本發(fā)明屬于紙張在工業(yè)生產(chǎn)過程運行狀態(tài)評價，具體涉及一種shap紙張干燥過程非優(yōu)原因追溯方法。

背景技術(shù)：

1、在現(xiàn)代造紙工業(yè)中，干燥過程是關(guān)鍵環(huán)節(jié)，其能效直接影響生產(chǎn)成本和環(huán)保效益。然而，干燥過程能效受多種復(fù)雜因素影響，傳統(tǒng)方法難以有效識別和追溯能效偏低的原因?，F(xiàn)有能效監(jiān)測技術(shù)主要依賴于“人的經(jīng)驗+分布式計算機控制系統(tǒng)(dcs)”為主的控制系統(tǒng)進行調(diào)控，但是干燥過程中的動態(tài)性和復(fù)雜性已經(jīng)超越了人腦及時分析和優(yōu)化的能力，往往難以準確定位問題來源，導(dǎo)致改進措施的有效性和針對性不足。所以這種控制系統(tǒng)難以保障紙張干燥過程健康高效運行。

2、隨著人工智能和大數(shù)據(jù)技術(shù)的發(fā)展，應(yīng)用機器學(xué)習(xí)方法進行工業(yè)過程優(yōu)化成為可能，但其“黑箱”特性限制了模型的解釋性和應(yīng)用范圍，且對能效偏低的原因進行解釋和追溯能力有限。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種shap紙張干燥過程非優(yōu)原因追溯方法，解決了現(xiàn)有技術(shù)中存在的上述技術(shù)問題。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

3、一種shap紙張干燥過程非優(yōu)原因追溯系統(tǒng)，包括數(shù)據(jù)采集與預(yù)處理、能效等級標簽與能效辨識、非優(yōu)能效原因追溯；

4、所述數(shù)據(jù)采集與預(yù)處理：能效等級標簽與能效辨識，非優(yōu)能效原因追溯；

5、所述能效等級標簽與能效辨識：確保模型輸入數(shù)據(jù)的質(zhì)量和一致性，通過去除異常值、平滑數(shù)據(jù)和歸一化處理，并確保分析結(jié)果的可靠性和可解釋性；

6、所述能效等級標簽與能效辨識：明確識別和區(qū)分設(shè)備或過程的能效高低，從而制定針對性的優(yōu)化措施；

7、所述非優(yōu)能效原因追溯方法：識別和分析導(dǎo)致能效偏低的關(guān)鍵因素，找出影響能效的具體問題。

8、進一步地，所述數(shù)據(jù)采集與預(yù)處理的方法：

9、s201、采集干燥部生產(chǎn)線數(shù)據(jù)，在原始生產(chǎn)數(shù)據(jù)預(yù)處理前需要對過程變量進行分析選擇，挖掘出與干燥部能效有強相關(guān)性的過程變量；

10、s202、對數(shù)據(jù)進行方差計算，分析方差特性計算的結(jié)果，得出數(shù)據(jù)離散程度，并剔除方差值近似為0的變量，方差特征表示為：

11、

12、其中，s2為樣本方差，x為變量，為樣本均值，n為樣本數(shù)；

13、s203、對特征數(shù)據(jù)采用3σ原則和箱型圖兩種方法處理異常值，消除異常值；

14、s204、使用滑動數(shù)據(jù)窗口對多變量時間序列數(shù)據(jù)進行平滑處理，再使用歸一化操作處理數(shù)據(jù)，消除不同變量之間量綱差異對建模過程的影響，滑動數(shù)據(jù)窗口表示為：

15、

16、其中，h為滑動窗口處理后的值，t為時間步長，w為窗口寬度，xt為樣本特征值；

17、s205、使用k-means聚類算法進行工況聚類分析，在k-means算法中，k值是一個超參數(shù)，直接決定了數(shù)據(jù)集中簇的數(shù)量，使用sse和平均輪廓系數(shù)聯(lián)合進行k值判定。

18、進一步地，所述s205中，關(guān)于k-means算法的目標函數(shù)及k值判定法表示為：

19、

20、其中：樣本個數(shù)n，區(qū)域聚類數(shù)k，樣本值xn，聚類中心uk和指示矩陣rnk；

21、

22、其中：sse為和方差值，x為第j類kj中的數(shù)據(jù)，yj為第j類中所有數(shù)據(jù)的平均值；

23、

24、其中：s(j)為平均輪廓系數(shù)值，p(j)為j向量到同一簇內(nèi)其他點不相似程度的平均值，q(j)為j向量到其他簇的平均不相似程度的最小值。

25、進一步地，所述能效等級標簽與能效辨識方法包括以下步驟：

26、s301、引入mlp神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)特征的提取并學(xué)習(xí)數(shù)據(jù)非線性關(guān)系，并設(shè)置輸入層、隱藏層和輸出層的結(jié)構(gòu)，初始化每層的權(quán)重和偏執(zhí)參數(shù)，從隱藏層輸出中獲取中間特征表示，并將隱藏層特征通過激活函數(shù)進行非線性變換；將經(jīng)過激活函數(shù)處理后的特征作為最終特征輸出，參與到后續(xù)建模任務(wù)；

27、s302、使用mlp提取的特征作為訓(xùn)練集新的特征，輸入到模型訓(xùn)練任務(wù)中；采用t-pls方法整合和提取多個數(shù)據(jù)模態(tài)，發(fā)現(xiàn)模態(tài)之間得關(guān)聯(lián)性，構(gòu)建預(yù)測模型；

28、s303、獲取造紙機抄造產(chǎn)量與蒸汽流量的關(guān)系，采用泰勒展開法繪制能效坐標圖的形式，分析干燥部運行能效狀態(tài)，將生產(chǎn)數(shù)據(jù)刻畫“優(yōu)”、“良”、“中”、“差”能效等級標簽；

29、s304、基于生產(chǎn)數(shù)據(jù)“優(yōu)”、“良”、“中”、“差”能效等級標簽，采用自適應(yīng)提升算法迭代訓(xùn)練弱分類器并組合成強分類器，構(gòu)建能效等級辨識模型；

30、此時，訓(xùn)練弱分類器過程表示為：

31、

32、其中：et為訓(xùn)練數(shù)據(jù)誤差率，wt(i)為第t輪迭代中樣本i的權(quán)重值，err(·)為指示函數(shù)，ht(xi)為第t輪迭代中弱分類器的預(yù)測結(jié)果，yi為樣本i真實標簽。

33、進一步地，所述s301中，mlp優(yōu)化過程表示為：

34、

35、其中：為模型的預(yù)測結(jié)果，f(·)為激活函數(shù)，w(l)為第l層的權(quán)重矩陣，b(l)為第l層的偏置向量，l為神經(jīng)網(wǎng)絡(luò)的層數(shù)。

36、進一步地，所述s302中，t-pls計算過程表示為：

37、

38、其中：ty為yc直接相關(guān)的得分向量，py為xc的負載向量，to和po為零空間成分的得分矩陣和負載矩陣，tr和pr為xc殘差空間的得分矩陣和負載矩陣，er和f為xc和yc的殘差項，qy為yc的負載向量。

39、進一步地，所述s303中，紙機抄造產(chǎn)量與蒸汽流量的關(guān)系表示為：

40、

41、其中：和為造紙機當前抄造產(chǎn)量和標桿抄造產(chǎn)量，和為干燥部當前蒸汽流量和標桿蒸汽流量。

42、進一步地，所述非優(yōu)能效原因追溯方法：

43、基于博弈論中的shapley值理論，通過計算每個過程變量在樣本數(shù)據(jù)中帶來的邊緣收益，用來確定過程變量的重要性；

44、shapley值可以表示為：

45、

46、其中：為shapley值，s為模型種使用的特征子集，n為特征的數(shù)量，i為要解釋的樣本特征值向量，為權(quán)重值，f(s)為特征組合s下的模型輸出值。

47、所述的shap紙張干燥過程非優(yōu)原因追溯系統(tǒng)的方法，其特征在于，包括以下步驟：

48、s1、采集紙張干燥過程中的關(guān)鍵數(shù)據(jù)，對采集的數(shù)據(jù)進行預(yù)處理，利用方差計算和箱型圖方法處理異常值，并使用滑動數(shù)據(jù)窗口平滑數(shù)據(jù)，消除波動影響；歸一化處理數(shù)據(jù)以統(tǒng)一量綱，確保數(shù)據(jù)的一致性和可靠性；

49、s2、將預(yù)處理后的數(shù)據(jù)輸入能效評估模型，采用泰勒展開法繪制能效坐標圖，并將能效等級分為優(yōu)、良、中、差四類；利用自適應(yīng)提升方法構(gòu)建能效辨識模型，通過訓(xùn)練和測試，準確識別每個數(shù)據(jù)點的能效等級。

50、s3、對能效辨識結(jié)果中標記為“差”的數(shù)據(jù)點進行深入分析，使用shap方法計算各特征對能效的影響度，通過shap值識別影響能效的主要因素，提供具體的改進建議。

51、進一步地，所述s1中，關(guān)鍵數(shù)據(jù)包括溫度、濕度、干燥時間和紙張厚度工藝參數(shù)。

52、本發(fā)明的有益效果：

53、1、本發(fā)明將shap應(yīng)用于紙張干燥過程能效監(jiān)測，可以有效識別影響能效的關(guān)鍵因素，并對能效偏低的原因進行解釋和追溯，準確評估每個因素對于模型預(yù)測結(jié)果的貢獻度及其正負影響。

54、2、本發(fā)明通過對干燥過程能效數(shù)據(jù)的分析，識別和解釋影響能效的主要因素，實現(xiàn)能效偏低原因的準確追溯；不僅提高了能效監(jiān)測的準確性和可解釋性，還為造紙企業(yè)提供了科學(xué)的工藝優(yōu)化依據(jù)，促進生產(chǎn)效率和節(jié)能效果的提升。

55、3、本發(fā)明采用的shap方法不僅在特征重要性排序上表現(xiàn)優(yōu)異，能夠?qū)蝹€樣本進行局部性解釋，從而全面理解整體的統(tǒng)計分析以及各樣本點對預(yù)測模型的影響，使得模型預(yù)測結(jié)果更加透明和可理解。特征之間的相互作用分析使得貢獻度評估更加精確，從而在復(fù)雜工業(yè)過程的運行狀態(tài)評價和非優(yōu)原因追溯中提供了有力的工具保障。