一种基于多特征的冶炼产物指标预测系统及方法与流程

本发明涉及工业智能与时序预测，具体是一种基于多特征的冶炼产物指标预测系统及方法。

背景技术：

1、在工业生产过程中，关键生产指标（如品位、成分含量、能耗水平等）的精准预测，是生产调度优化、工艺参数调整与安全风险防控的核心依据。工业现场通常会采集多类时序数据：包括高频采样的秒级、分钟级过程参数（如温度、压力、流量）、低频统计的小时级工况数据（如小时产量、平均负荷），以及间隔化验的关键指标标签数据，三类数据采样频率不同、信息维度互补。

2、现有时间序列预测技术存在以下技术缺陷：

3、1. 数据频率利用单一：多数预测方案仅基于单一粒度的时序数据构建特征，无法同时兼顾短期过程波动与长期工况趋势，多源数据的信息利用率低；

4、2. 标签信息挖掘不足：现有特征工程多聚焦于输入侧的过程特征，未充分挖掘预测标签自身的时序依赖关系，未能利用历史标签的变化规律辅助提升预测精度；

5、3. 数据泄露风险高：部分方案在特征构建、数据集划分与标准化过程中引入未来信息，导致模型离线评估效果优异，但实际落地时泛化性能大幅下降；

6、4. 工业场景适配性差：工业数据普遍存在缺失值、采样间隔不均、数据噪声大等问题，现有方法对复杂数据质量的鲁棒性不足，难以直接落地应用。

7、因此，研发一种能够融合多频率时序数据、深度挖掘标签历史信息、无数据泄露且适配工业复杂场景的时间序列预测方法，是本领域亟待解决的技术问题。为了解决上述问题，现在提出一种基于多特征的冶炼产物指标预测系统及方法。

技术实现思路

1、为了解决上述问题，现提供了一种基于多特征的冶炼产物指标预测系统及方法。

2、本发明的具体方案是：一种基于多特征的冶炼产物指标预测系统包括：数据预处理模块、多频率特征构建模块、标签历史特征提取模块、特征融合与标准化模块、模型训练验证模块以及预测输出模块；

3、所述数据预处理模块，被配置为接入冶炼生产场景的秒级、分钟级高频时序过程数据、小时级低频工况时序数据以及冶炼产物指标标签数据，完成时间格式解析、时间索引排序、分类缺失值处理，并对多源数据进行时间范围对齐，输出时间维度统一的冶炼生产时序数据集；其中，秒级、分钟级高频数据采用插值填补方式处理缺失值，小时级工况数据与标签数据采用空值剔除或标记方式处理缺失值，所有数据取时间交集完成对齐；

4、所述多频率特征构建模块，连接所述数据预处理模块，被配置为仅采用预测时刻之前的历史数据，对高频、低频时序数据进行多尺度特征挖掘，构建多频率融合特征；所述多频率特征构建模块可配置重采样粒度、回溯窗口时长、ewma平滑系数及滞后时长参数，用于提取高频统计特征、低频工况统计特征、多组ewma平滑趋势特征及多时长滞后特征；

5、所述标签历史特征提取模块，被配置为内置标签序列缓存机制与空值补全机制，对全量历史标签序列预缓存去重排序结果，针对各预测时刻截取预设回溯窗口内的历史标签数据，提取固定数量近期历史标签值，计算标签序列的统计特征与趋势特征，生成固定维度的标签历史特征向量，适配工业标签采样间隔不均、数据缺失场景；

6、所述特征融合与标准化模块，连接所述多频率特征构建模块与标签历史特征提取模块，被配置为拼接多频率融合特征、标签历史特征向量及时间维度特征，构建完整冶炼指标预测特征矩阵；仅基于时间序列前置的训练集数据拟合标准化器，对全量特征矩阵执行归一化处理，规避数据泄露问题；

7、所述模型训练验证模块，连接所述特征融合与标准化模块，被配置为按时间顺序分割训练集与测试集，采用时间序列交叉验证方式，基于机器学习或神经网络算法训练冶炼产物指标预测模型，支持硬件加速训练，输出多维度模型评估指标与特征重要性排序结果；

8、所述预测输出模块，连接所述模型训练验证模块，被配置为针对待预测时刻，调用各模块构建目标特征向量，加载训练完成的标准化器与预测模型，输出冶炼产物指标预测结果。

9、进一步的，所述多频率特征构建模块具体用于：

10、对秒级、分钟级高频数据，按设定重采样粒度与回溯窗口分窗，计算各窗口数据的均值、标准差、最小值、最大值，通过一阶多项式拟合得到趋势斜率，窗口子段不足时头部补空值固定特征维度，结合多组ewma平滑系数提取多尺度平滑特征与变化斜率；

11、提取预测时刻前最近n个小时级低频数据原始值，计算窗口均值、标准差、极差统计特征；

12、基于预设滞后时长列表匹配对应时刻的高低频数据，无匹配数据时选取最近历史数据替代，构建多时长滞后特征。

13、进一步的，所述标签历史特征提取模块具体用于：

14、首次计算时对全量标签序列去重、排序并缓存，后续直接调用缓存数据；截取预测时刻之前预设回溯窗口内的历史标签，排除当前时刻标签值；

15、提取窗口内最近m个历史标签值，数量不足时头部补空值至固定长度；窗口标签数量达标时，计算标签序列的均值、标准差、极差与线性趋势斜率，不达标时对应统计特征置空，拼接得到标签历史特征向量。

16、进一步的，所述时间维度特征包括小时、星期几、日期、是否周末、是否工作时间、当日分钟数时序属性特征；标准化过程中，测试集与验证集不参与标准化器拟合，仅复用训练集拟合参数完成归一化。

17、进一步的，所述模型训练验证模块输出的评估指标包括：训练集与测试集的平均绝对误差mae、均方根误差rmse、决定系数r²及预设阈值下的命中率；所述模型训练验证模块保存模型文件与标准化器文件，导出全量特征重要性排序表与topn核心特征表。

18、一种基于多特征的冶炼产物指标预测方法，应用于上述基于多特征的冶炼产物指标预测系统，包括以下步骤：

19、s1、数据预处理：接入冶炼生产的秒级、分钟级高频时序数据、小时级低频工况数据与产物指标标签数据，完成时间格式转换与时间索引排序，对高低频数据分类进行缺失值处理，对齐多源数据时间范围，得到统一的冶炼生产时序数据集；

20、s2、多频率特征构建：基于预处理数据集，仅采用预测时刻前的历史数据，分别提取秒级、分钟级高频多尺度统计与平滑特征，小时级低频工况统计特征，以及多时长滞后特征，融合得到多频率融合特征；

21、s3、标签历史特征提取：基于预缓存的历史标签序列，截取各预测时刻回溯窗口内的历史标签数据，补全固定数量的近期历史标签值，计算标签序列统计特征与趋势特征，生成标签历史特征向量；

22、s4、特征融合与标准化：拼接多频率融合特征、标签历史特征向量与时间维度特征，构建完整特征矩阵；采用训练集独立拟合标准化器，完成全量特征无泄露标准化处理；

23、s5、模型训练与验证：按时间顺序分割数据集，通过时间序列交叉验证训练预测模型，量化输出多维度评估指标，生成特征重要性排序结果并保存模型与标准化器；

24、s6、预测输出：针对待预测时刻，复用特征构建、融合与标准化流程生成目标特征向量，调用训练完成的模型输出冶炼产物指标预测结果。

25、进一步的，步骤s1中，秒级、分钟级高频时序数据采用插值填补方式保留数据连续性，小时级工况数据与标签数据采用空值样本剔除或标记方式保证数据精准性，所有数据按时间戳升序排序并取时间交集完成对齐。

26、进一步的，步骤s2具体包括：

27、s21、高频特征计算：按可配置参数对高低频数据分窗统计，计算窗口多维统计特征与趋势斜率，结合多组ewma系数提取多尺度平滑特征，空值补全固定特征维度；

28、s22、低频特征计算：提取近期小时级数据原始值，计算窗口统计特征；

29、s23、滞后特征计算：基于预设滞后时长匹配历史数据，缺失数据就近补齐，构建多维度滞后特征。

30、进一步的，步骤s3中，通过预缓存机制避免标签序列重复计算，对不足固定数量的历史标签进行空值补全，根据窗口标签数量自适应计算或置空统计、趋势特征，保证输出特征维度统一。

31、进一步的，步骤s5中，采用k折时间序列交叉验证，每折验证集时间均晚于对应训练集，模拟工业真实预测场景，通过硬件加速完成模型迭代训练，实现模型性能优化与可解释性分析。

32、本发明具有以下有益效果：

33、1. 多频率信息深度融合：同时利用秒级、分钟级高频过程数据与小时级低频工况数据，分别构建统计特征与多尺度平滑特征，兼顾短期波动细节与长期趋势规律，大幅提升多源时序数据的信息利用率；

34、2. 标签时序依赖充分挖掘：引入历史标签值与标签统计特征，自主学习预测目标自身的时序变化规律，强化模型对指标演化趋势的捕捉能力，有效提升预测精度；

35、3. 全流程无数据泄露设计：特征构建严格限定仅使用预测时刻之前的历史数据，数据集划分采用时间顺序分割，标准化器仅由训练集拟合，从全流程规避未来信息泄露，保证模型工业落地的真实泛化性能；

36、4. 工业场景强适配性：支持缺失值原生处理、非均匀标签间隔、可配置的特征窗口与模型参数，适配工业生产中数据质量不均、采样频率多样、工况复杂的场景，鲁棒性强，部署便捷。