[发明专利]一种能耗异常监测方法及装置

权利要求书

1.一种能耗异常监测方法，其特征在于，包括：

监测轮胎制造过程中硫化工序的当前周期的能耗参数；

根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值；

根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间；

当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。

2.根据权利要求1所述的方法，其特征在于，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值，包括：

通过公式ER=TE/DE获得轮胎制造过程中硫化工序的当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示轮胎制造过程中硫化工序的理论能耗值，TE=cm(t₂-t₁)，其中，c表示胶料的平均比热容，m表示胎坯的质量，t₁表示硫化初始温度，t₂表示硫化结束温度；DE表示轮胎制造过程中硫化工序的直接能耗值，其中，p表示能耗介质的种类数，m_i表示各种能耗介质的消耗量，Q_i表示不同能耗介质的单位折算热量。

3.根据权利要求1所述的方法，其特征在于，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值，包括：

通过误差反向传播BP神经网络模型，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值。

4.根据权利要求1-3任一项所述的方法，其特征在于，根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间，包括：

通过式子得到当前周期的能效预测区间的最小值；

通过式子得到当前周期的能效预测区间的最大值；

其中，为能效预测值，α为显著性水平，1-α为预设的置信度，为所述能效监测值与所述能效预测值的误差总体的方差，为统计量，服从自由度为n-k-1的t分布，e_f为所述能效监测值与所述能效预测值的误差，E(e_f)为所述误差的期望值，y_f为所述能效监测值，为所述能效监测值与所述能效预测值的误差的方差，X为监测的所述能耗参数组成的矩阵，X_f为硫化工序的能耗参数向量，k为硫化工序能耗参数向量的维数，n为能耗参数的数量。

5.一种能耗异常监测装置，其特征在于，包括：

检测模块，用于监测轮胎制造过程中硫化工序的当前周期的能耗参数；

第一获得模块，用于根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能效监测值和能效预测值；

第二获得模块，用于根据获得的所述能效预测值和预设的置信度，获得当前周期的能效预测区间；

确定模块，用于当所述能效监测值在所述能效预测区间之外时，则确定轮胎制造过程中硫化工序的当前周期的能耗发生异常。

6.根据权利要求5所述的装置，其特征在于，所述第一获得模块，具体用于：

通过公式ER=TE/DE获得轮胎制造过程中硫化工序的当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示轮胎制造过程中硫化工序的理论能耗值，TE=cm(t₂-t₁)，其中，c表示胶料的平均比热容，m表示胎坯的质量，t₁表示硫化初始温度，t₂表示硫化结束温度；DE表示轮胎制造过程中硫化工序的直接能耗值，其中，p表示能耗介质的种类数，m_i表示各种能耗介质的消耗量，Q_i表示不同能耗介质的单位折算热量。

7.根据权利要求5所述的装置，其特征在于，所述第一获得模块，具体用于：

通过误差反向传播BP神经网络模型，根据监测得到的当前周期的能耗参数的值，获得轮胎制造过程中硫化工序的当前周期的能耗预测值。

8.根据权利要求5-7任一项所述的装置，其特征在于，所述第二获得模块，具体用于：

通过式子得到当前周期的能效预测区间的最小值；

通过式子得到当前周期的能效预测区间的最大值；

其中，为能效预测值，α为显著性水平，1-α为预设的置信度，为所述能效监测值与所述能效预测值的误差总体的方差，为统计量，服从自由度为n-k-1的t分布，e_f为所述能效监测值与所述能效预测值的误差，E(e_f)为所述误差的期望值，y_f为所述能效监测值，为所述能效监测值与所述能效预测值的误差的方差，X为监测的所述能耗参数组成的矩阵，X_f为硫化工序的能耗参数向量，k为硫化工序能耗参数向量的维数，n为能耗参数的数量。