[发明专利]建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统

说明书

本发明公开了一种建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统，数据分析方法通过数据获取步骤、模型建立步骤、数据预测步骤和最优预测曲线形成步骤生成最优预测曲线，其中模型建立步骤为将N天内的温度数组value_range进行笛卡尔积运算，并通过所述随机森林模型进行迭代预测，更新最优值数组；数据分析系统通过数据获取模块、模型建立模块、数据预测模块和最优预测曲线形成模块生成最优预测曲线。所述建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统，通过制定最优预测曲线，解决了人工调整的使用时长久，影响烧制效率和瓷砖的产量的问题。

技术领域

本发明涉及陶瓷烧制技术领域，特别是一种建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统。

背景技术

建筑陶瓷窑炉的烧成制度是陶瓷砖烧成工艺的关键技术，不同窑炉烧制不同品种瓷砖的烧成制度各不相同。但是，窑炉烧成从预热带、氧化带、高温带、强冷带、缓冷带的规律是一样的。现阶段的建筑陶瓷窑炉，瓷砖在烧成中出现问题时，需要技术人员随时进行调整，这种调整的规律是怎样的，在每个技术人员看来，都是很难说清楚的。一般情况下，调整时间快则一个小时，慢则四五个小时，有时出现问题，几天都调整不好，从而影响烧制效率和瓷砖的产量。

发明内容

针对上述缺陷，本发明的目的在于提出一种建筑陶瓷窑炉烧成制度的数据分析方法，通过制定最优预测曲线，解决了人工调整的使用时长久，影响烧制效率和瓷砖的产量的问题。

针对上述缺陷，本发明的另一个目的在于提出一种建筑陶瓷窑炉烧成制度的数据分析系统，通过制定最优预测曲线，解决了人工调整的使用时长久，影响烧制效率和瓷砖的产量的问题。

为达此目的，本发明采用以下技术方案：一种建筑陶瓷窑炉烧成制度的数据分析方法，包括以下步骤：

数据获取步骤：获取每天的温度变量曲线并将曲线数字化处理获得温度数组value_range，将每天对应的温度数组value_range储存于selected_sup字典中；

模型建立步骤：调用selected_sup字典中的温度数组value_range，并将所述温度数组value_range内的元素划分成训练集和测试集，其中划分到训练集内的元素为第一元素，划分到测试集内的元素为第二元素；

根据所述温度变量曲线的输入和输出，将所述测试集中的第二元素划分为测试集输入变量和第一输出量；利用所述第一元素通过随机森林算法训练出随机森林模型，将测试集输入变量放入随机森林模型运算得到第一预测值，比较所述第一预测值和所述第一输出量得到每个所述第二元素的误差率，筛选出误差率最低的所述第二元素并放入最优值数组，形成最优值元素；

数据预测步骤：调用selected_sup字典中的温度数组value_range，将N天内的温度数组value_range进行笛卡尔积运算，并通过所述随机森林模型进行迭代预测，更新最优值数组；

其中，所述迭代预测为：每经过笛卡尔积运算得出一个组合元素，形成组合元素数组，根据所述温度变量曲线的输入和输出，将所述组合元素数组的组合元素划分为组合输入变量和第二输出量，将所述组合输入变量经过随机森林模型运算得到第二预测值，比较所述第二预测值和所述第二输出量得到组合元素的误差率，并与所述最优值数组中误差率最低的最优值元素的误差率进行比较，当该组合元素的误差率低于最优值数组中误差率最低的最优值元素的误差率时，将该组合元素放入所述最优值数组；

最优预测曲线形成步骤：将所述最优值数组内的最优值元素连成最优预测曲线。

值得说明的是，所述数据获取步骤具体为：

A1：获取每天的温度变量曲线并计算每天的日平均值mean以及日方差std；

A2：建立等差数列std_range，