[发明专利]一种基于深度特征识别的甘蔗压榨过程预测方法

说明书

本发明公开了一种基于深度特征识别的甘蔗压榨过程预测方法，其包括如下步骤：一，采集若干组原始数据；二，对步骤一中采集到的原始数据进行剔除异常数据和规范化处理，以得到规范化数据；三，对步骤二中得到的规范化数据进行多级筛选，得到与能耗和抽出率相关度大且冗余度低的特征向量；四，采用混合鸡群算法从步骤三筛选得到的特征向量候选集中搜索不同特征组合和模型参数对单一数据驱动模型的作用效果，得到单一模型最优性能下的参数变量、能耗和抽出率；五，建立第一层确定性预测输出；六，建立多模型组合模型，实现对抽出率和能耗的确定性预测和概率性预测。本发明在模型拟合效果和预测精度都有了很大的提升，解决了这些指标难以在线测量等问题。

技术领域

本发明涉及甘蔗压榨工艺过程设计优化技术领域，特别涉及一种基于深度特征识别的甘蔗压榨过程预测方法。

背景技术

甘蔗提汁是制糖生产的第一环节，压榨抽出率、生产能耗是该工段的两个重要指标，其是否达标将影响到整个制糖生产的顺利运行和经济效益。由于技术上的限制，目前这些指标是通过离线的化验实验方式计算获得，该种方法存在滞后性，导致无法及时对系统指标进行快速调整。因此，能实时监控这些指标对指导该过程运行优化控制有着积极的意义。

随着人工智能技术的发展，基于数据驱动建模的“黑箱”方法已广泛应用于制糖工业，目前针对工艺指标的预测分析主要有传统的支持向量机、人工神经网络、广义动态模糊神经网络等等。考虑到压榨系统指标能耗、抽出率的时空复杂性，采用一种对所有情况都表现最佳的数据驱动算法难度极大。降低不良预测风险并提高整体准确性的另一种方法是将多种不同输入特征的数据驱动模型进行集成。另一方面,构建数据驱动模型的关键步骤是确定重要的特征输入。分析整个压榨系统，发现影响压榨抽出率和能耗的因素众多，而过多的特征输入会导致预测模型出现泛化性能差等问题，目前广泛使用的降维方法PCA是通过变换组合成新的属性组合来进行减少数据维度，但转换后的特征可能不存在物理意义，同时不相关的特征会导致训练数据过度拟合。因此，需要提供一种具有特征识别功能的多模型集成预测框架，旨在解决上述问题。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于深度特征识别的甘蔗压榨过程预测方法，从而克服现有的甘蔗压榨工艺分析系统存在滞后性、难以集成多模型进行预测的缺点。

为实现上述目的，本发明提供了一种基于深度特征识别的甘蔗压榨过程预测方法，其中，包括如下步骤：

步骤一，从现场设备上采集若干组原始数据，每组原始数据包括蔗刀机的电流负荷、一级带电流负荷和转速、二级带电流负荷和转速、压榨机电流负荷和转速、输送带上料位实际值和目标值、渗透水流量和渗透水对蔗比这些指标的现场检测数据；

步骤二，对步骤一中采集到的每个指标的所有原始数据进行剔除异常数据，对处理后的数据进行尺度变化以得到规范化数据。

步骤三，对步骤二中得到的每个指标的所有的规范化数据，基于互信息进行多级筛选，得到与能耗和抽出率相关度大且冗余度低的特征向量；

步骤四，采用混合鸡群算法从步骤三筛选得到的特征向量候选集中搜索不同特征组合和模型参数对单一数据驱动模型的作用效果，得到单一模型最优性能下的参数变量、能耗和抽出率；

步骤五，以步骤四中得到的单一模型最优性能下的参数变量为输入，以能耗和抽出率为输出，建立第一层确定性预测输出；

步骤六，采用贝叶斯平均模型在各个单一模型的预测结果的基础上集成学习，建立多模型组合模型，实现对抽出率和能耗的确定性预测和概率性预测。

其中，在步骤二中，对处理后的数据进行尺度变化，按照将各项数据缩放到[-1,1]的区间内以得到规范化数据。