基于炉温软测量模型的炉膛温度预测方法及装置

技术领域

本发明涉及气化炉炉温预测领域，尤其是涉及一种基于炉温软测量模型的炉膛温度预测方法及装置。

背景技术

随着大数据和人工智能等技术的发展，并且从智能化与大数据的角度，使用新的思路，站在全局的高度，综合考虑气化生产的原料、工艺操作、设备运行、质量控制等全流程要素数据，采用先进的大数据分析挖掘技术，再结合互联网以及其他外部数据信息，搭建大数据平台，进行数据采集、汇总、清洗和标准化，开发炉温预测模型，监控设备状态，优化气化生产工艺，提高设备管理效率，从而实现气化产量的提升和管理成本的下降。

目前，气化生产过程中存在三大主要问题。第一，有效气产量不稳定。第二，生产过程当中的控制参数量化界定不明确，有提升调优的空间。第三，生产成本面临挑战，降能降耗是当前的紧迫任务。但由于关键参数的数据采集存在实时性不足、准确度不高的问题，即在有限的设备改造条件下提高炉温读数的精准度。

炉膛温度是衡量水煤浆气化炉是否安全、能否稳定并长期运行的关键技术指标之一。一般在实际工业生产中，炉膛温度必须保持在煤渣熔融的+50℃～+100℃。若温度低于该范围，那么直接影响气化炉的排渣容畅度，导致可能发生堵塞现象。若温度高于该范围，导致耐火砖寿命下降，合成气体中有效气比率下降。综上所述，工业生产中气化炉的炉膛温度必须保持在一定范围内操控，这就对炉膛温度的实时监测提出了较高要求。

经过检索，中国专利公开号CN110991756A公开了一种供基于TS模糊神经网络的MSWI炉膛温度预测方法。针对炉膛温度难以预测的问题，从数据驱动角度出发提出了基于TS模糊神经网络的炉膛温度预测方法。首先，通过机理分析和现场操作人员的经验总结，选取出影响炉膛温度的相关的特征变量，同时根据相关变量的数据标签提取出现场运行历史数据；其次，利用TS模糊神经网络建立相关变量与炉膛温度之间的非线性模型。最后，对训练得到的TS模糊神经网络模型进行测试，实验结果显示该方法能够对炉膛温度进有效预测，所建立的预测模型能够表征该工况下系统的动态特性，为后续以炉膛温度为主控手段的焚烧系统控制器的设计建立了基础。但是该技术采用单一的神经网络进行建模预测，存在预测精度低、实时性差等问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高、实时性好的基于炉温软测量模型的炉膛温度预测方法及装置。

本发明的目的可以通过以下技术方案来实现：

根据本发明第一方面，提供了一种基于炉温软测量模型的炉膛温度预测方法，包括如下步骤：

步骤一：采集水煤浆气化炉生产时可检测的所有点位数据；

步骤二：对于各个点位数据分析，选取与气化炉炉温数据相关性超过设定阈值的操作变量；

步骤三：将数据分为测试集和训练集，并建立炉膛温度预测模型，使用训练集数据对模块进行训练，测试集数据进行预测；

步骤四：调整数据测试集与训练集的范围或调整模型的相关参数进行调优，选取评分超过设定阈值的回归参数并构建最佳模型；

步骤五：将步骤四得到的最佳模型部署在实际系统中，当系统实时产生数据时，将各参数代入模型中得出气化炉炉膛温度。

作为优选的技术方案，所述的所有点位数据包括生产过程中监测到的气化炉激冷水流量数据，大黑水流量数据，合成气CH4组分数据，气化炉燃烧室压力数据，气化炉各管线煤浆流量数据，气化炉各点位中心氧流量数据，气化炉燃烧室压力数据；

对同个时刻不同点位的相同数据取平均值后再进行后续处理。

作为优选的技术方案，对所述步骤一采集到的数据，根据实际工况和经验，将热电偶失效时采集的数据进行清洗；同时在热电偶发生失效后，采用CH4的气量作为输入变量来判断温度。

作为优选的技术方案，将所述步骤一采集的数据解压缩到大数据平台，实现气化全局数据的汇集，并采用分布式存储架构进行存储。

作为优选的技术方案，所述的步骤二中的操作变量选取采用相关系数法、有机理分析法或主成分分析法。

作为优选的技术方案，所述的相关系数法具体为：

相关系数分为三个等级|r|<0.35为弱相关性，0.35<|r|<0.75为显著相关性，|r|>0.75为高强度相关，其中选取煤浆浓度、氧气流量作为操作变量，炉膛温度历史数据作为目标变量。

作为优选的技术方案，所述的炉膛温度预测模型采用基于LS-SVM算法和BP神经网络的岭回归模型，并将所有采集的数据中的80％作为训练集，20％作为测试集，对炉膛温度预测模型进行验证。

根据本发明第二方面，提供了一种基于炉温软测量模型的炉膛温度预测装置，包括：

数据采集模块，用于采集水煤浆气化炉生产时可检测的所有点位数据；

数据分析模块，用于对于各个点位数据分析，选取与气化炉炉温数据相关性超过设定阈值的操作变量；

模型建立模块，用于将数据分为测试集和训练集，并建立炉膛温度预测模型，使用训练集数据对模块进行训练，测试集数据进行预测；

模型优化模块，用于调整数据测试集与训练集的范围或调整模型的相关参数进行调优，选取评分超过设定阈值的回归参数并构建最佳模型；

温度预测模块，用于将得到的最佳模型部署在实际系统中，当系统实时产生数据时，将各参数代入模型中得出气化炉炉膛温度。

根据本发明第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现所述的方法。

根据本发明第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的方法。

与现有技术相比，本发明具有以下优点：

1)本发明使用数据挖掘、相关性分析等机器学习算法，获取影响炉温的关键因素，针对这些影响炉温的因素再建立一个能够实时计算出炉温的模型，大大提高了预测精度。

2)本发明炉膛温度预测模型可以在热电偶失效后一定程度上预测气化炉温度，并且将平均误差控制在10摄氏度以内，就可以在测温仪器失灵的情况下对炉温温度变化有大致的掌握。

3)本发明将实时数据库数据解压缩到大数据平台，实现气化全局数据的汇集，采用分布式存储架构hadoop，具有易用、灵活、快速等优势。

4)本发明对于采集到的数据，根据实际工况和经验，对于热电偶失效时的数据进行清洗，进一步提高了预测精度。

5)考虑到为了实现模型在气化炉实时生产过程中对炉温进行精确预测，本发明使用原数据进行机器学习训练。

6)本发明通过整数据测试集与训练集的范围或调整岭回归模型的相关参数进行调优，选取评分较高的回归参数并构建最佳回归模型，大大提高了预测精度。

7)本发明可利用智能展现工具对分析结果进行可视化展现，以各种图表的形式呈现数据，在界面上提供异常预警、监测预报和操作建议。

附图说明

图1为炉膛温度预测模型框架示意图；

图2为炉膛温度预测模型分析过程示意图；

图3为相关系数法筛选操作变量框架示意图；

图4为温度数据处理过程的流程图；

图5为本发明方法的具体流程图；

图6为本发明装置的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明使用数据挖掘、相关性分析等机器学习算法，获取影响炉温的关键因素，针对这些影响炉温的因素再建立一个能够实时计算出炉温的模型。这样就可以在测温仪器失灵的情况下对炉温温度变化有大致的掌握。

炉膛温度是衡量一台水煤浆气化炉是否安全、能否稳定并长期运行的关键技术指标之一。一般在实际工业生产中，炉膛温度必须保持在煤渣熔融的+50℃～+100℃。若温度低于该范围，那么直接影响气化炉的排渣容畅度，导致可能发生堵塞现象。若温度高于该范围，导致耐火砖寿命下降，合成气体中有效气比率下降。综上所述，工业生产中气化炉的炉膛温度必须保持在一定范围内操控，这就对炉膛温度的实时监测提出了较高要求，如图1所示，其中e1与e2分别为不可测的扰动和可测量的扰动；X为生产过程中的可控输入；Y代表实际生产中的主要输出；y代表生产过程中的其他有效输出；

如图2所示，本发明的具体过程如下：

1、数据采集与预处理

模型的有效建立离不开数据采集与预处理，气化炉炉膛的温度的预测模型中主要因变量为炉膛温度，所以要采集处理影响到炉膛温度的数据。从理论上说影响炉膛温度的数据有很多，涉及到水煤浆制备、气化反应和水洗过程等多个环节。其中炉膛温度与气化反应存在密切联系，而气化反应又与合成气的组成部分密切相关，所以选择的变量在入炉口和出炉口参数获得，如煤浆浓度、氧气量、氢气占比、一氧化碳占比等。

2、操作变量选择

1)相关系数法

相关系数法是变量选择较为简单方法，该方法通过皮尔逊相关系数获得两个变量之间的相关性，从而得出与目标变量相关性较大的操作变量。

相关系数可以分为三个等级|r|<0.35为弱相关性，0.35<|r|<0.75为显著相关性，|r|>0.75为高强度相关。在工业实际生产中采集工业装置历史操作数据如煤浆浓度、氧气流量等作为操作变量，炉膛温度历史数据作为目标变量，分别计算他们的相关系数，然后以设定的阈值初步的筛选出操作变量，如图3所示。

2)有机理分析法

根据流体力学，若喷嘴的流量不对称或者角度不同时会引起炉膛内炉温的剧烈变化，所以针对流量喷入问题需要一个操作变量来描述。从工业生产经验中，甲烷也能够作为衡量温度的一个变量。

3、模型建立

在实际工业生产中，水煤浆的气化反应是一个非常复杂的非线性系统，并产生大规模错综复杂的工业过程数据。但是由于项目实施过程中的技术限制，本发明对训练数据进行相关处理，使得数据在线性回归-岭回归预测模型中拥有更好的效果。

4、模型验证

采集实际工业装置在正常测温期间的高温热电偶数据，得到炉膛目标变量。采集工业运行期间上述选择后的操作变量作为模型输入。将所有采集的数据中的80％作为训练集，20％作为测试集，对炉膛温度预测模型进行验证，若精度满足要求，则说明模型可以为工业生产带来指导意义。

通过上述过程，由于工业生产过程中测量炉温的热电偶在运行一段时间后会发生失效的问题，在发生问题后通常使用CH4的气量来判断温度。本发明炉温温度软测量模型可以在热电偶失效后一定程度上预测气化炉温度，并且将平均误差控制在10摄氏度以内。

本发明运用大数据技术可以对收集到的数据进行合理分析预测，达到实现对气化炉炉温预测的目的，具体实施方式如下：

(1)信息采集，将实时数据库数据解压缩到大数据平台，实现气化全局数据的汇集，采用分布式存储架构(hadoop)，建立易用、灵活、快速的大数据分析系统；

(2)数据处理，工业生产数据普遍存在空缺、噪音和不一致等情况，可以采用人工检测、统计学方法、聚类、分类、基于距离的方法、关联规则等方法来实现数据清洗。温度数据处理过程如图4所示；

(3)分析建模，利用多元回归、聚类分析、评分卡、神经网络、决策树、关联规则等机器学习算法对海量数据进行分析建模。

(4)对气化数据进行整理、融合与分析处理，为气化智能决策应用提供数据分析对策和方案；

(5)预测模型，通过人工智能和机器学习等前沿技术，开发炉温预测模型，为气化生产人员提供数据参考和支持。

当模型部署并运行之后可利用智能展现工具对分析结果进行可视化展现，以各种图表的形式呈现数据，在界面上提供异常预警、监测预报和操作建议，供现场人员参考，也为集团的管理决策层以及各部门的主要领导提供及时、准确、有价值的决策服务。

如图5所示，本发明的炉膛温度预测方法，具体包括以下步骤：

S101：采集水煤浆气化炉生产时可检测的所有点位数据；

S102：对于各个点位数据分析，选取与气化炉炉温数据相关性超过设定阈值的操作变量；

S103：将数据分为测试集和训练集，并建立炉膛温度预测模型，使用训练集数据对模块进行训练，测试集数据进行预测；

S104：调整数据测试集与训练集的范围或调整模型的相关参数进行调优，选取评分超过设定阈值的回归参数并构建最佳模型；

S105：将S104得到的最佳模型部署在实际系统中，当系统实时产生数据时，将各参数代入模型中得出气化炉炉膛温度。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

如图6所示，装置包括：

数据采集模块301，用于采集水煤浆气化炉生产时可检测的所有点位数据；

数据分析模块302，用于对于各个点位数据分析，选取与气化炉炉温数据相关性超过设定阈值的操作变量；

模型建立模块303，用于将数据分为测试集和训练集，并建立炉膛温度预测模型，使用训练集数据对模块进行训练，测试集数据进行预测；

模型优化模块304，用于调整数据测试集与训练集的范围或调整模型的相关参数进行调优，选取评分超过设定阈值的回归参数并构建最佳模型；

温度预测模块305，用于将得到的最佳模型部署在实际系统中，当系统实时产生数据时，将各参数代入模型中得出气化炉炉膛温度。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明的电子设备包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。

设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元执行上文所描述的各个方法和处理，例如方法S101～S105。例如，在一些实施例中，方法S101～S105可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法S101～S105的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S105。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。