论文部分内容阅读
中国的能源消费结构中,工业能源消费占到70%,伴随着能源问题的日益严峻以及能源价格的持续上涨,工业节能不仅是国家"十三五"节能减排规划的要求,更是工业企业提升综合实力的必由之路。生产线的能耗建模和预测是工业企业节能的一个重要研究方向,而机器学习算法的日趋成熟为构建性能优良的能耗模型提供了一条途径。本文首先介绍了生产线制造系统及能耗预测的相关理论,根据现代制造系统的结构和特点,总结了设备层、工艺层和系统层能耗问题的研究方法,结合能耗预测在不同领域的应用,制定了生产线能耗预测的基本框架。针对某公司铸锻中心进行能源调研工作,从工艺流程、生产表现、设备状态和物流四个方面初步选取锻造生产线的11个能耗影响因素。之后采集企业2015-2016年的能耗及相关因素数据,剔除异常样本数据、次要数据和冗余数据,筛选出生产线能耗的7个主要影响因素。在此基础上使用多元回归的方法,针对生产线的8种产品进行了能耗的多元回归建模。锻造生产线的能耗因素多样,生产过程存在着诸多不稳定因素,而机器学习算法可以利用数据模拟高维复杂系统。本文采用支持向量机方法,通过实验确定最优核函数为RBF径向基核函数,采用试凑法与五折交叉验证法完成RBF支持向量机预测模型的惩罚因子C和核函数参数g的参数选取工作。针对重点耗能设备中频感应加热炉,通过留一法结合支持向量机完成加热炉的能耗预测模型。通过引入交叉验证和自适应性变异,提高了粒子群算法的全局寻优能力,并将其应用于支持向量机超参数的优化工作,改善了生产线能耗模型的预测性能,最后通过模型精度对比,验证了改进后的能耗模型在预测精度上的优势。