摘要：在工業(yè)生產(chǎn)環(huán)境中，精確預測車間內(nèi)的粉塵濃度對于確保工作場所的安全和產(chǎn)品質(zhì)量至關重要，而該環(huán)境下單一的預測模型往往難以捕捉所有關鍵的數(shù)據(jù)特征。為了提高預測精度，該研究通過ARIMA模型提取數(shù)據(jù)的線性特征，使用LSTM模型擬合預測殘差中的非線性特征，構建基于ARIMA-LSTM的組合預測模型。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，結果表明該模型的MSE、MAE和MAPE分別為0.74、0.66和3.29%，預測精度均優(yōu)于單一的ARIMA模型，驗證了模型的有效性和可靠性。

關鍵詞：工業(yè)車間；粉塵濃度預測；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)設備的敏感部件，影響設備的穩(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，難以滿足快速響應和預防措施的需求。因此，構建一個有效的粉塵濃度預測模型，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)境等領域已經(jīng)積累了大量研究。傳統(tǒng)的統(tǒng)計學習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測中展現(xiàn)出較低的預測誤差。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，尤其是在復雜的工廠生產(chǎn)車間環(huán)境中，傳統(tǒng)的統(tǒng)計學習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習模型開始被廣泛用于粉塵濃度預測。例如，顏杰等[5]采用Elman神經(jīng)網(wǎng)絡模型有效預測了露天礦PM2.5的濃度，模型不僅精度高而且誤差小。張易容[6]構建的LSTM模型在某礦粉塵濃度預測中準確率達到92.97%，有效預測了粉塵濃度。白盛楠等[7]提出的基于LSTM循環(huán)神經(jīng)網(wǎng)絡的預測模型，在北京市的粉塵濃度歷史數(shù)據(jù)上進行測試，有效預測了PM2.5的日變化趨勢，展示了模型的優(yōu)異預測性能。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)境的粉塵濃度預測。該模型結合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)更高精度的預測。

1 方法模型

1.1 ARIMA-LSTM 組合模型整體架構設計

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在捕捉非線性關系上的能力優(yōu)勢，構建適用于車間環(huán)境下粉塵濃度預測的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，應用LSTM模型對非線性動態(tài)進行建模和預測，以修正和完善ARIMA 模型的初始預測，從而降低整體預測的誤差率。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。