一种基于预测与变量约束寻优的干熄焦烧损率优化方法技术

本发明专利技术涉及一种基于预测与变量约束寻优的干熄焦烧损率优化方法，包括如下步骤：S1、根据工艺要求，筛选影响干熄焦烧损率的变量，并采集对应的历史分布式控制系统(DCS)数据；S2、对数据进行数据分布可视化、异常值处理、滤波、相关性分析、构造训练样本处理；S3、建立XGBoost预测模型，并对参数网格搜索、对训练样本做交叉验证训练，得到训练好的烧损率预测模型；S4、将各原料的实时DCS数据传给模型，即实现了对烧损率的软测量；S5、实时上传的DCS数据一路传给模型，实现对烧损率的实时预测，另一路存入大数据存储平台；S6、将实时上传的DCS数据与数据库中的历史数据计算距离度量，搜索到与当前DCS数据最接近并且烧损率低于当前预测的烧损率的历史DCS数据。的烧损率的历史DCS数据。的烧损率的历史DCS数据。

【技术实现步骤摘要】
一种基于预测与变量约束寻优的干熄焦烧损率优化方法


[0001]本专利技术属于工业数字化和智能化
，具体涉及一种基于预测与变量约束寻优的干熄焦烧损率优化方法。

技术介绍

[0002]干熄焦是采用惰性气体将红焦降温冷却的一种熄焦方法。干熄焦工艺在节能、环保和改善焦炭质量等方面优于湿熄焦。在工业生产中，干熄焦工艺中焦炭的烧损是必然的，这极大地降低了焦炭的产量，增加了生产成本。据了解，干熄焦系统焦炭烧损率设计约为1％，但在实际生产中的烧损率却不止这些。所以降低干熄焦的烧损率是十分必要的。
[0003]干熄焦生产工艺复杂、系统滞后性大。要降低烧损率，就需要实时检测烧损率的值，再对相关参数进行调整。一方面，当前主要依靠设备检测烧损率，时效性差、成本高。因此，设计和开发烧损率实时预测模型具有重大的价值。另一方面，如何去寻找合理的、更优的相关变量的值，并且可以通过控制达到，实现降低烧损率。这二者正是要解决的技术问题。
[0004]随着机器学习等技术的发展和应用推广，软测量已经越来越多地用于工业生产，而XGBoost、深度学习等机器学习模型都取得了很好的效果。训练一个泛化性好的模型的前提是对数据进行合理处理的有效方案。

技术实现思路

[0005]本专利技术的目的是提供一种基于预测与变量约束寻优的干熄焦烧损率优化方法，在对烧损率软测量的基础上，通过关键变量的约束，从历史数据中搜索最优烧损率及对应DCS点位数值，为烧损率优化提供方向。
[0006]本专利技术的技术方案：一种基于预测与变量约束寻优的干熄焦烧损率优化方法，包括如下步骤：
[0007]S1、根据工艺要求，筛选影响干熄焦烧损率的变量，并采集对应的历史分布式控制系统(DCS)数据；
[0008]S2、对数据进行数据分布可视化、异常值处理、滤波、相关性分析、构造训练样本处理；
[0009]S3、建立XGBoost预测模型，并对参数网格搜索、对训练样本做交叉验证训练，得到训练好的烧损率预测模型；
[0010]S4、将各原料的实时DCS数据传给模型，即实现了对烧损率的软测量；
[0011]S5、实时上传的DCS数据一路传给模型，实现对烧损率的实时预测，另一路存入大数据存储平台；
[0012]S6、将实时上传的DCS数据与数据库中的历史数据计算距离度量，采用欧氏距离，并对关键变量的偏差做约束、对关键含量做上限约束，在上述约束的前提下，搜索到与当前DCS数据最接近并且烧损率低于当前预测的烧损率的历史DCS数据；
[0013]S7、搜索到的最优烧损率和DCS数据，即为当前烧损率的优化方向，而DCS数据为控制变量调整的方向。
[0014]进一步的，步骤S1中影响干熄焦烧损率的变量包括：循环风量、导入空气阀位反馈、排焦温度、干熄炉炉口温度、预存室料位、锅炉入口温度、氢含量、氧含量、一氧化碳含量、二氧化碳、导入空气流量、排焦瞬时量。
[0015]再进一步的，步骤S6中对关键变量循环风量和排焦瞬时量的偏差做约束、对一氧化碳、二氧化碳、氢气的含量做上限约束。
[0016]进一步的，步骤S2中，数据可视化为查看数据的概率分布，异常值处理为用箱线图方法剔除极端值，滤波采用惯性滤波减小噪声的干扰，相关性分析是将相关的点位变量与烧损率计算皮尔逊相关系数，选择相关系数绝对值大于0.3的变量，最后得到可供训练模型的样本。
[0017]再进一步的，通过关键变量约束从历史数据中搜索到的最优烧损率，搜索到的烧损率比当前实时DCS数据预测的烧损率更低，且最优烧损率对应的历史DCS数据的关键变量循环风量和排焦瞬时量与当前实时值的偏差绝对值分别小于100和10，由此得到的烧损率和影响变量是可通过后续的调整达到的。
[0018]再进一步的，箱线图方法选取x∈(mu
‑
3*std，mu+3*std)范围内的数据作为正常数据，超出范围的认为是异常值，其中，mu表示均值，std表示标准差；关系滤波是低通滤波，其中，α是与系统时间有关的平滑系数，取α＝0.8，x
t
和x
t
‑1分别表示当前与上一个时间步的DCS数值；皮尔逊相关分析即其中，x和y分别表示零均值化的变量，表示烧损率和影响变量，s
x
和s
y
分别是x和y的标准差,N表示数据的个数，选取相关系数绝对值大于0.3的变量作为训练样本的字段。
[0019]进一步的，步骤S3中，对参数网格搜索、对训练样本做10重交叉验证(10
‑
fold cross validation)方式训练，得到训练好的烧损率预测模型；网格搜索是对树模型深度、树的个数、学习率进行搜索。
[0020]本专利技术的技术效果：本专利技术在对烧损率软测量的基础上，通过关键变量的约束，从历史数据中搜索最优烧损率及对应DCS点位数值，为烧损率优化提供方向。本专利技术通过关键变量约束从历史数据中搜索到的最优烧损率，搜索到的烧损率比当前实时DCS数据预测的烧损率更低。搜索到的最优烧损率即为当前烧损率的优化方向，而DCS数据为控制变量调整的方向。
附图说明
[0021]图1为本专利技术的干熄焦烧损率优化算法框架图；即为本专利技术实施例提供的干熄焦烧损率优化算法框架图；
[0022]图2为本专利技术的训练软测量模型使用的历史时序数据字段图；即为本专利技术实施例提供的训练模型使用的历史时序数据字段图；
[0023]图3为本专利技术的烧损率数据分布图；即为本专利技术实施例提供的烧损率数据分布图；
[0024]图4为本专利技术的软测量模型训练流程图；即为本专利技术实施例提供的软测量模型训
练流程图；
[0025]图5a、5b为本专利技术的两组烧损率预测结果图；即为本专利技术实施例提供的烧损率预测结果图；其中，红色曲线(pred)为预测值，蓝色曲线(truth)为真实值。图5a为训练集的训练结果图，图5b为在测试集上的测试结果图；在训练集上(相关系数)R2＝0.9946,(平均绝对误差)MAE＝0.0116，在测试集上(相关系数)R2＝0.9234，(平均绝对误差)MAE＝0.0363。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]本专利技术所涉及剔除的组合方法，包括：数据可视化、异常值处理、滤波、相关性分析、构造训练样本(处理)。本专利技术的方案得益于大数据存储技术，随着生产数据的不断累积，能够得到越来越多的经验形成数据，烧损率预测模型的精度能够不断提升，而且为变量搜索提供了更大的空间、更优的解。本专利技术方案采用从历史数据中搜索与当前实时DCS数值接近的而且烧损率更优的值，是基于两个方面考虑：(1)烧损率应该比预测的烧损率更低，但是只能从历史数据中搜本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测与变量约束寻优的干熄焦烧损率优化方法，其特征在于，包括如下步骤：S1、根据工艺要求，筛选影响干熄焦烧损率的变量，并采集对应的历史分布式控制系统(DCS)数据；S2、对数据进行数据分布可视化、异常值处理、滤波、相关性分析、构造训练样本处理；S3、建立XGBoost预测模型，并对参数网格搜索、对训练样本做交叉验证训练，得到训练好的烧损率预测模型；S4、将各原料的实时DCS数据传给模型，即实现了对烧损率的软测量；S5、实时上传的DCS数据一路传给模型，实现对烧损率的实时预测，另一路存入大数据存储平台；S6、将实时上传的DCS数据与数据库中的历史数据计算距离度量，采用欧氏距离，并对关键变量的偏差做约束、对关键含量做上限约束，在上述约束的前提下，搜索到与当前DCS数据最接近并且烧损率低于当前预测的烧损率的历史DCS数据；S7、搜索到的最优烧损率和DCS数据，即为当前烧损率的优化方向，而DCS数据为控制变量调整的方向。2.根据权利要求1所述的一种基于预测与变量约束寻优的干熄焦烧损率优化方法，其特征在于，步骤S1中影响干熄焦烧损率的变量包括：循环风量、导入空气阀位反馈、排焦温度、干熄炉炉口温度、预存室料位、锅炉入口温度、氢含量、氧含量、一氧化碳含量、二氧化碳、导入空气流量、排焦瞬时量。3.根据权利要求1或2所述的一种基于预测与变量约束寻优的干熄焦烧损率优化方法，其特征在于，步骤S6中对关键变量循环风量和排焦瞬时量的偏差做约束、对一氧化碳、二氧化碳、氢气的含量做上限约束。4.根据权利要求1所述的一种基于预测与变量约束寻优的干熄焦烧损率优化方法，其特征在于，步骤S2中，数据可视化为查看数据的概率分布，异常值处理为用箱线图方法剔除极端值，滤波采用惯性滤波减小噪声...

【专利技术属性】
技术研发人员：芮强，崔娟，姚嘉音，杜同春，
申请(专利权)人：合肥力拓云计算科技有限公司，
类型：发明
国别省市：