基于支持向量機的鍛造生產線能耗預測研究.pdf

1、中國的能源消費結構中，工業(yè)能源消費占到70％，伴隨著能源問題的日益嚴峻以及能源價格的持續(xù)上漲，工業(yè)節(jié)能不僅是國家“十三五”節(jié)能減排規(guī)劃的要求，更是工業(yè)企業(yè)提升綜合實力的必由之路。生產線的能耗建模和預測是工業(yè)企業(yè)節(jié)能的一個重要研究方向，而機器學習算法的日趨成熟為構建性能優(yōu)良的能耗模型提供了一條途徑。
　　本文首先介紹了生產線制造系統(tǒng)及能耗預測的相關理論，根據(jù)現(xiàn)代制造系統(tǒng)的結構和特點，總結了設備層、工藝層和系統(tǒng)層能耗問題的研究方法，結

2、合能耗預測在不同領域的應用，制定了生產線能耗預測的基本框架。
　　針對某公司鑄鍛中心進行能源調研工作，從工藝流程、生產表現(xiàn)、設備狀態(tài)和物流四個方面初步選取鍛造生產線的11個能耗影響因素。之后采集企業(yè)2015-2016年的能耗及相關因素數(shù)據(jù)，剔除異常樣本數(shù)據(jù)、次要數(shù)據(jù)和冗余數(shù)據(jù)，篩選出生產線能耗的7個主要影響因素。在此基礎上使用多元回歸的方法，針對生產線的8種產品進行了能耗的多元回歸建模。
　　鍛造生產線的能耗因素多樣，生產過

3、程存在著諸多不穩(wěn)定因素，而機器學習算法可以利用數(shù)據(jù)模擬高維復雜系統(tǒng)。本文采用支持向量機方法，通過實驗確定最優(yōu)核函數(shù)為RBF徑向基核函數(shù)，采用試湊法與五折交叉驗證法完成RBF支持向量機預測模型的懲罰因子C和核函數(shù)參數(shù)g的參數(shù)選取工作。針對重點耗能設備中頻感應加熱爐，通過留一法結合支持向量機完成加熱爐的能耗預測模型。通過引入交叉驗證和自適應性變異，提高了粒子群算法的全局尋優(yōu)能力，并將其應用于支持向量機超參數(shù)的優(yōu)化工作，改善了生產線能耗模型的