一种基于KPCA-CNN-GRU的陶瓷辊道窑温度预测方法

本发明涉及陶瓷辊道窑温度预测，特别是一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法。

背景技术：

1、陶瓷制品烧成过程中会面临能源消耗的问题，烧成通常发生在天然气与助燃空气混合驱动的连续辊道窑，通常表现出低能源效率。烧成带稳定的工作环境保证了辊道窑安全而高效地生产，而烧成带的工作环境又依赖于其内部的温度，因此，有效地预测辊道窑烧成带的温度，能为工作人员提供操作依据，使得他们能及时采取有效措施，预防异常工况的发生，减少停窑排查问题的次数，从而节约企业的生产成本。

2、近年来，采用传统的机器学习模型来预测辊道窑烧成带的温度，传统机器学习模型比较简单，当需要处理的数据量大时，该模型表现不佳，导致最终的温度预测精准度不高。并且针对辊道窑烧成带出口的温度具有非线性、多干扰、大时滞等特性，传统机器学习模型未考虑到温度在时间前后存在的关系。

技术实现思路

1、针对上述缺陷，本发明提出了一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，其目的在于解决传统机器学习模型比较简单，当需要处理的数据量大时，该模型表现不佳，导致最终的温度预测精准度不高，以及未考虑到温度在时间前后存在的关系的问题。

2、为达此目的，本发明采用以下技术方案：

3、一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，包括以下步骤：

4、步骤s1：采集陶瓷辊道窑烧成带温度的影响因素；

5、步骤s2：利用核主成分分析(kpca)降维算法，对所述陶瓷辊道窑烧成带温度的影响因素进行降维处理，得到降维后陶瓷辊道窑烧成带温度的影响因素；

6、步骤s3：基于所述降维后陶瓷辊道窑烧成带温度的影响因素，获取陶瓷辊道窑烧成带的温度数据；

7、步骤s4：利用滑动时间窗口技术对所述陶瓷辊道窑烧成带的温度数据进行预处理，得到多个训练样本数据和测试样本数据；

8、步骤s5：建立卷积神经网络(cnn)模型，并将多个所述训练样本数据输入所述cnn模型进行特征提取，输出特征向量；

9、步骤s6：建立门控循环单元(gru)模型，并将所述特征向量输入所述gru模型进行温度预测，得到温度预测结果；

10、步骤s7：基于所述温度预测结果和所述测试样本数据，计算平均绝对误差(mae)、平均绝对百分比误差(mape)、均方根误差(rmse)和决定系数(r2)，以评价所述温度预测结果的准确性。

11、优选地，在步骤s2中，所述核主成分分析(kpca)降维算法包括：

12、步骤s21：利用非线性映射函数φ(xi)(i＝1,2,…,n，n为正整数)将原始数据集x投影到高维特征空间y，其中，xi表示第i个样本数据；x＝{x1,x2,…,xn}，xn∈rn，r表示实数，n表示是向量的维度；

13、投射表达式如下：

14、

15、步骤s22：计算得到特征空间的协方差矩阵c，具体的计算公式如下：

16、

17、步骤s23：获取协方差矩阵c的特征值λ，以及特征值对应的特征向量v，两者满足如下关系：

18、

19、步骤s24：获取降维过程中的核函数k＝k(xi,x)(i＝1,2,…,n，n为正整数)，将核函数和代入公式得到nλa＝ka，其中，a为特征向量，nλ为特征值；

20、步骤s25：计算得到非线性主分量，具体的计算公式如下：

21、

22、其中，表示第k个特征向量；hk(x)表示第k个非线性主分量；k(xi,x)表示核函数。

23、优选地，在步骤s3中，具体包括以下子步骤：

24、步骤s31：将若干所述陶瓷辊道窑烧成带的温度数据组成长度为t1的时间序列数据集

25、步骤s32：取长度为t2窗口在所述时间序列数据集中x1到对应的位置开始按顺序滑动，得到多个长度为t2、连续的、有重叠部分的小块，其中，每个小块均包括有当前的输入数据和目标数据；

26、步骤s33：通过多个所述小块，将若干所述陶瓷辊道窑烧成带的温度数据转化为多个训练样本数据和测试样本数据。

27、优选地，在步骤s5中，所述训练样本数据的特征提取是在所述cnn模型中的卷积层进行的，具体的计算公式如下：

28、cj＝∑wij*xj+bj

29、其中，“*”表示卷积运算符；wij表示第j层第i个滤波器权重，i，j∈[1,n]，n为卷积核个数；xj为第j层输入数据；bj为第j层网络偏置；cj为第j层卷积输出。

30、优选地，在步骤s6中，所述门控循环单元(gru)模型的具体计算公式如下：

31、rt＝σ(wr·[ht-1,xt])

32、zt＝σ(wz·[ht-1,xt])

33、

34、

35、其中，rt为重置门；zt为更新门；xt为当前输入；为当前输入和先前隐藏层状态汇总；ht为更新记忆后的隐藏层输出；wr为重置门的权重矩阵；wz为更新门的权重矩阵；wh为隐藏层权重矩阵；σ为sigmoid激活函数；tanh分为双曲正切激活函数；“*”表示卷积运算符。

36、优选地，在步骤s7中，所述平均绝对误差(mae)的具体计算公式如下：

37、

38、其中，n’为样本个数；yi为实际样本值；为预测样本值；

39、所述平均绝对百分比误差(mape)的具体计算公式如下：

40、

41、其中，n’为样本个数；yi为实际样本值；为预测样本值；

42、所述均方根误差(rmse)的具体计算公式如下：

43、

44、其中，n’为样本个数；yi为实际样本值；为预测样本值；

45、所述决定系数(r2)的具体计算公式如下：

46、

47、其中，n’为样本个数；yi为实际样本值；为样本均值；为预测样本值。

48、本申请实施例提供的技术方案可以包括以下有益效果：

49、本方案中采用kpca算法对温度预测相关的繁杂因素进行相关性分析降维，这样把对温度有影响的因素筛选了出来，有利于提高后续模型预测效率。本方案先采用cnn模型进行特征提取再使用gru模型进行温度预测，对比单一模型，模型结合可以大大提高温度预测的精度。本方案考虑到温度前后存在的联系，在数据处理时使用了滑动时间窗口技术，在考虑因素对温度影响的同时，也考虑了温度前后时间段存在的问题。

技术特征：

1.一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，其特征在于：在步骤s2中，所述核主成分分析(kpca)降维算法包括：

3.根据权利要求1所述的一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，其特征在于：在步骤s3中，具体包括以下子步骤：

4.根据权利要求1所述的一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，其特征在于：在步骤s5中，所述训练样本数据的特征提取是在所述cnn模型中的卷积层进行的，具体的计算公式如下：

5.根据权利要求1所述的一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，其特征在于：在步骤s6中，所述门控循环单元(gru)模型的具体计算公式如下：

6.根据权利要求1所述的一种基于kpca-cnn-gru的陶瓷辊道窑温度预测方法，其特征在于：在步骤s7中，所述平均绝对误差(mae)的具体计算公式如下：

技术总结
本发明公开了一种基于KPCA‑CNN‑GRU的陶瓷辊道窑温度预测方法，包括以下步骤：采集陶瓷辊道窑烧成带温度的影响因素；利用KPCA降维算法，对陶瓷辊道窑烧成带温度的影响因素进行降维处理；获取陶瓷辊道窑烧成带的温度数据；利用滑动时间窗口技术对陶瓷辊道窑烧成带的温度数据进行预处理，得到多个训练样本数据和测试样本数据；建立CNN模型，并将多个训练样本数据输入CNN模型进行特征提取，输出特征向量；建立GRU模型，并将特征向量输入GRU模型进行温度预测，得到温度预测结果。本发明解决了传统机器学习模型比较简单，当需要处理的数据量大时，该模型表现不佳，导致最终的温度预测精准度不高，以及未考虑到温度在时间前后存在的关系的问题。

技术研发人员：杨海东,朱俊文,徐康康,孟献兵,宋才荣,杨攀,包昊
受保护的技术使用者：广东工业大学
技术研发日：
技术公布日：2024/1/15