一种基于大数据的挤压机的能耗预测方法技术

本发明专利技术公开一种基于大数据的挤压机的能耗预测方法，包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；该基于大数据的挤压机的能耗预测方法预测准确度高。

【技术实现步骤摘要】
一种基于大数据的挤压机的能耗预测方法
本专利技术涉及一种基于大数据的挤压机的能耗预测方法。
技术介绍
挤压机是轻合金管、棒、型材生产的主要设备。它的产生和发展不过是一个多世纪的时间，却发生了巨大的变化。从几兆牛手动的水压机，发展成为两百兆牛全自动的油压机。挤压机的种类也大大增加。挤压机的能力、数量反映了一个企业的生产技术水平。一个国家拥有挤压机的能力、数量、生产能力和装备水平，反映了一个国家的工业发展水平。挤压机在挤压每款铝型材的工件的耗能都是不相同的，但是目前的挤压机耗能预测往往将所有的铝材工件的能耗归一计算，对于单一品种的铝材来说，这样能耗数据误差较大。
技术实现思路
本专利技术要解决的技术问题是提供一种预测准确度高的基于大数据的挤压机的能耗预测方法。为解决上述问题，本专利技术采用如下技术方案：一种基于大数据的挤压机的能耗预测方法，包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。作为优选，所述每个种类的铝型材样本期均为1-3个月。作为优选，所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。作为优选，所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。作为优选，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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。作为优选，所述特征选择算法为基于RReliefF的特征选择算法。作为优选，所述每个种类的铝型材样本期均为2个月。本专利技术的有益效果为：通过对挤压机工作中需要挤压的各种类别的铝型材的能耗数据进行收集，结合了大数据和模型算法的技术，可以有效的预测挤压机在挤压每类的铝型材的耗能情况，预测精确度高。附图说明为了更清楚地说明本专利技术的实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为一种基于大数据的挤压机的能耗预测方法的流程图。具体实施方式下面对本专利技术的技术方案进行描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些实施例获得其他的实施方式。实施例1如图1所示，一种基于大数据的挤压机的能耗预测方法，包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。所述每个种类的铝型材样本期均为1个月。所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。所述特征选择算法为基于RReliefF的特征选择算法。实施例2如图1所示，一种基于大数据的挤压机的能耗预测方法，包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识别和删除异常值。所述改进智能预测模型为基于遗传算法GA训练极限学习机ELM，构建输入为各个子类在样本期内的能源消耗数据，输出为各个子类的能源消耗数据智能预测模型，各个模型相互独立。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ε(t)与生产指标集β(t)构成的因变量集，X是子作业计划集、工况参数集、操作参数集、以及状态参数集通过变换构成的自变量矩阵。所述特征选择算法为基于RReliefF的特征选择算法。所述每个种类的铝型材样本期均为2个月。实施例3如图1所示，一种基于大数据的挤压机的能耗预测方法，包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据本文档来自技高网...

【技术保护点】
1.一种基于大数据的挤压机的能耗预测方法，其特征在于：包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。

【技术特征摘要】
1.一种基于大数据的挤压机的能耗预测方法，其特征在于：包括以下步骤：1)根据挤压机工作中需要挤压的各种类别的铝型材进行分类；2）分别获取各种的铝型材在样本期内的历史能源消耗数据，并计算出挤压机在挤压各个子类在样本期内的能源消耗数据；3）将能耗数据存在到一个一致的数据库中，并通过数据标准化引擎获得有序的数据；4）为各种的铝型材的能耗数据构建能耗的时序立体数据多元非线性回归模型；5)采用特征选择算法对多元非线性回归模型进行特征选择；6)根据多元非线性回归模型的模型特征的历史数据，建立改进智能预测模型和回归型支持向量机智能预测模型；7)对多个单一智能预测模型进行加权集成，获得集成后的单一品种的铝材能耗预测值。2.根据权利要求1所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：所述每个种类的铝型材样本期均为1-3个月。3.根据权利要求2所述的一种基于大数据的挤压机的能耗预测方法，其特征在于：所述步骤3）之前还具有对数据进行清洗；工序为通过设定和封装数据清理算法，填写缺失值、识...

【专利技术属性】
技术研发人员：梁鹏，陈文泗，邹村先，罗铭强，聂德键，罗伟浩，李辉，张小青，林丽荧，
申请(专利权)人：广东兴发铝业有限公司，
类型：发明
国别省市：广东,44