【技术实现步骤摘要】
本专利技术涉及数据预测，尤其涉及智能冶炼工厂信息化管理方法及系统。
技术介绍
1、冶炼工厂能耗异常的分析，主要依托于物联网、大数据、云计算等先进技术。传统冶炼工厂在能耗管理上往往存在数据收集不全、分析滞后、决策依据不足等问题，导致能源浪费现象严重。智能冶炼工厂通过安装智能传感器实时采集水、电、气等各类能源的消耗数据，并利用物联网技术实现数据的实时传输。大数据平台对海量能耗数据进行存储、处理和分析，运用机器学习算法识别能耗异常模式，预测能耗趋势，为节能策略的制定提供科学依据。云计算技术提供强大的计算能力，支持复杂的数据分析和智能决策。通过这些技术的综合应用，智能冶炼工厂能够实现对能源使用情况的实时监测、数据分析与智能管理，有效降低能耗，提升能源利用效率，促进绿色可持续发展。
2、现有技术中，因为冶炼过程中能耗受多种因素的波动影响，导致能耗正常范围预测不准确、可靠性低，使得能耗异常不能被精准识别，无法形成对冶炼工厂信息化的有效监控和管理。
3、因此，如何提高能耗正常范围预测准确性、可靠性，是目前有待解决的技术问题。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在能耗正常范围预测准确性差、可靠性低的问题，而提出的智能冶炼工厂信息化管理方法，其包括，
2、收集冶炼过程中的反映信息，分析反映信息彼此之间的相关性关系；
3、构建反映信息的时间序列数据，确定反映信息的趋势性成分，提取反映信息的特征，并根据反映信息彼此之间的相关性关系对多
4、通过特征组合项和趋势性成分训练冶炼能耗分析模型，预测未来能耗正常范围，比对实际能耗与未来能耗正常范围以确定能耗异常段，分析能耗异常段来追溯能耗异常原因；
5、通过跟踪能耗异常原因来实现冶炼过程的优化。
6、本申请一些实施例中，分析反映信息彼此之间的相关性关系，包括，
7、反映信息包括工艺参数、设备状态参数和能耗参数；
8、计算工艺参数、设备状态参数和能耗参数三者彼此之间的互信息，对互信息进行从大到小的排序，并从中确定出最大值、中位值、最小值，将互信息的排序划分成若干个区间，通过区间内互信息出现的次数确定区间中的频繁区间；
9、根据频繁区间与最大值、中位值、最小值三者的位置关系来设定互信息阈值，并筛选互信息，从而将互信息对应的反映信息的相关性关系保留下来。
10、本申请一些实施例中，根据频繁区间与最大值、中位值、最小值三者的位置关系来设定互信息阈值，包括，
11、当频繁区间位于最大值和中位值之间时，根据中位值与频繁区间的距离来调整中位值，将调整后的中位值作为互信息阈值；
12、当中位值处于频繁区间之内时，根据中位值与频繁区间的距离来调整频繁区间的低端点，将调整后的低端点作为互信息阈值；
13、当频繁区间位于中位值和最小值之间时，根据最小值与频繁区间的距离来调整最小值，将调整后的最小值作为互信息阈值；
14、其中，最大值、中位值、最小值三者与频繁区间的距离为值与频繁区间中较近端点之差。
15、本申请一些实施例中，构建反映信息的时间序列数据，确定反映信息的趋势性成分，包括，
16、将工艺参数、设备状态参数和能耗参数的数据进行时间戳对齐，得到时间序列数据，对时间序列数据进行平滑处理；
17、通过时间序列分解算法将时间序列数据进行分解，从而确定工艺参数、设备状态参数和能耗参数各自的趋势性成分；
18、其中，时间序列分解算法包括stl分解和emd分解。
19、本申请一些实施例中，并根据反映信息彼此之间的相关性关系对多个特征进行组合，得到特征组合项，包括，
20、提取工艺参数、设备状态参数和能耗参数中的特征，得到工艺特征、设备状态特征和能耗特征，通过反映信息彼此之间的相关性关系将工艺特征、设备状态特征和能耗特征中的对应特征进行特征交叉，形成特征组合项，特征组合项标记有相关性关系下的特征类别和互信息。
21、本申请一些实施例中，通过特征组合项和趋势性成分训练冶炼能耗分析模型，包括，
22、比对所有特征组合项下的特征类别，将不同特征组合项之间存在工艺特征或设备状态特征重叠的特征组合项记作重叠特征组合项，重叠的工艺特征或设备状态特征记作重叠特征；
23、根据特征组合项、重叠特征组合项和互信息确定模型结构等级；
24、；
25、其中，为模型结构等级，、分别为特征组合项的数量、互信息对应的结合权重，、分别为特征组合项、重叠特征组合项各自的转换系数，、分别为特征组合项、重叠特征组合项各自的数量，为第个特征组合项的互信息值，为重叠特征的数量，为第个重叠特征对应的多个重叠特征组合项的互信息之和，、均为预设常数；
26、不同模型结构等级对应有多个不同模型结构参数的组合，将每个特征组合项中特征的趋势性成分添加于对应的特征组合项中，将所有的特征组合项划分为训练集和测试集，通过训练集和测试集训练冶炼能耗分析模型。
27、本申请一些实施例中，在通过训练集和测试集训练冶炼能耗分析模型过程中，所述方法还包括，
28、统计特征组合项中每个特征的趋势性成分，来确定特征组合项的整体变化速率，通过特征组合项的整体变化速率将所有特征组合项进行分组，针对每组的特征组合项的整体变化速率设置学习率，结合训练集和测试集训练冶炼能耗分析模型。
29、本申请一些实施例中，比对实际能耗与未来能耗正常范围以确定能耗异常段，分析能耗异常段来追溯能耗异常原因，包括，
30、构建实际能耗随时间变化的曲线，记作能耗曲线，将未来能耗正常范围标注于能耗曲线上，能耗曲线上实际能耗超出未来能耗正常范围的部分作为能耗异常段，并确定能耗异常段的时间戳，记作能耗异常时间；
31、计算能耗异常段与未来能耗正常范围之间的曲线面积，收集能耗异常时间前后一段时间和能耗异常时间内的反映信息，构建待测反映信息集；
32、计算待测反映信息集与能耗异常原因库中每个异常原因的状态转移概率，并结合曲线面积确定综合转移概率；
33、；
34、其中，为待测反映信息集与能耗异常原因库中第个异常原因的综合转移概率，为待测反映信息集与能耗异常原因库中第个异常原因的状态转移概率，为曲线面积与能耗异常原因库中第个异常原因能耗异常度的偏差，为补偿概率，表示由曲线面积与能耗异常原因库中第个异常原因能耗异常度的偏差的相似度映射得到的补偿概率；
35、根据综合转移概率对能耗异常原因库中每个异常原因进行筛选，从而追溯能耗异常原因。
36、对应的，本申请还提供了智能冶炼工厂信息化管理系统，包括，
37、分析模块，用于收集冶炼过程中的反映信息，分析反映信息彼此之间的相关性关系；
38、特征模块，用于构建反映信息的时间序列数据，确本文档来自技高网...
【技术保护点】
1.智能冶炼工厂信息化管理方法，其特征在于，包括，
2.根据权利要求1所述的智能冶炼工厂信息化管理方法，其特征在于，分析反映信息彼此之间的相关性关系，包括，
3.根据权利要求2所述的智能冶炼工厂信息化管理方法，其特征在于，根据频繁区间与最大值、中位值、最小值三者的位置关系来设定互信息阈值，包括，
4.根据权利要求2所述的智能冶炼工厂信息化管理方法，其特征在于，构建反映信息的时间序列数据，确定反映信息的趋势性成分，包括，
5.根据权利要求2所述的智能冶炼工厂信息化管理方法，其特征在于，并根据反映信息彼此之间的相关性关系对多个特征进行组合，得到特征组合项，包括，
6.根据权利要求5所述的智能冶炼工厂信息化管理方法，其特征在于，通过特征组合项和趋势性成分训练冶炼能耗分析模型，包括，
7.根据权利要求6所述的智能冶炼工厂信息化管理方法，其特征在于，在通过训练集和测试集训练冶炼能耗分析模型过程中，所述方法还包括，
8.根据权利要求1所述的智能冶炼工厂信息化管理方法，其特征在于，比对实际能耗与未来能耗正常范围
9.智能冶炼工厂信息化管理系统，其特征在于，包括，
...【技术特征摘要】
1.智能冶炼工厂信息化管理方法，其特征在于，包括，
2.根据权利要求1所述的智能冶炼工厂信息化管理方法，其特征在于，分析反映信息彼此之间的相关性关系，包括，
3.根据权利要求2所述的智能冶炼工厂信息化管理方法，其特征在于，根据频繁区间与最大值、中位值、最小值三者的位置关系来设定互信息阈值，包括，
4.根据权利要求2所述的智能冶炼工厂信息化管理方法，其特征在于，构建反映信息的时间序列数据，确定反映信息的趋势性成分，包括，
5.根据权利要求2所述的智能冶炼工厂信息化管理方法，其特征在于，并根据反映信息彼此之间...
【专利技术属性】
技术研发人员：代军峰，王建，
申请(专利权)人：西冶科技集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。