CN115198047B - 基于大数据分析的热风炉燃烧监测***及方法 - Google Patents
基于大数据分析的热风炉燃烧监测***及方法 Download PDFInfo
- Publication number
- CN115198047B CN115198047B CN202211087506.1A CN202211087506A CN115198047B CN 115198047 B CN115198047 B CN 115198047B CN 202211087506 A CN202211087506 A CN 202211087506A CN 115198047 B CN115198047 B CN 115198047B
- Authority
- CN
- China
- Prior art keywords
- hot blast
- blast stove
- stage
- combustion
- time
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 104
- 239000001301 oxygen Substances 0.000 claims description 104
- 229910052760 oxygen Inorganic materials 0.000 claims description 104
- 230000002159 abnormal effect Effects 0.000 claims description 93
- 239000007789 gas Substances 0.000 claims description 84
- 239000002912 waste gas Substances 0.000 claims description 75
- 239000000446 fuel Substances 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000033228 biological regulation Effects 0.000 claims description 12
- 230000006641 stabilisation Effects 0.000 claims description 12
- 238000011105 stabilization Methods 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 239000003034 coal gas Substances 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 239000003344 environmental pollutant Substances 0.000 abstract description 2
- 231100000719 pollutant Toxicity 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B9/00—Stoves for heating the blast in blast furnaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了基于大数据分析的热风炉燃烧监测***及方法,涉及计算机技术领域,自适应调节管控模块,所述自适应调节管控模块根据热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,对热风炉中的输入煤气流量及输入空气流量进行自适应调节,不同燃烧阶段相应的自适应调节方式不同。本发明适应于同种结构不同炉况的热风炉,在热风炉燃烧过程中,通过引入自适应调节方式,根据阶段目标和实时数据动态计算、调节空气流量和煤气流量等,保证燃烧过程的稳定性,使得燃烧效率的最大化,降低污染物排放,提高经济效益。
Description
技术领域
本发明涉及计算机技术领域,具体为基于大数据分析的热风炉燃烧监测***及方法。
背景技术
热风炉燃烧过程受到影响因素较多,如设备状况、燃料类型、流量、管道压力、工艺要求等,这些参数具有非线性、难量化的特点。现有的热风炉燃烧监测***只是单纯的通过传感器监测热风炉内的数据情况,无法根据实际获取的情况对热风炉的状态进行调节,同时热风炉燃烧普遍采用级联控制、串级控制和人工辅助方式,该方法在一定程度上满足使用要求,但仍存在一定的不足:
(1)热风炉的工况不确定性和各参数的非线性和不稳定性,需人员根据不同的阶段目标和实际燃烧情况,持续人工调节参数和阀门开度;
(2)过多人工干预存在较大的失误和安全风险;
(3)未真正实现***的全程自动调节;
(4)生产依靠经验,无法有效的确保整个燃烧过程平稳运行,达到燃烧效率最优化。
综合上述内容,可知,现有的热风炉燃烧监测***存在较大的缺陷。
发明内容
本发明的目的在于提供基于大数据分析的热风炉燃烧监测***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于大数据分析的热风炉燃烧监测方法,所述方法包括以下步骤:
S1、每隔第一单位时间t1获取一次热风炉中设置的各个传感器监测的数据,传感器监测数据的类型包括输入煤气流量、输入空气流量、炉内残氧量、拱顶温度及废气温度,并将时间t对应的各个传感器获取数据逐个录入到一个空白集合中,得到时间t采集的热风炉状态数据集合,所述第一单位时间t1为数据库中预置的常数;
S2、对时间t采集的热风炉状态数据集合进行处理,筛选出异常数据,将筛选的异常数据传递给S5,将筛选的正常数据传递给S3;
S3、根据数据库中预置的拱顶温度管理值、拱顶温度目标值及废气温度目标值,判断热风炉所处的燃烧阶段,并获取热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,阶段燃烧目标值包括相应阶段的空燃比上下限、废气温度上下限及残氧量上下限;
S4、根据热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,对热风炉中的输入煤气流量及输入空气流量进行自适应调节,不同燃烧阶段相应的自适应调节方式不同;
S5、对热风炉使用过程中的历史数据进行分析,计算热风炉的状态稳定值,并判断热风炉的状态稳定值是否异常,将热风炉的异常状态稳定值及S2中筛选的异常数据发送给管理员,进行预警。
进一步的,所述S2筛选异常数据的方法包括以下步骤:
S2.1、获取时间t采集的热风炉状态数据集合,将时间t采集的热风炉状态数据集合中第i个元素对应的值记为Xit;
S2.2、获取Xit与Xit-t1之间的偏差值△Ai,所述Xit与Xit-t1之间的偏差值等于Xit与Xit-t1差值的绝对值,即△Ai=|Xit-Xit-t1|;
S2.3、获取基于时间t的历史采集数据中的第i个队列,所述基于时间t的历史采集
数据中的第i个队列为Xi1、Xi2、Xi3、...、Xin,所述Xin表示与Xit对应传感器监测数据的种类
相同且在历史采集数据中,时间t之前的第n个数据,计算Xit与基于时间t的历史采集数据
中的第i个队列之间的偏差比Ki,n为正整数,;
S2.4、对Xit相应的偏差值△Ai及偏差比Ki进行判断,
当△Ai小于等于第一阈值Ai且Ki小于等于第二阈值M时,则判定Xit为正常数据,
当△Ai大于第一阈值Ai或Ki大于第二阈值M时,则判定Xit为异常数据,并传递给管理员进行预警,
所述第一阈值Ai为数据库中预置的与Xit对应传感器监测数据的种类相同的数据中,相邻两次采集数据之间允许的最大偏差值,
所述第二阈值M为数据库中预置的与Xit对应传感器监测数据的种类相同的数据中,采集数据与相应队列之间允许的最大偏差比。
本发明筛选异常数据,使得传感器既能避免偶然因素的脉冲干扰,又能避免周期脉冲干扰,精准的筛选出传感器得到的异常数据,进而保证参与后续分析计算的数据真实、有效,确保后续分析结果的准确性,偏差值△Ai判断传感器获取Xit时是否受到偶然因素的脉冲干扰,偏差比Ki判断传感器获取Xit时是否受到周期干扰。
进一步的,所述S3中判断热风炉所处的燃烧阶段的方法包括以下步骤:
S3.1、获取数据库中预置的拱顶温度管理值Tg、拱顶温度目标值Tgm及废气温度目标值Tf,获取热风炉的起始工作时间t0,获取t0至t对应的时间段内各个时间点采集的热风炉状态数据集合中的拱顶温度的最大值Tgtz及废气温度最大值Tftz,所述t0与t分别对应的热风炉工作次数相同;
S3.2、将Tg、Tgm分别与Tgt进行比较,将Tf与Tft进行比较,根据比较结果判断热风炉的燃烧阶段,
当Tgtz<Tg<Tgm时,则判定时间t时热风炉处于燃烧初始阶段;
当Tg≤Tgtz<Tgm时,则判定时间t时热风炉处于拱顶温度管理阶段;
当Tg<Tgm≤Tgtz且Tftz<Tf时,则判定时间t时热风炉处于拱顶温度稳定阶段;
当Tg<Tgm≤Tgtz且Tf≤Tftz时,则判定时间t时热风炉处于废气温度管理阶段。
本发明判断热风炉所处的燃烧阶段,是因为不同阶段的热风炉燃烧情况存在较大的差异,进行分析时参考的传感器数据种类也不相同,进而判断热风炉的燃烧阶段,不同燃烧阶段对应的阶段燃烧目标值存在差异,便于后续过程对热风炉的燃烧状态进行有效调节。
进一步的,所述S4中对热风炉中的输入煤气流量及输入空气流量进行自适应调节的方法包括以下步骤:
S4.1、获取时间t采集的热风炉状态数据集合中的拱顶温度Tgt、废气温度Tft及残氧量CYt,获取时间t采集的热风炉状态数据集合中的输入煤气流量Smt及输入空气流量Skt,并计算空燃比Smt/Skt;
S4.2、获取热风炉所处的燃烧阶段及其在数据库中预置的阶段燃烧目标值及阶段燃烧初始步长;
S4.3、当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段时,保持输入煤气流量不变,确保空燃比在相应阶段燃烧目标值的空燃比上下限之间,
若CYt小于相应阶段燃烧目标值的残氧量下限,按照自适应调节方式增加输入空气流量,增大空燃比,
若CYt大于相应阶段燃烧目标值的残氧量上限,按照自适应调节方式降低输入空气流量,减小空燃比,
调节后的空燃比依旧在相应阶段燃烧目标值的空燃比上下限之间;
S4.4、当热风炉所处的燃烧阶段为废气温度管理阶段时,
若Tft大于相应阶段燃烧目标值的废气温度上限,按照自适应调节方式降低输入煤气流量;
若Tft小于相应阶段燃烧目标值的废气温度下限,按照自适应调节方式增加输入煤气流量;
所述自适应调节方式对应的调节方法包括以下步骤:
S4-1、构建期望误差与实际输出之间的关系模型,
式中,ε(k)代表时间k对应的期望误差,d(k)表示时间k时对应的期望值,y(k)表示时间k时对应的输出结果,
当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段,且CYk小于相应阶段燃烧目标值的残氧量下限时,d(k)等于时间k时相应阶段燃烧目标值的残氧量下限,y(k)等于时间k时对应的残氧量CYk,
当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段,且CYk大于相应阶段燃烧目标值的残氧量上限时,d(k)等于时间k时相应阶段燃烧目标值的残氧量上限,y(k)等于时间k时对应的残氧量CYk,
当热风炉所处的燃烧阶段为废气温度管理阶段且Tfk大于相应阶段燃烧目标值的废气温度上限时,d(k)等于时间k时相应阶段燃烧目标值的废气温度上限,y(k)等于时间k时对应的废气温度Tfk,
当热风炉所处的燃烧阶段为废气温度管理阶段且Tfk小于相应阶段燃烧目标值的废气温度下限时,d(k)等于时间k时相应阶段燃烧目标值的废气温度下限,y(k)等于时间k时对应的废气温度Tfk;
S4-2、建立输入输出之间的关系模型,
式中,u(k-t1)表示时间k时对应的调节步长,x(k)表示时间k时对应的输入结果,
当按照自适应调节方式增加输入空气流量时,
当按照自适应调节方式降低输入空气流量时,
当按照自适应调节方式增加输入煤气流量时,
当按照自适应调节方式降低输入煤气流量时,
S4-3、得到时间k时对应的调节步长,
式中,当y(k)等于时间k时对应的残氧量CYk时,u0等于残氧量的初始步长,
当y(k)等于时间k时对应的废气温度Tfk时,u0等于废气温度的初始步长,
残氧量的初始步长与废气温度的初始步长均通过数据库查询获取,且残氧量的初始步长与废气温度的初始步长不同。
本发明对热风炉中的输入煤气流量及输入空气流量进行自适应调节的过程中,不同燃烧阶段不同状态下采用的自适应调节方式不同;构建期望误差与实际输出之间的关系模型,是为了便于后续步骤获取调节步长;建立输入输出之间的关系模型,是因为热风炉影响参数的复杂性,使得其难以建立确定的模型,因此忽略具体数据模型,直接建立输入输出方式,通过数据库中数据的对应的关系,直接查询数据库中输入结果对应的输出结果,该方式中数据库内输入结果与输出结果之间的对应关系是通过实验提前预置的;引入自适应调节算法调节热风炉参数,能够有效避免在调节过程中残氧含量出现“冲顶”和“掉底”现象,提高***反应速度,确保燃烧安全、稳定。
进一步的,所述S5中判断热风炉的状态稳定值是否异常的方法包括以下步骤:
S5.1、获取历史数据中第r个热风炉对应的残氧量随时间变化折线图,获取历史数据中第r个热风炉对应的废气温度随时间变化的折线图,
将第r个热风炉对应的残氧量随时间变化折线图相应的函数记为HCr(t),将第r个热风炉对应的废气温度随时间变化的折线图相应的函数记为Hfr(t),所述历史数据是实时更新的;
S5.2、得到热风炉残氧量状态稳定值ZWC,
其中,r1表示历史数据对应的热风炉的总个数,t3表示热风炉最近一次的开启时间,t4表示当前时间,CYBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的残氧量上限与残氧量下限的平均值,r1>0,t4>t3,
S5.3、得到热风炉废气温度状态稳定值ZWF,
其中,TfBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的废气温度上限与废气温度下限的平均值;
S5.4、得到热风炉状态稳定值(β*ZWC+ZWF)/2,所述β为数据库中预置的常数,
当(β*ZWC+ZWF)/2大于等于第一稳定阈值时,则判定热风炉的状态稳定值异常,所述第一稳定阈值为数据库中预置的常数,
当(β*ZWC+ZWF)/2小于第一稳定阈值时,则判定热风炉的状态稳定值正常。
本发明从残氧量状态稳定情况及废气温度状态稳定情况这两方面来综合判断热风炉的状态稳定值是否异常,一方面是为了判断热风炉中的燃烧状态是否稳定,进而对热风炉中的燃烧状态进行有效监控,提前对异常的燃烧状态进行预警,提醒管理员及时关注并处理异常;另一方面为后续步骤中更新校准数据库内的初始步长提供了数据参照。
进一步的,根据热风炉使用过程中的历史数据对数据库内的初始步长进行更新校准,每隔第二单位时间校准一次,所述第二单位时间为数据库中预置的常数,所述初始步长包括残氧量的初始步长及废气温度的初始步长;
根据热风炉使用过程中的历史数据对数据库内的初始步长进行更新校准的方法包括以下步骤:
S4-3-1、获取历史数据中每个第二单位时间内对应的初始步长、相应第二单位时间内得到的各个热风炉残氧量状态稳定值的均值ZWCJ及相应第二单位时间内得到的各个热风炉废气温度状态稳定值的均值ZWFJ;
S4-3-2、计算历史数据中残氧量的初始步长相同的各个ZWCJ平均值,记为ZWCJ1,构建第一数组[u01,ZWCJ1],u01表示ZWCJ1对应的残氧量的初始步长,
获取历史数据中所有第一数组中数值最小的ZWCJ1,记为ZWCJ1min,将历史数据中包含ZWCJ1min的各个第一数组中分别对应残氧量的初始步长的平均值为更新校准后的残氧量的初始步长;
S4-3-3、计算历史数据中废气温度的初始步长相同的各个ZWFJ平均值,记为ZWFJ1,构建第二数组[u02,ZWFJ1],u01表示ZWFJ1对应的废气温度的初始步长,
获取历史数据中所有第二数组中数值最小的ZWFJ1,记为ZWFJ1min,将历史数据中包含ZWFJ1min的各个第二数组中分别对应废气温度的初始步长的平均值为更新校准后的废气温度的初始步长。
本发明通过分析历史数据中的热风炉残氧量状态稳定值及热风炉废气温度状态稳定值,动态调节数据库中的残氧量的初始步长及废气温度的初始步长,进而实现对S4中调节步长的二次校准,实现对热风炉燃烧状态的有效监管。
基于大数据分析的热风炉燃烧监测***,所述***包括以下模块:
数据采集模块,所述数据采集模块每隔第一单位时间t1获取一次热风炉中设置的各个传感器监测的数据,传感器监测数据的类型包括输入煤气流量、输入空气流量、炉内残氧量、拱顶温度及废气温度,并将时间t对应的各个传感器获取数据逐个录入到一个空白集合中,得到时间t采集的热风炉状态数据集合,所述第一单位时间t1为数据库中预置的常数;
采集数据处理模块,所述采集数据处理模块对时间t采集的热风炉状态数据集合进行处理,筛选出异常数据,将筛选的异常数据传递给异常预警模块,将筛选的正常数据传递给阶段判定模块;
所述阶段判定模块根据数据库中预置的拱顶温度管理值、拱顶温度目标值及废气温度目标值,判断热风炉所处的燃烧阶段,并获取热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,阶段燃烧目标值包括相应阶段的空燃比上下限、废气温度上下限及残氧量上下限;
自适应调节管控模块,所述自适应调节管控模块根据热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,对热风炉中的输入煤气流量及输入空气流量进行自适应调节,不同燃烧阶段相应的自适应调节方式不同;
所述异常预警模块对热风炉使用过程中的历史数据进行分析,计算热风炉的状态稳定值,并判断热风炉的状态稳定值是否异常,将热风炉的异常状态稳定值及采集数据处理模块中筛选的异常数据发送给管理员,进行预警。
进一步的,所述异常预警模块中判断热风炉的状态稳定值是否异常的过程中,获取历史数据中第r个热风炉对应的残氧量随时间变化折线图,获取历史数据中第r个热风炉对应的废气温度随时间变化的折线图,将第r个热风炉对应的残氧量随时间变化折线图相应的函数记为HCr(t),将第r个热风炉对应的废气温度随时间变化的折线图相应的函数记为Hfr(t),所述历史数据是实时更新的;
所述异常预警模块得到热风炉残氧量状态稳定值ZWC,
其中,r1表示历史数据对应的热风炉的总个数,t3表示热风炉最近一次的开启时间,t4表示当前时间,CYBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的残氧量上限与残氧量下限的平均值,r1>0,t4>t3,
所述异常预警模块得到热风炉废气温度状态稳定值ZWF,
其中,TfBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的废气温度上限与废气温度下限的平均值;
所述异常预警模块得到热风炉状态稳定值(β*ZWC+ZWF)/2,
当(β*ZWC+ZWF)/2大于等于第一稳定阈值时,则判定热风炉的状态稳定值异常,所述第一稳定阈值为数据库中预置的常数,
当(β*ZWC+ZWF)/2小于第一稳定阈值时,则判定热风炉的状态稳定值正常。
进一步的,所述异常预警模块将热风炉的异常状态稳定值及采集数据处理模块中筛选的异常数据发送给管理员进行预警时,
预警信息包括异常状态稳定值信息部分及异常筛选数据部分,所述异常状态稳定值信息部分为存储热风炉的异常状态稳定值构成的集合,所述异常筛选数据部分为筛选的异常数据构成的集合,
所述预警信息中异常状态稳定值信息部分或异常筛选数据部分对应的集合可为空集。
与现有技术相比,本发明所达到的有益效果是:本发明适应于同种结构不同炉况的热风炉,在热风炉燃烧过程中,通过引入自适应调节方式,根据阶段目标和实时数据动态计算、调节空气流量和煤气流量等,保证燃烧过程的稳定性,使得燃烧效率的最大化,降低污染物排放,提高经济效益。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明基于大数据分析的热风炉燃烧监测***法的结构示意图;
图2是本发明基于大数据分析的热风炉燃烧监测方法的流程示意图;
图3是本发明基于大数据分析的热风炉燃烧监测方法中调节步长与期望误差之间的关系示意图;
图4是本发明基于大数据分析的热风炉燃烧监测方法中燃烧过程的空燃比情况的示意图;
图5是本发明基于大数据分析的热风炉燃烧监测方法中9月份前25天内的热风炉拱顶温度的目标值和实际值对比的示意图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供技术方案:基于大数据分析的热风炉燃烧监测方法,所述方法包括以下步骤:
S1、每隔第一单位时间t1获取一次热风炉中设置的各个传感器监测的数据,传感器监测数据的类型包括输入煤气流量、输入空气流量、炉内残氧量、拱顶温度及废气温度,并将时间t对应的各个传感器获取数据逐个录入到一个空白集合中,得到时间t采集的热风炉状态数据集合,所述第一单位时间t1为数据库中预置的常数;
本实施例中第一单位时间t1为3秒;
S2、对时间t采集的热风炉状态数据集合进行处理,筛选出异常数据,将筛选的异常数据传递给S5,将筛选的正常数据传递给S3;
S3、根据数据库中预置的拱顶温度管理值、拱顶温度目标值及废气温度目标值,判断热风炉所处的燃烧阶段,并获取热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,阶段燃烧目标值包括相应阶段的空燃比上下限、废气温度上下限及残氧量上下限;
拱顶温度管理值:用于将要缓慢管理拱顶目标值;
拱顶温度目标值:拱顶温度要求达到的目标值;
空燃比:空气流量和燃料量的比值,用于表示空气和煤气的供应情况,需维持在稳定的范围内;
残氧量:用于表示燃烧的程度,当残氧过大,说明空气流量过大,不利于温度控制;当残氧过低,则表示燃烧不充分,既不利于燃烧,也会影响环保;
S4、根据热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,对热风炉中的输入煤气流量及输入空气流量进行自适应调节,不同燃烧阶段相应的自适应调节方式不同;
S5、对热风炉使用过程中的历史数据进行分析,计算热风炉的状态稳定值,并判断热风炉的状态稳定值是否异常,将热风炉的异常状态稳定值及S2中筛选的异常数据发送给管理员,进行预警。
所述S2筛选异常数据的方法包括以下步骤:
S2.1、获取时间t采集的热风炉状态数据集合,将时间t采集的热风炉状态数据集合中第i个元素对应的值记为Xit;
S2.2、获取Xit与Xit-t1之间的偏差值△Ai,所述Xit与Xit-t1之间的偏差值等于Xit与Xit-t1差值的绝对值,即△Ai=|Xit-Xit-t1|;
S2.3、获取基于时间t的历史采集数据中的第i个队列,所述基于时间t的历史采集
数据中的第i个队列为Xi1、Xi2、Xi3、...、Xin,所述Xin表示与Xit对应传感器监测数据的种类
相同且在历史采集数据中,时间t之前的第n个数据,计算Xit与基于时间t的历史采集数据
中的第i个队列之间的偏差比Ki,n为正整数,;
S2.4、对Xit相应的偏差值△Ai及偏差比Ki进行判断,
当△Ai小于等于第一阈值Ai且Ki小于等于第二阈值M时,则判定Xit为正常数据,
当△Ai大于第一阈值Ai或Ki大于第二阈值M时,则判定Xit为异常数据,并传递给管理员进行预警,
所述第一阈值Ai为数据库中预置的与Xit对应传感器监测数据的种类相同的数据中,相邻两次采集数据之间允许的最大偏差值,
所述第二阈值M为数据库中预置的与Xit对应传感器监测数据的种类相同的数据中,采集数据与相应队列之间允许的最大偏差比,
本实施例中第二阈值为0.05,第一阈值Ai等于0.1*Xit-t1。
所述S3中判断热风炉所处的燃烧阶段的方法包括以下步骤:
S3.1、获取数据库中预置的拱顶温度管理值Tg、拱顶温度目标值Tgm及废气温度目标值Tf,获取热风炉的起始工作时间t0,获取t0至t对应的时间段内各个时间点采集的热风炉状态数据集合中的拱顶温度的最大值Tgtz及废气温度最大值Tftz,所述t0与t分别对应的热风炉工作次数相同;
S3.2、将Tg、Tgm分别与Tgt进行比较,将Tf与Tft进行比较,根据比较结果判断热风炉的燃烧阶段,
当Tgtz<Tg<Tgm时,则判定时间t时热风炉处于燃烧初始阶段;
当Tg≤Tgtz<Tgm时,则判定时间t时热风炉处于拱顶温度管理阶段;
当Tg<Tgm≤Tgtz且Tftz<Tf时,则判定时间t时热风炉处于拱顶温度稳定阶段;
当Tg<Tgm≤Tgtz且Tf≤Tftz时,则判定时间t时热风炉处于废气温度管理阶段。
所述S4中对热风炉中的输入煤气流量及输入空气流量进行自适应调节的方法包括以下步骤:
S4.1、获取时间t采集的热风炉状态数据集合中的拱顶温度Tgt、废气温度Tft及残氧量CYt,获取时间t采集的热风炉状态数据集合中的输入煤气流量Smt及输入空气流量Skt,并计算空燃比Smt/Skt;
S4.2、获取热风炉所处的燃烧阶段及其在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长;
S4.3、当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段时,保持输入煤气流量不变,确保空燃比在相应阶段燃烧目标值的空燃比上下限之间,
若CYt小于相应阶段燃烧目标值的残氧量下限,按照自适应调节方式增加输入空气流量,增大空燃比,
若CYt大于相应阶段燃烧目标值的残氧量上限,按照自适应调节方式降低输入空气流量,减小空燃比,
调节后的空燃比依旧在相应阶段燃烧目标值的空燃比上下限之间;
S4.4、当热风炉所处的燃烧阶段为废气温度管理阶段时,
若Tft大于相应阶段燃烧目标值的废气温度上限,按照自适应调节方式降低输入煤气流量;
若Tft小于相应阶段燃烧目标值的废气温度下限,按照自适应调节方式增加输入煤气流量;
所述自适应调节方式对应的调节方法包括以下步骤:
S4-1、构建期望误差与实际输出之间的关系模型,
式中,ε(k)代表时间k对应的期望误差,d(k)表示时间k时对应的期望值,y(k)表示时间k时对应的输出结果,
当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段,且CYk小于相应阶段燃烧目标值的残氧量下限时,d(k)等于时间k时相应阶段燃烧目标值的残氧量下限,y(k)等于时间k时对应的残氧量CYk,
当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段,且CYk大于相应阶段燃烧目标值的残氧量上限时,d(k)等于时间k时相应阶段燃烧目标值的残氧量上限,y(k)等于时间k时对应的残氧量CYk,
当热风炉所处的燃烧阶段为废气温度管理阶段且Tfk大于相应阶段燃烧目标值的废气温度上限时,d(k)等于时间k时相应阶段燃烧目标值的废气温度上限,y(k)等于时间k时对应的废气温度Tfk,
当热风炉所处的燃烧阶段为废气温度管理阶段且Tfk小于相应阶段燃烧目标值的废气温度下限时,d(k)等于时间k时相应阶段燃烧目标值的废气温度下限,y(k)等于时间k时对应的废气温度Tfk;
S4-2、建立输入输出之间的关系模型,
式中,u(k-t1)表示时间k时对应的调节步长,x(k)表示时间k时对应的输入结果,
当按照自适应调节方式增加输入空气流量时,
本实施例中若数据库中预置的输入空气流量为w时对应输出的残氧量wc,
当按照自适应调节方式降低输入空气流量时,
当按照自适应调节方式增加输入煤气流量时,
本实施例中若数据库中预置的输入煤气流量为w1时对应输出的废气温度wc1,
当按照自适应调节方式降低输入煤气流量时,
S4-3、得到时间k时对应的调节步长,如图3所示调节步长与期望误差之间的关系,
式中,当y(k)等于时间k时对应的残氧量CYk时,u0等于残氧量的初始步长,
当y(k)等于时间k时对应的废气温度Tfk时,u0等于废气温度的初始步长,
残氧量的初始步长与废气温度的初始步长均通过数据库查询获取,且残氧量的初始步长与废气温度的初始步长不同。
所述S5中判断热风炉的状态稳定值是否异常的方法包括以下步骤:
S5.1、获取历史数据中第r个热风炉对应的残氧量随时间变化折线图,获取历史数据中第r个热风炉对应的废气温度随时间变化的折线图,
将第r个热风炉对应的残氧量随时间变化折线图相应的函数记为HCr(t),将第r个热风炉对应的废气温度随时间变化的折线图相应的函数记为Hfr(t),所述历史数据是实时更新的;
S5.2、得到热风炉残氧量状态稳定值ZWC,
其中,r1表示历史数据对应的热风炉的总个数,t3表示热风炉最近一次的开启时间,t4表示当前时间,CYBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的残氧量上限与残氧量下限的平均值,r1>0,t4>t3,
S5.3、得到热风炉废气温度状态稳定值ZWF,
其中,TfBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的废气温度上限与废气温度下限的平均值;
S5.4、得到热风炉状态稳定值(β*ZWC+ZWF)/2,所述β为数据库中预置的常数,
当(β*ZWC+ZWF)/2大于等于第一稳定阈值时,则判定热风炉的状态稳定值异常,所述第一稳定阈值为数据库中预置的常数,
当(β*ZWC+ZWF)/2小于第一稳定阈值时,则判定热风炉的状态稳定值正常。
本实施例中β为100,第一稳定阈值为50。
根据热风炉使用过程中的历史数据对数据库内的初始步长进行更新校准,每隔第二单位时间校准一次,所述第二单位时间为数据库中预置的常数,所述初始步长包括残氧量的初始步长及废气温度的初始步长;
本实施例中第二单位时长为5分钟;
根据热风炉使用过程中的历史数据对数据库内的初始步长进行更新校准的方法包括以下步骤:
S4-3-1、获取历史数据中每个第二单位时间内对应的初始步长、相应第二单位时间内得到的各个热风炉残氧量状态稳定值的均值ZWCJ及相应第二单位时间内得到的各个热风炉废气温度状态稳定值的均值ZWFJ;
S4-3-2、计算历史数据中残氧量的初始步长相同的各个ZWCJ平均值,记为ZWCJ1,构建第一数组[u01,ZWCJ1],u01表示ZWCJ1对应的残氧量的初始步长,
获取历史数据中所有第一数组中数值最小的ZWCJ1,记为ZWCJ1min,将历史数据中包含ZWCJ1min的各个第一数组中分别对应残氧量的初始步长的平均值为更新校准后的残氧量的初始步长;
S4-3-3、计算历史数据中废气温度的初始步长相同的各个ZWFJ平均值,记为ZWFJ1,构建第二数组[u02,ZWFJ1],u01表示ZWFJ1对应的废气温度的初始步长,
获取历史数据中所有第二数组中数值最小的ZWFJ1,记为ZWFJ1min,将历史数据中包含ZWFJ1min的各个第二数组中分别对应废气温度的初始步长的平均值为更新校准后的废气温度的初始步长。
如图4所示,燃烧过程的空燃比情况的示意图(横坐标表示时间,纵坐标表示空燃比,其中,1.4为空燃比上限值,0.4为空燃比下限值);如图5所示,9月份前25天内热风炉拱顶温度的目标值和实际值对比的示意图(横坐标表示时间(日),纵坐标表示拱顶温度,其中,图中的横线表示拱顶温度目标值);
由图可以看出,本实施例中热风炉燃烧控制模型能够保证空燃比在目标范围内,拱顶温度在合理的目标偏差范围内,能够满足实际的生产需要;
基于大数据分析的热风炉燃烧监测***,所述***包括以下模块:
数据采集模块,所述数据采集模块每隔第一单位时间t1获取一次热风炉中设置的各个传感器监测的数据,传感器监测数据的类型包括输入煤气流量、输入空气流量、炉内残氧量、拱顶温度及废气温度,并将时间t对应的各个传感器获取数据逐个录入到一个空白集合中,得到时间t采集的热风炉状态数据集合,所述第一单位时间t1为数据库中预置的常数;
采集数据处理模块,所述采集数据处理模块对时间t采集的热风炉状态数据集合进行处理,筛选出异常数据,将筛选的异常数据传递给异常预警模块,将筛选的正常数据传递给阶段判定模块;
所述阶段判定模块根据数据库中预置的拱顶温度管理值、拱顶温度目标值及废气温度目标值,判断热风炉所处的燃烧阶段,并获取热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,阶段燃烧目标值包括相应阶段的空燃比上下限、废气温度上下限及残氧量上下限;
自适应调节管控模块,所述自适应调节管控模块根据热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,对热风炉中的输入煤气流量及输入空气流量进行自适应调节,不同燃烧阶段相应的自适应调节方式不同;
所述异常预警模块对热风炉使用过程中的历史数据进行分析,计算热风炉的状态稳定值,并判断热风炉的状态稳定值是否异常,将热风炉的异常状态稳定值及采集数据处理模块中筛选的异常数据发送给管理员,进行预警。
所述异常预警模块中判断热风炉的状态稳定值是否异常的过程中,获取历史数据中第r个热风炉对应的残氧量随时间变化折线图,获取历史数据中第r个热风炉对应的废气温度随时间变化的折线图,将第r个热风炉对应的残氧量随时间变化折线图相应的函数记为HCr(t),将第r个热风炉对应的废气温度随时间变化的折线图相应的函数记为Hfr(t),所述历史数据是实时更新的;
所述异常预警模块得到热风炉残氧量状态稳定值ZWC,
其中,r1表示历史数据对应的热风炉的总个数,t3表示热风炉最近一次的开启时间,t4表示当前时间,CYBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的残氧量上限与残氧量下限的平均值,r1>0,t4>t3,
所述异常预警模块得到热风炉废气温度状态稳定值ZWF,
其中,TfBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的废气温度上限与废气温度下限的平均值;
所述异常预警模块得到热风炉状态稳定值(β*ZWC+ZWF)/2,
当(β*ZWC+ZWF)/2大于等于第一稳定阈值时,则判定热风炉的状态稳定值异常,所述第一稳定阈值为数据库中预置的常数,
当(β*ZWC+ZWF)/2小于第一稳定阈值时,则判定热风炉的状态稳定值正常。
所述异常预警模块将热风炉的异常状态稳定值及采集数据处理模块中筛选的异常数据发送给管理员进行预警时,
预警信息包括异常状态稳定值信息部分及异常筛选数据部分,所述异常状态稳定值信息部分为存储热风炉的异常状态稳定值构成的集合,所述异常筛选数据部分为筛选的异常数据构成的集合,
所述预警信息中异常状态稳定值信息部分或异常筛选数据部分对应的集合可为空集。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于大数据分析的热风炉燃烧监测方法,其特征在于,所述方法包括以下步骤:
S1、每隔第一单位时间t1获取一次热风炉中设置的各个传感器监测的数据,传感器监测数据的类型包括输入煤气流量、输入空气流量、炉内残氧量、拱顶温度及废气温度,并将时间t对应的各个传感器获取数据逐个录入到一个空白集合中,得到时间t采集的热风炉状态数据集合,所述第一单位时间t1为数据库中预置的常数;
S2、对时间t采集的热风炉状态数据集合进行处理,筛选出异常数据,将筛选的异常数据传递给S5,将筛选的正常数据传递给S3;
S3、根据数据库中预置的拱顶温度管理值、拱顶温度目标值及废气温度目标值,判断热风炉所处的燃烧阶段,并获取热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,阶段燃烧目标值包括相应阶段的空燃比上下限、废气温度上下限及残氧量上下限;
S4、根据热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,对热风炉中的输入煤气流量及输入空气流量进行自适应调节,不同燃烧阶段相应的自适应调节方式不同;
S5、对热风炉使用过程中的历史数据进行分析,计算热风炉的状态稳定值,并判断热风炉的状态稳定值是否异常,将热风炉的异常状态稳定值及S2中筛选的异常数据发送给管理员,进行预警;
所述S3中判断热风炉所处的燃烧阶段的方法包括以下步骤:
S3.1、获取数据库中预置的拱顶温度管理值Tg、拱顶温度目标值Tgm及废气温度目标值Tf,获取热风炉的起始工作时间t0,获取t0至t对应的时间段内各个时间点采集的热风炉状态数据集合中的拱顶温度的最大值Tgtz及废气温度最大值Tftz,所述t0与t分别对应的热风炉工作次数相同;
S3.2、将Tg、Tgm分别与Tgt进行比较,将Tf与Tft进行比较,根据比较结果判断热风炉的燃烧阶段,
当Tgtz<Tg<Tgm时,则判定时间t时热风炉处于燃烧初始阶段;
当Tg≤Tgtz<Tgm时,则判定时间t时热风炉处于拱顶温度管理阶段;
当Tg<Tgm≤Tgtz且Tftz<Tf时,则判定时间t时热风炉处于拱顶温度稳定阶段;
当Tg<Tgm≤Tgtz且Tf≤Tftz时,则判定时间t时热风炉处于废气温度管理阶段;
所述S4中对热风炉中的输入煤气流量及输入空气流量进行自适应调节的方法包括以下步骤:
S4.1、获取时间t采集的热风炉状态数据集合中的拱顶温度Tgt、废气温度Tft及残氧量CYt,获取时间t采集的热风炉状态数据集合中的输入煤气流量Smt及输入空气流量Skt,并计算空燃比Smt/Skt;
S4.2、获取热风炉所处的燃烧阶段及其在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长;
S4.3、当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段时,保持输入煤气流量不变,确保空燃比在相应阶段燃烧目标值的空燃比上下限之间,
若CYt小于相应阶段燃烧目标值的残氧量下限,按照自适应调节方式增加输入空气流量,增大空燃比,
若CYt大于相应阶段燃烧目标值的残氧量上限,按照自适应调节方式降低输入空气流量,减小空燃比,
调节后的空燃比依旧在相应阶段燃烧目标值的空燃比上下限之间;
S4.4、当热风炉所处的燃烧阶段为废气温度管理阶段时,
若Tft大于相应阶段燃烧目标值的废气温度上限,按照自适应调节方式降低输入煤气流量;
若Tft小于相应阶段燃烧目标值的废气温度下限,按照自适应调节方式增加输入煤气流量;
所述自适应调节方式对应的调节方法包括以下步骤:
S4-1、构建期望误差与实际输出之间的关系模型,
式中,ε(k)代表时间k对应的期望误差,d(k)表示时间k时对应的期望值,y(k)表示时间k时对应的输出结果,
当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段,且CYk小于相应阶段燃烧目标值的残氧量下限时,d(k)等于时间k时相应阶段燃烧目标值的残氧量下限,y(k)等于时间k时对应的残氧量CYk,
当热风炉所处的燃烧阶段为燃烧初始阶段或拱顶温度管理阶段或拱顶温度稳定阶段,且CYk大于相应阶段燃烧目标值的残氧量上限时,d(k)等于时间k时相应阶段燃烧目标值的残氧量上限,y(k)等于时间k时对应的残氧量CYk,
当热风炉所处的燃烧阶段为废气温度管理阶段且Tfk大于相应阶段燃烧目标值的废气温度上限时,d(k)等于时间k时相应阶段燃烧目标值的废气温度上限,y(k)等于时间k时对应的废气温度Tfk,
当热风炉所处的燃烧阶段为废气温度管理阶段且Tfk小于相应阶段燃烧目标值的废气温度下限时,d(k)等于时间k时相应阶段燃烧目标值的废气温度下限,y(k)等于时间k时对应的废气温度Tfk;
S4-2、建立输入输出之间的关系模型,
式中,u(k-t1)表示时间k时对应的调节步长,x(k)表示时间k时对应的输入结果,
当按照自适应调节方式增加输入空气流量时,
当按照自适应调节方式降低输入空气流量时,
当按照自适应调节方式增加输入煤气流量时,
当按照自适应调节方式降低输入煤气流量时,
S4-3、得到时间k时对应的调节步长,
式中,当y(k)等于时间k时对应的残氧量CYk时,u0等于残氧量的初始步长,
当y(k)等于时间k时对应的废气温度Tfk时,u0等于废气温度的初始步长,
残氧量的初始步长与废气温度的初始步长均通过数据库查询获取,且残氧量的初始步长与废气温度的初始步长不同;
所述S5中判断热风炉的状态稳定值是否异常的方法包括以下步骤:
S5.1、获取历史数据中第r个热风炉对应的残氧量随时间变化折线图,获取历史数据中第r个热风炉对应的废气温度随时间变化的折线图,
将第r个热风炉对应的残氧量随时间变化折线图相应的函数记为HCr(t),将第r个热风炉对应的废气温度随时间变化的折线图相应的函数记为Hfr(t),所述历史数据是实时更新的;
S5.2、得到热风炉残氧量状态稳定值ZWC,
其中,r1表示历史数据对应的热风炉的总个数,t3表示热风炉最近一次的开启时间,t4表示当前时间,CYBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的残氧量上限与残氧量下限的平均值,r1>0,t4>t3,
S5.3、得到热风炉废气温度状态稳定值ZWF,
其中,TfBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的废气温度上限与废气温度下限的平均值;
S5.4、得到热风炉状态稳定值(β*ZWC+ZWF)/2,所述β为数据库中预置的常数,
当(β*ZWC+ZWF)/2大于等于第一稳定阈值时,则判定热风炉的状态稳定值异常,所述第一稳定阈值为数据库中预置的常数,
当(β*ZWC+ZWF)/2小于第一稳定阈值时,则判定热风炉的状态稳定值正常;
根据热风炉使用过程中的历史数据对数据库内的初始步长进行更新校准,每隔第二单位时间校准一次,所述第二单位时间为数据库中预置的常数,所述初始步长包括残氧量的初始步长及废气温度的初始步长;
根据热风炉使用过程中的历史数据对数据库内的初始步长进行更新校准的方法包括以下步骤:
S4-3-1、获取历史数据中每个第二单位时间内对应的初始步长、相应第二单位时间内得到的各个热风炉残氧量状态稳定值的均值ZWCJ及相应第二单位时间内得到的各个热风炉废气温度状态稳定值的均值ZWFJ;
S4-3-2、计算历史数据中残氧量的初始步长相同的各个ZWCJ平均值,记为ZWCJ1,构建第一数组[u01,ZWCJ1],u01表示ZWCJ1对应的残氧量的初始步长,
获取历史数据中所有第一数组中数值最小的ZWCJ1,记为ZWCJ1min,将历史数据中包含ZWCJ1min的各个第一数组中分别对应残氧量的初始步长的平均值为更新校准后的残氧量的初始步长;
S4-3-3、计算历史数据中废气温度的初始步长相同的各个ZWFJ平均值,记为ZWFJ1,构建第二数组[u02,ZWFJ1],u01表示ZWFJ1对应的废气温度的初始步长,
获取历史数据中所有第二数组中数值最小的ZWFJ1,记为ZWFJ1min,将历史数据中包含ZWFJ1min的各个第二数组中分别对应废气温度的初始步长的平均值为更新校准后的废气温度的初始步长。
2.根据权利要求1所述的基于大数据分析的热风炉燃烧监测方法,其特征在于:所述S2筛选异常数据的方法包括以下步骤:
S2.1、获取时间t采集的热风炉状态数据集合,将时间t采集的热风炉状态数据集合中第i个元素对应的值记为Xit;
S2.2、获取Xit与Xit-t1之间的偏差值△Ai,所述Xit与Xit-t1之间的偏差值等于Xit与Xit-t1差值的绝对值,即△Ai=|Xit-Xit-t1|;
S2.3、获取基于时间t的历史采集数据中的第i个队列,所述基于时间t的历史采集数据
中的第i个队列为Xi1、Xi2、Xi3、...、Xin,所述Xin表示与Xit对应传感器监测数据的种类相同
且在历史采集数据中,时间t之前的第n个数据,计算Xit与基于时间t的历史采集数据中的
第i个队列之间的偏差比Ki,n为正整数,;
S2.4、对Xit相应的偏差值△Ai及偏差比Ki进行判断,
当△Ai小于等于第一阈值Ai且Ki小于等于第二阈值M时,则判定Xit为正常数据,
当△Ai大于第一阈值Ai或Ki大于第二阈值M时,则判定Xit为异常数据,并传递给管理员进行预警,
所述第一阈值Ai为数据库中预置的与Xit对应传感器监测数据的种类相同的数据中,相邻两次采集数据之间允许的最大偏差值,
所述第二阈值M为数据库中预置的与Xit对应传感器监测数据的种类相同的数据中,采集数据与相应队列之间允许的最大偏差比。
3.应用权利要求1或2中任意一项所述的基于大数据分析的热风炉燃烧监测方法的基于大数据分析的热风炉燃烧监测***,其特征在于,所述***包括以下模块:
数据采集模块,所述数据采集模块每隔第一单位时间t1获取一次热风炉中设置的各个传感器监测的数据,传感器监测数据的类型包括输入煤气流量、输入空气流量、炉内残氧量、拱顶温度及废气温度,并将时间t对应的各个传感器获取数据逐个录入到一个空白集合中,得到时间t采集的热风炉状态数据集合,所述第一单位时间t1为数据库中预置的常数;
采集数据处理模块,所述采集数据处理模块对时间t采集的热风炉状态数据集合进行处理,筛选出异常数据,将筛选的异常数据传递给异常预警模块,将筛选的正常数据传递给阶段判定模块;
所述阶段判定模块根据数据库中预置的拱顶温度管理值、拱顶温度目标值及废气温度目标值,判断热风炉所处的燃烧阶段,并获取热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,阶段燃烧目标值包括相应阶段的空燃比上下限、废气温度上下限及残氧量上下限;
自适应调节管控模块,所述自适应调节管控模块根据热风炉所处的燃烧阶段在数据库中预置的阶段燃烧目标值及阶段燃烧初始设定步长,对热风炉中的输入煤气流量及输入空气流量进行自适应调节,不同燃烧阶段相应的自适应调节方式不同;
所述异常预警模块对热风炉使用过程中的历史数据进行分析,计算热风炉的状态稳定值,并判断热风炉的状态稳定值是否异常,将热风炉的异常状态稳定值及采集数据处理模块中筛选的异常数据发送给管理员,进行预警。
4.根据权利要求3所述的基于大数据分析的热风炉燃烧监测***,其特征在于:所述异常预警模块中判断热风炉的状态稳定值是否异常的过程中,获取历史数据中第r个热风炉对应的残氧量随时间变化折线图,获取历史数据中第r个热风炉对应的废气温度随时间变化的折线图,将第r个热风炉对应的残氧量随时间变化折线图相应的函数记为HCr(t),将第r个热风炉对应的废气温度随时间变化的折线图相应的函数记为Hfr(t),所述历史数据是实时更新的;
所述异常预警模块得到热风炉残氧量状态稳定值ZWC,
其中,r1表示历史数据对应的热风炉的总个数,t3表示热风炉最近一次的开启时间,t4表示当前时间,CYBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的残氧量上限与残氧量下限的平均值,r1>0,t4>t3,
所述异常预警模块得到热风炉废气温度状态稳定值ZWF,
其中,TfBt表示时间t时热风炉所处燃烧阶段对应阶段燃烧目标值中的废气温度上限与废气温度下限的平均值;
所述异常预警模块得到热风炉状态稳定值(β*ZWC+ZWF)/2,
当(β*ZWC+ZWF)/2大于等于第一稳定阈值时,则判定热风炉的状态稳定值异常,所述第一稳定阈值为数据库中预置的常数,
当(β*ZWC+ZWF)/2小于第一稳定阈值时,则判定热风炉的状态稳定值正常。
5.根据权利要求3所述的基于大数据分析的热风炉燃烧监测***,其特征在于:所述异常预警模块将热风炉的异常状态稳定值及采集数据处理模块中筛选的异常数据发送给管理员进行预警时,
预警信息包括异常状态稳定值信息部分及异常筛选数据部分,所述异常状态稳定值信息部分为存储热风炉的异常状态稳定值构成的集合,所述异常筛选数据部分为筛选的异常数据构成的集合。
6.根据权利要求5所述的基于大数据分析的热风炉燃烧监测***,其特征在于:所述预警信息中异常状态稳定值信息部分或异常筛选数据部分对应的集合为空集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087506.1A CN115198047B (zh) | 2022-09-07 | 2022-09-07 | 基于大数据分析的热风炉燃烧监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087506.1A CN115198047B (zh) | 2022-09-07 | 2022-09-07 | 基于大数据分析的热风炉燃烧监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115198047A CN115198047A (zh) | 2022-10-18 |
CN115198047B true CN115198047B (zh) | 2022-12-09 |
Family
ID=83573122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087506.1A Active CN115198047B (zh) | 2022-09-07 | 2022-09-07 | 基于大数据分析的热风炉燃烧监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115198047B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116358170B (zh) * | 2023-06-01 | 2023-08-04 | 南京普兰特换热设备有限公司 | 一种具备自动调控的燃气热风炉及燃气热风炉调控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5462104A (en) * | 1977-10-26 | 1979-05-18 | Sumitomo Metal Ind Ltd | Controlling method for combustion at hot stove of blast furnace |
JPS61207504A (ja) * | 1985-03-11 | 1986-09-13 | Nippon Steel Corp | 熱風炉の燃焼制御方法 |
CN101408314A (zh) * | 2008-03-19 | 2009-04-15 | 首钢总公司 | 高炉热风炉燃烧过程的自动控制*** |
CN101736111A (zh) * | 2009-12-28 | 2010-06-16 | 中冶南方工程技术有限公司 | 热风炉自动寻优燃烧智能控制方法 |
CN102888479A (zh) * | 2012-10-23 | 2013-01-23 | 北京首钢自动化信息技术有限公司 | 随高炉风温变化而改变热风炉燃烧节奏的自动控制*** |
CN103162309A (zh) * | 2013-03-05 | 2013-06-19 | 福建南方路面机械有限公司 | 一种智能燃烧***及其控制方法 |
CN103514338A (zh) * | 2012-06-15 | 2014-01-15 | 上海宝信软件股份有限公司 | 热风炉高炉煤气使用流量预测方法 |
CN217367584U (zh) * | 2022-03-03 | 2022-09-06 | 广州绿缘环境技术有限公司 | 一种催化燃烧有机废气净化设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100798061B1 (ko) * | 2001-08-21 | 2008-01-28 | 주식회사 포스코 | 열풍로에 있어서 풍량과 고로가스 성분에 따라 연소가스량을 자동제어하는 방법 및 장치 |
CN101308031A (zh) * | 2008-06-30 | 2008-11-19 | 上海宝信软件股份有限公司 | 无线感应电缆装置和旋转编码器相结合的位置检测*** |
CN105157057B (zh) * | 2015-08-28 | 2017-12-05 | 莱芜钢铁集团电子有限公司 | 热风炉燃烧控制方法和*** |
CN105423334B (zh) * | 2015-12-31 | 2017-11-21 | 中冶南方工程技术有限公司 | 热风炉燃烧过程智能控制***及方法 |
CN109001979B (zh) * | 2018-08-24 | 2021-05-18 | 东北大学 | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 |
-
2022
- 2022-09-07 CN CN202211087506.1A patent/CN115198047B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5462104A (en) * | 1977-10-26 | 1979-05-18 | Sumitomo Metal Ind Ltd | Controlling method for combustion at hot stove of blast furnace |
JPS61207504A (ja) * | 1985-03-11 | 1986-09-13 | Nippon Steel Corp | 熱風炉の燃焼制御方法 |
CN101408314A (zh) * | 2008-03-19 | 2009-04-15 | 首钢总公司 | 高炉热风炉燃烧过程的自动控制*** |
CN101736111A (zh) * | 2009-12-28 | 2010-06-16 | 中冶南方工程技术有限公司 | 热风炉自动寻优燃烧智能控制方法 |
CN103514338A (zh) * | 2012-06-15 | 2014-01-15 | 上海宝信软件股份有限公司 | 热风炉高炉煤气使用流量预测方法 |
CN102888479A (zh) * | 2012-10-23 | 2013-01-23 | 北京首钢自动化信息技术有限公司 | 随高炉风温变化而改变热风炉燃烧节奏的自动控制*** |
CN103162309A (zh) * | 2013-03-05 | 2013-06-19 | 福建南方路面机械有限公司 | 一种智能燃烧***及其控制方法 |
CN217367584U (zh) * | 2022-03-03 | 2022-09-06 | 广州绿缘环境技术有限公司 | 一种催化燃烧有机废气净化设备 |
Non-Patent Citations (2)
Title |
---|
基于案例与规则推理的热风炉燃烧控制方法与应用;许永华等;《计算机测量与控制》;20080125(第01期);13-18 * |
基于自适应算法的热风炉阶段控制燃烧模型研究与开发;杨文仁;《工业控制计算机》;20171225;第30卷(第12期);46-47 * |
Also Published As
Publication number | Publication date |
---|---|
CN115198047A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109304086B (zh) | 一种电站锅炉scr脱硝精细化喷氨控制方法 | |
CN109343349B (zh) | 一种基于喷氨量补偿器的scr烟气脱硝优化控制***和方法 | |
CN105157057B (zh) | 热风炉燃烧控制方法和*** | |
CN115198047B (zh) | 基于大数据分析的热风炉燃烧监测***及方法 | |
CN101900992B (zh) | 化工过程预测控制***经济目标优化自适应退避选择方法 | |
CN108052007A (zh) | 火电机组运行优化方法、装置、设备及计算机存储介质 | |
CN115111594B (zh) | 一种蓄热式热力氧化炉智能调控***及方法 | |
CN111077869A (zh) | 一种大数据智能控制布袋除尘器优化控制方法及*** | |
CN112215464A (zh) | 一种多工况下高炉煤气的预测平衡调度*** | |
CN114721263B (zh) | 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 | |
CN109489261A (zh) | 一种能够实时监控的热风炉智能化控制装置 | |
US20240223661A1 (en) | Methods and smart gas internet of things (iot) systems for smart control of smart gas pipeline network data collection terminals | |
CN113761794B (zh) | 基于时间序列预测算法补全污染因子的锅炉吹灰优化方法 | |
CN1651613A (zh) | 一种碳素阳极焙烧生产***的控制方法 | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理***热解釜的模型更新方法 | |
CN114021819B (zh) | 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法 | |
CN211526443U (zh) | 垃圾焚烧炉的自动燃烧控制*** | |
Wertz et al. | Application of Clarke-Gawthrop type controllers for the bottom temperature of a glass furnace | |
CN110186027A (zh) | 一种燃气锅炉出力评价***及方法 | |
CN114779722A (zh) | 一种用于燃煤电站锅炉的智慧燃烧优化控制***及方法 | |
CN117490092B (zh) | 基于人工智能的生物质电厂燃烧控制决策优化方法及*** | |
CN116538561B (zh) | 一种基于物联网的二网水力平衡调控***及方法 | |
CN116841187A (zh) | 分解炉温度的控制方法、装置、存储介质及电子设备 | |
CN117668715A (zh) | 一种基于GRU的火电厂NOx排放量智能预测的建模方法 | |
JP4381628B2 (ja) | 濃縮設備の濃縮度制御装置及び濃縮度制御方法 |
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 |