【技术实现步骤摘要】
本专利技术涉及锅炉给水装置的滤芯更换周期预测，尤指基于stacking集成模型的滤芯更换周期预测方法及系统，能够根据水质数据和装置工况实现滤芯更换周期的精准预测，从而提高滤芯更换契机的准确性。
技术介绍
1、工业用水的安全、稳定和可靠性是众多企业所关注的—项重要问题，而水质过滤装置则是有效的解决方法。现有工业给水装置多采用过滤介质(滤芯)实现水中的污染物、杂质和悬浮物等物质的去除。工业给水装置需要持续更换滤芯才能保证良好的运行状态。水质状况越差，滤芯损耗速度越大，滤芯寿命越短。滤芯的性能随其使用情况变化，如果得不到及时的清理和更换，会严重地影响水的通过效率和过滤效果。
2、尤其是对于锅炉系统来说，滤芯是维护频次最多的产品，维护方式有两种：一是清洗滤芯元件，二是更换滤芯元件。其中更换滤芯元件一直为主流方向。在实际生产中，如帕莱顿公司采用的工业给水装置即为一体式滤芯，结构简单，更换方便。市面上滤芯寿命多以月为单位，如pp棉滤芯、活性炭滤芯和离子交换树脂滤芯，周期都在6个月左右，何时更换滤芯主要依靠经验估计，这也往往会导致滤芯未能及时更换，形成水垢影响设备效率，提前更换浪费滤芯寿命等问题。
技术实现思路
1、针对上述问题，本文设计了一种基于stacking模型的滤芯更换周期预测方法及系统，可实现滤芯更换周期的精准预测，节约成本，提高效率，避免人为产生的诸多问题。虽然国内关于滤芯寿命的预测研究较多，如姚猛的一种滤芯寿命的预测方法、系统、电子设备及介质，根据实际流阻值、实际的原始
2、专利技术目的：针对滤芯更换周期难以精准确定的问题，提出了一种基于stacking模型的滤芯更换周期预测方法及系统，相比于传统机器学习方法精度不足、深度学习方法训练速度慢等问题，该方法采用了基于stacking的模型融合策略，吸收了rf、xgboost、lstm各自的优点，并在传统stacking策略的基础上对模型融合过程进行优化，采用了8折交叉验证的方法在提高模型预测精度的同时，加快了模型的训练速度。
3、技术方案：本专利技术公开了一种基于stacking模型的滤芯更换周期预测方法及系统，包括以下步骤：
4、s1、获取锅炉给水装置的水质数据、工作时间、历史给水量数据；
5、s2、对数据进行预处理，按设定比例划分训练集(train_data)和测试集(test_data)；
6、s3、建立滤芯更换周期软测量集成模型，选取随机森林rf、极限梯度提升xgboost、长短期记忆网络lstm作stacking集成模型中第一层的基学习器，将预处理后的数据作基学习器原始输入，并通过8折交叉验证方法获得输出；
7、s4、第二层的元学习器选用极限学习机elm，将第一层基学习器的结果作第二层元学习器的输入；
8、s5、采用改进的樽海鞘算法issa对学习器的模型参数进行全局寻优，所述改进的樽海鞘算法包括：采用tent混沌映射方法进行种群初始化；在樽海鞘领导者位置更新中，引入logistic映射策略和自适应惯性权重；在追随者位置更新中，根据适应度值引入新权重；
9、s6、利用优化后的极限学习机elm进行预测，得到最终预测结果。
10、进一步地，所述步骤s1中的数据主要包括：锅炉给水装置的水质数据、工作时间、历史给水量数据，其中水质数据包括tds值、悬浮物浓度ss、水质硬度，分别通过tds传感器、ss传感器和水质硬度传感器测得，给水量通过流量传感器检测。
11、进一步地，所述步骤s2中对数据的预处理，具体步骤为：
12、s2.1根据公式(1)将采集的数据规范到[0,1]区间，即归一化处理：
13、
14、其中，xi为历史数据，xmin为历史数据样本中最小值，xmax为历史数据样本中的最大值，x为处理过后的数据样本，归一化范围为[0,1]；
15、s2.2按4：1的设定比例划分训练集(train_data)和测试集(test_data)，即前80％归一化后的样本数据作训练集(train_data)，剩余20％归一化后的样本数据作测试集(test_data)。
16、进一步地，所述步骤s3中，建立滤芯更换周期软测量集成模型，选取第一层的三个基学习器，将预处理后的数据作基学习器原始输入，并通过8折交叉验证方法获得输出，具体步骤如为：
17、s3.1分别创建随机森林rf、极限梯度提升xgboost、长短期记忆网络lstm共三个基学习器，采用8折交叉验证的方法，将训练集(train_data)集随机打乱并均分成8等份(train_data_i，i＝1，2，3，…，8)，即train_data_1、train_data_2、train_data_3、train_data_4、…、train_data_8，其中7份作为基学习器的训练集(train_data)，1份作为基学习器的验证集(train_val)；
18、s3.2分别对三个基学习器进行8轮迭代训练。当进行第i轮训练时，使用train_data_i之外的训练集数据对三个基学习器进行学习训练，并利用训练好的三个基学习器分别对train_data_i进行预测，得到预测结果yi；8轮迭代后，将每轮迭代获得的y1、y2、y3、y4、…、yi、…、y8结合作为新训练集(new_train_data)，测试集(test_data)进行和训练集相同的8折交叉验证得到新测试集(new_test_data)；
19、s3.3确定随机森林模型的输入和输出，建立随机森林rf预测模型作为第一个基学习器；
20、s3.4建立极限梯度提升xgboost预测模型，具体步骤如下：
21、s3.4.1设训练集train＝{(x1，y1)，(x2，y2)，…，(xn，yn)}，损失函数正则化项ω(fk)，则目标函数可记为：
22、
23、式中，l(φ)是线性空间上的表示，i表示第i个样本，k是第k棵树，是第i个样本xi的预测值；
24、s3.4.2在现有树的基础上，不断的添加树，进行特征分裂来生长一棵树，利用每一棵树的预测结果去拟合上一棵树的预测结果与真实值之间的残差：
25、
26、
27、
28、......
29、
30、s3.4.3在数值上，第t棵树的预测结果等于前面t-1棵树的预测结果与第t棵树的表现之和，则对于第t棵树，目标函数可更新为：
31、本文档来自技高网...
【技术保护点】
1.一种基于Stacking模型的滤芯更换周期预测方法，其特征在于，包括下步骤：
2.根据权利要求1所述的基于Stacking模型的滤芯更换周期预测方法，其特征在于，步骤S1中获取的锅炉给水装置的水质数据、工作时间、历史给水量数据，其中水质数据包括TDS值、悬浮物浓度SS、水质硬度，分别通过TDS传感器、SS传感器和水质硬度传感器测得，给水量通过流量传感器检测。
3.根据权利要求1所述的基于Stacking模型的滤芯更换周期预测方法，其特征在于，步骤S2的操作如下：
4.根据权利要求1所述的基于Stacking模型的滤芯更换周期预测方法，其特征在于，步骤S3的操作如下：
5.根据权利要求1所述的基于Stacking模型的滤芯更换周期预测方法，其特征在于，步骤S4的操作中，元学习器的预测模型选用ELM极限学习机，将3.2中的新训练集(New_Train_data)和新测试集(New_Test_data)作为元学习器的输入。
6.根据权利要求1所述的基于Stacking模型的滤芯更换周期预测方法，其特征在于，步骤S5的操作中
7.根据权利要求1所述的基于Stacking模型的滤芯更换周期预测方法，其特征在于，步骤S5中，改进樽海鞘优化算法包括：
8.根据权利要求1所述的基于Stacking模型的滤芯更换周期预测方法，其特征在于，步骤S6的操作如下：利用优化后的极限学习机ELM对新测试集(New_Test_data)进行预测，得到最终预测结果。
9.基于Stacking模型的滤芯更换周期预测系统，其特征在于，包括数据采集模块、数据处理模块、参数优化模块、结果预测模块和线上监测模块，
...【技术特征摘要】
1.一种基于stacking模型的滤芯更换周期预测方法，其特征在于，包括下步骤：
2.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s1中获取的锅炉给水装置的水质数据、工作时间、历史给水量数据，其中水质数据包括tds值、悬浮物浓度ss、水质硬度，分别通过tds传感器、ss传感器和水质硬度传感器测得，给水量通过流量传感器检测。
3.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s2的操作如下：
4.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s3的操作如下：
5.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s4的操作中，元学习器的预测模型选用elm极限学习机，将3.2中的新...
【专利技术属性】
技术研发人员：姜耀，孙何文，许雨辰，张志荣，沈娴娴，王文杰，唐中一，张楚，彭甜，段卫平，李洪海，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。