一种基于梯度提升回归算法的碾磨电流控制模型制造技术

本发明专利技术公开了一种基于梯度提升回归算法的碾磨电流控制模型，涉及基于梯度提升回归算法的碾磨电流控制技术领域，一种基于梯度提升回归算法的碾磨电流控制模型，包括以下步骤：确定碾米机碾磨电流的预测衡量指标，在生产环境中提取碾米机相关指标真实数据；对真实数据进行清洗，建立梯度提升回归算法模型，并通过训练模型拟合数据分布，同时要根据算法设置相应的模型参数方式对训练数据过拟合；根据结果对模型不断调优，最终得到满足生产条件预测指标的碾磨电流预测模型，采用梯度提升回归算法模型构建碾磨电流的预测模型，可以在确保高准确性的前提下可以减少模型计算时间，有利于碾磨电流的实时预测，及时有效的保障流量平衡与工艺稳定性。工艺稳定性。工艺稳定性。

【技术实现步骤摘要】
一种基于梯度提升回归算法的碾磨电流控制模型


[0001]本专利技术涉及基于梯度提升回归算法的碾磨电流控制
，具体为一种基于梯度提升回归算法的碾磨电流控制模型。

技术介绍

[0002]稻谷作为基本粮食作物之一，在世界人口不断增长的前提下，已经上升到战略地位，稻谷的加工和生产也引起了世界各国的高度重视。碾米机的合理使用可以有效提高稻谷加工的效率，提高稻谷的利用率，是我国粮食作物加工企业最为主要的生产机械之一；
[0003]在碾米机的运行过程中，为了保持稳定的碾磨工艺，需要控制碾米机组中各设备碾磨电流，使之保持恒定，然而碾磨电流的调节会对出口阀门开合度产生影响，进而影响到各碾米机流速不同，最终导致流量不平衡。因此建立出口阀门开合度与碾磨电流之间的关系模型，对保持工艺稳定与流量平衡具有重要意义。因此本专利技术提出了一种基于梯度提升回归算法的碾磨电流控制模型，旨在实现更加智能化的控制碾米机的运行状态，提高碾米机的效率和稳定性。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有的缺陷，提供了一种基于梯度提升回归算法的碾磨电流控制模型，通过该关系模型为实现调节碾米机组工艺稳定与流量平衡提供数据支撑，可以有效解决
技术介绍
中的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于梯度提升回归算法的碾磨电流控制模型，包括以下步骤：
[0006](1)确定碾米机碾磨电流的预测衡量指标，在生产环境中提取碾米机相关指标真实数据；
[0007](2)对真实数据进行清洗，具体过程如下：
[0008]a.进行数据检查，观察数据分布，通过标准差、最小值、最大值，检查数据是否有异常点；
[0009]b.剔除异常值和离群点，对数据进行矫正；
[0010]c.通过Pearson系数特征选择方案，选出有效的特征，以便对碾磨电流预测模型进行建模；
[0011]d.对特征进行归一化、标准化操作，剔除特征原始量纲的影响；
[0012](3)建立梯度提升回归算法模型，并通过训练模型拟合数据分布，同时要根据算法设置相应的模型参数方式对训练数据过拟合；
[0013](4)根据结果对模型不断调优，最终得到满足生产条件预测指标的碾磨电流预测模型。
[0014]进一步的，数据采集提取碾米机相关指标真实数据，首先，本模型将碾磨电流作为目标变量，从设备传感器收集碾磨电流的数据；其次，通过设备传感器采集碾米过程中相关
参数作为模型特征变量，例如出口阀门开合度、即时电流，由目标变量和特征变量构成原始数据集。
[0015]进一步的，步骤(2)中清洗数据，目的是对原始数据进行预先处理，以使模型更易拟合，提高模型精准度，具体如下：
[0016]a.分析碾米机数据的整体变化趋势规律，尽可能寻找周期性规律，更容易还原现实场景，寻找数据的上限和下限值，剔除影响结果的离群点；
[0017]b.删除方差为0的指标。
[0018]进一步的，根据步骤(2)进行数据预处理，对数据进行预处理，提高模型输入参数的质量；
[0019]a.计算特征变量与碾磨电流的Pearson相关系数，选出相关系数绝对值较高的指标，通过计算相关系数，相关系数度量了目标变量和特征变量的线性相关性，较高的相关性会使回归模型有较高的准确度，因此仅保留相关系数较高的指标作为模型的特征参数；
[0020]b.对特征参数进行归一化，可采用把数值特征映射到
‑
1和1之间的策略，或者把数值特征映射为均值为0方差为1的策略，剔除特征原始量纲的影响。
[0021]进一步的，根据步骤(2)进行数据分割，划分训练集和测试集，根据时间将原始数据的75％划分作为训练集，将其余数据25％划分作为测试集。
[0022]进一步的，对步骤(3)进行训练计算模型参数，根据数据进行模型选型，本案例中选择梯度提升回归算法建立回归模型，以在确保高准确性的前提下可以减少模型计算时间。
[0023]进一步的，对步骤(4)进行调优超参数，优化模型性能，模型超参数优化方式通过交叉验证的方式，依次从训练集中划分出一份验证集用于交叉验证调优评估，通过网格搜索，即依次训练不同参数组合的模型，选择最大的模型作为最终模型。
[0024]进一步的，根据调优后的模型得到数据，利用对步骤(4)得到的模型参数，以及当前时刻相关设备的特征数据，在线预测碾磨电流；
[0025]通过以上步骤训练模型后，R2可达88.43％。
[0026]与现有技术相比，本专利技术的有益效果是：采用梯度提升回归算法模型构建碾磨电流的预测模型，可以在确保高准确性的前提下可以减少模型计算时间，有利于碾磨电流的实时预测，及时有效的保障流量平衡与工艺稳定性；
[0027](1)计算碾磨过程中相关参数与碾磨电流的相关系数，获取与碾磨电流相关度较高的特征，增强模型的拟合能力，加快计算速度。
[0028](2)利用梯度提升回归算法框架对碾米机运行过程中的碾磨电流指标进行实时预测、监测。
附图说明
[0029]图1为基于梯度提升回归算法的碾磨电流控制模型结果图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，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。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]请参阅图1，本实施例提供一种技术方案，包括如下步骤：
[0032]一种基于梯度提升回归算法的碾磨电流控制模型，包括以下步骤：
[0033](1)确定碾米机碾磨电流的预测衡量指标，在生产环境中提取碾米机相关指标真实数据；
[0034](2)对真实数据进行清洗，具体过程如下：
[0035]a.进行数据检查，观察数据分布，通过标准差、最小值、最大值，检查数据是否有异常点；
[0036]b.剔除异常值和离群点，对数据进行矫正；
[0037]c.通过Pearson系数特征选择方案，选出有效的特征，以便对碾磨电流预测模型进行建模；
[0038]d.对特征进行归一化、标准化操作，剔除特征原始量纲的影响；
[0039](3)建立梯度提升回归算法模型，并通过训练模型拟合数据分布，同时要根据算法设置相应的模型参数方式对训练数据过拟合；计算碾磨过程中相关参数与碾磨电流的相关系数，获取与碾磨电流相关度较高的特征，增强模型的拟合能力，加快计算速度。
[0040](4)根据结果对模型不断调优，最终得到满足生产条件预测指标的碾磨电流预测模型。
[0041]利用梯度提升回归算法框架对碾米机运行过程中的碾磨电流指标进行实时预测、监测。
[0042]以下以预测碾磨电流为例说明具体步骤：
[0043]1、数据采集，提取碾米机相关指标真实数据，首先，本模型将碾磨电流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度提升回归算法的碾磨电流控制模型，其特征在于，包括以下步骤：(1)确定碾米机碾磨电流的预测衡量指标，在生产环境中提取碾米机相关指标真实数据；(2)对真实数据进行清洗，具体过程如下：a.进行数据检查，观察数据分布，通过标准差、最小值、最大值，检查数据是否有异常点；b.剔除异常值和离群点，对数据进行矫正；c.通过Pearson系数特征选择方案，选出有效的特征，以便对碾磨电流预测模型进行建模；d.对特征进行归一化、标准化操作，剔除特征原始量纲的影响；(3)建立梯度提升回归算法模型，并通过训练模型拟合数据分布，同时要根据算法设置相应的模型参数方式对训练数据过拟合；(4)根据结果对模型不断调优，最终得到满足生产条件预测指标的碾磨电流预测模型。2.根据权利要求1所述的一种基于梯度提升回归算法的碾磨电流控制模型，其特征在于：数据采集提取碾米机相关指标真实数据，首先，本模型将碾磨电流作为目标变量，从设备传感器收集碾磨电流的数据；其次，通过设备传感器采集碾米过程中相关参数作为模型特征变量，例如出口阀门开合度、即时电流，由目标变量和特征变量构成原始数据集。3.根据权利要求1所述的一种基于梯度提升回归算法的碾磨电流控制模型，其特征在于：步骤(2)中清洗数据，目的是对原始数据进行预先处理，以使模型更易拟合，提高模型精准度，具体如下：a.分析碾米机数据的整体变化趋势规律，尽可能寻找周期性规律，更容易还原现实场景，寻找数据的上限和下限值，剔除影响结果的离群点；b.删除方差为0的指标。4.根据权利要求1所述的一种基于梯度提升回归算法的碾磨电流控制模型，其特征在于：根据步骤(2)进行数据预处理，对数据...

【专利技术属性】
技术研发人员：张文，崔浩亮，韩广阳，史成浩，
申请(专利权)人：东南数字经济发展研究院，
类型：发明
国别省市：