基于正交试验筛选Lasso回归预测烧成曲线的方法技术

本发明专利技术公开了基于正交试验筛选Lasso回归预测烧成曲线的方法，涉及数据预测技术领域。本发明专利技术通过建立Lasso回归预测模型进行最佳烧成曲线预测，解决了窑炉烧成制度调整依靠人工经验调整的弊端，减少工人试错成本和试错时间，提高窑炉产质量，提高企业效益。其中，在本发明专利技术的实施例采用两步走的模式，先采集影响窑炉对瓷砖烧成质量的数据变量，通过多项式拟合，构建正交试验，筛选出最优的模型参数，以确定哪些变量适合用于最佳烧成曲线的预测，为后续Lasso回归预测模型的建立筛选出数据变量；再建立Lasso回归预测模型进行最佳烧成曲线预测，大大提高Lasso回归预测模型对最佳烧成曲线预测的准确性。线预测的准确性。线预测的准确性。

【技术实现步骤摘要】
基于正交试验筛选Lasso回归预测烧成曲线的方法


[0001]本专利技术涉及数据预测
，尤其涉及基于正交试验筛选Lasso回归预测烧成曲线的方法。

技术介绍

[0002]建筑陶瓷砖的烧成环节是建筑陶瓷砖生产的关键环节，该环节是由辊道窑炉系统完成。俗话说“生于原料，死于烧成”则是说明烧成工序的重要性。由于该工序主要负责将瓷砖从施釉后的釉坯状态，经过一段时间的烧成和传动运输后，输送出窑炉成为半成品。而在烧成过程中，瓷砖的变化情况是不可见的，且辊道窑的长度较长，从100多米到400多米长度长短不一，最后瓷砖的质量状况调整，只能通过后工序分级检测才能判断烧成制度的好与坏。当原料、配方、窑炉烧成制度等发生波动的时候，势必会造成瓷砖产品的质量异常和波动。
[0003]窑炉工程师为了适应这一系列的变化，则会通过对窑炉的烧成制度进行调整来实现产品质量达标。这个调整过程快则1
‑
2小时，慢则1
‑
2天。遇到找不到原因的时候，半年都可能出现生产不正常的情况。这一系列的调整方法全部依靠窑炉工程技术人员的经验进行调整，如果经验稍差或者熟悉当前窑炉的技术工程师流失，则会造成生产的极大不稳定，引起产线陶瓷砖的产量和质量的降低。

技术实现思路

[0004]本专利技术的目的在于提出基于正交试验筛选Lasso回归预测烧成曲线的方法，以解决上述问题。
[0005]为达此目的，本专利技术采用以下技术方案：
[0006]基于正交试验筛选Lasso回归预测烧成曲线的方法，包括如下步骤：
[0007]S1：采集数据源，所述数据源包括窑炉烧成温度曲线数据、生产工艺数据、原料物理化学检测数据、窑尾半成品瓷砖变形度数据和产品分级质量数据；
[0008]S2：按照产品编号、产线号、前后工序时间戳及工序间时间差进行逻辑关联，根据逻辑关联对数据源进行数据拓扑，得到数据集；
[0009]S3：对所述数据集进行数据清洗，得到清洗好的基础数据集；
[0010]S4：建立正交筛选模型，利用所述正交筛选模型进行正交实验，筛选出适用于预测模型的数据变量；
[0011]S5：将筛选出的数据变量作为变量参数搭建基础函数，利用所述基础函数对基础数据集进行预处理，该预处理包括设置优等品率阈值、窑尾半成品瓷砖变形度筛选、物理性能参数变量筛选、原料特征统计以及窑炉烧成温度数据统计；
[0012]S6：对经过基础函数预处理的基础数据集中的各类数据进行归一化处理；
[0013]S7：将归一化处理后的基础数据集划分为训练集、验证集和测试集；
[0014]S8：利用训练集训练并生成Lasso回归预测模型，利用测试集对Lasso回归预测模
型的预测结果进行测试，利用验证集对Lasso回归预测模型的预测结果进行验证；所述Lasso回归预测模型用于输出预测的窑炉温度曲线。
[0015]作为一种可选的实施例，所述Lasso回归预测模型为：
[0016][0017]其中，代表残差平方和；代表为惩罚项目；λ为惩罚因子，λ＞0；β
j
为回归系数；y
i
为拟合值；X
ij
为自变量数据；n为参数个数；m为样本个数。
[0018]作为一种可选的实施例，所述利用训练集训练Lasso回归预测模型时，包括以下步骤：
[0019]设置惩罚因子为λ＝[λ1、λ2、
…
、λ
n
]，其中，λ1、λ2、
…
、λ
n
的值互不相等且在区间(0,1]内；
[0020]将惩罚因子为λ＝[λ1、λ2、
…
、λ
n
]中的不同惩罚因子建立Lasso回归预测模型，得到具有不同惩罚因子的Lasso回归预测模型，对应标记为：model
‑
1、model
‑
2、
…
、model
‑
n；
[0021]设置第一模型评估指标，包括R2指标和MAPE指标，模型的R2分数越趋近于1，效果越好；模型的MAPE值越趋近于0，效果越好；
[0022]输出经训练、测试以及验证后model
‑
1、model
‑
2、
…
、model
‑
n的R2、MAPE得分，根据R2指标和MAPE指标选出最好的Lasso回归预测模型。
[0023]作为一种可选的实施例，所述建立正交筛选模型包括如下步骤：
[0024]构建多项式模型函数，包括输入曲线、输出曲线和设定第二模型评估指标，所述第二模型评估指标包括：
[0025]R2指标：模型的R2分数越趋近于1，效果越好；
[0026]MAPE指标：模型的MAPE值越趋近于0，效果越好；
[0027]特征排序分数指标：特征排序分数越大，排序靠前权重越大的参数的越多，越符合工艺先验知识；
[0028]物料趋势分数指标；物料趋势分数越大，符合先验趋势的参数的越多，越符合工艺先验；
[0029]设置用于存储参数的空列表函数；
[0030]构建计算多项式函数；
[0031]构建结构化输出数据集；
[0032]构建正交筛选函数，优选正交试验因子：
[0033]设置分级数据中的优等品率大于90％作为阈值，筛选窑炉最佳烧成曲线数据，得到正交试验因子：优等品率阈值[0，0.9]；
[0034]将窑尾变形记录按照工厂检验标准设置为合格＝1，不合格＝0,得到正交试验因子：窑尾变形记录变量[0,1]；
[0035]设置化学成分含量＜0.1％是否去除，得到正交试验因子：化学成分检测数据阈值[0,0.1]；
[0036]设置烧后白度、热膨胀系数是否去除或去除一个变量，得到正交试验因子：物理性能检测数据[None,['烧后白度','热膨胀系数'],['烧后白度'],['热膨胀系数']]；
[0037]设置模型的最大学习深度，得到正交试验因子：模型最大学习深度参数[3,6,9]；
[0038]设置模型的学习率，得到正交试验因子：模型学习率参数[0.1,0.2,0.4]；
[0039]设置模型的集成评估器，得到正交试验因子：[10,50,100]；
[0040]构建正交试验函数进行正交试验，正交试验因子包括优等品率阈值[0，0.9]，窑尾变形记录变量[0,1],化学成分检测数据阈值[0,0.1],物理性能检测数据[None,['烧后白度','热膨胀系数'],['烧后白度'],['热膨胀系数']]，模型最大学习深度参数[3,6,9]，模型学习率参数[0.1,0.2,0.4]和模型集成评估参数[10,50,100]，得到864个正交试验模型；
[0041]利用第二模型评估指标对各个正交试验模型进行评估，得到模型的R2分数、MAPE分数、特征排序分数以及物料趋势分数，并按R2分数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于正交试验筛选Lasso回归预测烧成曲线的方法，其特征在于：包括如下步骤：S1：采集数据源，所述数据源包括窑炉烧成温度曲线数据、生产工艺数据、原料物理化学检测数据、窑尾半成品瓷砖变形度数据和产品分级质量数据；S2：按照产品编号、产线号、前后工序时间戳及工序间时间差进行逻辑关联，根据逻辑关联对数据源进行数据拓扑，得到数据集；S3：对所述数据集进行数据清洗，得到清洗好的基础数据集；S4：建立正交筛选模型，利用所述正交筛选模型进行正交实验，筛选出适用于预测模型的数据变量；S5：将筛选出的数据变量作为变量参数搭建基础函数，利用所述基础函数对基础数据集进行预处理，该预处理包括设置优等品率阈值、窑尾半成品瓷砖变形度筛选、物理性能参数变量筛选、原料特征统计以及窑炉烧成温度数据统计；S6：对经过基础函数预处理的基础数据集中的各类数据进行归一化处理；S7：将归一化处理后的基础数据集划分为训练集、验证集和测试集；S8：利用训练集训练并生成Lasso回归预测模型，利用测试集对Lasso回归预测模型的预测结果进行测试，利用验证集对Lasso回归预测模型的预测结果进行验证；所述Lasso回归预测模型用于输出预测的窑炉温度曲线。2.根据权利要求1所述的基于正交试验筛选Lasso回归预测烧成曲线的方法，其特征在于：所述Lasso回归预测模型为：其中，代表残差平方和；代表为惩罚项目；λ为惩罚因子，λ＞0；β
j
为回归系数；y
i
为拟合值；X
ij
为自变量数据；n为参数个数；m为样本个数。3.根据权利要求2所述的基于正交试验筛选Lasso回归预测烧成曲线的方法，其特征在于：所述利用训练集训练Lasso回归预测模型时，包括以下步骤：设置惩罚因子为λ＝[λ1、λ2、
…
、λ
n
]，其中，λ1、λ2、
…
、λ
n
的值互不相等且在区间(0,1]内；将惩罚因子为λ＝[λ1、λ2、
…
、λ
n
]中的不同惩罚因子建立Lasso回归预测模型，得到具有不同惩罚因子的Lasso回归预测模型，对应标记为：model
‑
1、model
‑
2、
…
、model
‑
n；设置第一模型评估指标，包括R2指标和MAPE指标，模型的R2分数越趋近于1，效果越好；模型的MAPE值越趋近于0，效果越好；输出经训练、测试以及验证后model
‑
1、model
‑
2、
…
、model
‑
n的R2、MAPE得分，根据R2指标和MAPE指标选出最好的Lasso回归预测模型。4.根据权利要求1所述的基于正交试验筛选Lasso回归预测烧成曲线的方法，其特征在于：所述建立正交筛选模型包括如下步骤：构建多项式模型函数，包括输入曲线、输出曲线和设定第二模型评估指标，所述第二模型评估指标包括：R2指标：模型的R2分数越趋近于1，效果越好；
MAPE指标：模型的MAPE值越趋近于0，效果越好；特征排序分数指标：特征排序分数越大，排序靠前权重越大的参数的越多，越符合工艺先验知识；物料趋势分数指标；物料趋势分数越大，符合先验趋势的参数的越多，越符合工艺先验；设置用于存储参数的空列表函数；构建计算多项式函数；构建结构化输出数据集；构建正交筛选函数，优选正交试验因子：设置分级数据中的优等品率大于90％作为阈值，筛选窑炉最佳烧成曲线数据，得到正交试验因子：优等品率阈值[0，0.9]；将窑尾变形记录按照工厂检验标准设置为合格＝1，不合格＝0,得到正交试验因子：窑尾变形记录变量[0,1]；设置化学成分含量＜0.1％是否去除，得到正交试验因子：化学成分检测数据阈值[0,0.1]；设置烧后白度、热膨胀系数是否去除或去除一个变量，得到正交试验因子：物理性能检测数据[None,['烧后白度','热膨胀系数'],['烧后白度'],['热...

【专利技术属性】
技术研发人员：聂贤勇，姚青山，白梅，陈淑琳，
申请(专利权)人：西藏众陶联供应链服务有限公司林周佳住家网络科技有限公司林周利利佳供应链服务有限公司共青城市众陶联供应链服务有限公司，
类型：发明
国别省市：