水泥熟料强度预测方法、装置、电子设备及存储介质与流程

1.本发明涉及水泥生产的控制技术领域，尤其涉及一种水泥熟料强度预测方法、装置、电子设备及存储介质。


背景技术：

2.水泥熟料是以石灰石、砂岩以及铝、铁质原料等为主要原料，按适当比例配制成生料，烧至部分或全部熔融，并经冷却而获得的水泥半成品。水泥熟料中掺入一定比例的混合材和外加剂经粉磨后形成水泥成品。在新型干法水泥生产过程中，水泥熟料强度是水泥生产质量控制的一个重要参数，对水泥强度起着决定性的作用。
3.相关技术中，通常依靠人工间隔取样送至化验室后进行人工化验得到水泥熟料强度，或者，使用水泥熟料的化学成分、矿物组成以及游离氧化钙、碱含量等化验室检验数据作为影响参数，通过机器学习进行水泥熟料强度预测。
4.然而，上述数据是熟料生成后经检测采集到的，对指导熟料生产依然存在一定的滞后性，因此亟需提供一种能够更有效的解决水泥熟料强度测量的滞后性问题的水泥熟料强度预测方法。


技术实现要素：

5.针对现有技术存在的问题，本发明实施例提供一种水泥熟料强度预测方法、装置、电子设备及存储介质。
6.第一方面，本发明提供一种水泥熟料强度预测方法，包括：
7.获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；
8.将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强度预测结果；
9.其中，所述水泥熟料强度预测模型是通过使用所述目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的所述至少一个预设机器学习模型中得到的。
10.在一些实施例中，所述获取目标工艺参数，包括：
11.确定所述工艺参数集中的各所述工艺参数与所述水泥熟料强度之间的最大信息系数；
12.将所述工艺参数集中的各所述工艺参数按照所述最大信息系数从大到小进行排序，得到排序结果；
13.基于所述排序结果，从所述工艺参数集中选取出目标工艺参数。
14.在一些实施例中，所述基于所述排序结果，从所述工艺参数集中选取出目标工艺参数，包括：
15.确定所述排序结果中相邻两个所述工艺参数对应的所述最大信息系数之间的系数差；
16.基于所述系数差从所述工艺参数集中选取出目标工艺参数。
17.在一些实施例中，所述工艺参数对应的目标生产数据是通过以下步骤得到的：
18.采集所述工艺参数对应的原始生产数据；
19.基于hampel滤波对所述原始生产数据进行异常值处理；
20.基于z-score标准化将异常值处理后的所述原始生产数据转化为均值为0，方差为1的无量纲数据，得到所述工艺参数对应的目标生产数据。
21.在一些实施例中，所述工艺参数集中的所述工艺参数是从原料物理化学特征参数、燃料物理化学特征参数、热工系统的运行参数及熟料质量参数四个类别的工艺机理参数中选取出的。
22.在一些实施例中，所述水泥熟料强度预测模型通过如下方式获得：
23.获取所述目标工艺参数对应的历史生产数据，所述历史生产数据包括测试数据及训练数据；
24.基于所述训练数据分别对至少一个预设机器学习模型进行训练，得到至少一个训练好的机器学习模型；
25.基于所述测试数据对各所述训练好的机器学习模型进行测试，得到各所述训练好的机器学习模型的测试结果；
26.基于所述测试结果及回归评价指标对各所述训练好的机器学习模型进行评价，得到各所述训练好的机器学习模型对应的评价结果；
27.选取评价结果最好的所述训练好的机器学习模型作为水泥熟料强度预测模型。
28.在一些实施例中，所述至少一个预设机器学习模型包括bp神经网络、支持向量回归、随机森林回归、梯度提升决策树、极端梯度提升及轻量的梯度提升机。
29.第二方面，本发明还提供一种水泥熟料强度预测装置，包括：
30.获取模块，用于获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；
31.预测模块，用于将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强度预测结果；
32.其中，所述水泥熟料强度预测模型是通过使用所述目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的所述至少一个预设机器学习模型中得到的。
33.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述水泥熟料强度预测方法。
34.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述水泥熟料强度预测方法。
35.本发明提供的水泥熟料强度预测方法、装置、电子设备及存储介质，通过获取目标工艺参数，目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，
工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；将目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得水泥熟料强度预测模型输出的水泥熟料强度预测结果，如此本发明一方面通过工艺机理选取了若干个影响水泥熟料强度的工艺参数，改变了以往的水泥熟料强度预测模型仅采用熟料化学成分、矿物组成以及游离氧化钙、碱含量等存在一定滞后性的化验室检验数据作为影响参数，另一方面又通过最大信息系数相关性分析从若干个影响水泥熟料强度的工艺参数中选取出目标工艺参数，简化了复杂的熟料强度影响因素与熟料强度的对应关系，解决了水泥生产过程中多变量耦合的问题，提高了水泥熟料强度预测模型的泛化性，通过将熟料生产中相关的目标工艺参数作为水泥熟料强度预测模型的输入特征去探究水泥熟料强度，能够更有效的解决水泥熟料强度测量的滞后性问题。
附图说明
36.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明提供的水泥熟料强度预测方法的流程示意图之一；
38.图2是本发明提供的18个工艺参数的最大信息系数分析结果示意图；
39.图3是本发明提供的水泥熟料强度预测方法的流程示意图之二；
40.图4是本发明提供的水泥熟料强度预测装置的结构示意图；
41.图5是本发明提供的电子设备的结构示意图。
具体实施方式
42.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.需要说明的是，目前我国水泥企业生产中，熟料28天强度主要依靠人工间隔取样送至化验室等28天后人工化验得到，周期长，滞后时间长。这种检测方法不仅过程繁琐而且不能实现实时测量，检测结果反馈具有很大的滞后性，向前无法及时的调整生料配比、热工参数等适时的调整生产，向后无法预先调配混合材掺入量及添加剂比例，不能满足企业对水泥生产控制及质量监测的要求，不利于生产的稳定运行。因此需要找到水泥熟料强度的主要影响因素，摸索并进一步完善适应企业实际生产的预测熟料28天强度的方法，建立合理的预测模型，从而可以及早发现、调控并解决水泥熟料的质量问题，使水泥生产过程处于科学控制状态，推动水泥行业高质量发展。
44.随着人工智能技术和大数据分析技术的发展，机器学习已经成为材料研究的前沿方向和热点领域，而结合机器学习等智能计算技术的大数据分析技术已成为大数据领域第一大研究热点和发展趋势。水泥等流程工业的生产过程可以为大数据分析提供大量的成分组成、工艺参数、质量检测数据等生产数据，故已有许多学者采取机器学习为主的大数据分
析技术建立水泥(熟料)强度预测模型。例如，采取水泥熟料矿物成分组成(c3s、c2s、c3a、c4af)以及游离氧化钙(f-cao)和碱(r2o)含量六个影响因素作为输入特征设计了一种预测水泥强度方法，采取水泥熟料的化学成分(熟料烧矢量loss、熟料游离钙f-cao、熟料氧化钙cao等)、三率值(饱和比系数kh、熟料硅率sm、熟料铝率im)以及熟料矿物成分组成(c3s、c2s、c3a、c4af)等16个参数作为输入特征设计了一种预测水泥强度方法，采用水泥主要成分(sio2、al2o3、fe2o3、cao、mgo、so3、c3s、c2s、c3a、c4af的质量百分数)、石灰饱和系数、水泥3天抗压强度等12个参数作为输入特征设计了一种预测水泥强度方法。
45.综上，所列举模型的研究主要是依据企业生产的水泥熟料的化学成分、矿物组成以及游离氧化钙、碱含量等化验室检验数据作为影响参数来探究的。上述数据是熟料生成后经检测采集到的，对指导熟料生产依然存在一定的滞后性。
46.因此本发明提出了一种水泥熟料强度预测方法，通过获取目标工艺参数，目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；将目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得水泥熟料强度预测模型输出的水泥熟料强度预测结果，通过将熟料生产中相关的目标工艺参数作为水泥熟料强度预测模型的输入特征去探究水泥熟料强度，能够更有效的解决水泥熟料强度测量的滞后性问题。
47.下面将结合附图详细描述本发明的技术方案。图1是本发明提供的水泥熟料强度预测方法的流程示意图之一，该方法中各步骤的执行主体可以是水泥熟料强度预测装置，该装置可通过软件和/或硬件实现，该装置可集成在电子设备中，电子设备可以是终端设备(如智能手机、个人电脑、学习机等)，也可以是服务器(如本地服务器或云端服务器，也可以为服务器集群等)，也可以是处理器，也可以是芯片等。如图1所示，该方法可以包括如下步骤：
48.步骤101，获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；
49.其中，工艺机理也即指代工业产品的加工制造机理，其包括从原料投入到产品包装全过程的原料配方、工艺路线、工艺流程工艺步骤、工艺指标、操作要点、工艺控制等。
50.水泥熟料生产主要包括物料均化和粉磨、预热和预分解、熟料煅烧和熟料冷却四个阶段，各阶段均对水泥熟料强度有一定的影响，本实施例通过对水泥熟料的生产工艺进行分析，从在预热器、分解炉、回转窑、篦冷机等设备工艺参数以及化验室中选取了若干个与水泥熟料强度有关的工艺参数。
51.在一个示例中，工艺参数集中的工艺参数是从原料物理化学特征参数、燃料物理化学特征参数、热工系统的运行参数及熟料质量参数四个类别的工艺机理参数中选取出的。
52.比如，在预热器、分解炉、回转窑、篦冷机等设备工艺参数以及化验室中选取了原料物理化学特征参数(生料饱和比系数kh、生料硅率sm、生料铝率im、生料细度、生料水分、入窑物料分解率)、燃料物理化学特征参数(煤粉细度、煤粉水分)、热工系统的运行参数(喂料量、窑转速、高温风机入口负压、高温风机电机转速、窑尾喂煤、窑头喂煤、篦板速度、c1筒出口温度、c2筒出口温度、c3筒出口温度、c4筒出口温度、c5筒出口温度、分解炉出口温度、
入炉三次风管进口温度、烟室温度、烟室压力、二次风温度、三次风温度、一次风机a电流、一次风机a压力、一次风机b电流、一次风机b压力、分解炉出口负压)及熟料质量参数(熟料饱和比系数kh、熟料硅率sm、熟料铝率im、熟料游离钙、熟料立升重)总共36个工艺参数。
53.其中，c1筒、c2筒、c3筒、c4筒、c5筒分别为本领域技术人员公知的预热器中的不同位置处的旋风筒，在此不再赘述。
54.一次风是通过主燃烧器强制送入窑的自然空气，由窑头燃烧器的一次风机供给，二次风是来自熟料冷却设备篦冷机回收进窑的热空气，三次风是指经三次风管将同样来自篦冷机的热风引入分解炉的热空气，一次风机a和一次风机b分别为本领域技术人员公知的不同位置处的风机，在此不再赘述。
55.具体地，本实施例中在通过对水泥熟料的生产工艺进行分析，从在预热器、分解炉、回转窑、篦冷机等设备工艺参数以及化验室中选取了若干个与水泥熟料强度有关的工艺参数后，通过采用最大信息系数(maximal information coefficient，mic)相关性分析计算出选取出的各工艺参数与水泥熟料强度之间的mic，由于mic越高表示工艺参数与水泥熟料强度之间的相关性越强，因此本实施例中可以根据mic从若干个工艺参数中选取出mic较大的多个目标工艺参数。
56.步骤102，将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强度预测结果。
57.其中，水泥熟料强度预测模型是通过使用目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的至少一个预设机器学习模型中得到的。
58.在一个示例中，可以通过使用目标工艺参数对应的历史生产数据对两个及两个以上的预设机器学习模型进行训练，之后再从多个训练好的预设机器学习模型中选取出一个测试结果最好的模型作为水泥熟料强度预测模型，如此相比于采用对单一的模型进行训练测试得的水泥熟料强度预测模型，本实施例中，通过从多个训练好的预设机器学习模型中选取出一个测试结果最好的模型作为水泥熟料强度预测模型，可以确保所使用的水泥熟料强度预测模型为预测水泥熟料强度效果较好的模型，进而实现提高后续水泥熟料强度预测结果的精准性。
59.本实施例中，实时获取水泥生产过程中各时间阶段的目标工艺参数对应的目标生产数据，将目标生产数据输入至水泥熟料强度预测模型中，通过水泥熟料强度预测模型预测各时间阶段的水泥熟料强度。
60.本发明提供的水泥熟料强度预测方法，通过获取目标工艺参数，目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；将目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得水泥熟料强度预测模型输出的水泥熟料强度预测结果，如此本发明一方面通过工艺机理选取了若干个影响水泥熟料强度的工艺参数，改变了以往的水泥熟料强度预测模型仅采用熟料化学成分、矿物组成以及游离氧化钙、碱含量等存在一定滞后性的化验室检验数据作为影响参数，另一方面又通过最大信息系数相关性分析从若干个影响水泥熟料强度的工艺参数中选取出目标工艺参数，简化了复杂的熟料强度影响因素与熟料强度的对应关系，解决了水泥生产过程中多变量耦合的问题，提高了水泥熟料强度预测模型的泛化性，通过将熟料生产中相关的目标工艺参数作为水泥熟料强度预
测模型的输入特征去探究水泥熟料强度，能够更有效的解决水泥熟料强度测量的滞后性问题。
61.在一些实施例中，所述获取目标工艺参数，包括：
62.确定所述工艺参数集中的各所述工艺参数与所述水泥熟料强度之间的最大信息系数；
63.将所述工艺参数集中的各所述工艺参数按照所述最大信息系数从大到小进行排序，得到排序结果；
64.基于所述排序结果，从所述工艺参数集中选取出目标工艺参数。
65.具体地，本实施例中先计算出工艺参数x与水泥熟料强度y之间的互信息i[x；y]
[0066][0067]
其中，p(x,y)为工艺参数x与水泥熟料强度y之间的联合概率，p(x)为工艺参数x的边缘概率，p(y)为工艺参数y的边缘概率，联合概率与边缘概率的计算方式同现有的计算方式一致，在此不再赘述。
[0068]
之后根据工艺参数x与水泥熟料强度y之间的互信息i[x；y]，计算出工艺参数x与水泥熟料强度y之间的最大信息系数mic[x；y]：
[0069][0070]
mic[x；y]的值越高表示相关性越强，因此本实施例中将工艺参数集中的各工艺参数按照最大信息系数从大到小进行排序，得到排序结果，最后根据排序结果从若干个工艺参数中选取出排名靠前的目标工艺参数。
[0071]
在一个示例中，如图2，图2中水平方向代表mic[x；y]的值，本实施例中，采用上述mic从原料物理化学特征参数(生料饱和比系数kh、生料硅率sm、生料铝率im、生料细度、生料水分、入窑物料分解率)、燃料物理化学特征参数(煤粉细度、煤粉水分)、热工系统的运行参数(喂料量、窑转速、高温风机入口负压、高温风机电机转速、窑尾喂煤、窑头喂煤、篦板速度、c1筒出口温度、c2筒出口温度、c3筒出口温度、c4筒出口温度、c5筒出口温度、分解炉出口温度、入炉三次风管进口温度、烟室温度、烟室压力、二次风温度、三次风温度、一次风机a电流、一次风机a压力、一次风机b电流、一次风机b压力、分解炉出口负压)及熟料质量参数(熟料饱和比系数kh、熟料硅率sm、熟料铝率im、熟料游离钙、熟料立升重)总共36个工艺参数中选取了最大信息系数排名前18个工艺参数：喂料量、c5筒出口温度、煤粉水分、烟室温度、高温风机入口负压、高温风机电机转速、一次风机b电流、c1筒出口温度、生料硅率sm、入炉三次风管进口温度、三次风温度、一次风机a压力、熟料铝率im、一次风机a电流、二次风温度、篦板速度、一次风机b压力。
[0072]
本发明提供的水泥熟料强度预测方法，通过确定工艺参数集中的各工艺参数与水泥熟料强度之间的最大信息系数；将工艺参数集中的各工艺参数按照最大信息系数从大到小进行排序，得到排序结果；基于排序结果，从工艺参数集中选取出目标工艺参数，如此通过最大信息系数相关性分析从若干个影响水泥熟料强度的工艺参数中选取出目标工艺参数，简化了复杂的熟料强度影响因素与熟料强度的对应关系，解决了水泥生产过程中多变
量耦合的问题，进而提高了使用水泥熟料强度预测模型进行水泥熟料强度预测的泛化性。
[0073]
在一些实施例中，所述基于所述排序结果，从所述工艺参数集中选取出目标工艺参数，包括：
[0074]
确定所述排序结果中相邻两个所述工艺参数对应的所述最大信息系数之间的系数差；
[0075]
基于所述系数差从所述工艺参数集中选取出目标工艺参数。
[0076]
需要说明的是，由于一个特征可能是通过其他的特征得到的，因此通常情况下，水泥熟料强度预测模型的输入特征的信息量越大，则水泥熟料强度预测模型的预测结果的精准性也越高。但是若过多的与水泥熟料强度之间相关性弱的特征输入到水泥熟料强度预测模型中，也会影响水泥熟料强度预测模型的预测结果的精准性。
[0077]
因此本实施例中，在将工艺参数集中的各工艺参数按照最大信息系数从大到小进行排序之后，先基于相邻两个工艺参数对应的最大信息系数之间的系数差，确定若干个系数差之间的波动幅度。
[0078]
若波动幅度平稳，相邻两个工艺参数对应的最大信息系数之间的系数差均小于预设系数差，即工艺参数的最大信息系数呈平稳地递减趋势，若干个工艺参数的最大信息系数之间差异性不大，则按照排序结果从工艺参数集中选取出排名前n个目标工艺参数。
[0079]
若波动幅度不平稳，从排名第一的工艺系数到排名第n的工艺系数之间的系数差均小于预设系数差，但从排名第n到排名第(n+1)之间的系数差大于预设系数差，即排名第n之后的工艺参数的最大信息系数与排名第n之前的工艺参数的最大信息系数之间差异性比较大，因此为了避免过多的与水泥熟料强度之间相关性弱的特征输入到水泥熟料强度预测模型中，本实施例中，确定n是否大于n，若大于，则按照排序结果从工艺参数集中选取出排名前n个目标工艺参数。
[0080]
若不大于，则确定排名前n个工艺参数中是否涵盖以上原料物理化学特征参数、燃料物理化学特征参数、热工系统的运行参数及熟料质量参数四个类别的工艺机理参数中的工艺参数，若涵盖，则按照排序结果从工艺参数集中选取出排名前n个目标工艺参数，若不涵盖，则基于选取出的目标工艺参数中需涵盖以上各类别的工艺机理参数中的至少一个工艺参数的原则，先选取出排名前n个目标工艺参数，之后再根据排序结果从第n之后的工艺参数中选取出(n-n)个目标工艺参数。
[0081]
本发明提供的水泥熟料强度预测方法，通过确定排序结果中相邻两个工艺参数对应的最大信息系数之间的系数差；基于系数差从工艺参数集中选取出目标工艺参数，确保了水泥熟料强度预测模型的预测结果的精准性。
[0082]
在一些实施例中，所述工艺参数对应的目标生产数据是通过以下步骤得到的：
[0083]
采集所述工艺参数对应的原始生产数据；
[0084]
基于hampel滤波对所述原始生产数据进行异常值处理；
[0085]
基于z-score标准化将异常值处理后的所述原始生产数据转化为均值为0，方差为1的无量纲数据，得到所述工艺参数对应的目标生产数据。
[0086]
由于熟料生产是一个连续的过程，虽然生产数据在整体上会存在波动，但在局部会在一定范围内保持稳定。计算整体数据的均值、标准差等全局统计量，并以此规定了正常数据的上限和下限作为异常值检测的标准并适合水泥熟料生产这种长时段多波动的数据。
regression，rfr)、梯度提升决策树(gradient boosting decision tree，gbdt)、极端梯度提升(extreme gradient boosting，xgboost)及轻量的梯度提升机(light gradient boosting machine，lightgbm)。
[0106]
本实施例中，采用均方误差(mean square error，mse)、均方根误差(root mean square error，rmse)、平均绝对误差(mean absolute error，mae)三种回归评价指标对以上各模型的预测性能进行对比。
[0107]
比如在一个示例中，以某水泥厂一条典型的5000t/d熟料生产线为研究对象，选取出18个目标工艺参数，在100组样本数据中选择75组数据作为训练集，剩余的25组数据作为测试集，这些数据即为构成预测模型的数据集。将训练集输入至以上六种模型中进行预测模型的训练，并保存训练好的预测模型。将测试集数据输入至训练好的预测模型，输出的预测值与真实值之间的误差情况良好，其中，各模型的预测性能对比结果如下表1：
[0108]
表1各模型预测性能对比
[0109][0110]
如上表所示，bp神经网络的效果最好，则将训练好的bp神经网络模型作为水泥熟料强度预测模型。
[0111]
以下为具体的实例，对上述的水泥熟料强度预测方法的执行展开描述。如图3所示，本实施例中，从水泥熟料生产过成中的原料物理化学特征参数，燃料物理化学特征参数，热工系统的运行参数以及熟料质量参数此四个类别的工艺参数中进行工艺参数的选取，之后从水泥企业数据库中调取所选取的工艺参数的相关数据(即生产数据)，接着进行hampel滤波、标准化的数据预处理，采用最大信息系数mic分析法从数据预处理后的工艺参数的相关数据中选取出模型的输入特征，之后获取该输入特征对应的数据集，并使用数据集分别对以上六种模型进行预测模型的训练，并通过对模型输出进行回归评价指标(即mse、rmse、mae)的计算，如此根据计算结果选取出一个合适的模型用于后续的水泥熟料强度预测。
[0112]
下面对本发明提供的水泥熟料强度预测装置进行描述，下文描述的水泥熟料强度预测装置与上文描述的水泥熟料强度预测方法可相互对应参照。
[0113]
图4是本发明提供的水泥熟料强度预测装置的结构示意图，如图4所示，所述装置包括：获取模块410，用于获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；预测模块420，用于将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强
度预测结果；
[0114]
其中，所述水泥熟料强度预测模型是通过使用所述目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的所述至少一个预设机器学习模型中得到的。
[0115]
本发明提供的水泥熟料强度预测装置，通过获取目标工艺参数，目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；将目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得水泥熟料强度预测模型输出的水泥熟料强度预测结果，如此本发明一方面通过工艺机理选取了若干个影响水泥熟料强度的工艺参数，改变了以往的水泥熟料强度预测模型仅采用熟料化学成分、矿物组成以及游离氧化钙、碱含量等存在一定滞后性的化验室检验数据作为影响参数，另一方面又通过最大信息系数相关性分析从若干个影响水泥熟料强度的工艺参数中选取出目标工艺参数，简化了复杂的熟料强度影响因素与熟料强度的对应关系，解决了水泥生产过程中多变量耦合的问题，提高了水泥熟料强度预测模型的泛化性，通过将熟料生产中相关的目标工艺参数作为水泥熟料强度预测模型的输入特征去探究水泥熟料强度，能够更有效的解决水泥熟料强度测量的滞后性问题。
[0116]
在一些实施例中，获取模块，还用于确定所述工艺参数集中的各所述工艺参数与所述水泥熟料强度之间的最大信息系数；将所述工艺参数集中的各所述工艺参数按照所述最大信息系数从大到小进行排序，得到排序结果；基于所述排序结果，从所述工艺参数集中选取出目标工艺参数。
[0117]
在一些实施例中，获取模块，还用于确定所述排序结果中相邻两个所述工艺参数对应的所述最大信息系数之间的系数差；基于所述系数差从所述工艺参数集中选取出目标工艺参数。
[0118]
在一些实施例中，预测模块，还用于采集所述工艺参数对应的原始生产数据；基于hampel滤波对所述原始生产数据进行异常值处理；基于z-score标准化将异常值处理后的所述原始生产数据转化为均值为0，方差为1的无量纲数据，得到所述工艺参数对应的目标生产数据。
[0119]
在一些实施例中，所述工艺参数集中的所述工艺参数是从原料物理化学特征参数、燃料物理化学特征参数、热工系统的运行参数及熟料质量参数四个类别的工艺机理参数中选取出的。
[0120]
在一些实施例中，预测模块，还用于获取所述目标工艺参数对应的历史生产数据，所述历史生产数据包括测试数据及训练数据；基于所述训练数据分别对至少一个预设机器学习模型进行训练，得到至少一个训练好的机器学习模型；基于所述测试数据对各所述训练好的机器学习模型进行测试，得到各所述训练好的机器学习模型的测试结果；基于所述测试结果及回归评价指标对各所述训练好的机器学习模型进行评价，得到各所述训练好的机器学习模型对应的评价结果；选取评价结果最好的所述训练好的机器学习模型作为水泥熟料强度预测模型。
[0121]
在一些实施例中，所述至少一个预设机器学习模型包括bp神经网络、支持向量回归、随机森林回归、梯度提升决策树、极端梯度提升及轻量的梯度提升机。
[0122]
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行水泥熟料强度预测方法，该方法包括：
[0123]
获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；
[0124]
将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强度预测结果；
[0125]
其中，所述水泥熟料强度预测模型是通过使用所述目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的所述至少一个预设机器学习模型中得到的。
[0126]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0127]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的水泥熟料强度预测方法，该方法包括：
[0128]
获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；
[0129]
将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强度预测结果；
[0130]
其中，所述水泥熟料强度预测模型是通过使用所述目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的所述至少一个预设机器学习模型中得到的。
[0131]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0132]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上
述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0133]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种水泥熟料强度预测方法，其特征在于，包括：获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强度预测结果；其中，所述水泥熟料强度预测模型是通过使用所述目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的所述至少一个预设机器学习模型中得到的。2.根据权利要求1所述水泥熟料强度预测方法，其特征在于，所述获取目标工艺参数，包括：确定所述工艺参数集中的各所述工艺参数与所述水泥熟料强度之间的最大信息系数；将所述工艺参数集中的各所述工艺参数按照所述最大信息系数从大到小进行排序，得到排序结果；基于所述排序结果，从所述工艺参数集中选取出目标工艺参数。3.根据权利要求2所述水泥熟料强度预测方法，其特征在于，所述基于所述排序结果，从所述工艺参数集中选取出目标工艺参数，包括：确定所述排序结果中相邻两个所述工艺参数对应的所述最大信息系数之间的系数差；基于所述系数差从所述工艺参数集中选取出目标工艺参数。4.根据权利要求1所述水泥熟料强度预测方法，其特征在于，所述工艺参数对应的目标生产数据是通过以下步骤得到的：采集所述工艺参数对应的原始生产数据；基于hampel滤波对所述原始生产数据进行异常值处理；基于z-score标准化将异常值处理后的所述原始生产数据转化为均值为0，方差为1的无量纲数据，得到所述工艺参数对应的目标生产数据。5.根据权利要求1所述水泥熟料强度预测方法，其特征在于，所述工艺参数集中的所述工艺参数是从原料物理化学特征参数、燃料物理化学特征参数、热工系统的运行参数及熟料质量参数四个类别的工艺机理参数中选取出的。6.根据权利要求1至5任一项所述水泥熟料强度预测方法，其特征在于，所述水泥熟料强度预测模型通过如下方式获得：获取所述目标工艺参数对应的历史生产数据，所述历史生产数据包括测试数据及训练数据；基于所述训练数据分别对至少一个预设机器学习模型进行训练，得到至少一个训练好的机器学习模型；基于所述测试数据对各所述训练好的机器学习模型进行测试，得到各所述训练好的机器学习模型的测试结果；基于所述测试结果及回归评价指标对各所述训练好的机器学习模型进行评价，得到各所述训练好的机器学习模型对应的评价结果；选取评价结果最好的所述训练好的机器学习模型作为水泥熟料强度预测模型。
7.根据权利要求6所述水泥熟料强度预测方法，其特征在于，所述至少一个预设机器学习模型包括bp神经网络、支持向量回归、随机森林回归、梯度提升决策树、极端梯度提升及轻量的梯度提升机。8.一种水泥熟料强度预测装置，其特征在于，包括：获取模块，用于获取目标工艺参数，所述目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，所述工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；预测模块，用于将所述目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得所述水泥熟料强度预测模型输出的水泥熟料强度预测结果；其中，所述水泥熟料强度预测模型是通过使用所述目标工艺参数对应的历史生产数据对至少一个预设机器学习模型进行训练，并从训练好的所述至少一个预设机器学习模型中得到的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述水泥熟料强度预测方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述水泥熟料强度预测方法。

技术总结
本发明提供一种水泥熟料强度预测方法、装置、电子设备及存储介质，该方法包括：获取目标工艺参数，目标工艺参数是通过采用最大信息系数相关性分析从工艺参数集中选取出的，工艺参数集中包括基于工艺机理选取出若干个与水泥熟料强度有关的工艺参数；将目标工艺参数对应的目标生产数据输入至水泥熟料强度预测模型中，获得水泥熟料强度预测模型输出的水泥熟料强度预测结果，本发明通过将熟料生产中相关的目标工艺参数作为水泥熟料强度预测模型的输入特征去探究水泥熟料强度，能够更有效的解决水泥熟料强度测量的滞后性问题。水泥熟料强度测量的滞后性问题。水泥熟料强度测量的滞后性问题。


技术研发人员：崔素萍 李自强 马忠诚 王亚丽 叶家元 徐洪涛 孙大伟
受保护的技术使用者：中国建筑材料科学研究总院有限公司 中国建材集团有限公司
技术研发日：2023.05.19
技术公布日：2023/8/2