本發(fā)明涉及建筑陶瓷質量預測，具體是一種基于機器學習實現(xiàn)建筑陶瓷燒成形變預測的方法。

背景技術：

1、燒成是建筑陶瓷生產(chǎn)過程中最重要的工藝，是指坯體在窯爐內(nèi)歷經(jīng)高溫燒制，并不斷發(fā)生物化反應，最終達到完全致密的瓷化過程，這一過程涉及多種物質的轉化以及反應動力學和熱力學的相互作用，不同反應速率和反應平衡位置會相互影響，并且這些物化反應及相互作用經(jīng)常是重疊交錯進行，沒有明顯的溫度界限。

2、燒成形變是燒成過程重點關注的產(chǎn)品質量，但是由于檢測工序復雜，都是人工離線抽檢，不利于實時監(jiān)測產(chǎn)品質量的變化。對同一批產(chǎn)品來說，其配方固定，燒成形變受到窯爐溫度影響較大，主要在于在不同溫度下各種化學成分發(fā)生的復雜化學反應，可以通過窯爐溫度建立對燒成形變的預測模型，但由于陶瓷材料燒成過程反應機理的理論模型尚不完備，包括高溫反應的動力學研究、體系復雜性和非均質性問題等，所以目前通過機理建模存在一定難度。而數(shù)據(jù)驅動的機器學習算法能夠快速構建輸入數(shù)據(jù)和輸出目標之間的復雜非線性關系，并且近年來機器學習已經(jīng)廣泛應用于材料科學領域。

技術實現(xiàn)思路

1、本發(fā)明為解決建筑陶瓷燒成形變?nèi)斯y量時間周期長從而無法在線實時監(jiān)控的問題，提出了一種基于機器學習的建筑陶瓷燒成形變預測方法。

2、技術方案：本發(fā)明所述的基于機器學習的建筑陶瓷燒成形變預測方法，包括以下步驟：

3、步驟s1：數(shù)據(jù)采集。采集某企業(yè)生產(chǎn)某一產(chǎn)品過程中的窯爐溫度分布數(shù)據(jù)，成形粉料粒度、水份數(shù)據(jù)，窯爐出口處燒成形變檢測數(shù)據(jù)，并將各項數(shù)據(jù)按照時間序列對齊。

4、步驟s2：數(shù)據(jù)預處理。對原始數(shù)據(jù)集進行異常值檢測，并對異常值進行替換操作。將預處理后的數(shù)據(jù)進行min-max歸一化處理，獲得最終的數(shù)據(jù)集。

5、步驟s3：特征篩選。采用隨機森林特征重要性排序篩選影響燒成形變的最關鍵特征，實現(xiàn)降維，減小模型復雜度。

6、步驟s4：模型訓練。將降維后的數(shù)據(jù)按照4:1劃分訓練集和測試集，采用訓練集的數(shù)據(jù)進行交叉驗證和算法超參數(shù)調(diào)優(yōu)，確定最佳的模型參數(shù)。

7、步驟s5：模型驗證。測試集數(shù)據(jù)輸入訓練好的預測模型中，得到預測值。

8、進一步地，所述步驟s1中有42維窯爐溫度數(shù)據(jù)、3維成形粉料粒度數(shù)據(jù)和1維成形粉料水份數(shù)據(jù)，共計46維輸入變量。對于每一塊磚來說，檢測了8個不同位置的燒成形變數(shù)據(jù)，本發(fā)明中采用方差表示其整體形變程度。為了對應每一塊磚所經(jīng)歷的窯爐溫度，通過溫度傳感器數(shù)量和燒成周期計算坯體經(jīng)過每一溫度傳感器所需的時間，從而通過坯體燒成形變的檢測時刻匹配其所經(jīng)歷的窯爐溫度。

9、進一步地，所述步驟s2中的粉料粒度、水份數(shù)據(jù)采用箱型圖進行異常值檢測，其異常值用均值替換；窯爐溫度數(shù)據(jù)采用線性回歸異常值檢測，其異常值采用時間平滑，以相鄰時刻觀測值的平均值來修正該異常值。

10、進一步地，所述步驟s3中最終確定了9維最相關的特征變量，具體包括窯爐m90，m29，m39，m41，m66，m51，t5，m49處的溫度和粉料60目篩余，其中m90表示窯爐m90傳感器的溫度，其他同理。

11、進一步地，所述步驟s4中的機器學習模型為隨機森林和支持向量回歸模型。采用網(wǎng)格搜索法對各模型的超參數(shù)進行調(diào)節(jié)，隨機森林調(diào)整了決策樹數(shù)量、決策樹最大深度、葉子節(jié)點最小樣本數(shù)、節(jié)點再劃分所需最小樣本數(shù)；支持向量回歸調(diào)整了正則化參數(shù)和核函數(shù)系數(shù)。

12、進一步地，所述步驟s5中對預測模型進行評價時采用決定系數(shù)，平均相對誤差和均方根誤差來綜合評估燒成形變預測模型的預測性能。

13、本發(fā)明具有的技術效果：

14、1、采用機器學習模型實現(xiàn)對燒成形變的預測，通過快速構建輸入數(shù)據(jù)和輸出目標之間的復雜非線性關系，避免了揭示燒成過程中的復雜化學反應網(wǎng)絡。

15、2、通過機器學習模型，實現(xiàn)了對建筑陶瓷燒成形變的在線實時監(jiān)控和預測，解決了傳統(tǒng)人工測量方法時間周期長的問題。

16、3、通過精確預測，可以提前發(fā)現(xiàn)和調(diào)整可能導致形變的窯爐溫度等條件，從而提高生產(chǎn)效率和產(chǎn)品質量，減少了因人工測量帶來的時間和成本消耗。

技術特征：

1.一種基于機器學習的建筑陶瓷燒成形變預測方法，其特征在于：包括以下步驟：

2.根據(jù)權利要求1所述的一種基于機器學習的建筑陶瓷燒成形變預測方法，其特征在于：所述步驟s1中有42維窯爐溫度數(shù)據(jù)、3維成形粉料粒度數(shù)據(jù)和1維成形粉料水份數(shù)據(jù)，共計46維輸入變量；對于每一塊磚來說，檢測了8個不同位置的燒成形變數(shù)據(jù)，采用方差表示其整體形變程度；為了對應每一塊磚所經(jīng)歷的窯爐溫度，通過溫度傳感器數(shù)量和燒成周期計算坯體經(jīng)過每一溫度傳感器所需的時間，通過坯體燒成形變的檢測時刻匹配其所經(jīng)歷的窯爐溫度。

3.根據(jù)權利要求1所述的一種基于機器學習的建筑陶瓷燒成形變預測方法，其特征在于：所述步驟s2中的粉料粒度、水份數(shù)據(jù)采用箱型圖進行異常值檢測，其異常值用均值替換；窯爐溫度數(shù)據(jù)采用線性回歸異常值檢測，其異常值采用時間平滑，以相鄰時刻觀測值的平均值來修正該異常值。

4.根據(jù)權利要求1所述的一種基于機器學習的建筑陶瓷燒成形變預測方法，其特征在于：所述步驟s3中最終確定了9維最相關的特征變量，具體包括窯爐m90，m29，m39，m41，m66，m51，t5，m49處的溫度和粉料60目篩余，其中m90表示窯爐m90傳感器的溫度，其他同理。

5.根據(jù)權利要求1所述的一種基于機器學習的建筑陶瓷燒成形變預測方法，其特征在于：所述步驟s4中的機器學習模型為隨機森林和支持向量回歸模型；采用網(wǎng)格搜索法對各模型的超參數(shù)進行調(diào)節(jié)，隨機森林調(diào)整了決策樹數(shù)量、決策樹最大深度、葉子節(jié)點最小樣本數(shù)、節(jié)點再劃分所需最小樣本數(shù)；支持向量回歸調(diào)整了正則化參數(shù)和核函數(shù)系數(shù)。

6.根據(jù)權利要求1所述的一種基于機器學習的建筑陶瓷燒成形變預測方法，其特征在于：所述步驟s5中對預測模型進行評價時采用決定系數(shù)，平均相對誤差和均方根誤差來綜合評估燒成形變預測模型的預測性能。

技術總結
本發(fā)明公開了一種基于機器學習的建筑陶瓷燒成形變預測方法，該方法基于某企業(yè)的實際生產(chǎn)數(shù)據(jù)，獲取了壓機頂粉料水份、粒度、燒成窯爐溫度和燒成形變檢測數(shù)據(jù)，將收集到的數(shù)據(jù)進行數(shù)據(jù)匹配，異常值處理，特征選擇和數(shù)據(jù)標準化處理。處理后的數(shù)據(jù)按照4:1劃分訓練集和測試集，選擇隨機森林和支持向量回歸算法搭建預測模型。訓練集用于模型訓練，調(diào)整超參數(shù)，測試集數(shù)據(jù)用于模型驗證。本發(fā)明能夠有效預測燒成形變，可以提前發(fā)現(xiàn)燒成過程中的產(chǎn)品質量問題。

技術研發(fā)人員：滿奕,何正磊,張振亞
受保護的技術使用者：華南理工大學
技術研發(fā)日：
技術公布日：2024/12/30