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.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114721263A(43)申请公布日2022.07.08(21)申请号202210256441.2(22)申请日2022.03.16(71)申请人中国中材国际工程股份有限公司地址211100江苏省南京市江宁开发区将军大道106号(72)发明人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(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师柏尚春(51)Int.Cl.G05B13/04(2006.01)权利要求书3页说明书6页附图3页(54)发明名称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(57)摘要本发明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。CN114721263ACN114721263A权利要求书1/3页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xmax为该滑动窗口范围内的某一运行参数的最大值,xmin为该滑动窗口范围内某一运行参数的最小值，xr为额定工况下的额定值，vt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；2CN114721263A权利要求书2/3页(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Xnorm是标准化后的值，Xmax、Xmin、Xmean分别为