摘要：在工業(yè)生產(chǎn)環(huán)境中，精確預(yù)測車間內(nèi)的粉塵濃度對于確保工作場所的安全和產(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)測精度，該研究通過ARIMA模型提取數(shù)據(jù)的線性特征，使用LSTM模型擬合預(yù)測殘差中的非線性特征，構(gòu)建基于ARIMA-LSTM的組合預(yù)測模型。該模型采用均方誤差（MSE） 、平均絕對誤差（MAE） 和平均絕對百分比誤差（MAPE） 作為評估指標?；谀硰S生產(chǎn)車間的粉塵濃度時間序列數(shù)據(jù)進行實驗評估，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)測精度均優(yōu)于單一的ARIMA模型，驗證了模型的有效性和可靠性。

關(guān)鍵詞：工業(yè)車間；粉塵濃度預(yù)測；ARIMA；LSTM；組合模型；時間序列

中圖分類號：TP399 文獻標識碼：A

文章編號：1009-3044（2024）19-0009-05

0 引言

隨著我國工業(yè)化的深入發(fā)展及轉(zhuǎn)型升級，工業(yè)生產(chǎn)車間中的粉塵問題日益顯著。在材料加工、機械操作、切割和磨削等過程中，一旦所產(chǎn)生的粉塵達到一定濃度，不僅可能威脅到車間作業(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，對于高精度產(chǎn)品制造車間而言，粉塵積聚還會污染生產(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)線的整體產(chǎn)量和質(zhì)量。目前，多數(shù)生產(chǎn)車間仍依賴傳統(tǒng)的定點、定時手動采樣分析方法，這種方法耗時且效率低，難以滿足快速響應(yīng)和預(yù)防措施的需求。因此，構(gòu)建一個有效的粉塵濃度預(yù)測模型，用于了解車間環(huán)境下的粉塵濃度變化趨勢，提前做出防治措施，對于解決工業(yè)車間生產(chǎn)過程中導(dǎo)致的粉塵問題具有重大的實際意義。

針對工廠生產(chǎn)車間環(huán)境下的粉塵濃度預(yù)測，目前的研究相對較少，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)計學(xué)習(xí)模型因其簡易性和對時間序列數(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)測中展現(xiàn)出較低的預(yù)測誤差。王月紅等[3]基于某礦的粉塵濃度時間序列，使用ARIMA（1，2，1） 模型進行預(yù)測，相對誤差控制在10% 以內(nèi)。王志建等[4]利用AR（1） 模型分析并成功預(yù)測了蚌埠市2018至2019年的PM2.5日濃度，誤差同樣低于10%，驗證了模型的有效性。然而，現(xiàn)實中的粉塵序列通常具有非線性特征，尤其是在復(fù)雜的工廠生產(chǎn)車間環(huán)境中，傳統(tǒng)的統(tǒng)計學(xué)習(xí)模型通常是線性模型，處理具有非線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，具有強大非線性擬合能力的機器學(xué)習(xí)模型開始被廣泛用于粉塵濃度預(yù)測。例如，顏杰等[5]采用Elman神經(jīng)網(wǎng)絡(luò)模型有效預(yù)測了露天礦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)測中準確率達到92.97%，有效預(yù)測了粉塵濃度。白盛楠等[7]提出的基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，在北京市的粉塵濃度歷史數(shù)據(jù)上進行測試，有效預(yù)測了PM2.5的日變化趨勢，展示了模型的優(yōu)異預(yù)測性能。然而，單一的非線性模型在處理同時具有線性和非線性特征的時間序列時，往往不能達到最優(yōu)預(yù)測效果。

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

1 方法模型

1.1 ARIMA-LSTM 組合模型整體架構(gòu)設(shè)計

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