得有序的数据；(3)数据后处理：对步骤二获得的有序数据依次进行清洗、归约、压缩和分类；(4)能耗实时状态评估：通过构建能耗的时序立体数据多元非线性回归模型，评估、预测能耗行为状态，并通过将该模型与能耗机理方程模型结合进一步校正能耗回归模型的可靠性，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测。更进一步的说明，所述步骤(3)中的数据清洗工序为通过设定和封装数据清理算法，填写缺失值，平滑噪声系数，识别、删除异常值，并解决不一致问题。更进一步的说明，所述缺失值采用多重插补法给定，所述平滑噪声系数采用数据平滑技术取出偏离度不符合的异常数据，所述异常值选用基于分类与预测模型的方法进行舍弃处理。具体的，缺失值采用多重插补法给定，先为每个缺失值插补m个可能的估计值(这些值反映了缺失模型的不确定性)，形成m个完整数据集；然后对每个完整数据集分别使用相同的针对完整数椐集的方法进行分析，得到m个分析结果；最后综合来自这m个插补数据集的结果，得到对目标变量的统计推断值。数据噪声则可采用数据平滑技术去除偏离度比较大的异常数据。异常值选用基于分类与预测模型的方法进行处理，对于变量总体的特征建立分类或预测模型，形成正常数据的特征库，然后判断新的数据是否属于正常数据，如果新数据与总体特征相偏离，则为异常值，对其进行舍弃处理。更进一步的说明，所述步骤(3)中的数据归约基于粗糙集理论的启发式属性约简算法通过聚集、删除冗余特征或聚类方法来剔除不必要的属性，减少数据维度。具体的，本专利技术采用基于粗糙集理论的启发式属性约简算法对某些不重要的属性进行约简删除，以信息系统或决策表的属性核为起始点，根据属性重要性的某种测度，依次选择核属性以外未被添加到核中的属性中最重要的属性，将其加入到核中，直到满足终止条件，得到信息系统或决策表的一个约简。更进一步的说明，所述步骤(3)中的数据分类基于密度的聚类算法DBSCAN的工序，具体的，在数据域中，任意选取一个没有加簇标签的点P，得到所有从P关于Eps邻域的最大半径和在Eps邻域中的最少点数密度可达的点；如果P是一个核心点，形成一个新的簇，给簇内所有对象点加簇标签；如果P是一个边界点，没有从P密度可达的点；DBSCAN将访问数据域中的下一个点，不断循环这一过程，直到数据库中所有点都被处理。更进一步的说明，所述步骤(4)中的能耗实时状态评估采用时序立体数据多元线性回归建模方法构建其能耗实时状态评估模型，其中能耗实时状态评估模型可以表达为：y(t)＝f(X(t),β(t),ε(t))；其中y是能耗E(t)与生产指标集p(t)构成的因变量集，X是子作业计划集w(t)、工况参数集I(t)、操作参数集o(t)、以及状态参数集s(t)通过变换构成的自变量矩阵，具体如下公式所示：因此能耗关于上述参数的时序立体数据多元回归模型如下公式：y(t)＝β0+β1x1(t)+β2x2(t)+…+βpxu+n+m+k+p(t)+ε(t)其中，ε(t)＝(ε(1),ε(2),…,ε(T))为随机误差向量，xj(t)＝(x1(1),x2(2),…,xN(T)),j＝1,2,…,u+n+m+k+p同理，样本回归模型的形式如下公式： y ^ ( t ) = β ^ 0 + β ^ 1 x 1 ( t ) + β ^ 2 x 2 ( t ) + ... + β ^ p x p ( t ) ]]>根据参数最小二乘估计的判断标准，残差平方和达到最小，得到： S S E = | | y ( t ) 本文档来自技高网...

【技术保护点】
一种大数据驱动的挤压设备能耗预测方法，其特征在于：包括以下步骤：(1)数据采集：收集目标挤压设备的运动状态数据、控制参数数据及电耗数据；(2)数据转换：将步骤一采集的数据结合起来存在到一个一致的数据存储中，并通过数据标准化引擎获得有序的数据；(3)数据后处理：对步骤二获得的有序数据依次进行清洗、归约、压缩和分类；(4)能耗实时状态评估：通过构建能耗的时序立体数据多元非线性回归模型，评估、预测能耗行为状态，并通过将该模型与能耗机理方程模型结合进一步校正能耗回归模型的可靠性，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测。

【技术特征摘要】
1.一种大数据驱动的挤压设备能耗预测方法，其特征在于：包括以下步骤：(1)数据采集：收集目标挤压设备的运动状态数据、控制参数数据及电耗数据；(2)数据转换：将步骤一采集的数据结合起来存在到一个一致的数据存储中，并通过数据标准化引擎获得有序的数据；(3)数据后处理：对步骤二获得的有序数据依次进行清洗、归约、压缩和分类；(4)能耗实时状态评估：通过构建能耗的时序立体数据多元非线性回归模型，评估、预测能耗行为状态，并通过将该模型与能耗机理方程模型结合进一步校正能耗回归模型的可靠性，提出混合型制造工艺能耗实时状态模型，对工艺能耗在生产约束下的动态行为进行分析、预测。2.根据权利要求1所述的一种大数据驱动的挤压设备能耗预测方法，其特征在于：所述步骤(3)中的数据清洗工序为通过设定和封装数据清理算法，填写缺失值，平滑噪声系数，识别、删除异常值。3.根据权利要求2所述的一种大数据驱动的挤压设备能耗预测方法，其特征在于：所述缺失值采用多重插补法给定，所述平滑噪声系数采用数据平滑技术取出偏离度不符合的异常数据，所述异常值选用基于分类与预测模型的方法进行舍弃处理。4.根据权利要求1所述的一种大数据驱动的挤压设备能耗预测方法，其特征在于：所述步骤(3)中的数据归约基于粗糙集理论的启发式属性约简算法通过聚集、删除冗余特征或聚类方法来剔除不必要的属性，减少数据维度。5.根据权利要求1所述的一种大数据驱动的挤压设备能耗预测方法，其特征在于：所述步骤(3)中的数据分类基于密度的聚类算法DBSCAN的工序，具体的，在数据域中，任意选取一个没有加簇标签的点P，得到所有从P关于Eps邻域的最大半径和在Eps邻域中的最少点数密度可达的点；如果P是一个核心点，形成一个新的簇，给簇内所有对象点加簇标签；如果P是一个边界点，没有从P密度可达的点；DBSCAN将访问数据域中的下一个点，不断循环这一过程，直到数据库中所有点都被处理。6.根据权利要求1所述的一种大数据驱动的挤压设备能耗预测方法，其特征在于：所述步骤(4)中的能耗实时状态评估采用时序立体数据多元线性回归建模方法构建其能耗实时状态评估模型，其中能耗实时状态评估模型可以表达为：y(t)＝f(X(t),β(t),ε(t))；其中y是能耗E(t)与生产指标集p(t)构成的因变量集，X是子作业计划集w(t)、工况参数集I(t)、操作参数集o(t)、以及状态参数集s(t)通过变换构成的自变量矩阵，具体如下公式所示：因此能耗关于上述参数的时序立体数据多元回归模型如下公式：y(t)＝β0+β1x1(t)+β2x2(t)+…+βpxu+n+m+k+p(t)+ε(t)其中，ε(t)＝(ε(1),ε(2),…,ε(T))为随机误差向量，xj(t)＝(x1(1),x2(2),…,xN(T)),j＝1,2,…,u+n+m+k+p同理，样本回归模型的形式如下公式： y ^ ( t ) = β ^ 0 + β ^ 1 x 1 ( t ) + β ^ 2 x 2 ( t ) + ... + β ^ p x p ( t ) ]]>根据参数最小二乘估计的判断标准，残差平方和达到最小，得到： S S E = | | y ( t ) - β ^ 0 - Σ 1 p β ^ j x j ( t ) | | 2 = ( y ( t ) - β ^ 0 - Σ 1 p β ^ j x j ( t ) ) ( y ( t ) - β ^ 0 - Σ 1 p β ^ j x j ( t ) ) ′ → min ...

【专利技术属性】
技术研发人员：李洪丞，杨海东，曾利云，
申请(专利权)人：广东工业大学，佛山市南海区广工大数控装备协同创新研究院，
类型：发明
国别省市：广东;44