一种数字能源鼓风站的压力控制系统及其方法技术方案

本发明专利技术涉及一种数字能源鼓风站的压力控制系统及其方法，属于设备控制技术领域，包括鼓风机、传感器、采集模块、模型建立模块和控制器，所述鼓风机与所述传感器连接，所述传感器检测所述鼓风机运行过程中的环境参数和鼓风机内部参数，所述采集模块采集历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数，所述模型建立模块处理所述采集模块获取的数据，建立BP神经网络模型，所述控制器根据所述BP神经网络模型的预测值控制所述鼓风机。通过分析鼓风站的外部和内部因素对鼓风机压力值的影响，建立BP神经网络预测模型，对鼓风机运行中的压力值进行预测，为监测设备正常运行提供数据参考，为提升设备运行可靠性提供有力支撑。撑。撑。

【技术实现步骤摘要】
一种数字能源鼓风站的压力控制系统及其方法


[0001]本专利技术属于设备控制
，具体地，涉及一种数字能源鼓风站的压力控制系统及其方法。

技术介绍

[0002]鼓风站是一种供应工业用途中所需气体的设备，往往运用在冶金、化工、电力等领域，鼓风站作为配套设备，主要起增氧或补充焦炭所需的氧气，控制炉体温度，为加热设备提供足够的空气压力。鼓风站的重要作用在于提供稳定的气流和气压，控制生产流程的稳定性和生产成本的低廉性。鼓风站在钢铁生产中尤为重要，在高炉内加入适量氧气，可以促进燃烧，使生产效率大幅提高，同时产品质量也有极大改善。此外，鼓风站还可以为热炉和冶炼炉提供暖风，为烘干和干燥设备提供热风等。
[0003]现有技术中，过高的压力会导致鼓风系统中的管道破裂、泄露等问题，严重时可能会引起火灾或爆炸等危险事故，而压力过低则会导致高炉进气量不足，燃烧不充分，影响高炉的产能和质量，此外，压力过低还会导致鼓风机的效率下降，耗能增加，从而导致生产成本增加，还可能会使鼓风机产生过热、漏风等问题。因此需要对鼓风站产生的压力进行控制，但现有技术中的预测技术精度较差，经常出现预测出错的问题，导致控制出错，影响生产。

技术实现思路

[0004]为解决上述
技术介绍
中存在现有技术中的预测技术精度较差，经常出现预测出错的技术问题，本专利技术提供了一种数字能源鼓风站的压力控制系统及其方法。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种数字能源鼓风站的压力控制系统，包括若干鼓风机、若干传感器、采集模块、模型建立模块和控制器，其中：
[0007]所述鼓风机与若干所述传感器连接，所述传感器检测所述鼓风机运行过程中的环境参数和鼓风机内部参数，所述采集模块采集历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数，所述模型建立模块处理所述采集模块获取的数据，建立BP神经网络模型，所述控制器根据所述BP神经网络模型的预测值控制所述鼓风机，
[0008]所述环境参数包括环境温度、环境湿度、环境大气压；所述鼓风机内部参数包括负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度和鼓风机压力值。
[0009]进一步的，所述传感器包括温度传感器、压力传感器和液位传感器。
[0010]进一步的，所述BP神经网络模型的神经网络拓扑结构包括输入层、中间隐层和输出层，所述输入层接收输入的样本数据，所述中间隐层通过样本数据进行特征提取和样本映射，所述输出层对所述中间隐层输出的特征进行分类或回归预测。
[0011]进一步的，所述中间隐层的连接权重通过反向传播算法训练优化。
[0012]进一步的，所述反向传播算法通过将训练样本中的误差从输出层反向传播至中间
隐层，从而更新中间隐层与输出层之间的连接权重。
[0013]进一步的，所述压力控制系统还包括电机和风阀，所述控制器根据所述BP神经网络模型输出的预测值控制电机或风阀。
[0014]进一步的，根据控制器的控制指令调整所述电机的输入电压或频率，从而改变电机的转速。
[0015]进一步的，根据控制器的控制指令控制风阀的打开程度。
[0016]一种数字能源鼓风站的压力控制方法，应用于前述的一种数字能源鼓风站的压力控制系统，包括以下步骤：
[0017]获取历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数；
[0018]使用mapminmax函数对各类数据进行归一化处理，各变量取值范围为[
‑
1,1]；
[0019]将BP神经网络设置为多层拓扑结构，包括输入层，中间隐层和输出层，建立BP神经网络模型，网络中神经元输出的数学模型为：
[0020][0021]式中：u为神经元输出；x为神经元输入；ω为权重值；b为神经元阈值；
[0022]训练BP神经网络模型，选取样本总量的70％作为训练样本，选取样本总量的15％作为测试样本，其余15％的样本用于验证，对样本数据进行线性回归分析，从而评估预测的准确度；
[0023]将初始化所得权值和阈值作为初始种群进行编码，利用遗传算法进行优化得到最优的权值和阈值，再用优化后的BP神经网络进行预测；
[0024]将训练得到的BP神经网络模型用于仿真测试，若预测模型能够与实际的变化趋势符合，则将训练得到的BP神经网络用于实际生产中鼓风机的压力值预测。
[0025]进一步的，将生产过程中的负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度输入至训练得到的BP神经网络模型中，BP神经网络模型输出预测压力值；
[0026]根据预测压力值调整鼓风机生产参数。
[0027]本专利技术的有益效果：
[0028]1、本专利技术公开的一种数字能源鼓风站的压力控制系统及其方法通过分析鼓风站的外部影响因素和内部参数对鼓风机压力值的影响，建立BP神经网络预测模型，对鼓风机运行中的压力值进行预测，为监测设备正常运行提供数据参考，快速分析设备压力值，提升设备运行可靠性提供有力支撑。
[0029]2、本专利技术公开的一种数字能源鼓风站的压力控制方法还利用遗传算法优化BP神经网络，提高了BP神经网络的预测精度，且能解决BP神经网络的局部收敛的问题。
附图说明
[0030]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术中一种数字能源鼓风站的压力控制系统的整体工作原理示意图；
[0032]图2为本专利技术中压力控制系统中传感器对环境参数和内部参数的采集过程示意图；
[0033]图3为本专利技术中压力控制系统中控制器对鼓风机的控制原理示意图；
[0034]图4为本专利技术中一种数字能源鼓风站的压力控制方法整体步骤流程图；
[0035]图5为本专利技术中BP神经网络拓扑结构图。
具体实施方式
[0036]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作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0037]数字能源鼓风站(Digital Energy Blowing Station)是一种应用数字化技术和物联网技术对炼钢工艺中鼓风系统进行优化和智能化管理的设备，旨在提高钢铁生产效率、降低成本、减少能耗和污染排放。数字能源鼓风站的应用可以帮助钢铁工厂实现智能化生产管理和能源管理，提高企业的竞争力和可持续发展能力。
[0038]数字能源古风站在生产过程中，主要是鼓风机设备产生压力，鼓风系统是钢铁生产过程中必备的设备，它为高炉提供所需的氧气，控制高炉的燃烧过程和生成钢水所需的热量。而数字能源鼓风站作为鼓风本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字能源鼓风站的压力控制系统，其特征在于，包括若干鼓风机、若干传感器、采集模块、模型建立模块和控制器，其中：所述鼓风机与若干所述传感器连接，所述传感器检测所述鼓风机运行过程中的环境参数和鼓风机内部参数，所述采集模块采集历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数，所述模型建立模块处理所述采集模块获取的数据，建立BP神经网络模型，所述控制器根据所述BP神经网络模型的预测值控制所述鼓风机，所述环境参数包括环境温度、环境湿度、环境大气压；所述鼓风机内部参数包括负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度和鼓风机压力值。2.根据权利要求1所述的一种数字能源鼓风站的压力控制系统，其特征在于，所述传感器包括温度传感器、压力传感器和液位传感器。3.根据权利要求1所述的一种数字能源鼓风站的压力控制系统，其特征在于，所述BP神经网络模型的神经网络拓扑结构包括输入层、中间隐层和输出层，所述输入层接收输入的样本数据，所述中间隐层通过样本数据进行特征提取和样本映射，所述输出层对所述中间隐层输出的特征进行分类或回归预测。4.根据权利要求3所述的一种数字能源鼓风站的压力控制系统，其特征在于，所述中间隐层的连接权重通过反向传播算法训练优化。5.根据权利要求4所述的一种数字能源鼓风站的压力控制系统，其特征在于，所述反向传播算法通过将训练样本中的误差从输出层反向传播至中间隐层，从而更新中间隐层与输出层之间的连接权重。6.根据权利要求1所述的一种数字能源鼓风站的压力控制系统，其特征在于，所述压力控制系统还包括电机和风阀，所述控制器根据所述BP神经网络模型输出的预测值控制电机或风阀。7.根据权利要...

【专利技术属性】
技术研发人员：胡培生，孙小琴，魏运贵，胡明辛，
申请(专利权)人：广州瑞鑫智能制造有限公司，
类型：发明
国别省市：