·1188 北京科技大学学报 第34卷 利用本文中熵权模糊C均值的方法，对料单进 一训练样本真实值 14 一训练样本预值 行聚类，得到三种料单类别.由于A类料单类别对 应可用于建模的生产数据没有，剔除该类料单类别. 利用其他两类料单类别进行对比实验.样本空间的 选择方式为：①选择B类料单类别数据作为样本空 间：②选择C类料单类别数据作为样本空间：③选 择两类料单类别的全部数据作为样本空间.利用上 述三种样本空间分别建模，模型的精度比较如表3 100 150 200 250 所示. 样本编号 表3使用不同样本建立模型的精度比较 图3冷煤气C02含量回归结果 Table 3 Comparison of precision between models built by different sam- Fig.3 Regression results of CO,content in the cold gas ples 现场工程师交流，现场工程师认为结果符合实际生 训练复 训练相对 训练均方 模型 测定系数 误差/% 根误差 产规律 B类料单模型 0.698 12.20 1.206 为了验证模型的预测能力，进行如下实验：从 215个样本中，随机选取其中70%(150个)的样本 C类料单模型 0.653 11.23 1.229 作为训练样本建立模型，用剩余30%(65个)的样 未分类料单模型 0.587 13.22 1.404 本作为测试样本. 从表3中可以看出，相比料单未分类情况下，对 训练模型和预测模型的平均相对误差分别为 同一类料单下的生产数据进行建模，其复测定系数 11.02%和11.36%.冷煤气C02含量训练模型和预 高，训练相对误差和训练均方根误差均较小. 测模型的结果图分别如图4和图5所示.从图5中 为了进一步验证对料单聚类的必要性，针对生 可以看出，样本的预测值和真实值之间匹配度很好， 产过程中新产生的料单及对应的生产数据，进行不 因此可以说明该模型具有较好预测精度 同预测方式的对比实验.实验步骤如下 16 训练样本真实值 ◆一训练样本预测值 (1)针对一个新的料单，利用距离法判断其的 类别. minDist (i)min l ze-v2. (6) 其中，z为经过加权后的新料单的各种原料单耗 40 60 80100 120 140 160 值，：为第i类的类中心.计算z其与所有类中心 样本编号 的距离，认为该料单属于距离最近的料单类别 图4冷煤气C02含量调练结果 (2)利用前文提到的三种模型分别预测，比较 Fig.4 Training results of CO,content in the cold gas 其预测精度. 通过式(6)计算出新料单属于料单类别B,对该 16 预测样本真实值 14 预测样本预测值 料单使用时对应的42个生产过程数据，分别计算三 个模型的预测结果见表4和图6.从中可以看出：利 0020 用同一类料单类别下的生产数据建立的模型进行预 测的精度高，分别比用不同类料单类别及所有类别 20 40 表4 WFCMPLS与PLS回归模型的预测精度比较 样本编号 Table 4 Comparison of prediction precision between WFCM-PLS and 图5冷煤气C0含量预测结果 PLS Fig.5 Prediction results of CO2 content in the cold gas 模型 预测相对误差/% 预测均方根误差 B类料单 10.39 1.046 2.4料单聚类的效果分析 C类料单模型 50.35 4.184 为了验证对料单聚类的必要性，进行料单聚类 未分类料单模型 12.27 1.246 与否对模型精度影响的对比实验北 京 科 技 大 学 学 报 第 34 卷 图 3 冷煤气 CO2含量回归结果 Fig． 3 Regression results of CO2 content in the cold gas 现场工程师交流，现场工程师认为结果符合实际生 产规律． 为了验证模型的预测能力，进行如下实验: 从 215 个样本中，随机选取其中 70% ( 150 个) 的样本 作为训练样本建立模型，用剩余 30% ( 65 个) 的样 本作为测试样本． 训练模型和预测模型的平均相对误差分别为 11. 02% 和 11. 36% ． 冷煤气 CO2含量训练模型和预 测模型的结果图分别如图 4 和图 5 所示． 从图 5 中 可以看出，样本的预测值和真实值之间匹配度很好， 因此可以说明该模型具有较好预测精度． 图 4 冷煤气 CO2含量训练结果 Fig． 4 Training results of CO2 content in the cold gas 图 5 冷煤气 CO2含量预测结果 Fig． 5 Prediction results of CO2 content in the cold gas 2. 4 料单聚类的效果分析 为了验证对料单聚类的必要性，进行料单聚类 与否对模型精度影响的对比实验． 利用本文中熵权模糊 C 均值的方法，对料单进 行聚类，得到三种料单类别． 由于 A 类料单类别对 应可用于建模的生产数据没有，剔除该类料单类别． 利用其他两类料单类别进行对比实验． 样本空间的 选择方式为: ①选择 B 类料单类别数据作为样本空 间; ②选择 C 类料单类别数据作为样本空间; ③选 择两类料单类别的全部数据作为样本空间． 利用上 述三种样本空间分别建模，模型的精度比较如表 3 所示． 表 3 使用不同样本建立模型的精度比较 Table 3 Comparison of precision between models built by different sam￾ples 模型 训练复 测定系数 训练相对 误差/% 训练均方 根误差 B 类料单模型 0. 698 12. 20 1. 206 C 类料单模型 0. 653 11. 23 1. 229 未分类料单模型 0. 587 13. 22 1. 404 从表 3 中可以看出，相比料单未分类情况下，对 同一类料单下的生产数据进行建模，其复测定系数 高，训练相对误差和训练均方根误差均较小． 为了进一步验证对料单聚类的必要性，针对生 产过程中新产生的料单及对应的生产数据，进行不 同预测方式的对比实验． 实验步骤如下． ( 1) 针对一个新的料单，利用距离法判断其的 类别． min i Dist( i) = min i ‖znew － vi‖2 ． ( 6) 其中，znew为经过加权后的新料单的各种原料单耗 值，vi 为第 i 类的类中心． 计算 znew其与所有类中心 的距离，认为该料单属于距离最近的料单类别． ( 2) 利用前文提到的三种模型分别预测，比较 其预测精度． 通过式( 6) 计算出新料单属于料单类别 B，对该 料单使用时对应的 42 个生产过程数据，分别计算三 个模型的预测结果见表 4 和图 6． 从中可以看出: 利 用同一类料单类别下的生产数据建立的模型进行预 测的精度高，分别比用不同类料单类别及所有类别 表 4 WFCM-PLS 与 PLS 回归模型的预测精度比较 Table 4 Comparison of prediction precision between WFCM-PLS and PLS 模型 预测相对误差/% 预测均方根误差 B 类料单 10. 39 1. 046 C 类料单模型 50. 35 4. 184 未分类料单模型 12. 27 1. 246 ·1188·