基于ARIMA-LSTM 組合模型的工業(yè)生產(chǎn)車(chē)間粉塵濃度預(yù)測(cè)

摘要：在工業(yè)生產(chǎn)環(huán)境中，精確預(yù)測(cè)車(chē)間內(nèi)的粉塵濃度對(duì)于確保工作場(chǎng)所的安全和產(chǎn)品質(zhì)量至關(guān)重要，而該環(huán)境下單一的預(yù)測(cè)模型往往難以捕捉所有關(guān)鍵的數(shù)據(jù)特征。為了提高預(yù)測(cè)精度，該研究通過(guò)ARIMA模型提取數(shù)據(jù)的線(xiàn)性特征，使用LSTM模型擬合預(yù)測(cè)殘差中的非線(xiàn)性特征，構(gòu)建基于ARIMA-LSTM的組合預(yù)測(cè)模型。該模型采用均方誤差（MSE） 、平均絕對(duì)誤差（MAE） 和平均絕對(duì)百分比誤差（MAPE） 作為評(píng)估指標(biāo)?；谀硰S生產(chǎn)車(chē)間的粉塵濃度時(shí)間序列數(shù)據(jù)進(jìn)行實(shí)驗(yàn)評(píng)估，結(jié)果表明該模型的MSE、MAE和MAPE分別為0.74、0.66和3.29%，預(yù)測(cè)精度均優(yōu)于單一的ARIMA模型，驗(yàn)證了模型的有效性和可靠性。

關(guān)鍵詞：工業(yè)車(chē)間；粉塵濃度預(yù)測(cè)；ARIMA；LSTM；組合模型；時(shí)間序列

中圖分類(lèi)號(hào)：TP399 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）19-0009-05

0 引言

隨著我國(guó)工業(yè)化的深入發(fā)展及轉(zhuǎn)型升級(jí)，工業(yè)生產(chǎn)車(chē)間中的粉塵問(wèn)題日益顯著。在材料加工、機(jī)械操作、切割和磨削等過(guò)程中，一旦所產(chǎn)生的粉塵達(dá)到一定濃度，不僅可能威脅到車(chē)間作業(yè)工人的身體健康，引發(fā)塵肺病、呼吸系統(tǒng)疾病，而且可燃性粉塵還可能引起爆炸，造成重大安全事故[1]。此外，對(duì)于高精度產(chǎn)品制造車(chē)間而言，粉塵積聚還會(huì)污染生產(chǎn)設(shè)備的敏感部件，影響設(shè)備的穩(wěn)定性和生產(chǎn)效率，從而降低生產(chǎn)線(xiàn)的整體產(chǎn)量和質(zhì)量。目前，多數(shù)生產(chǎn)車(chē)間仍依賴(lài)傳統(tǒng)的定點(diǎn)、定時(shí)手動(dòng)采樣分析方法，這種方法耗時(shí)且效率低，難以滿(mǎn)足快速響應(yīng)和預(yù)防措施的需求。因此，構(gòu)建一個(gè)有效的粉塵濃度預(yù)測(cè)模型，用于了解車(chē)間環(huán)境下的粉塵濃度變化趨勢(shì)，提前做出防治措施，對(duì)于解決工業(yè)車(chē)間生產(chǎn)過(guò)程中導(dǎo)致的粉塵問(wèn)題具有重大的實(shí)際意義。

針對(duì)工廠生產(chǎn)車(chē)間環(huán)境下的粉塵濃度預(yù)測(cè)，目前的研究相對(duì)較少，但在露天礦和室外大氣環(huán)境等領(lǐng)域已經(jīng)積累了大量研究。傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)模型因其簡(jiǎn)易性和對(duì)時(shí)間序列數(shù)據(jù)特性的靈活分析能力而被廣泛應(yīng)用。例如，陳日輝[2]采用粉塵濃度數(shù)據(jù)建立的GM（1，1） 模型在礦井粉塵濃度預(yù)測(cè)中展現(xiàn)出較低的預(yù)測(cè)誤差。王月紅等[3]基于某礦的粉塵濃度時(shí)間序列，使用ARIMA（1，2，1） 模型進(jìn)行預(yù)測(cè)，相對(duì)誤差控制在10% 以?xún)?nèi)。王志建等[4]利用AR（1） 模型分析并成功預(yù)測(cè)了蚌埠市2018至2019年的PM2.5日濃度，誤差同樣低于10%，驗(yàn)證了模型的有效性。然而，現(xiàn)實(shí)中的粉塵序列通常具有非線(xiàn)性特征，尤其是在復(fù)雜的工廠生產(chǎn)車(chē)間環(huán)境中，傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)模型通常是線(xiàn)性模型，處理具有非線(xiàn)性特征的粉塵序列具有一定的局限性。因此，隨著人工智能的發(fā)展，具有強(qiáng)大非線(xiàn)性擬合能力的機(jī)器學(xué)習(xí)模型開(kāi)始被廣泛用于粉塵濃度預(yù)測(cè)。例如，顏杰等[5]采用Elman神經(jīng)網(wǎng)絡(luò)模型有效預(yù)測(cè)了露天礦PM2.5的濃度，模型不僅精度高而且誤差小。張易容[6]構(gòu)建的LSTM模型在某礦粉塵濃度預(yù)測(cè)中準(zhǔn)確率達(dá)到92.97%，有效預(yù)測(cè)了粉塵濃度。白盛楠等[7]提出的基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，在北京市的粉塵濃度歷史數(shù)據(jù)上進(jìn)行測(cè)試，有效預(yù)測(cè)了PM2.5的日變化趨勢(shì)，展示了模型的優(yōu)異預(yù)測(cè)性能。然而，單一的非線(xiàn)性模型在處理同時(shí)具有線(xiàn)性和非線(xiàn)性特征的時(shí)間序列時(shí)，往往不能達(dá)到最優(yōu)預(yù)測(cè)效果。

本文提出一種ARIMA-LSTM組合模型，用于工廠生產(chǎn)車(chē)間環(huán)境的粉塵濃度預(yù)測(cè)。該模型結(jié)合ARIMA 模型優(yōu)秀的線(xiàn)性處理能力和LSTM模型的非線(xiàn)性數(shù)據(jù)建模優(yōu)勢(shì)，同時(shí)考慮粉塵濃度序列數(shù)據(jù)可能包含的線(xiàn)性和非線(xiàn)性特征，從而實(shí)現(xiàn)更高精度的預(yù)測(cè)。

1 方法模型

1.1 ARIMA-LSTM 組合模型整體架構(gòu)設(shè)計(jì)

工廠生產(chǎn)車(chē)間的粉塵濃度序列數(shù)據(jù)，由于環(huán)境的復(fù)雜性，其時(shí)間維度上的分布同時(shí)包含線(xiàn)性和非線(xiàn)性特征。因此，本研究結(jié)合ARIMA模型在線(xiàn)性分析方面的精確性以及LSTM在捕捉非線(xiàn)性關(guān)系上的能力優(yōu)勢(shì)，構(gòu)建適用于車(chē)間環(huán)境下粉塵濃度預(yù)測(cè)的ARIMALSTM組合模型。該模型首先利用ARIMA模型進(jìn)行線(xiàn)性趨勢(shì)分析，并通過(guò)殘差計(jì)算揭示潛在的非線(xiàn)性特征。接著，以這些殘差數(shù)據(jù)為基礎(chǔ)，應(yīng)用LSTM模型對(duì)非線(xiàn)性動(dòng)態(tài)進(jìn)行建模和預(yù)測(cè)，以修正和完善ARIMA 模型的初始預(yù)測(cè)，從而降低整體預(yù)測(cè)的誤差率。下面將詳細(xì)介紹這兩個(gè)模型的工作流程，并解釋它們?nèi)绾卧诮M合模型中相互補(bǔ)充。組合模型框架如圖1所示。