识别感应炉中的最佳熔炼模式：一种基于时间序列 KMeans 聚类和多准则决策的数据驱动方法
机器学习
2024-01-11 v1 数值分析
性能
数值分析
摘要
提高工业生产过程中的能源效率对于竞争力和遵守气候政策至关重要。本文引入一种数据驱动方法来识别感应炉中的最佳熔炼模式。通过时间序列 K-means 聚类，熔炼模式可根据温度曲线被划分为不同的簇。使用肘部法则确定了 12 个簇，代表了熔炼模式的范围。为每个簇建立了熔炼时间、单位能耗性能和碳成本等性能参数，以指示炉子效率和环境影响。利用包括简单加权法、乘法指数加权法、逼近理想解排序法、改进的 TOPSIS 以及 VlseKriterijumska Optimizacija I Kompromisno Resenje 在内的多准则决策方法来确定最佳实践簇。该研究成功识别出性能最佳的簇。实施最佳实践操作使电力成本降低了 8.6%，凸显了铸造厂潜在的节能效果。
引用
@article{arxiv.2401.04751,
title = {Identifying Best Practice Melting Patterns in Induction Furnaces: A Data-Driven Approach Using Time Series KMeans Clustering and Multi-Criteria Decision Making},
author = {Daniel Anthony Howard and Bo Nørregaard Jørgensen and Zheng Ma},
journal= {arXiv preprint arXiv:2401.04751},
year = {2024}
}