【技术实现步骤摘要】
本专利技术属于回转窑工况预测，具体是耦合仿真和深度学习神经网络的回转窑工况预测方法。
技术介绍
1、回转窑是一种连续运行的旋转筒体热工设备，其工作原理是利用窑体的倾斜和缓慢旋转，使物料在窑内翻滚前进，同时与窑内热气体进行热交换，使得内部的物料在高温条件下完成物料的加热、分解、煅烧等一系列热处理过程；在这一过程中，回转窑的旋转不仅促进了物料与热气体之间的充分接触，还有助于物料内部的物理化学反应，如水分蒸发、有机物分解以及矿物质的重组，从而实现高效、均匀的热处理效果，是水泥生产、冶金、化工等行业不可或缺的关键设备。
2、但在实际生产过程中，回转窑作为关键设备，不稳定的控制水平可能引起熟料在煅烧过程中的“欠烧”或“过烧”，出现回转窑结圈、局部温度异常等问题，影响物料的正常流动和热交换效率，影响熟料的品质，给质量管理和工艺调整带来了考验；并且回转窑内部温度极高，最高温度能达到1800℃以上，且气体含尘量大，高温下的物料流动和温度分布难以直接测量，增加了精确控制的难度，依赖操作者的人工经验，缺乏量化指标反映内部规律，存在主观性和响应滞后的问题；
3、计算流体动力学cfd仿真技术在现代工程设计和科学研究中扮演着至关重要的角色，通过cfd技术建立回转窑仿真模型，进行仿真分析，可以预测设备的整体工况，以便优化运行参数，提高回转窑的生产效率。但在处理回转窑这样的大型、高精度、涉及到流动与传热的仿真任务时，cfd仿真所需的计算成本较高，限制其在实际工程问题中的应用能力，同时由于工况复杂，很难实现实时仿真，无法迅速提供优化建议
4、基于cfd仿真模型，能通过收集大量数据来分析和监测回转窑的运行状态，但cfd模型因为计算复杂度过高，为了提高数值仿真的计算速度，实现全流场数据的实时预测，必须对回转窑仿真模型进行降阶，建立基于回转窑仿真模型的兼顾精度与计算效率的数字孪生模型。如何利用pod本征正交分解得到的特征精准地对指定工况下的温度场进行预测与表示，是实现回转窑模型降阶与数字孪生的关键技术问题，并通过实时预测获取最佳设定值，确保回转窑始终处于最佳状态。
5、那么如何通过cfd仿真与深度学习相结合，能够迅速获得回转窑工况参数，提供优化建议或决策支持，对回转窑智能动态调整，确保回转窑的稳定运行并提高煤粉燃烧效率与生产效率，节能降耗，这是一个问题，基于此，提供一种解决方案。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了耦合仿真和深度学习神经网络的回转窑工况预测方法。
2、耦合仿真和深度学习神经网络的回转窑工况预测方法，该方法具体包括如下步骤：
3、步骤一：数值仿真模块基于欧拉双相流基本模型，并耦合传热模型与化学反应模型，建立了回转窑的瞬态仿真模型，并对仿真模型进行结果验证与模型调整；确定回转窑边界与工况参数，通过cfd软件对几十种不同的工况条件进行仿真，获得样本数据；
4、步骤二：利用本征正交分解对仿真样本数据进行处理，从而提取出回转窑在各种工况状态下的基模态及其关键特征值；通过反向传播神经网络建立工况参数到基模态系数的多层神经网络模型，训练工况参数空间与流场基模态特征值系数之间的多输入输出映射模型，实现较好的拟合效果；
5、步骤三：配置少量开源python库后即在工厂工控设备上进行模型部署，通过bpnn模型快速预测出回转窑流场、温度场，并通过在回转窑局部点进行传感器检测，获取局部的观测数据，将局部观测点的数据与全场预测数据相结合，采用滤波修正算法对预测数据进行全场更新，保留流场真实特征的基础上有效提高流场预测值的精准度，使得预测数据更接近真实物理场的数据。
6、与现有技术相比，本专利技术的有益效果是：
7、本专利技术通过对回转窑仿真以获取样本数据，结合了pod方法与神经网络，开发了一种高效的预测模型，从而实现对回转窑流场温度场的快速预测，显著降低了传统cfd仿真在计算资源和时间上的巨大开销，解决以往仿真技术在实时性方面的局限，并通过修正算法对预测数据进行调整，提升了模型的实用性与可靠性，实现将回转窑降阶与数字孪生模型部署到工业现场中，实时地为生产流程提供指导，确保了生产效率和质量的提升。
本文档来自技高网...【技术保护点】
1.耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，该方法具体包括如下步骤：
2.根据权利要求1所述的耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，
3.根据权利要求1所述的耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，回转窑仿真还包括如下子模型：
4.根据权利要求1所述的耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，训练多输入输出映射模型的具体方式为：
5.根据权利要求1所述的耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，
6.根据权利要求1所述的耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，基于工厂传感器部署观测点的数据对预测数据校正，具体方式为：
【技术特征摘要】
1.耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，该方法具体包括如下步骤：
2.根据权利要求1所述的耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，
3.根据权利要求1所述的耦合仿真和深度学习神经网络的回转窑工况预测方法，其特征在于，回转窑仿真还包括如下子模型：
4.根据权利要求1所述的...
【专利技术属性】
技术研发人员：水沛，褚彪，袁鹏，殷腾飞，王广，
申请(专利权)人：合肥水泥研究设计院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。