CN117056644B - 基于机器学习的工业窑炉温度预测方法及系统 - Google Patents

Abstract

本发明涉及电数字数据处理技术领域，具体涉及基于机器学习的工业窑炉温度预测方法及系统，该方法包括：获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列；确定预设温度影响参数与温度参数之间的关联度；对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理；确定每个温度影响数据序列对应的整体温度影响因子；确定预设时间段内的每个预设时间间隔对应的目标影响因子和窑炉代表温度；预测预设时间段的下一个预设时间间隔对应的窑炉代表温度。本发明通过对所有的目标窑炉温度序列和温度影响数据序列进行数据处理，提高了工业窑炉内温度预测的准确度。

Description

基于机器学习的工业窑炉温度预测方法及系统

技术领域

本发明涉及电数字数据处理技术领域，具体涉及基于机器学习的工业窑炉温度预测方法及系统。

背景技术

工业窑炉是一种用于高温处理材料的设备，主要功能是通过加热将原材料转化为所需的产品，被广泛应用于冶金、陶瓷制造、玻璃生产等工业领域。温度作为其中最为关键的工艺参数之一，由于能量传输和交换往往需要一定的时间，并且工业窑炉容积通常较大，所以工业窑炉的温度通常具有滞后性。然而在工业实际生产中，往往需要在特定的温度条件下才会发生发应，过高或过低的温度都可能会导致产品质量受损，甚至报废。因此往往需要结合机器学习，对工业窑炉内的温度进行预测，以优化生产工艺，在一定程度上确保在合适的温度范围内进行加热，从而获得更好的产品质量和更高的生产效率，而且窑炉加热往往需要消耗大量的能源，如电力、天然气等，通过准确预测温度，可以优化能源的使用，避免不必要的能源浪费，从而降低生产成本和环境影响。目前，对数据进行预测时，通常采用的方式为：根据历史数据，对下一刻的数据进行预测。

然而，当根据历史温度，对下一刻的温度进行预测时，经常会存在如下技术问题：

由于工业窑炉内的温度变化往往受到多个因素的影响，包括但不限于工业窑炉的历史温度，若对下一刻的温度进行预测时只考虑工业窑炉的历史温度，则可能由于其他因素的变化，导致预测的下一刻的温度的准确度较低。

发明内容

本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

为了解决工业窑炉内温度预测的准确度较低的技术问题，本发明提出了基于机器学习的工业窑炉温度预测方法及系统。

第一方面，本发明提供了基于机器学习的工业窑炉温度预测方法，该方法包括：

获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列；

根据获取的所有目标窑炉温度序列和每个预设温度影响参数对应的所有温度影响数据序列，确定所述预设温度影响参数与温度参数之间的关联度，作为所述预设温度影响参数对应的初始关联度；

对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到所述温度影响数据序列对应的升温正影响指标；

根据每个温度影响数据序列所属预设温度影响参数对应的初始关联度，以及所述温度影响数据序列对应的升温正影响指标，确定所述温度影响数据序列对应的整体温度影响因子；

根据每个预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，确定所述预设时间间隔对应的目标影响因子；

根据每个预设时间间隔内采集的目标窑炉温度序列，确定所述预设时间间隔对应的窑炉代表温度；

根据所述预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度。

可选地，所有预设温度影响参数包括：天然气输入速率参数、压缩空气输入速率参数和窑炉压强参数；所述初始关联度和所述升温正影响指标均与所述整体温度影响因子呈正相关；所述预设时间间隔内采集的各个温度影响数据序列对应的整体温度影响因子均与所述目标影响因子呈正相关。

可选地，若预设温度影响参数为天然气输入速率参数或压缩空气输入速率参数，则对每个预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标，包括：

根据预设正常波动因子，确定该温度影响数据序列对应的正常高界限和正常低界限；

将该温度影响数据序列中大于所述正常高界限的温度影响数据，确定为增益影响数据，并将该温度影响数据序列中小于所述正常低界限的温度影响数据，确定为衰减影响数据；

将该温度影响数据序列中所有增益影响数据中连续的增益影响数据，作为增益影响数据组，得到增益影响数据组集合，并将该温度影响数据序列中所有衰减影响数据中连续的衰减影响数据，作为衰减影响数据组，得到衰减影响数据组集合；

对于所述增益影响数据组集合中的每个增益影响数据组，根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标；

对于所述衰减影响数据组集合中的每个衰减影响数据组，根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对应的温度衰减指标；

根据所述增益影响数据组集合中的各个增益影响数据组对应的温度增益指标和所述衰减影响数据组集合中的各个衰减影响数据组对应的温度衰减指标，确定该温度影响数据序列对应的升温正影响指标，其中，温度增益指标与升温正影响指标呈正相关，温度衰减指标与升温正影响指标呈负相关。

可选地，所述根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标，包括：

将所述增益影响数据组中的每个增益影响数据与所述正常高界限的差值，确定为所述增益影响数据对应的第一增益差异；

根据所述增益影响数据组中的各个增益影响数据对应的第一增益差异，确定所述增益影响数据组对应的第二增益差异，其中，第一增益差异与第二增益差异呈正相关；

将所述增益影响数据组对应的最大采集时间和所述增益影响数据组的下一个衰减影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第一增益因子；

将所述增益影响数据组对应的最大采集时间和所述增益影响数据组对应的参考影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第二增益因子；

根据所述增益影响数据组对应的第二增益差异、第一增益因子和第二增益因子，确定所述增益影响数据组对应的温度增益指标，其中，第二增益差异和第一增益因子均与温度增益指标呈正相关，第二增益因子与温度增益指标呈负相关，所述增益影响数据组对应的参考影响数据组是所述增益影响数据组的下一个增益影响数据组。

可选地，所述根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对应的温度衰减指标，包括：

将所述正常低界限与所述衰减影响数据组中的每个衰减影响数据的差值，确定为所述衰减影响数据对应的第一衰减差异；

根据所述衰减影响数据组中的各个衰减影响数据对应的第一衰减差异，确定所述衰减影响数据组对应的第二衰减差异，其中，第一衰减差异与第二衰减差异呈正相关；

将所述衰减影响数据组对应的最大采集时间和所述衰减影响数据组的下一个增益影响数据组对应的最小采集时间之间的时长，确定为所述衰减影响数据组对应的第一衰减因子；

将所述衰减影响数据组对应的最大采集时间和所述衰减影响数据组对应的候选影响数据组对应的最小采集时间之间的时长，确定为所述衰减影响数据组对应的第二衰减因子；

根据所述衰减影响数据组对应的第二衰减差异、第一衰减因子和第二衰减因子，确定所述衰减影响数据组对应的温度衰减指标，其中，第二衰减差异和第一衰减因子均与温度衰减指标呈正相关，第二衰减因子与温度衰减指标呈负相关，所述衰减影响数据组对应的候选影响数据组是所述衰减影响数据组的下一个衰减影响数据组。

可选地，若预设温度影响参数为窑炉压强参数，则对每个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标，包括：

对于该温度影响数据序列中的每个温度影响数据，将所述温度影响数据对应的采集时间确定为横坐标，将所述温度影响数据确定为纵坐标，得到所述温度影响数据对应的目标坐标；

根据该温度影响数据序列中的各个温度影响数据对应的目标坐标进行线性拟合，得到该温度影响数据序列对应的目标直线；

将所述目标直线的斜率，确定为该温度影响数据序列对应的目标斜率；

根据所述目标斜率，确定该温度影响数据序列对应的升温正影响指标。

可选地，预设时间间隔内采集的窑炉压强参数下的温度影响数据序列对应的升温正影响指标对应的公式为：

其中，是预设时间段内，第i个预设时间间隔内采集的窑炉压强参数下的温度 影响数据序列对应的升温正影响指标；i是预设时间段内预设时间间隔的序号；是 符号函数；是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列对应的 目标斜率；是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中温度 影响数据的数量；是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序 列中第h个温度影响数据；是第i个预设时间间隔内采集的窑炉压强参数下的温度影 响数据序列中第h-1个温度影响数据；h是第i个预设时间间隔内采集的窑炉压强参数下的 温度影响数据序列中温度影响数据的序号；是取绝对值函数。

可选地，所述根据每个预设时间间隔内采集的目标窑炉温度序列，确定所述预设时间间隔对应的窑炉代表温度，包括：

将所述预设时间间隔内采集的目标窑炉温度序列中所有目标窑炉温度的均值，确定为所述预设时间间隔对应的窑炉代表温度。

可选地，所述根据所述预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度，包括：

将所述预设时间段内的各个预设时间间隔对应的目标影响因子，按照时间顺序，组成目标影响因子序列；

将所述预设时间段内的各个预设时间间隔对应的窑炉代表温度，按照时间顺序，组成窑炉代表温度序列；

将所述窑炉代表温度序列作为ARIMAX算法中的预测序列，并将所述目标影响因子序列作为ARIMAX算法中的外生变量，通过ARIMAX算法，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度。

第二方面，本发明提供了基于机器学习的工业窑炉温度预测系统，包括处理器和存储器，上述处理器用于处理存储在上述存储器中的指令以实现上述的基于机器学习的工业窑炉温度预测方法。

本发明具有如下有益效果：

本发明的基于机器学习的工业窑炉温度预测方法，通过对所有的目标窑炉温度序列和温度影响数据序列进行数据处理，提高了工业窑炉内温度预测的准确度。首先，由于工业窑炉内的温度变化往往受到多个因素的影响，因此获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列，可以便于后续预测温度时，综合考虑影响温度变化的多个预设温度影响参数和温度参数，从而可以提高后续温度预测的准确度。接着，由于预设温度影响参数与温度参数之间的关联度越高，往往说明预设温度影响参数对温度变化的影响越大。温度影响数据序列的升温正影响越高，往往说明在温度影响数据序列对应的预设时间间隔内对温度变化的正向影响越大。所以综合考虑初始关联度和升温正影响指标，确定的整体温度影响因子可以表征在温度影响数据序列对应的预设时间间隔内对温度变化的关联影响情况。因此，综合考虑预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，可以提高预设时间间隔对应的目标影响因子确定的准确度。最后，由于目标影响因子可以表征预设时间间隔内对温度变化的综合关联影响情况，窑炉代表温度可以表征预设时间间隔内温度的整体情况，所以，综合考虑预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，可以提高对预设时间段的下一个预设时间间隔对应的窑炉代表温度进行预测的准确度。因此，本发明进行工业窑炉内温度预测时，除了考虑温度参数之后，还综合考虑了多个影响工业窑炉内温度变化的预设温度影响参数，并且量化了初始关联度、升温正影响指标、整体温度影响因子和目标影响因子等多个与温度变化有关的指标，从而提高了工业窑炉内温度预测的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。

图1为本发明的基于机器学习的工业窑炉温度预测方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明提供了基于机器学习的工业窑炉温度预测方法，该方法包括以下步骤：

获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列；

根据获取的所有目标窑炉温度序列和每个预设温度影响参数对应的所有温度影响数据序列，确定预设温度影响参数与温度参数之间的关联度，作为预设温度影响参数对应的初始关联度；

对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到温度影响数据序列对应的升温正影响指标；

根据每个温度影响数据序列所属预设温度影响参数对应的初始关联度，以及温度影响数据序列对应的升温正影响指标，确定温度影响数据序列对应的整体温度影响因子；

根据每个预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，确定预设时间间隔对应的目标影响因子；

根据每个预设时间间隔内采集的目标窑炉温度序列，确定预设时间间隔对应的窑炉代表温度；

根据预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测预设时间段的下一个预设时间间隔对应的窑炉代表温度。

下面对上述各个步骤进行详细展开：

参考图1，示出了本发明的基于机器学习的工业窑炉温度预测方法的一些实施例的流程。该基于机器学习的工业窑炉温度预测方法，包括以下步骤：

步骤S1，获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列。

在一些实施例中，可以获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列。

其中，目标工业窑炉可以是待进行窑炉内温度预测的工业窑炉。预设时间段可以是预先设置的目标工业窑炉运行过程中的时间段。预设时间段的结束时间可以是当前时刻。例如，预设时间段的开始时间可以是2023年08月18日09时10分00秒。预设时间段的结束时间可以是2023年08月18日11时10分00秒。预设时间间隔可以是预先设置的较短的时间间隔。例如，预设时间间隔对应的时长可以是两分钟。目标窑炉温度序列中的目标窑炉温度可以是在预设时间间隔内采集的目标工业窑炉内的温度的归一化数据。预设温度影响参数可以是预先设置的影响窑炉内温度的参数。例如，所有预设温度影响参数可以包括：天然气输入速率参数、压缩空气输入速率参数和窑炉压强参数。温度影响数据序列中的温度影响数据可以是在对应时刻下预设温度影响参数对应的数据的归一化数据。

需要说明的是，由于工业窑炉内的温度变化往往受到多个因素的影响，因此获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列，可以便于后续预测温度时，综合考虑影响温度变化的多个预设温度影响参数和温度参数，从而可以提高后续温度预测的准确度。

作为示例，本步骤可以包括以下步骤：

第一步，获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下目标窑炉温度序列。

例如，可以通过温度传感器，在预设时间间隔内每隔预设时长，采集一次窑炉内的温度，并对该温度进行归一化，将归一化后的温度作为目标窑炉温度，根据采集时间，按照从早到晚的顺序，对得到的目标窑炉温度进行排序，得到该预设时间间隔内采集的目标窑炉温度序列。

第二步，获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的每个预设温度影响参数下的温度影响数据序列。

例如，若预设温度影响参数有3个，分别为窑炉压强参数、天然气输入速率参数和压缩空气输入速率参数，则获取预设时间间隔内采集的窑炉压强参数下的温度影响数据序列可以包括：通过压强传感器，在预设时间间隔内每隔预设时长，采集一次窑炉内的压强，并对该压强进行归一化，将归一化后的压强作为温度影响数据，根据采集时间，按照从早到晚的顺序，对得到的温度影响数据进行排序，得到该预设时间间隔内采集的窑炉压强参数下的温度影响数据序列。获取预设时间间隔内采集的天然气输入速率参数下的温度影响数据序列、以及获取预设时间间隔内采集的压缩空气输入速率参数下的温度影响数据序列的方式，可以与上述获取预设时间间隔内采集的窑炉压强参数下的温度影响数据序列的方式相同，只是对应的传感器不同。获取预设时间间隔内采集的天然气输入速率参数下的温度影响数据序列、以及获取预设时间间隔内采集的压缩空气输入速率参数下的温度影响数据序列所采用的传感器可以是对应的流量传感器。

需要说明的是，获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列，可以便于后续结合机器学习，对工业窑炉内的温度进行预测。机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。

步骤S2，根据获取的所有目标窑炉温度序列和每个预设温度影响参数对应的所有温度影响数据序列，确定预设温度影响参数与温度参数之间的关联度，作为预设温度影响参数对应的初始关联度。

在一些实施例中，可以根据获取的所有目标窑炉温度序列和每个预设温度影响参数对应的所有温度影响数据序列，确定上述预设温度影响参数与温度参数之间的关联度，作为上述预设温度影响参数对应的初始关联度。

其中，预设温度影响参数对应的所有温度影响数据序列可以是在预设时间段内的各个预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列。例如，若预设温度影响参数为窑炉压强参数，则窑炉压强参数对应的所有温度影响数据序列可以是在预设时间段内的各个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列。

需要说明的是，预设温度影响参数与温度参数之间的关联度越高，往往说明预设温度影响参数对温度变化的影响越大。

作为示例，对于每个预设温度影响参数，可以根据获取的所有目标窑炉温度序列和该预设温度影响参数对应的所有温度影响数据序列，通过灰色关联分析（GRA，GreyRelation Analysis），确定该预设温度影响参数与温度参数之间的关联度，作为该预设温度影响参数对应的初始关联度。

步骤S3，对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到温度影响数据序列对应的升温正影响指标。

在一些实施例中，可以对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到上述温度影响数据序列对应的升温正影响指标。

需要说明的是，温度影响数据序列的升温正影响越高，往往说明在温度影响数据序列对应的预设时间间隔内对温度变化的正向影响越大。

作为示例，若预设温度影响参数为天然气输入速率参数或压缩空气输入速率参数，则对每个预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标可以包括以下步骤：

第一步，根据预设正常波动因子，确定该温度影响数据序列对应的正常高界限和正常低界限。

其中，预设正常波动因子可以是预先设置的认为数据波动正常的因子。比如，预设正常波动因子可以是0.1。

例如，若预设温度影响参数为天然气输入速率参数或压缩空气输入速率参数，则根据预设正常波动因子，确定预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列对应的正常高界限和正常低界限对应的公式可以为：

其中，是预设时间段内第i个预设时间间隔内采集的第j个预设温度影响参 数下的温度影响数据序列对应的正常低界限。i是预设时间段内预设时间间隔的序号。j是 天然气输入速率参数或压缩空气输入速率参数的序号。是第i个预设时间间隔内采 集的第j个预设温度影响参数下的温度影响数据序列对应的正常高界限。是预设正常波 动因子。的取值范围为[0，1]。比如，取0.1。是第i个预设时间间隔内采集的第j个预 设温度影响参数下的温度影响数据序列中所有温度影响数据的均值。

需要说明的是，燃烧设备作为工业窑炉工作的核心，为产品反应、生产提供足够的热量、温度。其中在燃烧过程中，天然气作为燃料，在燃烧设备中燃烧时往往会释放大量的热量。增加天然气输入速率往往会导致更多的燃料被引入燃烧室，从而产生更多的热能，同样地，压缩空气的输入速率的增加往往可以提供更多的氧气，促进燃烧反应，燃料和氧气的增加会导致更强烈的燃烧，从而提高窑炉温度。

由于供气系统、控制系统的精度问题等，通常情况下，压缩空气输入速率和天然气 输入速率往往会有正常、小幅度的波动，在实际工业窑炉生产过程中，为了在一定程度上确 保工艺的稳定性和一致性，往往会设置一个容差范围。因此设置和，可以初步 判断压缩空气输入速率和天然气输入速率的波动情况。比如，若天然气输入速率参数或压 缩空气输入速率参数下的温度影响数据序列中的温度影响数据处于[，]，则 往往说明温度影响数据序列中的温度影响数据的波动相对比较正常，属于正常、小幅度的 波动；而窑室体积较大，往往说明该波动对工业窑炉内的温度升降影响相对不大。若天然气 输入速率参数或压缩空气输入速率参数下的温度影响数据序列中的温度影响数据小于，则往往说明温度影响数据序列中的温度影响数据相对向下波动，天然气输入速率 或压缩空气输入速率减小，具有温度衰减效果，并且波动较大，属于不正常波动；往往说明 该波动可能造成工业窑炉内的温度降低。若天然气输入速率参数或压缩空气输入速率参数 下的温度影响数据序列中的温度影响数据大于，则往往说明温度影响数据序列中的 温度影响数据相对向上波动，天然气输入速率或压缩空气输入速率减小，具有温度衰减效 果，并且波动较大，属于不正常波动；往往说明该波动可能造成工业窑炉内的温度升高。

第二步，将该温度影响数据序列中大于上述正常高界限的温度影响数据，确定为增益影响数据，并将该温度影响数据序列中小于上述正常低界限的温度影响数据，确定为衰减影响数据。

第三步，将该温度影响数据序列中所有增益影响数据中连续的增益影响数据，作为增益影响数据组，得到增益影响数据组集合，并将该温度影响数据序列中所有衰减影响数据中连续的衰减影响数据，作为衰减影响数据组，得到衰减影响数据组集合。

例如，可以将该温度影响数据序列中小于或等于正常高界限，并且大于或等于正常低界限的温度影响数据，作为正常波动数据，若该温度影响数据序列为{第一增益影响数据，第二增益影响数据，第三增益影响数据，第一正常波动数据，第二正常波动数据，第一衰减影响数据，第二衰减影响数据，第三衰减影响数据，第四衰减影响数据，第四增益影响数据，第五增益影响数据，第六增益影响数据，第七增益影响数据，第八增益影响数据}，则增益影响数据组集合可以包括2个增益影响数据组，分别为{第一增益影响数据，第二增益影响数据，第三增益影响数据}和{第四增益影响数据，第五增益影响数据，第六增益影响数据，第七增益影响数据，第八增益影响数据}。衰减影响数据组集合可以包括1个衰减影响数据组，具体可以为{第一衰减影响数据，第二衰减影响数据，第三衰减影响数据，第四衰减影响数据}。

第四步，对于上述增益影响数据组集合中的每个增益影响数据组，根据上述增益影响数据组的下一个衰减影响数据组，确定上述增益影响数据组对应的温度增益指标可以包括以下子步骤：

第一子步骤，将上述增益影响数据组中的每个增益影响数据与上述正常高界限的差值，确定为上述增益影响数据对应的第一增益差异。

第二子步骤，根据上述增益影响数据组中的各个增益影响数据对应的第一增益差异，确定上述增益影响数据组对应的第二增益差异。

其中，第一增益差异可以与第二增益差异呈正相关。

第三子步骤，将上述增益影响数据组对应的最大采集时间和上述增益影响数据组的下一个衰减影响数据组对应的最小采集时间之间的时长，确定为上述增益影响数据组对应的第一增益因子。

其中，增益影响数据组对应的最大采集时间可以是该增益影响数据组中所有增益影响数据对应的采集时间中最晚的采集时间。衰减影响数据组对应的最小采集时间可以是该衰减影响数据组中所有衰减影响数据对应的采集时间中最早的采集时间。增益影响数据组的下一个衰减影响数据组可以是采集时间在该增益影响数据组之后，并且与该增益影响数据组之间的时间间隔最短的衰减影响数据组。增益影响数据组对应的最大采集时间和该增益影响数据组的下一个衰减影响数据组对应的最小采集时间之间的时长可以用该最大采集时间和该最小采集时间之间采集的温度影响数据的个数表征。

第四子步骤，将上述增益影响数据组对应的最大采集时间和上述增益影响数据组对应的参考影响数据组对应的最小采集时间之间的时长，确定为上述增益影响数据组对应的第二增益因子。

其中，上述增益影响数据组对应的参考影响数据组可以是上述增益影响数据组的下一个增益影响数据组。增益影响数据组的下一个增益影响数据组可以是采集时间在增益影响数据组之后，并且与增益影响数据组之间的时间间隔最短的增益影响数据组。参考影响数据组对应的最小采集时间可以是该参考影响数据组中所有增益影响数据对应的采集时间中最早的采集时间。增益影响数据组对应的最大采集时间和上述增益影响数据组对应的参考影响数据组对应的最小采集时间之间的时长可以用该最大采集时间和该最小采集时间之间采集的温度影响数据的个数表征。

第五子步骤，根据上述增益影响数据组对应的第二增益差异、第一增益因子和第二增益因子，确定上述增益影响数据组对应的温度增益指标。

其中，第二增益差异和第一增益因子均可以与温度增益指标呈正相关。第二增益因子可以与温度增益指标呈负相关。

比如，确定增益影响数据组对应的温度增益指标对应的公式可以为：

其中，是预设时间段内，第i个预设时间间隔内采集的第j个预设温度影响 参数下的温度影响数据序列对应的增益影响数据组集合中，第t个增益影响数据组对应的 温度增益指标。i是预设时间段内预设时间间隔的序号。j是天然气输入速率参数或压缩空 气输入速率参数的序号。t是第i个预设时间间隔内采集的第j个预设温度影响参数下的温 度影响数据序列对应的增益影响数据组集合中增益影响数据组的序号。是第i个预设 时间间隔内采集的第j个预设温度影响参数下的温度影响数据序列对应的增益影响数据组 集合中增益影响数据组的数量。是第i个预设时间间隔内采集的第j个预设温度影响 参数下的温度影响数据序列对应的增益影响数据组集合中，第t个增益影响数据组中第k个 增益影响数据。k是第t个增益影响数据组中增益影响数据的序号。是第i个预设时间 间隔内采集的第j个预设温度影响参数下的温度影响数据序列对应的正常高界限。 是第i个预设时间间隔内采集的第j个预设温度影响参数下的温度影响数据序列对应的增 益影响数据组集合中，第t个增益影响数据组对应的第一增益因子。是第i个预设时 间间隔内采集的第j个预设温度影响参数下的温度影响数据序列对应的增益影响数据组集 合中，第t个增益影响数据组对应的第二增益因子。是第i个预设时间间隔 内采集的第j个预设温度影响参数下的温度影响数据序列对应的增益影响数据组集合中， 第t个增益影响数据组中第k个增益影响数据对应的第一增益差异。是第i个预设时间间隔内采集的第j个预设温度影响参数下的温 度影响数据序列对应的增益影响数据组集合中，第t个增益影响数据组对应的第二增益差 异。

需要说明的是，当越大时，往往说明第t个增益影响数据 组中的增益影响数据越大于。由于增益影响数据是天然气输入速率或压缩空气输入 速率，因此增益影响数据越大于，往往说明天然气输入速率或压缩空气输入速率越 快，燃烧量越多，第t个增益影响数据组对应的时间段内越有可能造成窑室温度提高，越对 温度具有增益效果。当越大时，往往说明第t个增益影响数据组与下一个衰减影响数 据组之间的时长越长，往往说明第t个增益影响数据组与下一个衰减影响数据组之间的距 离越远，往往说明燃烧量从多变到少的时间间隔越长，往往说明燃烧量变为降低的时长越 长，往往说明高燃烧量对应的时长越长，往往说明越有可能造成窑室温度提高，越对温度具 有增益效果。当越小时，往往说明第t个增益影响数据组与下一个增益影响数据组之 间的时长越短，往往说明第t个增益影响数据组与下一个增益影响数据组之间的距离越近， 往往说明燃烧量再次变多的时间间隔越短，往往说明燃烧量再次增加的速率越快，往往说 明越有可能造成窑室温度提高，越对温度具有增益效果。因此，当越大时，往往说 明越有可能造成窑室温度提高，越对温度具有增益效果。不存在下一个衰减影响数据组和 下一个增益影响数据组的增益影响数据组，可以不参与温度增益指标和升温正影响指标的 计算。

第五步，对于上述衰减影响数据组集合中的每个衰减影响数据组，根据上述衰减影响数据组的下一个增益影响数据组，确定上述衰减影响数据组对应的温度衰减指标可以包括以下子步骤：

第一子步骤，将上述正常低界限与上述衰减影响数据组中的每个衰减影响数据的差值，确定为上述衰减影响数据对应的第一衰减差异。

第二子步骤，根据上述衰减影响数据组中的各个衰减影响数据对应的第一衰减差异，确定上述衰减影响数据组对应的第二衰减差异。

其中，第一衰减差异可以与第二衰减差异呈正相关。

第三子步骤，将上述衰减影响数据组对应的最大采集时间和上述衰减影响数据组的下一个增益影响数据组对应的最小采集时间之间的时长，确定为上述衰减影响数据组对应的第一衰减因子。

其中，衰减影响数据组对应的最大采集时间可以是该衰减影响数据组中所有衰减影响数据对应的采集时间中最晚的采集时间。衰减影响数据组的下一个增益影响数据组可以是采集时间在该衰减影响数据组之后，并且与该衰减影响数据组之间的时间间隔最短的增益影响数据组。增益影响数据组对应的最小采集时间可以是该增益影响数据组中所有增益影响数据对应的采集时间中最早的采集时间。

第四子步骤，将上述衰减影响数据组对应的最大采集时间和上述衰减影响数据组对应的候选影响数据组对应的最小采集时间之间的时长，确定为上述衰减影响数据组对应的第二衰减因子。

其中，上述衰减影响数据组对应的候选影响数据组可以是上述衰减影响数据组的下一个衰减影响数据组。衰减影响数据组的下一个衰减影响数据组可以是采集时间在衰减影响数据组之后，并且与衰减影响数据组之间的时间间隔最短的衰减影响数据组。候选影响数据组对应的最小采集时间可以是该候选影响数据组中所有衰减影响数据对应的采集时间中最早的采集时间。衰减影响数据组对应的最大采集时间和上述衰减影响数据组对应的候选影响数据组对应的最小采集时间之间的时长可以用该最大采集时间和该最小采集时间之间采集的温度影响数据的个数表征。

第五子步骤，根据上述衰减影响数据组对应的第二衰减差异、第一衰减因子和第二衰减因子，确定上述衰减影响数据组对应的温度衰减指标。

其中，第二衰减差异和第一衰减因子均可以与温度衰减指标呈正相关。第二衰减因子可以与温度衰减指标呈负相关。

比如，确定衰减影响数据组对应的温度衰减指标对应的公式可以为：

其中，是预设时间段内，第i个预设时间间隔内采集的第j个预设温度影 响参数下的温度影响数据序列对应的衰减影响数据组集合中，第b个衰减影响数据组对应 的温度衰减指标。i是预设时间段内预设时间间隔的序号。j是天然气输入速率参数或压缩 空气输入速率参数的序号。b是第j个预设温度影响参数下的温度影响数据序列对应的衰减 影响数据组集合中衰减影响数据组的序号。是第i个预设时间间隔内采集的第j个预 设温度影响参数下的温度影响数据序列对应的衰减影响数据组集合中，第b个衰减影响数 据组中衰减影响数据的数量。是预设时间段内第i个预设时间间隔内采集的第j个预 设温度影响参数下的温度影响数据序列对应的正常低界限。是第i个预设时间间隔内 采集的第j个预设温度影响参数下的温度影响数据序列对应的衰减影响数据组集合中，第b 个衰减影响数据组中第c个衰减影响数据。c是第b个衰减影响数据组中衰减影响数据的序 号。是第i个预设时间间隔内采集的第j个预设温度影响参数下的温度影响数据序 列对应的衰减影响数据组集合中，第b个衰减影响数据组对应的第一衰减因子。是 第i个预设时间间隔内采集的第j个预设温度影响参数下的温度影响数据序列对应的衰减 影响数据组集合中，第b个衰减影响数据组对应的第二衰减因子。是第i个 预设时间间隔内采集的第j个预设温度影响参数下的温度影响数据序列对应的衰减影响数 据组集合中，第b个衰减影响数据组中第c个衰减影响数据对应的第一衰减差异。是第i个预设时间间隔内采集的第j个预设温度影响参数下的温 度影响数据序列对应的衰减影响数据组集合中，第b个衰减影响数据组对应的第二衰减差 异。

需要说明的是，当越大时，往往说明第b个衰减影响数据 组中的衰减影响数据越小于。由于衰减影响数据是天然气输入速率或压缩空气输入 速率，因此衰减影响数据越小于，往往说明天然气输入速率或压缩空气输入速率越 慢，燃烧量越少，第b个衰减影响数据组对应的时间段内越可能造成窑室温度减低，越对温 度具有衰减效果。当越大时，往往说明第b个衰减影响数据组与下一个增益影响数 据组之间的时长越长，往往说明第b个衰减影响数据组与下一个增益影响数据组之间的距 离越远，往往说明燃烧量从少变多之间的时长越长，往往说明燃烧量变为升高的时长越长， 往往说明低燃烧量对应的时长越长，往往说明越有可能造成窑室温度降低，越对温度具有 衰减效果。当越小时，往往说明第b个衰减影响数据组与下一个衰减影响数据组之 间的时长越短，往往说明第b个衰减影响数据组与下一个衰减影响数据组之间的距离越近， 往往说明燃烧量再次变少的时间间隔越短，往往说明燃烧量再次减少的速率越快，往往说 明越有可能造成窑室温度降低，越对温度具有衰减效果。因此，当越大时，往往说 明越有可能造成窑室温度降低，越对温度具有衰减效果。不存在下一个衰减影响数据组和 下一个增益影响数据组的衰减影响数据组，可以不参与温度衰减指标和升温正影响指标的 计算。

第六步，根据上述增益影响数据组集合中的各个增益影响数据组对应的温度增益指标和上述衰减影响数据组集合中的各个衰减影响数据组对应的温度衰减指标，确定该温度影响数据序列对应的升温正影响指标。

其中，温度增益指标可以与升温正影响指标呈正相关。温度衰减指标可以与升温正影响指标呈负相关。

例如，若预设温度影响参数为天然气输入速率参数或压缩空气输入速率参数，则确定预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列对应的升温正影响指标对应的公式可以为：

其中，是预设时间段内，第i个预设时间间隔内采集的第j个预设温度影响参 数下的温度影响数据序列对应的升温正影响指标。i是预设时间段内预设时间间隔的序号。 j是天然气输入速率参数或压缩空气输入速率参数的序号。是预设时间段内，第i 个预设时间间隔内采集的第j个预设温度影响参数下的温度影响数据序列对应的衰减影响 数据组集合中，第b个衰减影响数据组对应的温度衰减指标。b是第j个预设温度影响参数下 的温度影响数据序列对应的衰减影响数据组集合中衰减影响数据组的序号。是第j个 预设温度影响参数下的温度影响数据序列对应的衰减影响数据组集合中衰减影响数据组 的数量。是预设时间段内，第i个预设时间间隔内采集的第j个预设温度影响参数 下的温度影响数据序列对应的增益影响数据组集合中，第t个增益影响数据组对应的温度 增益指标。t是第i个预设时间间隔内采集的第j个预设温度影响参数下的温度影响数据序 列对应的增益影响数据组集合中增益影响数据组的序号。是t是第i个预设时间间隔内 采集的第j个预设温度影响参数下的温度影响数据序列对应的增益影响数据组集合中增益 影响数据组的数量。是第i个预设时间间隔内采集的第j个预设温度影响参数下的温 度影响数据序列对应的升温指标。是第i个预设时间间隔内采集的第j个预设温度影 响参数下的温度影响数据序列对应的降温指标。

需要说明的是，由于此时预设温度影响参数为天然气输入速率参数或压缩空气输 入速率参数，所以，当越大时，往往说明第i个预设时间间隔内采集的第j个预设温度 影响参数下的温度影响数据序列中增益影响数据组的数量越多，并且往往说明天然气输入 速率或压缩空气输入速率越快，相同时间内输入量越多，具有较大概率使窑室温度提高，往 往说明该温度影响数据序列中的各个增益影响数据组越可能造成窑室温度提高，越对温度 具有增益效果。当越大时，往往说明第i个预设时间间隔内采集的第j个预设温度影 响参数下的温度影响数据序列中衰减影响数据组的数量越多，并且往往说明天然气输入速 率或压缩空气输入速率越慢，相同时间内输入量越少，具有较大概率使窑室温度降低，往往 说明该温度影响数据序列中的各个衰减影响数据组越可能造成窑室温度降低，越对温度具 有衰减效果。因此，可以表征第i个预设时间间隔内采集的第j个预设温度影响参数下 的温度影响数据序列对温度的升温正影响，其值越大，越对温度具有增益效果。并且，当时，往往说明天然气输入速率或压缩空气输入速率整体偏快，此时窑室温度较 大概率提高。当时，往往说明天然气输入速率或压缩空气输入速率整体偏慢，此 时窑室温度较大概率降低。当时，往往说明天然气输入速率或压缩空气输入速 率整体一致，此时窑室温度较大概率不变。

作为又一示例，若预设温度影响参数为窑炉压强参数，则对每个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标可以包括以下步骤：

第一步，对于该温度影响数据序列中的每个温度影响数据，将上述温度影响数据对应的采集时间确定为横坐标，将上述温度影响数据确定为纵坐标，得到上述温度影响数据对应的目标坐标。

其中，温度影响数据对应的目标坐标包括的横坐标可以为该温度影响数据对应的采集时间，该温度影响数据对应的目标坐标包括的纵坐标可以为该温度影响数据。

第二步，根据该温度影响数据序列中的各个温度影响数据对应的目标坐标进行线性拟合，得到该温度影响数据序列对应的目标直线。

例如，可以通过最小二乘法，对该温度影响数据序列中的各个温度影响数据对应的目标坐标进行线性拟合，并将得到的直线，作为该温度影响数据序列对应的目标直线。

第三步，将上述目标直线的斜率，确定为该温度影响数据序列对应的目标斜率。

第四步，根据上述目标斜率，确定该温度影响数据序列对应的升温正影响指标。

例如，预设时间间隔内采集的窑炉压强参数下的温度影响数据序列对应的升温正影响指标对应的公式可以为：

其中，是预设时间段内，第i个预设时间间隔内采集的窑炉压强参数下的温度 影响数据序列对应的升温正影响指标。i是预设时间段内预设时间间隔的序号。是 符号函数。当大于0时，取1；等于0时，取0；小于0时，取-1。是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列 对应的目标斜率。是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列 中温度影响数据的数量。是第i个预设时间间隔内采集的窑炉压强参数下的温度影响 数据序列中第h个温度影响数据。是第i个预设时间间隔内采集的窑炉压强参数下的 温度影响数据序列中第h-1个温度影响数据。h是第i个预设时间间隔内采集的窑炉压强参 数下的温度影响数据序列中温度影响数据的序号。是取绝对值函数。

需要说明的是，窑室是进行生产的场所，是物料进行热处理过程的空间，窑室通常 体型较大，为了保证工艺的稳定性，具有较强的密封性。主要属性是就是窑室的温度和压 强，其中在较为密闭的窑室中，当压强增大时，窑室内气体的密度增加，从而增加热传导效 率，高温气体与物料之间的热传递可能也更加有效，致使窑炉温度提高。由于窑炉的体型较 大，密封性较强，而且若预设时间间隔对应的时长较短，则预设时间间隔内采集的压强极大 的概率不存在较大的波动。当越大时，往往说明第i个预设时间间 隔内采集的窑炉压强的变化波动越大。可以表征第i个预设时间间隔内采集的窑炉压强 的变化趋势。当大于0时，往往说明第i个预设时间间隔内采集的窑炉压强相对逐渐增大， 此时为1。当小于0时，往往说明第i个预设时间间隔内采集的窑炉压强相对逐 渐降低，此时为-1。当等于0时，往往说明第i个预设时间间隔内采集的窑炉压 强相对比较平稳，此时为0。因此，当越大时，往往说明第i个预设时间间隔 内采集的窑炉压强的变化波动越大，并且窑炉压强越相对逐渐增大；往往说明第i个预设时 间间隔内采集的窑炉压强的变化波动越是正向波动；往往说明越可能提高窑室温度。

步骤S4，根据每个温度影响数据序列所属预设温度影响参数对应的初始关联度，以及温度影响数据序列对应的升温正影响指标，确定温度影响数据序列对应的整体温度影响因子。

在一些实施例中，可以根据每个温度影响数据序列所属预设温度影响参数对应的初始关联度，以及上述温度影响数据序列对应的升温正影响指标，确定上述温度影响数据序列对应的整体温度影响因子。

其中，上述初始关联度和上述升温正影响指标均可以与上述整体温度影响因子呈正相关。温度影响数据序列所属预设温度影响参数可以是该温度影响数据序列对应的预设温度影响参数。例如，预设时间间隔内采集的窑炉压强参数下的温度影响数据序列所属预设温度影响参数可以是窑炉压强参数。

需要说明的是，综合考虑初始关联度和升温正影响指标，确定的整体温度影响因子可以表征在温度影响数据序列对应的预设时间间隔内对温度变化的关联影响情况。

作为示例，可以将温度影响数据序列所属预设温度影响参数对应的初始关联度，以及该温度影响数据序列对应的升温正影响指标的乘积，确定为该温度影响数据序列对应的整体温度影响因子。

需要说明的是，温度影响数据序列对应的整体温度影响因子越大，往往说明越可能提高窑室温度。

步骤S5，根据每个预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，确定预设时间间隔对应的目标影响因子。

在一些实施例中，可以根据每个预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，确定上述预设时间间隔对应的目标影响因子。

其中，上述预设时间间隔内采集的各个温度影响数据序列对应的整体温度影响因子均可以与上述目标影响因子呈正相关。

需要说明的是，综合考虑预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，可以提高预设时间间隔对应的目标影响因子确定的准确度。

作为示例，可以将预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子的累加和，确定为该预设时间间隔对应的目标影响因子。

需要说明的是，预设时间间隔对应的目标影响因子可以表征该预设时间间隔内对温度的正向影响，其值越大，往往说明预设时间间隔越可能提高窑室温度。

步骤S6，根据每个预设时间间隔内采集的目标窑炉温度序列，确定预设时间间隔对应的窑炉代表温度。

在一些实施例中，可以根据每个预设时间间隔内采集的目标窑炉温度序列，确定上述预设时间间隔对应的窑炉代表温度。

需要说明的是，窑炉代表温度可以表征预设时间间隔内温度的整体情况。

作为示例，可以将上述预设时间间隔内采集的目标窑炉温度序列中所有目标窑炉温度的均值，确定为上述预设时间间隔对应的窑炉代表温度。

步骤S7，根据预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测预设时间段的下一个预设时间间隔对应的窑炉代表温度。

在一些实施例中，可以根据上述预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测上述预设时间段的下一个预设时间间隔对应的窑炉代表温度。

其中，预设时间段的下一个预设时间间隔可以是对应时间在预设时间段之后，并且与预设时间段相邻的预设时间间隔。例如，若预设时间段的结束时间为2023年08月18日11时10分00秒，预设时间间隔对应的时长为两分钟，则预设时间段的下一个预设时间间隔的开始时间可以为2023年08月18日11时10分00秒，预设时间段的下一个预设时间间隔的结束时间可以为2023年08月18日11时12分00秒。

需要说明的是，由于目标影响因子可以表征预设时间间隔内对温度变化的综合关联影响情况，窑炉代表温度可以表征预设时间间隔内温度的整体情况，所以，综合考虑预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，可以提高对预设时间段的下一个预设时间间隔对应的窑炉代表温度进行预测的准确度。

作为示例，本步骤可以包括以下步骤：

第一步，将上述预设时间段内的各个预设时间间隔对应的目标影响因子，按照时间顺序，组成目标影响因子序列。

例如，可以按照预设时间段内的各个预设时间间隔从早到晚的顺序，对预设时间段内的各个预设时间间隔对应的目标影响因子进行排序，得到目标影响因子序列。

第二步，将上述预设时间段内的各个预设时间间隔对应的窑炉代表温度，按照时间顺序，组成窑炉代表温度序列。

例如，可以按照预设时间段内的各个预设时间间隔从早到晚的顺序，对预设时间段内的各个预设时间间隔对应的窑炉代表温度进行排序，得到窑炉代表温度序列。

第三步，将上述窑炉代表温度序列作为带额外输入的自回归综合移动平均（ARIMAX）算法中的预测序列，并将上述目标影响因子序列作为ARIMAX算法中的外生变量，通过ARIMAX算法，预测上述预设时间段的下一个预设时间间隔对应的窑炉代表温度。

其中，目标工业窑炉在预设时间段的下一个预设时间间隔内的温度均可以用预测的该下一个预设时间间隔对应的窑炉代表温度表征。

基于与上述方法实施例相同的发明构思，本发明提供了基于机器学习的工业窑炉温度预测系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述计算机程序被处理器执行时实现基于机器学习的工业窑炉温度预测方法的步骤。

综上，本发明进行工业窑炉内温度预测时，除了考虑温度参数之后，还综合考虑了多个影响工业窑炉内温度变化的预设温度影响参数，并且量化了初始关联度、升温正影响指标、整体温度影响因子和目标影响因子等多个与温度变化有关的指标，从而提高了工业窑炉内温度预测的准确度。

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范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于机器学习的工业窑炉温度预测方法，其特征在于，包括以下步骤：

获取目标工业窑炉在预设时间段内的每个预设时间间隔内采集的温度参数下的目标窑炉温度序列和每个预设温度影响参数下的温度影响数据序列；

根据获取的所有目标窑炉温度序列和每个预设温度影响参数对应的所有温度影响数据序列，确定所述预设温度影响参数与温度参数之间的关联度，作为所述预设温度影响参数对应的初始关联度；

对每个温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到所述温度影响数据序列对应的升温正影响指标；

根据每个温度影响数据序列所属预设温度影响参数对应的初始关联度，以及所述温度影响数据序列对应的升温正影响指标，确定所述温度影响数据序列对应的整体温度影响因子；

根据每个预设时间间隔内采集的所有温度影响数据序列对应的整体温度影响因子，确定所述预设时间间隔对应的目标影响因子；

根据每个预设时间间隔内采集的目标窑炉温度序列，确定所述预设时间间隔对应的窑炉代表温度；

根据所述预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度；

所述根据每个预设时间间隔内采集的目标窑炉温度序列，确定所述预设时间间隔对应的窑炉代表温度，包括：

将所述预设时间间隔内采集的目标窑炉温度序列中所有目标窑炉温度的均值，确定为所述预设时间间隔对应的窑炉代表温度；

所述根据所述预设时间段内的各个预设时间间隔对应的目标影响因子和窑炉代表温度，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度，包括：

将所述预设时间段内的各个预设时间间隔对应的目标影响因子，按照时间顺序，组成目标影响因子序列；

将所述预设时间段内的各个预设时间间隔对应的窑炉代表温度，按照时间顺序，组成窑炉代表温度序列；

将所述窑炉代表温度序列作为ARIMAX算法中的预测序列，并将所述目标影响因子序列作为ARIMAX算法中的外生变量，通过ARIMAX算法，预测所述预设时间段的下一个预设时间间隔对应的窑炉代表温度。

2.根据权利要求1所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，所有预设温度影响参数包括：天然气输入速率参数、压缩空气输入速率参数和窑炉压强参数；所述初始关联度和所述升温正影响指标均与所述整体温度影响因子呈正相关；所述预设时间间隔内采集的各个温度影响数据序列对应的整体温度影响因子均与所述目标影响因子呈正相关。

3.根据权利要求2所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，若预设温度影响参数为天然气输入速率参数或压缩空气输入速率参数，则对每个预设时间间隔内采集的该预设温度影响参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标，包括：

根据预设正常波动因子，确定该温度影响数据序列对应的正常高界限和正常低界限；

将该温度影响数据序列中大于所述正常高界限的温度影响数据，确定为增益影响数据，并将该温度影响数据序列中小于所述正常低界限的温度影响数据，确定为衰减影响数据；

将该温度影响数据序列中所有增益影响数据中连续的增益影响数据，作为增益影响数据组，得到增益影响数据组集合，并将该温度影响数据序列中所有衰减影响数据中连续的衰减影响数据，作为衰减影响数据组，得到衰减影响数据组集合；

对于所述增益影响数据组集合中的每个增益影响数据组，根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标；

对于所述衰减影响数据组集合中的每个衰减影响数据组，根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对应的温度衰减指标；

根据所述增益影响数据组集合中的各个增益影响数据组对应的温度增益指标和所述衰减影响数据组集合中的各个衰减影响数据组对应的温度衰减指标，确定该温度影响数据序列对应的升温正影响指标，其中，温度增益指标与升温正影响指标呈正相关，温度衰减指标与升温正影响指标呈负相关。

4.根据权利要求3所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，所述根据所述增益影响数据组的下一个衰减影响数据组，确定所述增益影响数据组对应的温度增益指标，包括：

将所述增益影响数据组中的每个增益影响数据与所述正常高界限的差值，确定为所述增益影响数据对应的第一增益差异；

根据所述增益影响数据组中的各个增益影响数据对应的第一增益差异，确定所述增益影响数据组对应的第二增益差异，其中，第一增益差异与第二增益差异呈正相关；

将所述增益影响数据组对应的最大采集时间和所述增益影响数据组的下一个衰减影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第一增益因子；

将所述增益影响数据组对应的最大采集时间和所述增益影响数据组对应的参考影响数据组对应的最小采集时间之间的时长，确定为所述增益影响数据组对应的第二增益因子；

根据所述增益影响数据组对应的第二增益差异、第一增益因子和第二增益因子，确定所述增益影响数据组对应的温度增益指标，其中，第二增益差异和第一增益因子均与温度增益指标呈正相关，第二增益因子与温度增益指标呈负相关，所述增益影响数据组对应的参考影响数据组是所述增益影响数据组的下一个增益影响数据组。

5.根据权利要求3所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，所述根据所述衰减影响数据组的下一个增益影响数据组，确定所述衰减影响数据组对应的温度衰减指标，包括：

将所述正常低界限与所述衰减影响数据组中的每个衰减影响数据的差值，确定为所述衰减影响数据对应的第一衰减差异；

根据所述衰减影响数据组中的各个衰减影响数据对应的第一衰减差异，确定所述衰减影响数据组对应的第二衰减差异，其中，第一衰减差异与第二衰减差异呈正相关；

将所述衰减影响数据组对应的最大采集时间和所述衰减影响数据组的下一个增益影响数据组对应的最小采集时间之间的时长，确定为所述衰减影响数据组对应的第一衰减因子；

将所述衰减影响数据组对应的最大采集时间和所述衰减影响数据组对应的候选影响数据组对应的最小采集时间之间的时长，确定为所述衰减影响数据组对应的第二衰减因子；

根据所述衰减影响数据组对应的第二衰减差异、第一衰减因子和第二衰减因子，确定所述衰减影响数据组对应的温度衰减指标，其中，第二衰减差异和第一衰减因子均与温度衰减指标呈正相关，第二衰减因子与温度衰减指标呈负相关，所述衰减影响数据组对应的候选影响数据组是所述衰减影响数据组的下一个衰减影响数据组。

6.根据权利要求2所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，若预设温度影响参数为窑炉压强参数，则对每个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中的温度影响数据进行升温正影响分析处理，得到该温度影响数据序列对应的升温正影响指标，包括：

对于该温度影响数据序列中的每个温度影响数据，将所述温度影响数据对应的采集时间确定为横坐标，将所述温度影响数据确定为纵坐标，得到所述温度影响数据对应的目标坐标；

根据该温度影响数据序列中的各个温度影响数据对应的目标坐标进行线性拟合，得到该温度影响数据序列对应的目标直线；

将所述目标直线的斜率，确定为该温度影响数据序列对应的目标斜率；

根据所述目标斜率，确定该温度影响数据序列对应的升温正影响指标。

7.根据权利要求6所述的一种基于机器学习的工业窑炉温度预测方法，其特征在于，预设时间间隔内采集的窑炉压强参数下的温度影响数据序列对应的升温正影响指标对应的公式为：

。

8.其中，是预设时间段内，第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列对应的升温正影响指标；i是预设时间段内预设时间间隔的序号；/>是符号函数；/>是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列对应的目标斜率；/>是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中温度影响数据的数量；/>是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中第h个温度影响数据；/>是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中第h-1个温度影响数据；h是第i个预设时间间隔内采集的窑炉压强参数下的温度影响数据序列中温度影响数据的序号；/>是取绝对值函数。

9.一种基于机器学习的工业窑炉温度预测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-7中任一项所述的一种基于机器学习的工业窑炉温度预测方法。