(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111523414.9 (22)申请日 2021.12.13 (71)申请人 南京凯盛国际工程有限公司 地址 210036 江苏省南京市 鼓楼区汉中门 大街303号 (72)发明人 崔保华　张成伟　刘林　李慧霞　 洪辰　 (74)专利代理 机构 北京挺立专利事务所(普通 合伙) 11265 代理人 高福勇 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06Q 50/04(2012.01) G06F 16/215(2019.01)G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的流程工业能耗评估及 优化方法 (57)摘要 本发明涉及一种基于机器学习的流程工业 能耗评估及优化方法， 其特征在于， 包括以下步 骤： S1： 自清 洗； S2： 分工况； S3： 建模； S4： 自更新； S5： 评估； 本发明能在不影 响正常生产下， 自动下 载数据， 基于机器学习自动清洗数据、 分工 况、 生 成产能评估模 型， 定时更新该模 型适用于新的生 产工况， 可实时评估当前能耗状态， 并输出调整 建议。 权利要求书2页 说明书5页 附图4页 CN 114186865 A 2022.03.15 CN 114186865 A 1.一种基于 机器学习的流 程工业能耗评估及优化方法， 其特 征在于， 包括以下步骤： S1： 自清洗， 使用机器学习和特 征配置对不同类型的数据进行清洗； 所述S1包括： S11剔除停机和噪声， 使用屏蔽测点与去噪算法相结合的方法剔除各个特征的停机和 噪声数据； S12： 模式划分， 区分不同生产工艺的数据； S13： 质量判断与特 征筛选， 剔除每种模式下不 合格的质量数据和噪声过多的特 征； S2： 分工况， 主要使用机器学习将数据划分为不同工况， 使用多维去噪算法进行数据的 二次清洗； 所述S2包括： S21： 分工况， 通过 聚类或专家经验等方式， 对模式数据集中的工况特征进行分类， 得到 不同模式下的各工况 数据集； S22： 多维去噪， 将每种工况下的台时和能耗进行多维密度去噪， 使数据分布相对集中 稳定； S3： 建模， 根据权 重确定该工况的产能最优点， 并建立能耗的评估 模型； 所述S3包括： S31： 工况寻优， 基于台时与 能耗的权重建立评价函数， 从工况数据集中评价值最高的 样本作为工况最优点； S32： 构建评估模型， 根据台时与 能耗的分布， 用机器学习或专家经验确定其产能关系 模型， 并在关系模型的基础上定义 不同能耗 等级的评估方式； S4： 自更新， 为 适用于新的工况， 选择性或定时的更新模型参数； 所述S4包括： S41： 制定模型 更新触发机制； S42： 模型训练； S5： 评估， 基于模型对数据进行实时评估； 所述S5包括： S51： 识别当前数据状态， 根据屏蔽测点和特征的正常范围， 识别当前是否为运行状态 的正常数据； S52： 评估能耗水平； S53： 推送调整建议。 2.根据权利要求1所述的一种基于机器学习的流程工业能耗评估及优化方法， 其特征 在于， 所述S11 中的剔除停机和噪声， 使用屏蔽测点和去噪算法相结合的方法剔除各个特征 的噪声数据， 包括但不限于以下步骤： S111、 对屏蔽测点中的每个特征变量先采用中值平滑剔除突变点， 再用前值填充突变 点， 有效防止了假停机或假开机； 再基于用户设置或自计算得到的开机门限和屏蔽规则得 到整体的运行时间段， 以此剔除所有其它变量的停机时段 数据； S112、 在步骤S111的基础 上， 对每个特征从物理阈值、 变化幅度、 数据分布、 数据稳定性 等角度进行组合去噪。 3.根据权利要求1所述的一种基于机器学习的流程工业能耗评估及优化方法， 其特征权　利　要　求　书 1/2 页 2 CN 114186865 A 2在于， 所述 步骤S12中的模式划分， 区分不同生产工艺的数据， 包括但不限于以下步骤： S121： 基于生产模式的组合条件将数据划分为 不同生产工艺的模式数据集； S122： 在步骤S121的基础上， 提取模式数据集的每 个特征范围。 4.根据权利要求1所述的一种基于机器学习的流程工业能耗评估及优化方法， 其特征 在于， 所述步骤S13中的质量判断与特征筛选， 剔除每种模式下不合格的质量数据和噪声过 多的特征， 包括但不限于以下步骤： S131： 基于每种模式关注质量的合格条件， 删除不 合格的质量数据及其样本； S132： 在步骤S131的基础上， 判断每 个特征的噪声情况， 剔除噪声数据较多的特 征。 5.根据权利要求1所述的一种基于机器学习的流程工业能耗评估及优化方法， 其特征 在于， 所述步骤S41包括以下方式： (1)配置信息更新触发训练； (2)按照模型更新周期触发 训练； (3)模型训练失败触发的多次再训练。 6.根据权利要求1所述的一种基于机器学习的流程工业能耗评估及优化方法， 其特征 在于， 所述 步骤S52的评估能耗水平， 包括但不限于以下步骤： S521： 在步骤S52的基础上， 判断所属生产模式及其工况， 计算同台时下的正常能耗水 平； S522： 在步骤S52 1的基础上， 输出同台时下的能耗评价、 相对最优状态下的提升空间和 质量是否合格等评估结果。 7.根据权利要求1所述的一种基于机器学习的流程工业能耗评估及优化方法， 其特征 在于， 所述 步骤S53的推送调整建议， 包括但不限于以下步骤： S531： 若质量合格， 便在步骤S522的基础 上， 推送相对工况最优点下的可控变量的调整 方向； 若质量 不合格， 便不推送此调整建议。权　利　要　求　书 2/2 页 3 CN 114186865 A 3