基于KNN-LSTM神经网络模型的炉温预测_骆文辉.pdf
《基于KNN-LSTM神经网络模型的炉温预测_骆文辉.pdf》由会员分享,可在线阅读,更多相关《基于KNN-LSTM神经网络模型的炉温预测_骆文辉.pdf(4页珍藏版)》请在咨信网上搜索。
1、本栏目责任编辑:唐一东人工智能Computer Knowledge and Technology电脑知识与技术第19卷第18期(2023年6月)第19卷第18期(2023年6月)基于KNN-LSTM神经网络模型的炉温预测骆文辉(长三角信息智能创新研究院,安徽 芜湖 241000)摘要:以产线传感器回传数据为基础,根据时间序列对历史数据趋势高度依赖的特点,考虑时间节点之间的相关性,通过Gaussian_KNN(高斯加权的K最邻近法)对回转窑分解炉温度上下游参数的历史数据进行赋权,再传入含有LSTM(长短期记忆神经网络)的Sequential模型中,学习历史数据中各节点储存的信息以及节点之间的相关
2、性,结果显示相对准确地预测了回转窑的温度,为水泥回转窑控制系统精准控制提供了依据。关键词:回转窑;炉温;KNN-LSTM(K-NearestNeighbor Long ShortTerm Memory);神经网络模型;预测中图分类号:TP183 文献标识码:A文章编号:1009-3044(2023)18-0026-04开放科学(资源服务)标识码(OSID):0 引言水泥行业是典型的流程型工业,主要生产过程可以概括为“三磨一烧”:生料磨、煤磨、水泥磨以及回转窑烧制。水泥回转窑工作状态直接决定水泥的质量,温度的控制效果直接影响熟料游离氧化钙的含量,进而决定了水泥熟料的产品质量。回转窑烧成系统要求形
3、成0.325.0 cm的球形熟料结块,理化反应十分复杂,气、液、固三相并存,是一个多变量、强干扰、大滞后的非线性系统1。因此,如何预测控制回转窑温度并稳定控制炉温对回转窑热工参数调节、稳定窑况以及水泥熟料的正常生产和水泥质量合格率的提高具有重要意义。文章以某水泥公司产线传感器回传数据为基础,依据流程型企业生产对历史数据的依赖性,采用时间序列算法分析输入变量的历史趋势,综合考虑时间节点之间的相关性,通过Gaussian_KNN(高斯加权的K最邻近法)对回转窑分解炉温度上下游参数的历史数据进行赋权后,应用 LSTM(Long Short-Term Memory Network,长短期记忆神经网络)
4、的Sequential模型来进行预测。实验结果表明,与其他模型相比,KNN-LSTM能够更加准确地学习历史数据中各节点储存的信息以及节点之间的相关性,表现出更加准确的预测性能。1 原理和方法1.1 Gaussian_KNN根据k个最近的邻居的状态来决定样本的状态。KNN算法的核心思想是,基于某种距离度量,找出此样本与其最近的个样本,如果K个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。但KNN算法存在以下问题2:如果初始数据集样本数目不平衡,极易导致k个邻居投票类别的参与概率不一样。也就是说,k个邻居中,较大样本数的类别其所属的样本占了绝大多数。采用
5、Gaussian函数进行不同距离的样本的权重优化,使得训练样本与测试样本的距离与权重呈相反方向。给更近的邻居分配更大的权重,而较远邻居的权重相应减少,取其加权平均。1.2 LSTMLSTM是一种特殊的递归神经网络,是循环神经网络(RNN)的一种变体3。它通过在适当的位置添加“门”结构来解决信息冗余的问题;在流经神经元时,允许信息被选择性地保留或遗弃,从而增强了原始信息的权重,并削弱了不相关信息的权重,解决了传统递归神经网络中梯度消失、梯度爆炸、无法处理长期依赖等问题4。文章根据时间序列的特点,考虑时间节点之间的相关性,利用高斯优化过的KNN算法,挑选对当前时刻影响较大的前k个时间节点,并赋予相
6、应的权重来计算过往时刻对当下的影响大小。距离越近,Gaussian函数计算后的权重越大,说明对当下时刻的影响越大。收稿日期:2023-03-20基金项目:安徽省科技重大专项:跨模态知识驱动的建材领域协同制造与管理平台(编号:202003a05020058)作者简介:骆文辉(1981),男,甘肃天水人,博士,副研究员,主要研究方向为工业智能、大数据应用。E-mail:http:/Tel:+86-551-65690963 65690964ISSN 1009-3044Computer Knowledge and Technology 电脑知识与技术Vol.19,No.18,June 202326DO
7、I:10.14004/ki.ckt.2023.0906人工智能本栏目责任编辑:唐一东Computer Knowledge and Technology电脑知识与技术第19卷第18期(2023年6月)第19卷第18期(2023年6月)1.3 KNN-LSTM设di,j 表示时间节点 i 与时间节点 j 之间的距离,则:di,j=d()xi,1,xi,2,xi,m,()xj,1,xj,2,xj,m=s=1m()xi,s-xj,s2,i,j=1,2,n(1)其中 m 为时间序列节点的维度,n 为时间序列长度;Wi,j表示时间节点j对时间节点i的影响权重:Wi,j=ae-(di,j-b)22c2(2)
8、其中,a是距离曲线尖峰的高度,b是尖峰中心的坐标,c称为标准方差;设x(j)i为第i个时间节点的第j个近邻点,则:x(j)i=x()ji,1x()ji,2x()ji,m(3)其中,x(j)i,m为第i个时间节点第j个近邻点的第m维变量。对x(j)i赋予权重Wi,j,则:x(j)i Wi,j*x(j)i(4)考虑到时间序列模型依赖于数值在时间上的先后顺序,首先对分解炉温度序列进行平稳性检验。平稳性检验为了确定没有随机趋势或确定趋势,否则将会产生“伪回归”问题。依据ADF单位根检验,结果如图1所示,adfCV(1%)能拒绝原假设,即原序列不存在单位根,原序列为平稳序列。根据此结论,时间序列模型将历
9、史时间节点(即t-k时刻)中分解炉温度对当下时刻(即t时刻)的权重定义为1,即:x()ji=|x()ji,1x()ji,2x()ji,m-1=Wi,j*x()ji,1x()ji,2x()ji,m-1x()ji,m=x()ji,m(5)图1 分解炉温度序列ADF单位根检验结果图通过时间窗口的滑窗操作将时间序列从无监督转为监督学习问题。滑窗操作产生的数据集包含km 列数据,如图2所示(图中k取10),其中k是滑窗的步长,m为时间序列节点的维度。当前时刻(即t时刻)分解炉温度序列为主序列,也就是目标序列;其余km-1列为子序列,转化后的监督学习问题将历史时间序列作为特征序列,剔除子序列中当前时刻(即
10、t时刻)下m-1列序列,剩余子序列为特征序列。将特征序列赋予权重Wi,j,则新的特征序列为:Wk,1x()1k,1Wk+1,2x()2k+1,1 Wk+n-1,1x()nk+n-1,1 Wk,1x()1k,m-1 Wk+1,2x()2k+1,m-1 Wk+n-1,nx()nk+n-1,m-1x()1k,mx()2k+1,m x()nk+n-1,mWk,k-1x()k-1k,m-1Wk+1,kx()kk+1,m-1 Wk+n-1,k+n-2x()k+n-2k+n-1,m-1x()k-1k,mx()kk+1,m x()k+n-2k+n-1,m(6)其中k为滑窗的步长,n为滑窗操作后时间序列的长度;
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 KNN LSTM 神经网络 模型 炉温 预测 骆文辉
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。