基于机器学习的工业窑炉温度预测方法及系统技术方案

本发明专利技术涉及电数字数据处理技术领域，具体涉及基于机器学习的工业窑炉温度预测方法及系统，该方法包括：获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列；确定预设温度影响参数与温度参数之间的关联度；对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理；确定每个温度影响数据序列对应的整体温度影响因子；确定预设时间段内的每个预设时间间隔对应的目标影响因子和窑炉代表温度；预测预设时间段的下一个预设时间间隔对应的窑炉代表温度

【技术实现步骤摘要】
基于机器学习的工业窑炉温度预测方法及系统


[0001]本专利技术涉及电数字数据处理
，具体涉及基于机器学习的工业窑炉温度预测方法及系统
。

技术介绍

[0002]工业窑炉是一种用于高温处理材料的设备，主要功能是通过加热将原材料转化为所需的产品，被广泛应用于冶金
、
陶瓷制造
、
玻璃生产等工业领域
。
温度作为其中最为关键的工艺参数之一，由于能量传输和交换往往需要一定的时间，并且工业窑炉容积通常较大，所以工业窑炉的温度通常具有滞后性
。
然而在工业实际生产中，往往需要在特定的温度条件下才会发生发应，过高或过低的温度都可能会导致产品质量受损，甚至报废
。
因此往往需要结合机器学习，对工业窑炉内的温度进行预测，以优化生产工艺，在一定程度上确保在合适的温度范围内进行加热，从而获得更好的产品质量和更高的生产效率，而且窑炉加热往往需要消耗大量的能源，如电力
、
天然气等，通过准确预测温度，可以优化能源的使用，避免不必要的能源浪费，从而降低生产成本和环境影响
。
目前，对数据进行预测时，通常采用的方式为：根据历史数据，对下一刻的数据进行预测
。
[0003]然而，当根据历史温度，对下一刻的温度进行预测时，经常会存在如下技术问题：由于工业窑炉内的温度变化往往受到多个因素的影响，包括但不限于工业窑炉的历史温度，若对下一刻的温度进行预测时只考虑工业窑炉的历史温度，则可能由于其他因素的变化，导致预测的下一刻的温度的准确度较低
。

技术实现思路

[0004]本专利技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述
。
本专利技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围
。
[0005]为了解决工业窑炉内温度预测的准确度较低的技术问题，本专利技术提出了基于机器学习的工业窑炉温度预测方法及系统
。
[0006]第一方面，本专利技术提供了基于机器学习的工业窑炉温度预测方法，该方法包括：获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列；根据获取的所有目标窑炉温度序列和每个预设温度影响参数对应的所有温度影响数据序列，确定所述预设温度影响参数与温度参数之间的关联度，作为所述预设温度影响参数对应的初始关联度；对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到所述温度影响数据序列对应的升温正影响指标；根据每个温度影响数据序列所属预设温度影响参数对应的初始关联度，以及所述温度影响数据序列对应的升温正影响指标，确定所述温度影响数据序列对应的整体温度影
响因子；根据每个预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，确定所述预设时间间隔对应的目标影响因子；根据每个预设时间间隔内采集的目标窑炉温度序列，确定所述预设时间间隔对应的窑炉代表温度；根据所述预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度
。
[0007]可选地，所有预设温度影响参数包括：天然气输入速率参数
、
压缩空气输入速率参数和窑炉压强参数；所述初始关联度和所述升温正影响指标均与所述整体温度影响因子呈正相关；所述预设时间间隔内采集的各个温度影响数据序列对应的整体温度影响因子均与所述目标影响因子呈正相关
。
[0008]可选地，若预设温度影响参数为天然气输入速率参数或压缩空气输入速率参数，则对每个预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标，包括：根据预设正常波动因子，确定该温度影响数据序列对应的正常高界限和正常低界限；将该温度影响数据序列中大于所述正常高界限的温度影响数据，确定为增益影响数据，并将该温度影响数据序列中小于所述正常低界限的温度影响数据，确定为衰减影响数据；将该温度影响数据序列中所有增益影响数据中连续的增益影响数据，作为增益影响数据组，得到增益影响数据组集合，并将该温度影响数据序列中所有衰减影响数据中连续的衰减影响数据，作为衰减影响数据组，得到衰减影响数据组集合；对于所述增益影响数据组集合中的每个增益影响数据组，根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标；对于所述衰减影响数据组集合中的每个衰减影响数据组，根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对应的温度衰减指标；根据所述增益影响数据组集合中的各个增益影响数据组对应的温度增益指标和所述衰减影响数据组集合中的各个衰减影响数据组对应的温度衰减指标，确定该温度影响数据序列对应的升温正影响指标，其中，温度增益指标与升温正影响指标呈正相关，温度衰减指标与升温正影响指标呈负相关
。
[0009]可选地，所述根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标，包括：将所述增益影响数据组中的每个增益影响数据与所述正常高界限的差值，确定为所述增益影响数据对应的第一增益差异；根据所述增益影响数据组中的各个增益影响数据对应的第一增益差异，确定所述增益影响数据组对应的第二增益差异，其中，第一增益差异与第二增益差异呈正相关；将所述增益影响数据组对应的最大采集时间和所述增益影响数据组的下一个衰减影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第一增益因子；
将所述增益影响数据组对应的最大采集时间和所述增益影响数据组对应的参考影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第二增益因子；根据所述增益影响数据组对应的第二增益差异
、
第一增益因子和第二增益因子，确定所述增益影响数据组对应的温度增益指标，其中，第二增益差异和第一增益因子均与温度增益指标呈正相关，第二增益因子与温度增益指标呈负相关，所述增益影响数据组对应的参考影响数据组是所述增益影响数据组的下一个增益影响数据组
。
[0010]可选地，所述根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对应的温度衰减指标，包括：将所述正常低界限与所述衰减影响数据组中的每个衰减影响数据的差值，确定为所述衰减影响数据对应的第一衰减差异；根据所述衰减影响数据组中的各个衰减影响数据对应的第一衰减差异，确定所述衰减影响数据组对应的第二衰减差异，其中，第一衰减差异与第二衰减差异呈正相关；将所述衰减影响数据组对应的最大采集时间和所述衰减影响数据组的下一个增益影响数据组对应的最小采集时间之间的时长，确定为所述衰减影响数据组对应的第一衰减因子；将所述衰减影响数据组对应的最大采集时间和所述衰减影响数据组对应的候选影响数据组对应的最小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的工业窑炉温度预测方法，其特征在于，包括以下步骤：获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列；根据获取的所有目标窑炉温度序列和每个预设温度影响参数对应的所有温度影响数据序列，确定所述预设温度影响参数与温度参数之间的关联度，作为所述预设温度影响参数对应的初始关联度；对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到所述温度影响数据序列对应的升温正影响指标；根据每个温度影响数据序列所属预设温度影响参数对应的初始关联度，以及所述温度影响数据序列对应的升温正影响指标，确定所述温度影响数据序列对应的整体温度影响因子；根据每个预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，确定所述预设时间间隔对应的目标影响因子；根据每个预设时间间隔内采集的目标窑炉温度序列，确定所述预设时间间隔对应的窑炉代表温度；根据所述预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度
。2.
根据权利要求1所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，所有预设温度影响参数包括：天然气输入速率参数
、
压缩空气输入速率参数和窑炉压强参数；所述初始关联度和所述升温正影响指标均与所述整体温度影响因子呈正相关；所述预设时间间隔内采集的各个温度影响数据序列对应的整体温度影响因子均与所述目标影响因子呈正相关
。3.
根据权利要求2所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，若预设温度影响参数为天然气输入速率参数或压缩空气输入速率参数，则对每个预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标，包括：根据预设正常波动因子，确定该温度影响数据序列对应的正常高界限和正常低界限；将该温度影响数据序列中大于所述正常高界限的温度影响数据，确定为增益影响数据，并将该温度影响数据序列中小于所述正常低界限的温度影响数据，确定为衰减影响数据；将该温度影响数据序列中所有增益影响数据中连续的增益影响数据，作为增益影响数据组，得到增益影响数据组集合，并将该温度影响数据序列中所有衰减影响数据中连续的衰减影响数据，作为衰减影响数据组，得到衰减影响数据组集合；对于所述增益影响数据组集合中的每个增益影响数据组，根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标；对于所述衰减影响数据组集合中的每个衰减影响数据组，根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对应的温度衰减指标；根据所述增益影响数据组集合中的各个增益影响数据组对应的温度增益指标和所述衰减影响数据组集合中的各个衰减影响数据组对应的温度衰减指标，确定该温度影响数据
序列对应的升温正影响指标，其中，温度增益指标与升温正影响指标呈正相关，温度衰减指标与升温正影响指标呈负相关
。4.
根据权利要求3所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，所述根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标，包括：将所述增益影响数据组中的每个增益影响数据与所述正常高界限的差值，确定为所述增益影响数据对应的第一增益差异；根据所述增益影响数据组中的各个增益影响数据对应的第一增益差异，确定所述增益影响数据组对应的第二增益差异，其中，第一增益差异与第二增益差异呈正相关；将所述增益影响数据组对应的最大采集时间和所述增益影响数据组的下一个衰减影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第一增益因子；将所述增益影响数据组对应的最大采集时间和所述增益影响数据组对应的参考影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第二增益因子；根据所述增益影响数据组对应的第二增益差异
、
第一增益因子和第二增益因子，确定所述增益影响数据组对应的温度增益指标，其中，第二增益差异和第一增益因子均与温度增益指标呈正相关，第二增益因子与温度增益指标呈负相关，所述增益影响数据组对应的参考影响数据组是所述增益影响数据组的下一个增益影响数据组
。5.
根据权利要求3所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，所述根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对...

【专利技术属性】
技术研发人员：黄立刚，张跃进，
申请(专利权)人：苏州科尔珀恩机械科技有限公司，
类型：发明
国别省市：