基于随机森林算法的熟料强度预测模型制造技术

本发明专利技术公开了基于随机森林算法的熟料强度预测模型，涉及熟料强度预测技术领域，包括1、数据驱动建模：通过数据对抗压强度呈现不同量级的拟合影响，模拟人脑神经间的传递机制，建立各个成分数据的高精度拟合传递数学模型；2、模型输入变量的选择：采用相关性分析法来获取主要变量,与现场专家经验交叉验证；3、模型的开发和验证：针对熟料的抗压强度与现有可采集到的变量所呈现的特殊相关性及组合进行模型开发和验证；4、构建熟料质量预测系统：根据原料的差异对熟料强度的影响，开发熟料抗压强度预测大模型和宣城辅助修正子模型。本发明专利技术通过数据自动采集、流程控制、实时计算等方式，优化熟料强度预测精度和速度，有效提升工作效率。率。率。

【技术实现步骤摘要】
基于随机森林算法的熟料强度预测模型


[0001]本专利技术涉及熟料强度预测
，具体涉及基于随机森林算法的熟料强度预测模型。

技术介绍

[0002]在绿色环保生产的大环境下，水泥行业面临压减产能的政策管控，节能减排要求不断提高，精益管理和转型升级的迫切需求，摆在了水泥企业的面前。水泥企业需要寻求在不增加生产设备、不改变生产工艺的前提下，达到“高产量、低能耗、质量稳定”的目标。
[0003]水泥强度是影响水泥质量的重要指标。而水泥强度又受到熟料强度、混合材种类和掺量、水泥细度、级配、石膏掺量等因素的影响。当水泥强度一定时，若级配、石膏掺量、水泥细度不变，则混合材的掺量直接由水泥熟料强度决定。若熟料强度高，混合材掺量则可以适度提高，为企业带来较好经济效益的同时，亦对节约能源、降低能耗、减少二氧化碳排放，有着重大的意义。因此，水泥熟料强度既是水泥生产质量控制的一个重要参数，同时也是衡量水泥厂技术、质量控制部门管理水平的一个重要标志。
[0004]而作为水泥熟料质量管理特性的抗压强度，根据中国国家标准GB/T17671
‑
1999《水泥胶砂强度检验方法(ISO法)》规定，从获得样品，到样品制备，再到测定1d强度需要要25h左右，28d强度则需要至少28天的时间；这种严重的滞后性，决定了单纯依靠质量检验并不能很好的满足生产质量控制，同时也会给企业的生产和管理带来各种问题。若要解决这些问题，则需提前预测和判定水泥熟料的强度。传统的预测方法，如加速养护推定法、小试体法、人工神经网络预测法等，有着使用范围局限、时效性差、准确度低等不同缺点，因此急需一种准确高效的强度预测方法，用于辅助水泥生产经营。

技术实现思路

[0005]本专利技术的目的在于提供基于随机森林算法的熟料强度预测模型，以解决现有技术中导致的上述多项缺陷。
[0006]基于随机森林算法的熟料强度预测模型，包括1、数据驱动建模：通过挖掘数据潜在的对抗压强度呈现不同量级的拟合影响，模拟人脑神经间的传递机制，采用大数据人工智能，建立各个成分数据与其R3/28抗压强度之间的高精度拟合传递数学模型；
[0007]2、模型输入变量的选择：采用先线性、再非线性的相关性分析法来获取影响其抗压强度的主要变量,并与现场专家经验进行融合，并交叉验证，以此来选取最佳的输入变量组合；
[0008]3、模型的开发和验证：针对出窑熟料的抗压强度与平台上现有可采集到的变量所呈现的特殊相关性及组合进行模型的开发，并验证；
[0009]4、构建熟料质量预测系统：根据区域原料的主要差异对熟料强度的影响，开发出了整个出窑熟料抗压强度预测大模型和宣城辅助修正子模型，反复论证，得出其有效性和准确性。
[0010]优选的，所述数据驱动建模中建模的方法为随机森林模型，随机森林构造了多个决策树，当需要对某个样本进行预测时，统计森林中的每棵树对该样本的预测结果，然后通过投票法或者取平均值从这些预测结果中得出最后的结果。
[0011]优选的，所述模型变量选择：出窑熟料抗压强度预测大模型选取熟料中的有害成分(MgO、R2O、SO3)、三率值(KH、IM、SM)、矿物组成(C3A、C3S、C2S、C4AF)作为参数进行模型训练。
[0012]优选的，所述模型变量选择：宣城辅助修正子模型选取熟料中的有害成分(MgO、R2O、SO3)、三率值(KH、IM、SM)、矿物组成(C3A、C3S、C2S、C4AF)作为参数进行大模型预测结果偏差纠正的训练，此模型为适用于宣城的修正模型，最终宣城以“大模型+修正模型”的方式进行强度预测。
[0013]优选的，所述熟料质量预测系统概括为强度模型构建和上线、模型基础信息设置、公司强度模型选配、强度预测应用四大部分，分为3个一级菜单，6个二级菜单，二级菜单功能如下：
[0014]1.服务开发：将构建的模型上传至系统中；
[0015]2.服务商城：可查看上传系统的模型，并可对模型进行测试验证；
[0016]3.强度预测模型：设置模型的基础信息，并和服务对应，需要维护模型的参数信息；
[0017]4.模型关系配置：支持配置大模型和修正模型之间的算数关系；
[0018]5.强度预测数据源配置：各公司配置强度预测数据源，同时配置品种实际强度数据源；
[0019]6.强度预测：按照配置的数据源查询选中的品种的预测强度数据源，点击刷新可计算预测强度。
[0020]本专利技术的优点在于：通过数据自动采集、流程控制、实时计算等方式，显著优化熟料强度预测精度和速度，有效提升质量业务人员工作效率，探索水泥质量管理智改数转最佳实践，推进企业和水泥行业智能制造高质量发展。
[0021]1.产品质量预测更“准”：指导配料，稳定出窑熟料质量，熟料产品预测值与实际值绝对误差从
±
1.5MPa缩小至
±
1MPa。
[0022]2.配方寻优更“经济”：强度预测模块上线后，水泥28d抗压强度的标准偏差缩小，均匀性有所改善，保障产品质量的同时，最大限度的提升混合材掺量，为企业节约了成本。
[0023]3.熟料强度预测更“快”：传统熟料强度预测为1天强度预测3天强度，3天强度预测28天强度，现根据当天熟料化学成分等质量指标预测3天/28天强度，为企业缓解水泥熟料占库时间，缩短销售周期，有效节约成本。
[0024]4.适用范围更“广”：大模型通过数百家工厂的数据进行训练，适用于行业内大部分生产厂家，推广价值大，具有较大的潜在经济收益。
附图说明
[0025]图1为本专利技术水泥质量预测系统构建的流程图。
[0026]图2为本专利技术水泥质量预测系统操作的流程图。
具体实施方式
[0027]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0028]如图1至图2所示，基于随机森林算法的熟料强度预测模型，包括1、数据驱动建模：通过挖掘数据潜在的对抗压强度呈现不同量级的拟合影响，模拟人脑神经间的传递机制，采用大数据人工智能，建立各个成分数据与其R3/28抗压强度之间的高精度拟合传递数学模型；
[0029]2、模型输入变量的选择：采用先线性、再非线性的相关性分析法来获取影响其抗压强度的主要变量,并与现场专家经验进行融合，并交叉验证，以此来选取最佳的输入变量组合；
[0030]3、模型的开发和验证：针对出窑熟料的抗压强度与平台上现有可采集到的变量所呈现的特殊相关性及组合进行模型的开发，并验证；国际前沿的建模技术是本项目核心中的核心。
[0031]4、构建熟料质量预测系统：根据区域原料的主要差异对熟料强度的影响，开发出了整个出窑熟料抗压强度预测大模型和宣城辅助修正子模型，反复论证，得出其有效性和准确性。
[0032]在本实施例中，所述数据驱动建模中建模的方法为随机森林模型，随机森林构造了多个决策树，当需要对某个样本进行预测时，统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于随机森林算法的熟料强度预测模型，其特征在于：包括1、数据驱动建模：通过挖掘数据潜在的对抗压强度呈现不同量级的拟合影响，模拟人脑神经间的传递机制，采用大数据人工智能，建立各个成分数据与其R3/28抗压强度之间的高精度拟合传递数学模型；2、模型输入变量的选择：采用先线性、再非线性的相关性分析法来获取影响其抗压强度的主要变量,并与现场专家经验进行融合，并交叉验证，以此来选取最佳的输入变量组合；3、模型的开发和验证：针对出窑熟料的抗压强度与平台上现有可采集到的变量所呈现的特殊相关性及组合进行模型的开发，并验证；4、构建熟料质量预测系统：根据区域原料的主要差异对熟料强度的影响，开发出了整个出窑熟料抗压强度预测大模型和宣城辅助修正子模型，反复论证，得出其有效性和准确性。2.根据权利要求1所述的基于随机森林算法的熟料强度预测模型，其特征在于：所述数据驱动建模中建模的方法为随机森林模型，随机森林构造了多个决策树，当需要对某个样本进行预测时，统计森林中的每棵树对该样本的预测结果，然后通过投票法或者取平均值从这些预测结果中得出最后的结果。3.根据权利要求1所述的基于随机森林算法的熟料强度预测模型，其特征在于：所述模型变量选择：出窑熟料抗压强度预测大模型选取熟料中的有害成分(MgO、R2O...

【专利技术属性】
技术研发人员：汪阳，崔家玮，王圣娜，
申请(专利权)人：安徽海螺信息技术工程有限责任公司，
类型：发明
国别省市：