基于机器学习和智能优化算法的水泥分解炉智慧调控方法技术

本发明专利技术公开了一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，步骤如下：从DCS系统中实时采集分解炉运行工况数据并将其传输到专用服务器数据库中存储；对历史运行数据进行一系列操作，建立分解炉NOx与生料分解率计算的训练集与测试集；使用机器学习方法对模型进行训练，建立分解炉内生料分解率与分解炉出口NOx排放量的计算模型，并通过测试集验证模型准确性；通过智能优化算法将基于机器学习方法建立的分解炉关键变量计算模型的输出构造为目标函数，进行参数寻优，得到目标工况下可调操作量的较优参考值；根据模型性能变化自适应地更新模型，保证计算结果的准确性。本发明专利技术可以为水泥厂运行人员调控提供指导，弥补人工调节运行参数的不足。补人工调节运行参数的不足。补人工调节运行参数的不足。

【技术实现步骤摘要】
基于机器学习和智能优化算法的水泥分解炉智慧调控方法


[0001]本专利技术涉及水泥生产，特别是一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法。

技术介绍

[0002]分解炉操作参数的调节对生料分解以及NOx排放有着重要影响，是生产调控的重要对象。在水泥生产过程中，分解炉的系统工况复杂多变，一方面受到炉内气固流动与燃烧机理的影响，另一方面也与预热器及回转窑的工作状态有很大关联，目前大多水泥厂对其燃烧控制采用人工操作为主，自动化控制为辅的方式，这种方式特别依赖运行人员的经验，存在能耗大、废气排放量高、温度波动大、熟料质量差等问题。因此，建立一套水泥分解炉智慧调控技术，具有十分重要的现实意义。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，从而为水泥厂运行人员调控提供指导，弥补人工调节运行参数的不足。
[0004]技术方案：本专利技术所述的一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，包括以下步骤：
[0005](1)从DCS系统中实时采集分解炉运行工况数据并将其传输到专用服务器数据库中存储；
[0006](2)对历史运行数据进行数据清洗、特征选择、降维、数据标准化操作，建立分解炉NOx与生料分解率计算的训练集与测试集；
[0007](3)使用机器学习方法对模型进行训练，建立衡量燃烧效率与污染物的关键变量计算模型，并通过测试集验证模型准确性；
[0008](4)通过智能优化算法，将基于机器学习方法建立的分解炉关键变量计算模型的输出构造为目标函数，进行参数寻优，得到目标工况下可调操作量的较优参考值；
[0009](5)根据模型性能变化自适应地更新模型，保证计算结果的准确性。
[0010]步骤(2)所述的历史运行数据是指一个月以上的水泥厂窑炉历史运行原始数据，包括操作人员可调节的参数数据和不可调节的参数数据，所述可调节的参数数据包括水泥生产过程中的生料下料量、喷煤量、三次风量、氨水用量，所述不可调节的参数数据包括三次风温度、分解炉出口温度、分解炉出口压力、窑尾温度、窑尾压力、煤种性质。
[0011]步骤(2)所述的数据清洗指删除历史运行数据中由于传感器或其他设备故障产生的缺失值、异常值非稳态值；具体为：
[0012](2.1)对数据中的缺失值，若仅存在间断时间点缺失，使用前后时间点的记录值进行线性插值填补；若存在连续缺失值，则从系统数据库中删去该段时间内的测量值；
[0013](2.2)对数据中的异常值，根据拉伊达准则对数据中存在的异常值进行判断：
[0014][0015]其中为数据中某一变量的平均值，σ为某一变量的标准差；
[0016](2.3)对数据中的非稳态值，由于动态过程波动较大，此时运行参数不能真实反映分解炉内运行状况，采用滑动窗口法进行稳态检测：首先选择合适的窗口长度N，确定窗口内运行数据的波动情况，然后将窗口向后移动以确定下一组数据直到检测所有数据为止；稳定工况判断标准如下：
[0017][0018]其中x
max
为该滑动窗口范围内的某一运行参数的最大值,x
min
为该滑动窗口范围内某一运行参数的最小值，x
r
为额定工况下的额定值，v
t
是稳定阈值；
[0019](2.4)对影响NOx排放量和生料分解率的因素进行特征选择，通过相关性分析，计算各参数与目标值之间的相互依赖的程度，排除相关性较低的参数的影响，减少模型计算量；基于互信息相关性分析的方法，选取除生料下料量、喷煤量、三次风量、氨水用量等操作人员可调节的参数外与NOx排放量和生料分解率相关性最大的特征变量；
[0020](2.5)对选择的数据降维，采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，减少数据中的冗余信息与噪声，进一步减少模型计算量；通过主成分分析的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分；
[0021](2.6)通过数据标准化，将数据按比例缩放，使之落入特定的区间，从而避免由于各数据间量纲和数量级不同而削弱综合分析过程中数值较小参数的作用；使用min
‑
max标准化的方法完成数据的处理，计算方法如下：
[0022][0023]其中X
norm
是标准化后的值，X
max
、X
min
、X
mean
分别为数据的最大值、最小值和平均值；
[0024](2.7)计算各变量的迟滞性即需要多久才能对被控对象的变化产生影响；记各变量迟延时间为τ
i
,i＝1,2,3...N，其中N为经前述步骤处理后得到的变量个数，通过计算各变量的迟延时间，选择出各变量迟延时间段内的数据，完成数据的时序匹配；x(t)为t时刻，模型对象计算所需要参数构成的数组：
[0025]x(t)＝[y(t
‑
1),...,y(t
‑
τ
y
),u1(t),u1(t
‑
1),...,u1(t
‑
τ1),...,u
N
(t),u
N
(t
‑
1),...,u
N
(t
‑
τ
N
)]T
[0026]上述公式中τ
i
的值由粒子群算法进行求解，在粒子群算法中，将延迟时间(τ1,τ2,...,τ
p
,τ
y
)作为整数空间中需要优化的变量，0≤τ
i
≤τ
max
,τ
max
为变量的最大迟延时间；将预测误差作为最小适应度函数，优化过程通过最小化适应度函数来搜索最佳延迟；
[0027](2.8)由上述步骤(2.1)～(2.7)，构造NOx排放量和生料分解率计算的数据集，对于NOx排放量和生料分解率，由于影响因素不同，需要构造两个数据集，分别为{y1(t),x1(t)}与{y2(t),x2(t)}。
[0028]步骤(2)所述的特征选择指通过相关性分析，计算各参数与目标值之间的相互依赖的程度，排除相关性较低的参数的影响，减少模型计算量，基于互信息相关性分析的方法，选取相关性最大的特征；所述的降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，减少数据中的冗余信息与噪声，进一步减少模型计算量，通过主成分分析的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分；所述的数
据标准化是指将数据按比例缩放，使之落入特定的区间，从而避免由于各数据间量纲和数量级不同而削弱综合分析过程中数值较小参数的作用，使用min
‑
max标准化的方法完成数据的处理。
[0029]步骤(3)所述的衡量燃烧效率与污染的参数指分解炉内生料分解率测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，包括以下步骤：(1)从DCS系统中实时采集分解炉运行工况数据并将其传输到专用服务器数据库中存储；(2)对历史运行数据进行数据清洗、特征选择、降维、数据标准化操作，建立分解炉NOx与生料分解率计算的训练集与测试集；(3)使用机器学习方法对模型进行训练，建立衡量燃烧效率与污染物的关键变量计算模型，并通过测试集验证模型准确性；(4)通过智能优化算法，将基于机器学习方法建立的分解炉关键变量计算模型的输出构造为目标函数，进行参数寻优，得到目标工况下可调操作量的较优参考值；(5)根据模型性能变化自适应地更新模型，保证计算结果的准确性。2.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，步骤(2)所述的历史运行数据是指一个月以上的水泥厂窑炉历史运行原始数据，包括操作人员可调节的参数数据和不可调节的参数数据，所述可调节的参数数据包括水泥生产过程中的生料下料量、喷煤量、三次风量、氨水用量，所述不可调节的参数数据包括三次风温度、分解炉出口温度、分解炉出口压力、窑尾温度、窑尾压力、煤种性质。3.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，步骤(2)所述的数据清洗指删除历史运行数据中由于传感器或其他设备故障产生的缺失值、异常值非稳态值；具体为：(2.1)对数据中的缺失值，若仅存在间断时间点缺失，使用前后时间点的记录值进行线性插值填补；若存在连续缺失值，则从系统数据库中删去该段时间内的测量值；(2.2)对数据中的异常值，根据拉伊达准则对数据中存在的异常值进行判断：其中为数据中某一变量的平均值，σ为某一变量的标准差；(2.3)对数据中的非稳态值，由于动态过程波动较大，此时运行参数不能真实反映分解炉内运行状况，采用滑动窗口法进行稳态检测：首先选择合适的窗口长度N，确定窗口内运行数据的波动情况，然后将窗口向后移动以确定下一组数据直到检测所有数据为止；稳定工况判断标准如下：其中x
max
为该滑动窗口范围内的某一运行参数的最大值,x
min
为该滑动窗口范围内某一运行参数的最小值，x
r
为额定工况下的额定值，v
t
是稳定阈值；(2.4)对影响NOx排放量和生料分解率的因素进行特征选择，通过相关性分析，计算各参数与目标值之间的相互依赖的程度，排除相关性较低的参数的影响，减少模型计算量；基于互信息相关性分析的方法，选取除生料下料量、喷煤量、三次风量、氨水用量等操作人员可调节的参数外与NOx排放量和生料分解率相关性最大的特征变量；(2.5)对选择的数据降维，采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，减少数据中的冗余信息与噪声，进一步减少模型计算量；通过主成分分析的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分；
(2.6)通过数据标准化，将数据按比例缩放，使之落入特定的区间，从而避免由于各数据间量纲和数量级不同而削弱综合分析过程中数值较小参数的作用；使用min
‑
max标准化的方法完成数据的处理，计算方法如下：其中X
norm
是标准化后的值，X
max
、X
min
、X
mean
分别为数据的最大值、最小值和平均值；(2.7)计算各变量的迟滞性即需要多久才能对被控对象的变化产生影响；记各变量迟延时间为τ
i
,i＝1,2,3
…
N，其中N为经前述步骤处理后得到的变量个数，通过计算各变量的迟延时间，选择出各变量迟延时间段内的数据，完成数据的时序匹配；x(t)为t时刻，模型对象计算所需要参数构成的数组：x(t)＝[y(t
‑
1),
…
,y(t
‑
τ
y
),u1(t),u1(t
‑
1),
…
,u1(t
‑
τ1),
…
,u
N
(t),u
N
(t
‑
1),
…
,u
N
(t
‑
τ
N
)]
T
上述公式中τ
i
的值由粒子群算法进行求解，在粒子群算法中，将延迟时间(τ1,τ2,
…
,τ
p
,τ
y
)作为整数空间中需要优化的变量，0≤τ
i
≤τ
max
,τ
max
为变量的最大迟...

【专利技术属性】
技术研发人员：陈翼，刘仁越，张健，朱刚，宁建根，赵小亮，朱永长，赵美江，周斌，钟文琪，戚子豪，陈曦，周冠文，何聪，
申请(专利权)人：中国中材国际工程股份有限公司，
类型：发明
国别省市：