一种民爆乳化炸药的爆速在线预测方法及系统与流程

1.本发明涉及爆速预测技术领域，更具体的说，涉及一种民爆乳化炸药的 爆速在线预测方法及系统。


背景技术：

2.爆速是民爆乳化炸药的一个重要质量指标，若实现爆速的在线监测，就 可以在民爆乳化炸药生产过程中，发现爆速不合格的民爆乳化炸药时，及时 提醒相关的操作人员对生产进行调整，提高民爆乳化炸药的合格率。
3.目前，在民爆乳化炸药生产过程中，由于缺乏爆速在线监测仪表，因此 无法监测实时生产的民爆乳化炸药的爆速。现有民爆企业一般通过收集当前 民爆乳化炸药成品进行爆速离线监测，得到当前生产的民爆乳化炸药的爆速。 然而，该种方法得到的是滞后的爆速，不利于企业根据民爆乳化炸药的生产 情况进行生产调整。因此，现有离线检测爆速的方式，不能满足民爆企业对 于民爆乳化炸药爆速的在线监测需求，并且费时费力，爆速检测效率低。


技术实现要素：

4.有鉴于此，本发明公开一种民爆乳化炸药的爆速在线预测方法及系统， 通过获取民爆乳化炸药的实时工况参数，并基于该实时工况参数以及民爆乳 化炸药爆速预测模型，对实时工况参数对应的爆速进行在线预测，从而实现 了对民爆乳化炸药爆速的在线监测，整个过程省时省力，可以大大提高爆速 检测效率。另外，由于本发明是实时采集工况参数，因此，采用本发明预测 得到爆速是实时爆速，并非是滞后爆速，从而可以满足民爆企业对于民爆乳 化炸药爆速的在线监测需求，利于对民爆乳化炸药生产情况的调整。
5.一种民爆乳化炸药的爆速在线预测方法，包括：
6.获取民爆乳化炸药的当前工况参数；
7.从所述当前工况参数中提取出当前关键工况参数，所述当前关键工况参 数与爆速的相关系数高于当前非关键工况参数与所述爆速的相关系数；
8.将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模 型，得到当前爆速预测值。
9.可选的，所述从所述当前工况参数中提取出当前关键工况参数，具体包 括：
10.对所述当前工况参数进行数据清洗得到当前目标工况参数；
11.从所述当前目标工况参数中提取出所述当前关键工况参数。
12.可选的，所述对所述当前工况参数进行数据清洗得到当前目标工况参数， 具体包括：
13.基于原则法对所述当前工况参数中的异常值进行检测，并用参数平均 值替换对应的异常值，得到所述当前目标工况参数；
14.其中，所述原则法的表达式如下：
[0015][0016]
式中，表示工况参数标准差，n表示所述当前工况参数中任意一种被清 洗参数的总个数，i表示被清洗参数n中第i个参数，i∈[1，n]，为参数平 均值，当时，x
g
为异常值。
[0017]
可选的，所述民爆乳化炸药爆速预测模型的建立过程包括：
[0018]
获取民爆乳化炸药的历史生产数据，所述历史生产数据包括工况参数和 离线质检爆速；
[0019]
对所述历史生产数据进行数据清洗，得到目标历史生产数据，所述目标 历史生产数据包括目标工况参数和目标离线质检爆速；
[0020]
从所述目标工况参数中提取出关键工况参数，其中，所述关键工况参数 与所述目标离线质检爆速的相关系数高于非关键工况参数与所述目标离线质 检爆速的相关系数；
[0021]
将所述关键工况参数作为样本数据，将所述目标离线质检爆速作为样本 标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型。
[0022]
可选的，所述从所述目标工况参数中提取出关键工况参数，具体包括：
[0023]
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平 均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数 平均值；
[0024]
从所述工况参数平均值中选取所述关键工况参数。
[0025]
可选的，在将所述关键工况参数作为样本数据，将所述目标离线质检爆 速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型 之后，还包括：
[0026]
采用粒子群优化算法对梯度提升决策树超参数进行优化，并利用优化后 的梯度提升决策树得到优化后的民爆乳化炸药爆速预测模型。
[0027]
可选的，所述将所述关键工况参数作为样本数据，将所述目标离线质检 爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模 型，具体包括：
[0028]
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中， 通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回 归树；
[0029]
如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将所 述强学习器确定为所述民爆乳化炸药爆速预测模型。
[0030]
可选的，所述负数梯度的表达式如下：
[0031][0032]
式中，r
ti
表示所述负数梯度，i＝1，2，
…
,n，n表示训练集数据的总个数， t＝1，2，
…
,h，h表示基回归树的总个数，y表示训练集中目标变量的值， l(y,f
t
‑1(x))为损失函数，f
t
‑1(x)为上一次迭代的强学习器，f
t
(x)为当 前的强学习器，x
i
为训练集的第i个样本的变量；
[0033]
所述当前基回归树的表达式如下：
[0034][0035]
式中，h
t
(x)表示当前基回归树；
[0036]
所述强学习器的表达式如下：
[0037]
f
t
(x)＝h
t
(x) f
t
‑1(x)；
[0038]
式中，f
t
‑1(x)表示上一次迭代的强学习器，f
t
(x)表示当前的强学习器。
[0039]
一种民爆乳化炸药的爆速在线预测系统，包括：
[0040]
获取单元，用于获取民爆乳化炸药的当前工况参数；
[0041]
参数提取单元，用于从所述当前工况参数中提取出当前关键工况参数， 所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所述爆 速的相关系数；
[0042]
预测单元，用于将所述当前关键工况参数输入至预先建立的民爆乳化炸 药爆速预测模型，得到当前爆速预测值。
[0043]
可选的，所述参数提取单元具体包括：
[0044]
第一数据清洗子单元，用于对所述当前工况参数进行数据清洗得到当前 目标工况参数；
[0045]
第二数据提取子单元，用于从所述当前目标工况参数中提取出所述当前 关键工况参数。
[0046]
从上述的技术方案可知，本发明公开了一种民爆乳化炸药的爆速在线预 测方法及系统，获取民爆乳化炸药的当前工况参数，从当前工况参数中提取 出当前关键工况参数，将当前关键工况参数输入至预先建立的民爆乳化炸药 爆速预测模型，得到当前爆速预测值。本发明通过获取民爆乳化炸药的实时 工况参数，并基于该实时工况参数以及民爆乳化炸药爆速预测模型，对实时 工况参数对应的爆速进行在线预测，从而实现了对民爆乳化炸药爆速的在线 监测，整个过程省时省力，可以大大提高爆速检测效率。另外，由于本发明 是实时采集工况参数，因此，采用本发明预测得到爆速是实时爆速，并非是 滞后爆速，从而可以满足民爆企业对于民爆乳化炸药爆速的在线监测需求， 利于对民爆乳化炸药生产情况的调整。
附图说明
[0047]
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，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地介绍，显而易见地，下面 描述中的附图仅仅是本发明的实施例，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，还可以根据公开的附图获得其他的附图。
[0048]
图1为本发明实施例公开的一种民爆乳化炸药的爆速在线预测方法流程 图；
[0049]
图2为本发明实施例公开的一种民爆乳化炸药的工况参数与爆速的相关 性示意图；
[0050]
图3为本发明实施例公开的一种民爆乳化炸药爆速预测模型的建立方法 流程图；
[0051]
图4为本发明实施例公开的一种民爆乳化炸药爆速的预测值和真实值的 对比示意图；
[0052]
图5为本发明实施例公开的一种民爆乳化炸药的爆速在线预测系统的结 构示意
图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
本发明实施例公开了一种民爆乳化炸药的爆速在线预测方法及系统，获 取民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参 数，将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得 到当前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于 该实时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆 速进行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省 时省力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参 数，因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可 以满足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸 药生产情况的调整。
[0055]
参见图1，本发明实施例公开的一种民爆乳化炸药的爆速在线预测方法流 程图，该方法包括：
[0056]
步骤s101、获取民爆乳化炸药的当前工况参数；
[0057]
其中，工况参数如表1中所示的变量名称。
[0058]
表1
[0059]
变量序号变量名称变量序号变量名称1油相储罐温度15乳化剂流量2油相罐一温度16油相密度3油相罐二温度17水相密度4水相储罐温度18酸密度5水相罐1上温度19发泡剂密度6水相罐2上温度20基质泵压力7基质泵温度21精乳器压力8钢带冷却水温度22出药压力9敏化机温度23水相泵压力10出药温度24油相泵压力11油相流量25粗乳器转速12水相流量26钢带转速13发泡剂流量27乳胶泵转速14酸流量
ꢀꢀ
[0060]
步骤s102、从所述当前工况参数中提取出当前关键工况参数；
[0061]
其中，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参 数与所述爆速的相关系数。
[0062]
在实际应用中，可以采用特征工程相关技术，比如，最大互信息方法， 计算当前工
况参数与爆速的相关系数，相关系数接近于0表示工况参数与爆速 的相关性越低，相关系数接近于1表示工况参数与爆速的相关性越大，工况参 数与爆速的相关性可参见图2所示，本发明选择与爆速的相关系数高的前几个 当前工况参数作为当前关键工况参数。
[0063]
步骤s103、将所述当前关键工况参数输入至预先建立的民爆乳化炸药爆 速预测模型，得到当前爆速预测值。
[0064]
其中，民爆乳化炸药爆速预测模型以关键工况参数作为样本数据，以爆 速作为样本标签训练得到。
[0065]
综上可知，本发明公开了一种民爆乳化炸药的爆速在线预测方法，获取 民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参数， 将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当 前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于该实 时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进 行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省 力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数， 因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可以满 足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生 产情况的调整。
[0066]
为避免因当前工况参数中存在异常值，导致预测的爆速不准确，步骤s102 具体可以包括：
[0067]
对当前工况参数进行数据清洗得到当前目标工况参数；
[0068]
从当前目标工况参数中提取出当前关键工况参数。
[0069]
其中，数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程 序，包括检查数据一致性，处理无效值和缺失值等。本发明通过对当前工况 参数进行数据清洗来对当前工况参数中的异常值进行检测和替换，以得到更 为准确的当前目标工况参数。
[0070]
在实际应用中，可以基于原则法对所述当前工况参数中的异常值进行 检测，并用参数平均值替换对应的异常值，得到当前目标工况参数；
[0071]
其中，原则法的表达式如下：
[0072][0073]
式中，表示工况参数标准差，n表示所述当前工况参数中任意一种被清 洗参数的总个数，i表示被清洗参数n中第i个参数，i∈[1，n]，为参数平 均值，当x
g
为异常值。
[0074]
为进一步优化上述实施例，参见图3，本发明实施例公开的一种民爆乳化 炸药爆速预测模型的建立方法流程图，该方法包括：
[0075]
步骤s201、获取民爆乳化炸药的历史生产数据；
[0076]
其中，所述历史生产数据包括工况参数和离线质检爆速，工况参数可参 见表1所示。
[0077]
步骤s202、对所述历史生产数据进行数据清洗，得到目标历史生产数据；
[0078]
其中，所述目标历史生产数据包括目标工况参数和目标离线质检爆速；
[0079]
本实施例对史生产数据进行数据清洗的目的是对历史生产数据中的异常 值进行检测，并用参数平均值替换对应的异常值。在实际应用中，可以采用原则法，数据清洗具体过程可参见图1实施例对应部分，此处不再赘述。
[0080]
步骤s203、从所述目标工况参数中提取出关键工况参数；
[0081]
其中，所述关键工况参数与所述目标离线质检爆速的相关系数高于非关 键工况参数与所述目标离线质检爆速的相关系数。
[0082]
步骤s204、将所述关键工况参数作为样本数据，将所述目标离线质检爆 速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆速预测模型。
[0083]
为进一步优化上述实施例，步骤s203具体可以包括：
[0084]
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平 均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数 平均值，并从所述工况参数平均值中选取所述关键工况参数。
[0085]
其中，预设上午时间段比如上午9点到11点，预设下午时间段比如下午 3点到5点。
[0086]
需要说明的是，本实施例中，民爆乳化炸药的爆速一般检测时间在上午 10点30左右和下午4点30左右，由于系统没有记录准确的检测时间，一个 批次分成上午和下午进行分析。上午的时间段采集上午9点到11点的工况数 据，1min采集一次工况参数，下午的时间段采集下午3点到5点的工况数据， 1min采集一次工况参数，由于离线质检的爆速是上午和下午检测的两次数据， 因此存在工况数据和爆速多对一的关系，导致工况数据和爆速的维度不一致。 为解决这一问题，本发明对工况参数中在预设上午时间段采集的所有工况参 数取平均值，使得上午采集的工况数据与上午采集的爆速的维度一致；同样， 对预设下午时间段采集的所有工况参数取平均值，使得下午采集的工况数据 与下午采集的爆速的维度一致。
[0087]
需要说明的是，本实施例中优选使用lightgbm框架建立民爆乳化炸药爆 速预测模型。
[0088]
为进一步优化上述实施例，在步骤s204之后还可以包括：
[0089]
采用粒子群优化算法对梯度提升决策树超参数进行优化，并利用优化后 的梯度提升决策树得到优化后的民爆乳化炸药爆速预测模型。
[0090]
其中，梯度提升决策树超参数为：每棵树的叶子节点num_leaves、最大 树的深度max_depth、叶子可能具有的最小记录数min_date_in_leaf、选择特 征的比例feature_fraction、每次迭代使用的数据比例bagging_fraction和l1正 则lambda。
[0091]
粒子群优化算法的步骤如下：
[0092]
1)初始化粒子的速度和位置；
[0093]
其中，粒子表示梯度提升决策树超参数的随机值，根据得到的超参数建 立民爆乳化炸药爆速预测模型，粒子群优化算法的目的是找到最优超参数。
[0094]
2)计算每个粒子的适应度函数；
[0095]
3)根据所述适应度函数，确定每个粒子的当前最优位置，并确定粒子群 的最优位置；
[0096]
最优位置包括局部最优位置和全局最优位置。
[0097]
4)根据局部最优位置和全局最优位置更新粒子的速度和位置；
[0098]
5)判断是否达到粒子的速度和位置各自所需的精度，如果未达到精度， 则重复2)、3)和4)，直到达到粒子的速度和位置各自所需的精度。
[0099]
其中，步骤2)中适应度函数为k—交叉验证r2；
[0100][0101]
式中，y
i
为爆速真实值，为爆速预测值，为爆速平均值，i为当前 测试样的标号，i＝1,2,3,...,n，n为总的测试集样本，r2为模型评价指数。
[0102]
步骤4)中，粒子的速度和位置的更新公式如下：
[0103][0104][0105]
式中，和分别表示粒子在k次和k 1次迭代时的速度，和表示粒子在k次和k 1次迭代时的位置，c1和c2表示加速因子，r1、r2为随 机数，w为权重，p
id
为全局最优位置，x
id
为粒子的位置，p
gd
为局部最 优位置。
[0106]
为进一步优化上述实施例，步骤s204具体可以包括：
[0107]
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中， 通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回 归树，如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将 所述强学习器确定为所述民爆乳化炸药爆速预测模型。
[0108]
其中，所述负数梯度的表达式如下：
[0109][0110]
式中，r
ti
表示所述负数梯度，i＝1，2，
…
,n，n表示训练集数据的总个数， t＝1，2，
…
,h，h表示基回归树的总个数，y表示训练集中目标变量的值， l(y,f
t
‑1(x))为损失函数，f
t
‑1(x)为上一次迭代的强学习器，f
t
(x)为当 前的强学习器，x
i
为训练集的第i个样本的变量；
[0111]
所述当前基回归树的表达式如下：
[0112][0113]
式中，h
t
(x)表示当前基回归树。
[0114]
所述强学习器的表达式如下：
[0115]
f
t
(x)＝h
t
(x) f
t
‑1(x)；
[0116]
式中，f
t
‑1(x)表示上一次迭代的强学习器，f
t
(x)表示当前的强学习器。
[0117]
为便于理解本发明所要保护的技术方案，本发明还提供了一个具体实施 例，如下：
[0118]
本发明获取了民爆企业63批次乳化炸药某产线的工况参数和爆速数据， 使用56批数据作为民爆乳化炸药爆速预测模型的训练数据，7批数据作为民爆 乳化炸药爆速预测模型的测试数据验证民爆乳化炸药爆速预测模型的精度， 经过计算，民爆乳化炸药爆速预测模型的r2为0.906，民爆乳化炸药爆速预测 模型的均方根误差rmse为0.03817，民爆乳化炸药爆速预测模型的平均绝对 误差mae为0.02785，根据预测的结果可知目前民爆乳化炸药爆速预测模型的 预测精度较高。
[0119]
其中，本实施例得到的预测结果如表2和图4所示。
[0120]
表2
[0121][0122][0123]
由此可以看出，本发明建立的民爆乳化炸药爆速预测模型的预测精度较 高，因此可以将训练完成的民爆乳化炸药爆速预测模型部署在信息系统上， 以乳化炸药生产线采集的实时工况参数输入民爆乳化炸药爆速预测模型，实 现乳化炸药爆速在线预测，从而对乳化炸药的生产状况进行监测。
[0124]
需要特别说明的是，本发明使用的编程语言包括但不限于python、java、 matlab、r等。
[0125]
与上述方法实施例相对应，本发明还公开了一种民爆乳化炸药的爆速在 线预测系统。
[0126]
参见图5，本发明实施例公开的一种民爆乳化炸药的爆速在线预测系统的 结构示意图，该系统包括：
[0127]
获取单元301，用于获取民爆乳化炸药的当前工况参数；
[0128]
其中，工况参数如表1中所示的变量名称。
[0129]
参数提取单元302，用于从所述当前工况参数中提取出当前关键工况参 数，所述当前关键工况参数与爆速的相关系数高于当前非关键工况参数与所 述爆速的相关系数；
[0130]
在实际应用中，可以采用特征工程相关技术，比如，最大互信息方法， 计算当前工况参数与爆速的相关系数，相关系数接近于0表示工况参数与爆速 的相关性越低，相关系
数接近于1表示工况参数与爆速的相关性越大，工况参 数与爆速的相关性可参见图2所示，本发明选择与爆速的相关系数高的前几个 当前工况参数作为当前关键工况参数。
[0131]
预测单元303，用于将所述当前关键工况参数输入至预先建立的民爆乳化 炸药爆速预测模型，得到当前爆速预测值。
[0132]
其中，民爆乳化炸药爆速预测模型以关键工况参数作为样本数据，以爆 速作为样本标签训练得到。
[0133]
综上可知，本发明公开了一种民爆乳化炸药的爆速在线预测系统，获取 民爆乳化炸药的当前工况参数，从当前工况参数中提取出当前关键工况参数， 将当前关键工况参数输入至预先建立的民爆乳化炸药爆速预测模型，得到当 前爆速预测值。本发明通过获取民爆乳化炸药的实时工况参数，并基于该实 时工况参数以及民爆乳化炸药爆速预测模型，对实时工况参数对应的爆速进 行在线预测，从而实现了对民爆乳化炸药爆速的在线监测，整个过程省时省 力，可以大大提高爆速检测效率。另外，由于本发明是实时采集工况参数， 因此，采用本发明预测得到爆速是实时爆速，并非是滞后爆速，从而可以满 足民爆企业对于民爆乳化炸药爆速的在线监测需求，利于对民爆乳化炸药生 产情况的调整。
[0134]
为避免因当前工况参数中存在异常值，导致预测的爆速不准确，上述实 施例中的 参数提取单元302具体可以包括：
[0135]
第一数据清洗子单元，用于对所述当前工况参数进行数据清洗得到当前 目标工况参数；
[0136]
第二数据提取子单元，用于从所述当前目标工况参数中提取出所述当前 关键工况参数。
[0137]
在实际应用中，可以基于原则法对所述当前工况参数中的异常值进行 检测，并用参数平均值替换对应的异常值，得到当前目标工况参数。
[0138]
为进一步优化上述实施例，第一数据清洗子单元具体可以用于：
[0139]
基于原则法对所述当前工况参数中的异常值进行检测，并用参数平均 值替换对应的异常值，得到所述当前目标工况参数；
[0140]
其中，所述原则法的表达式如下：
[0141][0142]
式中，表示工况参数标准差，n表示所述当前工况参数中任意一种被清 洗参数的总个数，i表示被清洗参数n中第i个参数，i∈[1，n]，为参数平 均值，当x
g
为异常值。
[0143]
为进一步优化上述实施例，爆速在线预测系统还可以包括：
[0144]
模型建立单元，用于建立所述民爆乳化炸药爆速预测模型；
[0145]
所述模型建立单元具体包括：
[0146]
获取子单元，用于获取民爆乳化炸药的历史生产数据，所述历史生产数 据包括工况参数和离线质检爆速；
[0147]
第二数据清洗子单元，用于对所述历史生产数据进行数据清洗，得到目 标历史生
产数据，所述目标历史生产数据包括目标工况参数和目标离线质检 爆速；
[0148]
第二数据提取子单元，用于从所述目标工况参数中提取出关键工况参数， 其中，所述关键工况参数与所述目标离线质检爆速的相关系数高于非关键工 况参数与所述目标离线质检爆速的相关系数；
[0149]
模型建立子单元，用于将所述关键工况参数作为样本数据，将所述目标 离线质检爆速作为样本标签，采用梯度提升决策树建立所述民爆乳化炸药爆 速预测模型。
[0150]
在实际应用中，第二数据提取子单元具体可以用于：
[0151]
分别对所述目标工况参数中在预设上午时间段采集的所有工况参数取平 均值，以及对预设下午时间段采集的所有工况参数取平均值，得到工况参数 平均值；
[0152]
从所述工况参数平均值中选取所述关键工况参数。
[0153]
为进一步优化上述实施例，模型建立单元还可以包括：
[0154]
模型优化子单元，用于采用粒子群优化算法对梯度提升决策树超参数进 行优化，并利用优化后的梯度提升决策树得到优化后的民爆乳化炸药爆速预 测模型。
[0155]
在实际应用中，模型建立子单元具体用于：
[0156]
采用负数梯度作为划分的指标，在对所述样本数据的每次迭代训练中， 通过所述负数梯度拟合目标残差，建立得到一颗使当前损失最小的当前基回 归树；
[0157]
如此反复，直至所有的基回归树建立完成，得到一个强学习器，并将所 述强学习器确定为所述民爆乳化炸药爆速预测模型。
[0158]
需要特别说明的是，系统实施例中各组成部分的具体工作原理，请参见 方法实施例对应部分，此处不再赘述。
[0159]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语 仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求 或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术 语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而 使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且 还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或 者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”ꢀ
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存 在另外的相同要素。
[0160]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都 是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0161]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下， 在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。