CN108647808B - 一种生产参数优化预测方法、装置、设备及存储介质 - Google Patents
一种生产参数优化预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108647808B CN108647808B CN201810322649.3A CN201810322649A CN108647808B CN 108647808 B CN108647808 B CN 108647808B CN 201810322649 A CN201810322649 A CN 201810322649A CN 108647808 B CN108647808 B CN 108647808B
- Authority
- CN
- China
- Prior art keywords
- association
- monitoring data
- chain
- data
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 195
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 title claims description 15
- 230000008569 process Effects 0.000 claims abstract description 99
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000001537 neural effect Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012935 Averaging Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000010219 correlation analysis Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种生产参数优化预测方法、装置、设备及存储介质,包括:获取生产流程中各个工序的监测数据;对所述监测数据预处理;利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链;利用柔性神经树算法根据所述状态关联链建立预测模型,得到并输出预测结果。该方法可根据预测结果对关键工序的参数进行优化,通过优化关键工序的参数进而优化燃煤锅炉的生产流程,达到节能减排、提高经济性和生产安全性的效果。
Description
技术领域
本发明属于燃煤锅炉生产技术领域,具体涉及一种生产参数优化预测方法、装置、设备及存储介质。
背景技术
锅炉燃烧过程就是一个效益转化过程,锅炉高温水或蒸汽产生的大量热能,能够直接使用,通过管道进入到千家万户,应用到人们的生活生产中,保证生活生产健康发展,为房屋提供良好的采暖、全面调节空气质量、为纺织、化工、造纸等各行各业提供应用,同时,通过锅炉的燃烧,也能够实现电能、机械能等的转化,实现经济良好运行与发展,可见锅炉在生产生活中的重要地位与作用。
掌握燃煤锅炉生产流程中关键工序的参数对燃煤锅炉的利用十分重要。为了保证燃煤锅炉机组运行的可靠性和经济性,迫切需要在线实时掌握关键工序的参数和效率,以便根据实际情况对参数进行有效的优化和控制。
但是,人们直接从燃煤锅炉获取的监测数据是海量的,且通常存在着大量的噪声数据以及错漏信息,而且工序间的相互影响关系无法在数据中直接体现,并且具有分布、异步、离散的特性,无法直接用于大数据处理。人们很难直接从海量监测数据中获取有价值的规律性信息,进而无法对主汽压力、氧气含量、送风机转速等参数调整优化,也就无法达到优化生产,节能减排,提高企业生产安全性的目的。
发明内容
本发明的目的在于,针对上述现有技术存在的缺陷,提供设计一种生产参数优化预测方法、装置、设备及存储介质,以解决上述技术问题。
第一方面,本申请实施例提供一种生产参数优化预测方法,包括:获取生产流程中各个工序的监测数据;对所述监测数据预处理;利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链;利用柔性神经树算法根据所述状态关联链建立预测模型,得到并输出预测结果。
结合第一方面,在第一方面的第一种实施方式中,对所述监测数据预处理包括:将处于相同时间段的监测数据合并,得到集成监测数据;利用等差数列填充法或均值法填充空白监测数据;利用相关系数曲线对属于不同工序的监测数据进行时序调整;利用k-均值算法获取所述监测数据的聚类集合。
结合第一方面的第一种实施方式,在第一方面的第二种实施方式中,利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链包括:利用规则关联算法处理任意两个工序的聚类数据,得到不同工序中任意两聚类集合间的二项关联规则;计算不同工序中任意两聚类集合间的关联度,并将聚类集合间的关联度转换为工序间的关联度;根据所述任意两个工序间的关联规则和关联度,选取满足时间序列且关联度最大的聚类数据进行关联,构造不同工序间的最强关联链;将不同工序间的监测数据波动状态与所述最强关联链结合,得到不同工序间的状态关联链。
结合第一方面的第二种实施方式,在第一方面的第三种实施方式中,利用柔性神经树算法根据所述状态关联链建立预测模型得到并输出预测结果包括:利用柔性神经树方法,根据所述状态关联链和经预处理的监测数据建立预测模型;将关键工序的生产输入参数和生产输出参数输入到所述预测模型并进行迭代运算;通过不断修改迭代次数得到最佳迭代次数,并利用标准平均方差值和矩阵实验室校验预测的准确性。
第二方面,本申请实施例提供一种生产参数优化预测装置,包括:数据获取单元,配置用于获取生产流程中各个工序的监测数据;预处理单元,配置用于对所述监测数据预处理;关联链构建单元,配置用于利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链;模型建立单元,配置用于利用柔性神经树算法根据所述状态关联链建立预测模型,得到并输出预测结果。
结合第二方面,在第二方面的第一种实施方式中,预处理单元包括:合并子单元,配置用于将处于相同时间段的监测数据合并,得到集成监测数据;填充子单元,配置用于利用等差数列填充法或均值法填充空白监测数据;调整子单元,配置用于利用相关系数曲线对属于不同工序的监测数据进行时序调整;聚类子单元,配置用于利用k-均值算法获取所述监测数据的聚类集合。
结合第二方面的第一种实施方式,在第二方面的第二种实施方式中,关联链构建单元包括:关联规则子单元,配置用于利用规则关联算法处理任意两个工序的聚类数据,得到不同工序中任意两聚类集合间的二项关联规则;关联度子单元,配置用于计算不同工序中任意两聚类集合间的关联度,并将聚类集合间的关联度转换为工序间的关联度;最强关联链子单元,配置用于根据所述任意两个工序间的关联规则和关联度,选取满足时间序列且关联度最大的聚类数据进行关联,构造不同工序间的最强关联链;状态关联链子单元,配置用于将不同工序间的监测数据波动状态与所述最强关联链结合,得到不同工序间的状态关联链。
结合第二方面的第二种实施方式,在第二方面的第三种实施方式中,模型建立单元包括:建模子单元,配置用于利用柔性神经树方法,根据所述状态关联链和经预处理的监测数据建立预测模型;运算子单元,配置用于将关键工序的生产输入参数和生产输出参数输入到所述预测模型并进行迭代运算;校验子单元,配置用于通过不断修改迭代次数得到最佳迭代次数,并利用标准平均方差值和矩阵实验室校验预测的准确性。
第三方面,本申请实施例还提供一种设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如第一方面和第一方面任一实施方式所述的方法。
第四方面,本申请实施例提供一种存储介质,该程序被处理器执行时实现如第一方面和第一方面任一实施方式所述的方法。
本发明的有益效果在于,
本申请先对海量的监测数据进行预处理,使其可用于大数据处理。并进一步利用规则关联算法找出不同工序间的关联关系,并在此基础上利用柔性神经树法建立预测模型,从而根据预测结果对关键工序的参数进行优化。该方法通过优化关键工序的参数进而优化燃煤锅炉的生产流程,达到节能减排、提高经济性和生产安全性的效果。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例提供的燃煤锅炉生产流程中的生产参数优化预测方法流程图;
图2为本申请实施例提供的一条状态关联链结果分析图;
图3为本申请实施例提供的建模预测效果图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本实施例提供一种生产参数优化预测方法,包括以下内容:
S1、监测数据的采集:在热电生产领域的监测数据具有典型的流程对象特点,整个生产工艺包括了多个前后相关工序或工序,这些工序中都部署了OPC数据采集接口,可以将实时检测数据存储到数据库中;而不同生产***,如热水锅炉、化水***、辅机***,分别存在不同的子***中,相互之间不干扰,并最终集成到总数据库中,这些采集到的数据为我们的预测分析提供了基础。
S2、监测数据的预处理:
(1)数据集成和数据填充,
数据集成:针对数据分散的问题,将数据进行整合,选取所有工序处于相同时间片段的数据,合并成为新的数据。此时得到的数据含有大量工艺流程顺序的信息,对数据进行工艺流程顺序模式挖掘时会得到较为准确的结果。
控制填充:
对于大量空白的数据,直接将其舍弃掉;对于少量空白的数据,有明显趋势的采用等差数列填充法,不具有明显趋势性的采用均值法填充。通过对空白数据进行填充,从而保证数据的稳定性。防止在后期建模预测时空值对结果的影响。在流程对象χ中,若某一工序Xi含有部分缺失值,缺失时间段的数据为{Xi(tm),Xi(tn)}之间的数据,那么该缺失数据共含有n-m-1个,该段内的第j个缺失值为
若该数据不具有趋势性特征,采用均值法填补,该段内的填补数据为
其中,Xi(tj)为Xi(tm)之前的n-m个数据,Xi(tk)为Xi(tn)之后的n-m个数据;若空缺值在数据的前面或后面,则将其直接删除;若Xi(tm)前面或Xi(tn)后面数据不足n-m个,则从Xi(tn)后面或Xi(tm)前面顺延选取总量为2(n-m)个数据,保证得到的均值含有足量的信息,而选择数据量过多,会增大计算复杂度;数据量过少,又不足以包含数据的信息。
(2)时序调整,
我们将每一个工序的采样数据看作是时间序列(TimeSeries)数据,最终的目的是计算不同工序之间的相互影响关系,这就要求工序之间的数据是按照影响关系相互对应的。然而,数据库中的每条记录包含着同一时刻不同工序的采样数据,这并不是按照影响关系对应的,这就需要我们根据工序的相对延迟时间来进行调整,也即按照相对延迟时间对工序数据进行前移或后移。
每个工序的数据都是一个等时间间隔的时间序列,也即按照时间先后顺序进行排列的采样值集合。不同工序之间的影响构成了其对应的两个时间序列之间的
延迟相关性对两个时间序列进行延迟相关性分析即可求得两工序的时序Pearson相关系数用来衡量两个序列的线性相关程度,其定义如公式(3)所示。
其中,和分别是序列和的平均值。相关系数的绝对值越大,相关性越强;相关系数越接近于0,相关性越弱。由两个时间序列在不同延迟时间下的Pearson相关系数构成的曲线,我们称之为Pearson相关系数曲线。相关系数曲线表示了两时间序列随着延迟时间的增加,其相关性的变化趋势。曲线的极值点,也即相关性最大的点,通常表征了两时间序列是按照该延迟时间进行影响的。对两工序的时序数据进行基于Pearson相关系数曲线的延迟相关性分析,绘制相关系数曲线,将相关系数最大值对应的延迟值作为两工序的相对延迟时间。从而对工序进行调整。
(3)工序聚类
众多的离散数据状态将会大大增加后续关联分析的时间复杂度,而聚类可以帮助我们减少数据的离散状态个数,使我们只用少数的K个类别就可以有针对性地代表几乎所有数据。我们使用K-Means算法来进行聚类,聚类针对每一工序单独进行,也即每一个工序都有一个聚类个数K和与其对应的K个类型,不同工序的聚类个数K可能不同。对于聚类时K值的确定,我们采用基于凝聚度和分离度的轮廓系数法来进行。对每一工序数据进行聚类之后,将会得到K个类别,最终我们将会使用这K个类别来替换所有的工序数据,后续关联分析将基于聚类之后的工序数据进行。下面给出基于数据并行的K-Means算法的并行化设计:
输入:某一工序的时序数据,聚类个数K
输出:该工序数据的聚类结果
1)随机初始化K个聚类中心,并将其广播到各个计算节点;
2)对于每一个分区的每一个数据,将它们逐一归类到距离其最近的聚类中心所代表的聚类类别;
3)对于每一个分区的数据,计算同一聚类类别的数据之和以及数目之和,并将它们收集到driver节点,在driver节点中重新计算出下一次迭代的聚类中心;
4)如果聚类中心不再变化或者达到了指定的迭代次数,则算法执行结束;否则,将新的聚类中心广播到各个计算节点,然后转向步骤2)。
K-means算法采用目标函数最小化准则来控制迭代次数,对于数值型数据,通常采用欧式距离(Euclidean Distance)作为目标函数。设有两个数据对象X1和X2,EUCLID(X1,X2)为X1和X2的欧氏距离,E为所有对象的平方误差总和,每个对象均含有t个变量,那么两个对象之间的欧式距离是两个对象的t个变量值之差的平方和的平方根,即
目标函数形式为平方误差准则函数
其中,Ci为任意聚类集,X为Ci中的对象,mi为类Ci的均值。目标函数中的距离度量也可以采用其他方式,比如曼哈顿距离、切比雪夫距离、汉明距离、幂距离和马氏距离等。假设任意工序Xi的最佳聚类数目为Ki,根据该最佳聚类数目进行聚类后得到的聚类集。
S3、关联链的发现:
通过分析Apriori规则提取过程的特点,利用其得到状态关
联链的算法。在满足工艺流程条件下,利用基于Apriori的维间关联规则算法,得到任意两个工序的类间关联规则。通过两两之间的规则,得到众多的关联。
1)类间关联规则:根据流程对象的需求,设置最小支持度min_sup,最小置信度min_conf,对聚类集的任意两工序的聚类数据进行基于Apriori(规则关联算法)的维间关联规则挖掘,搜索频繁2-谓词集,生成不同工序任意两聚类间的二项关联规则,这些规则表示不同工序的两个满足最小支持度和最小置信度的聚类之间的关系。在锅炉参数中,我们进行具体化描述,前项为Xi后项为Xj的所有聚类数据集共产生2条聚类关联规则,前项为Xj后项为Xi的所有聚类数据集共产生1条聚类关联规则。
2)工序关联:设任意两个工序Xi和Xj的聚类间共产生ωij条规则,其中任意一条规则为ia→jb。由于兴趣度I(ia→jb)大小对关联规则的意义不同,本文采用带符号数值计算前项为Xi和后项为Xj的聚类之间的关联度cij(β),则
cij(β)=Sβ(ia→jb)×I'β(ia→jb),β≤ωij (6)
其中,β表示所有规则中的第β条规则,且
I'β(ia→jb)=Iβ(ia→jb)-1 (7)
通过转换,将工序聚类间的关联转换为工序间的关联,得到工序关联的关系。
3)最强关联链和状态关联链:目前已经知道任意两个工序间关联规则及其关联度,根据该数据前后项之间的关系,选取满足时间序列L={X′1,X'2,…,X'n}且关联度最大的数据进行关联,可以构造一条最强关联链,该链表示了流程对象中链上所有工序运行时的一种影响关系。最终得到历史数据中所有的最强关联链。为了更好地利用上述关联分析结果,并使其易于被使用到实际生产中以辅助决策,我们将工序的状态(比如监测数据的上升、下降或不变状态)进一步与关联关系相结合,得出工序之间的状态关联关系,即状态关联链。
关联分析:关联分析(Association Analysis)主要包括关联规则(AssociationRule)生成和关联链/树(Association Chain/Tree)生成。在关联规则挖掘中,我们只针对两两工序之间生成关联规则,并最终由两两工序的关联规则生成关联链/树。在工序聚类数据上使用Apriori经典关联规则挖掘算法来找出2项关联规则,并根据工序时序对生成的规则进行过滤。
状态关联:为了更好地利用上述关联分析结果,并使其易于被使用到实际生产中以辅助决策,我们将工序的状态(比如检测数据的上升、下降或不变状态)进一步与关联关系相结合,得出工序之间的状态关联关系,我们称之为运行状态知识库。运行状态知识库可以用于故障检测与预警、参数调节等工业辅助中。状态关联可以使用统计的方法得出,较为简单。
在本方法的研究中,利用关联规则算法可以从海量数据中发现与优化目标密切相关的工序,是***研究的关键步骤。但是热电生产中工序众多,参与计算的属性非常多,利用传统的关联规则挖掘算法获得关联规则效率过低,计算复杂且获得的知识不易于直接被用户理解,因此我们提出利用状态关联链的方式表示生产中的各个工序间的影响关系,关联链的表示方法体现在锅炉参数中,如1号炉气包压力下降导致1号炉主汽压力左下降,进而导致1号炉膛差压左下降,导致1号炉给水压力左上升。通过获得这样的关联链,可以在大量生产工序中找到关键节点进行调控,快速直接影响目标工序的结果。以热水锅炉***为例,通过关联链分析,为了提高锅炉热出力,可以通过增加一次风机功率、降低二次风机挡板开度、保持送煤量不变达到目标。状态关联链显示了“上升”、“下降”和“不变”三种状态,并且很直观地显示了多个工序状态之间的前后影响关系。
通过得到状态关联链,找出关联性最强的最强关联链,通过以下阶段的建模,从而更直观的显示和调整各工序之间的关系。
S4、预测模型的建立:
此部分主要是针对以上工作得到的状态关联链和已处理好的数据进行建模。运用FNT(柔性神经树)方法得到建模预测公式,实现对工序数据的预测。
1)建模用到的数据库表有,经过预处理的数据表、FNT用户表、FNT运行参数表、测试数据表、训练数据表、关联链表、输出结果表等。通过对之前数据的处理得到的结果进行迭代运算。
2)对于燃煤锅炉参数,找到关键的流程和对应的生产输入参数和输出参数,将其输入到FNT中,得到形如公式(8)的输出函数,An和Bn是两组PSO(粒子群算法)优化后的参数,netn是经过PIPE(管道用于具有亲缘关系进程间的通信)优化后的树形结构;通过该函数对未来生产的变化进行预测分析。
3)通过运行FNT算法。不断修改迭代次数,得到最佳迭代次数。通过返回结果中的标准平均方差(NMSE)值,来确定训练的效果准确性。通过得到的公式,用matlab(矩阵实验室)进行初步的图形预测分析,通过比较最终确定预测的准确性。
建模预测的作用是在状态关联链的基础上对影响目标工序的相关属性进行科学计算,获取测点数据的变化趋势公式,对工业生产过程进行模拟,基于当前生产状态的相关参数预测未来一段时间的生产状态,从而辅助指导企业调整生产流程参数,这一步骤是实现对辅助生产工序预测调整的应用的关键,也是项目研发的最重要的内容。通过对第二部分生成的状态关联链进行建模,将关联链中的除最后一项外的其他工序作为预测函数的输入值,而目标工序作为函数输出值,通过修改其他工序的值,可以预测出目标工序在一定时间后的数值,从而可以提前对生产流程进行优化。体现在热电生产工序中,同样以热水锅炉为例,上一步骤得到了关联链:一次风机功率上升→二次风机挡板开度下降→送煤量不变→热出力提高,在建模预测中,热出力为函数输出值,一次风机功率、二次风机挡板开度、锅炉送煤量为函数输入值,则可以得到如公式(9)所示预测方法。
本实施例提供一种生产参数优化预测装置,包括:数据获取单元,配置用于获取生产流程中各个工序的监测数据;预处理单元,配置用于对所述监测数据预处理;关联链构建单元,配置用于利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链;模型建立单元,配置用于利用柔性神经树算法根据所述状态关联链建立预测模型,得到并输出预测结果。
其中,预处理单元包括:合并子单元,配置用于将处于相同时间段的监测数据合并,得到集成监测数据;填充子单元,配置用于利用等差数列填充法或均值法填充空白监测数据;调整子单元,配置用于利用相关系数曲线对属于不同工序的监测数据进行时序调整;聚类子单元,配置用于利用k-均值算法获取所述监测数据的聚类集合。
关联链构建单元包括:关联规则子单元,配置用于利用规则关联算法处理任意两个工序的聚类数据,得到不同工序中任意两聚类集合间的二项关联规则;关联度子单元,配置用于计算不同工序中任意两聚类集合间的关联度,并将聚类集合间的关联度转换为工序间的关联度;最强关联链子单元,配置用于根据所述任意两个工序间的关联规则和关联度,选取满足时间序列且关联度最大的聚类数据进行关联,构造不同工序间的最强关联链;状态关联链子单元,配置用于将不同工序间的监测数据波动状态与所述最强关联链结合,得到不同工序间的状态关联链。
模型建立单元包括:建模子单元,配置用于利用柔性神经树方法,根据所述状态关联链和经预处理的监测数据建立预测模型;运算子单元,配置用于将关键工序的生产输入参数和生产输出参数输入到所述预测模型并进行迭代运算;校验子单元,配置用于通过不断修改迭代次数得到最佳迭代次数,并利用标准平均方差值和矩阵实验室校验预测的准确性。
本实施例还提供一种设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本申请提供的生产参数优化预测的方法。
第四方面,本申请实施例提供一种存储介质,该程序被处理器执行时实现本申请提供的生产参数优化预测的方法。
以上公开的仅为本发明的优选实施方式,但本发明并非局限于此,任何本领域的技术人员能思之的没有创造性的变化,以及在不脱离本发明原理前提下所作的若干改进和润饰,都应落在本发明的保护范围内。
Claims (8)
1.一种生产参数优化预测方法,其特征在于,所述方法包括:
获取生产流程中各个工序的监测数据;
对所述监测数据预处理;
利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链;
利用柔性神经树算法根据所述状态关联链建立预测模型,得到并输出预测结果;
所述利用柔性神经树算法根据所述状态关联链建立预测模型得到并输出预测结果包括:
将关键工序的生产输入参数和生产输出参数输入到所述预测模型并进行迭代运算;
通过不断修改迭代次数得到最佳迭代次数,并利用标准平均方差值和矩阵实验室校验预测的准确性。
2.根据权利要求1所述的方法,其特征在于,所述对所述监测数据预处理包括:
将处于相同时间段的监测数据合并,得到集成监测数据;
利用等差数列填充法或均值法填充空白监测数据;
利用相关系数曲线对属于不同工序的监测数据进行时序调整;
利用k-均值算法获取所述监测数据的聚类集合。
3.根据权利要求2所述的方法,其特征在于,所述利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链包括:
利用规则关联算法处理任意两个工序的聚类数据,得到不同工序中任意两聚类集合间的二项关联规则;
计算不同工序中任意两聚类集合间的关联度,并将聚类集合间的关联度转换为工序间的关联度;
根据所述任意两个工序间的关联规则和关联度,选取满足时间序列且关联度最大的聚类数据进行关联,构造不同工序间的最强关联链;
将不同工序间的监测数据波动状态与所述最强关联链结合,得到不同工序间的状态关联链。
4.一种生产参数优化预测装置,其特征在于,所述装置包括:
数据获取单元,配置用于获取生产流程中各个工序的监测数据;
预处理单元,配置用于对所述监测数据预处理;
关联链构建单元,配置用于利用规则关联算法在任意两个工序间构建表示两个工序间影响关系的最强关联链,并将所述最强关联链与所述监测数据波动状态结合,得到状态关联链;
模型建立单元,配置用于利用柔性神经树算法根据所述状态关联链建立预测模型,得到并输出预测结果;
所述模型建立单元包括:
运算子单元,配置用于将关键工序的生产输入参数和生产输出参数输入到所述预测模型并进行迭代运算;
校验子单元,配置用于通过不断修改迭代次数得到最佳迭代次数,并利用标准平均方差值和矩阵实验室校验预测的准确性。
5.根据权利要求4所述的装置,其特征在于,所述预处理单元包括:
合并子单元,配置用于将处于相同时间段的监测数据合并,得到集成监测数据;
填充子单元,配置用于利用等差数列填充法或均值法填充空白监测数据;
调整子单元,配置用于利用相关系数曲线对属于不同工序的监测数据进行时序调整;
聚类子单元,配置用于利用k-均值算法获取所述监测数据的聚类集合。
6.根据权利要求5所述的装置,其特征在于,所述关联链构建单元包括:
关联规则子单元,配置用于利用规则关联算法处理任意两个工序的聚类数据,得到不同工序中任意两聚类集合间的二项关联规则;
关联度子单元,配置用于计算不同工序中任意两聚类集合间的关联度,并将聚类集合间的关联度转换为工序间的关联度;
最强关联链子单元,配置用于根据所述任意两个工序间的关联规则和关联度,选取满足时间序列且关联度最大的聚类数据进行关联,构造不同工序间的最强关联链;
状态关联链子单元,配置用于将不同工序间的监测数据波动状态与所述最强关联链结合,得到不同工序间的状态关联链。
7.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1-3中任一项所述的方法。
8.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810322649.3A CN108647808B (zh) | 2018-04-11 | 2018-04-11 | 一种生产参数优化预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810322649.3A CN108647808B (zh) | 2018-04-11 | 2018-04-11 | 一种生产参数优化预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647808A CN108647808A (zh) | 2018-10-12 |
CN108647808B true CN108647808B (zh) | 2022-03-29 |
Family
ID=63746129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810322649.3A Active CN108647808B (zh) | 2018-04-11 | 2018-04-11 | 一种生产参数优化预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647808B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726503B (zh) * | 2019-01-12 | 2020-12-18 | 国电联合动力技术有限公司 | 缺失数据填补方法及装置 |
CN109884893B (zh) * | 2019-02-28 | 2021-09-10 | 西安理工大学 | 一种多工序变量间动态时滞估计方法 |
CN110135740A (zh) * | 2019-05-20 | 2019-08-16 | 济南大学 | 面向燃煤锅炉流程对象的实时知识发现方法及*** |
CN111125082B (zh) * | 2019-12-26 | 2023-09-22 | 北京工业大学 | 基于关联规则挖掘的水泥工艺参数数据分析方法 |
CN111679634A (zh) * | 2020-01-20 | 2020-09-18 | 武汉裕大华纺织有限公司 | 一种智能粗纱管理*** |
CN113723723A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 运行参数波动路径提取方法、装置、存储介质及处理器 |
CN113722403A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 异常运行数据的聚类方法、装置、存储介质及处理器 |
CN113063455B (zh) * | 2021-03-15 | 2023-04-07 | 上海联影医疗科技股份有限公司 | 探测器参数配置方法、设备、电子装置和存储介质 |
CN112990711B (zh) * | 2021-03-19 | 2023-11-17 | 云南建投第九建设有限公司 | 基于现场施工的铝合金模板施工监测方法及*** |
CN114896228B (zh) * | 2022-04-27 | 2024-04-05 | 西北工业大学 | 基于过滤规则多级组合优化的工业数据流清洗模型和方法 |
CN116305671B (zh) * | 2023-05-23 | 2023-10-20 | 山东伟国板业科技有限公司 | 一种人造板的生产线监测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096008A (zh) * | 2015-08-28 | 2015-11-25 | 浙江大学 | 一种流程工业生产***的控制方法 |
CN106445788A (zh) * | 2016-09-30 | 2017-02-22 | 国家电网公司 | 一种信息***运行状态预测方法和装置 |
CN107247995A (zh) * | 2016-09-29 | 2017-10-13 | 上海交通大学 | 基于贝叶斯模型的输电线路运行状态关联规则挖掘及预测方法 |
CN104346442B (zh) * | 2014-10-14 | 2017-10-20 | 济南大学 | 一种面向流程对象数据的规则提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9477926B2 (en) * | 2012-11-20 | 2016-10-25 | Qualcomm Incorporated | Piecewise linear neuron modeling |
US10748654B2 (en) * | 2015-07-02 | 2020-08-18 | PRA Health Sciences, Inc. | Normalizing data sets for predicting an attribute of the data sets |
-
2018
- 2018-04-11 CN CN201810322649.3A patent/CN108647808B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346442B (zh) * | 2014-10-14 | 2017-10-20 | 济南大学 | 一种面向流程对象数据的规则提取方法 |
CN105096008A (zh) * | 2015-08-28 | 2015-11-25 | 浙江大学 | 一种流程工业生产***的控制方法 |
CN107247995A (zh) * | 2016-09-29 | 2017-10-13 | 上海交通大学 | 基于贝叶斯模型的输电线路运行状态关联规则挖掘及预测方法 |
CN106445788A (zh) * | 2016-09-30 | 2017-02-22 | 国家电网公司 | 一种信息***运行状态预测方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于电力***大数据集的知识发现方法的研究与实现;宋巧云;《中国优秀硕士学位论文全文数据库信息科技辑》;20160615;全文 * |
流程对象建模方法的研究与实现;付爱芳;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20110415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108647808A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647808B (zh) | 一种生产参数优化预测方法、装置、设备及存储介质 | |
CN108494021B (zh) | 电-热-气综合能源***的稳定评估与静态控制方法 | |
CN106709662B (zh) | 一种电力设备运行工况划分方法 | |
Emmerich et al. | Single-and multiobjective evolutionary optimization assisted by Gaussian random field metamodels | |
CN100456281C (zh) | 数据划分设备和数据划分方法 | |
WO2023024433A1 (zh) | 一种燃气蒸汽联合循环发电机组运行调控***及调控方法 | |
CN111260138B (zh) | 加权和自适应并行关联规则的火电机组能耗动态优化方法 | |
CN101802728A (zh) | 对气体排放进行基于经验集合的虚拟传感的***和方法 | |
CN110532674A (zh) | 一种燃煤电站锅炉炉膛温度测量方法 | |
CN109992921A (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及*** | |
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN115587433A (zh) | 一种基于状态工况的机组耗差分析优化方法及*** | |
CN114970766A (zh) | 一种基于线性拟合的电站机组运行参数基准值获取方法 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
CN112365094A (zh) | 提高预测***准确率的方法、计算机设备、存储介质 | |
CN112503400A (zh) | 一种供水管网测压点多目标优化布置方法 | |
CN111931436A (zh) | 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法 | |
CN113515891B (zh) | 一种乳化***质量预测和优化方法 | |
CN113250768B (zh) | 一种热电联产供热机组热电负荷优化方法 | |
CN112765746B (zh) | 基于多项式混沌的涡轮叶顶气热性能不确定性量化*** | |
Thota et al. | Analysis of feature selection techniques for prediction of boiler efficiency in case of coal based power plant using real time data | |
CN110320803B (zh) | 一种超超临界燃煤机组优选升负荷速率的计算方法 | |
JP2010146068A (ja) | プラントの制御装置及び火力発電プラントの制御装置 | |
JP2009070200A (ja) | プラント運用適正化装置、プラント運用適正化方法およびプラント運用適正化プログラム | |
JP6302755B2 (ja) | プラント診断用データ作成システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |