电子测量技术ELECTRONICMEASUREMENTTECHNOLOGY第45卷第23期2022年12月DOI:10.19651/j.cnki.emt.2210198基于机器学习的有色金属冶炼工序识别*汪繁荣1,2方祖春1,2刘宇航1汪筠涵1(1.湖北工业大学电气与电子工程学院武汉430068;2.襄阳湖北工业大学产业研究院襄阳441100)摘要:为实现生产工序的准确识别,提出基于机器学习的工序识别模型,分别选取时间卷积网络、长短期记忆网络、支持向量机构建工序识别模型,并结合某钛金属冶炼企业生产能耗数据对模型进行测试验证。首先对历史功率及工序数据进行预处理,然后根据生产特征构造用于模型训练及测试数据集,最后结合数据集对模型进行训练和测试。结果表明基于时间卷积网络的识别模型具有较高的工序识别准确率,针对测试集的工序识别准确率达96.94%。关键词:机器学习;时间卷积网络;长短期记忆网络;支持向量机;工序识别中图分类号:TM714文献标识码:A国家标准学科分类代码:510.1050Non-ferrousmetalsmeltingprocessidentificationbasedonmachinelearningWangFanrong1,2FangZuchun1,2LiuYuhang1WangJunhan1(1.SchoolofElectricalandElectronicEngineering,HubeiUniversityofTechnology,Wuhan430068,China;2.XiangyangIndustrialInstituteofHubeiUniversityofTechnology,Xiangyang441100,China)Abstract:Inordertorealizetheaccurateidentificationofproductionprocesses,aprocessidentificationmodelbasedonmachinelearningwasproposed.Timeconvolutionnetwork,longandshorttermmemorynetworkandsupportvectormachinewereselectedtobuildtheprocessidentificationmodel,andthemodelwastestedandverifiedwiththeproductionenergyconsumptiondataofatitaniummetalrefiningenterprise.Firstly,thehistoricalpowerandprocessdatawerepreprocessed,andthenthemodeltrainingandtestingdatasetwasconstructedaccordingtotheproductioncharacteristics.Finally,themodelwastrainedandtestedbasedonthedataset.Theresultsshowsthattherecognitionmodelbasedontimeconvolutionnetworkhasahighaccuracyofprocessidentification,andtheaccuracyofprocessidentificationfortestsetsreaches96.94%.Keywords:machinelearning;timeconvolutionnetwork;longandshorttermmemorynetwork;supportvectormachine;productionprocessrecognition收稿日期:2022-06-03*基金项目:国家自然科学基金(61903129)项目资助0引言近年来由于温室效应的不...
