热风炉

wangzf / 2023-05-17

1.总体设计
2.数据处理
- 2.1 数据处理步骤
- 2.2 数据分析
3.构建模型
- 3.1 拱顶温度预测
- 3.2 煤气流量预测
4.PID
4.算法流程示意图

1.总体设计

热风炉控制通常采用可编程控制器 PLC 进行控制，根据拱顶温度以及烟道温度的变化自动修改空气和煤气的配比，即空煤比，但只能将空煤比在预设好的大烧煤空比，或设好的小烧煤空比之间切换，无法随时根据炉况给出最佳空煤比，导致煤气的大量浪费

同时换炉时，各风炉之间配合效果差，导致多风炉同时需要送入煤气，但总管中气量不足，导致炉内温度波动较大，针对热风炉以上问题，本文设计了基于模型智能控制煤气流量和空气流量算法

2.数据处理

2.1 数据处理步骤

获取完整的燃烧周期数据
- 1.1 筛选 $F_{g a s} > 200 m^{3} / h$ 的历史数据；【参数 1】
- 1.2 如果筛选之后的数据中，相邻样本根据时间戳排序后的索引（index）的差值小于 30（如果采集的数据是 1min 频率的，相邻样本时间戳的间隔小于 30min），把这些数据合并为一组，则认为该组数据是在同一个燃烧周期内，否则认为是另一个燃烧周期的样本，这样就得到了一个完整的燃烧周期数据；【参数 2】
- 1.3 最后，筛选燃烧周期的数据样本量大于 100 的周期样本数据，数据格式如下：【参数 3】

周期 $C$	时间戳	煤气流量 $F_{g a s}$	煤气热值 $Q_{g a s}$	空气流量 $F_{a i r}$	拱顶温度 $T_{t o p}$	烟道温度 $T_{s m o k e}$	送风温度 $T_{w i n d}$
	$t_{1}$
$C_{1}$	$\dots$
	$t_{n}$
	$t_{1}$
$C_{2}$	$\dots$
	$t_{n}$
	$t_{1}$
$C_{3}$	$\dots$
	$t_{n}$

2.2 数据分析

计算周期统计指标

计算每个燃烧周期的：
- 拱顶温度均值（ $T_{t o p_m e a n}$ ）
- 拱顶温度标准差（ $T_{t o p_s t d}$ ）
- 拱顶温度最大值（ $T_{t o p_m a x}$ ）
- 拱顶温度最小值（ $T_{t o p_m i n}$ ）
- 煤气流量均值（ $F_{g a s_m e a n}$ ）
- 煤气热量（ $H_{g a s}$ ）= 煤气热值（ $Q_{g a s}$ ） $\cdot$ 煤气流量均值（ $F_{g a s_m e a n}$ ），没有热值时，直接使用煤气量
计算每个送风周期的：
- 送风温度最大值（ $T_{w i n d_m a x}$ ）

周期(C)	送风温度最大值 $T_{w i n d_m a x}$	拱顶平均温度 $T_{t o p_m e a n}$	拱顶温度标准差 $T_{t o p_s t d}$	拱顶温度最大值 $T_{t o p_m a x}$	拱顶温度最小值 $T_{t o p_m i n}$	煤气流量均值 $F_{g a s_m e a n}$	煤气热量 $H_{g a s}$
$C_{1}$
$C_{2}$
$\dots$
$C_{3}$

筛选出有效周期的指标
- 为了得到 xx 指标的 xx 阈值，描述每个燃烧周期 $T_{t o p_m a x}$ 与 $H_{g a s}$ 的相关关系，绘制所有燃烧周期两列数据的散点图；
- 为了得到送风温度的xx阈值，描述每个燃烧周期 $H_{g a s}$ 与每个送风周期 $T_{w i n d_m a x}$ 的相关关系，绘制所有燃烧周期与送风周期相关数据的散点图；
根据上述两个散点图以及燃烧期、送风期的相关统计指标，生成燃烧期、送风期数据的两个筛选条件：
- 同一个热风炉的全部燃烧期的煤气热量（ $H_{g a s}$ ）序列的最优 0.3（30%）分位数，作为节约煤气量的阈值
- 同一个热风炉送风期的最高送风温度 $T_{w i n d_m a x} > 1193 ℃$
根据上述两个筛选条件，筛选得到两个数据集，然后统计同时出现在两个数据集的中的燃烧周期（同时满足上述两个筛选条件），在 2.1 节筛选得到的数据中选择这些满足条件的周期数据；
在第 4 步筛选得到的数据中，取每个燃烧期 3min 以后的数据
- Label: $t + 1$ 时刻的拱顶温度 $T_{t o p}$
- Features:
  - 燃烧时间
  - $t$ 时刻前 5min 的拱顶温度(右) $T_{t o p}$
  - $t$ 时刻前 5min 的烟道温度 $T_{s m o k e}$
在 2.1 节筛选得到的数据中，取每个燃烧期 3min以后得数据
- Label: $t + 1$ 时刻的煤气流量 $F_{g a s}$
- Features:
  - 燃烧时间
  - $t$ 时刻前 5-9min 的煤气热值 $Q_{g a s}$
  - $t$ 时刻前 5min 拱顶温度 $T_{t o p}$
  - $t$ 时刻前5min煤气流量 $F_{g a s}$
将上述两个数据集保存为 .csv 格式的数据

3.构建模型

使用第 2 节得到了两个数据集训练：

拱顶温度预测模型
煤气流量预测模型

模型构建流程：

针对每个热风炉进行建模，每个热风炉构建两个模型：
- 拱顶温度预测模型
- 煤气流量预测模型
采用 10 折交叉验证对比常见的机器学习方法进行测试，进行模型选择；
根据绝对均值误差（MAE）、均方误差（MSE）、可决系数（ $R^{2}$ ）等作为模型评价标准
综合模型选择标准后选择了极端随机树模型（Extra Random Trees）
使用训练数据训练极端随机树模型，并将训练好的模型保存下来，保存为 .pkl 格式

3.1 拱顶温度预测

数据信息如下：

Label: $t + 1$ 时刻的拱顶温度 $T_{t o p}$
Features:
- 燃烧时间
- $t$ 时刻前 5min 的拱顶温度(右) $T_{t o p}$
- $t$ 时刻前 5min 的烟道温度 $T_{s m o k e}$

3.2 煤气流量预测

数据信息如下：

Label： $t + 1$ 时刻的煤气流量 $F_{g a s}$
Features：
- 燃烧时间
- $t$ 时刻前 5-9min 的煤气热值 $Q_{g a s}$ 【TODO】
- $t$ 时刻前 5min 烟道温度 $T_{s m o k e}$ 【TODO】
- $t$ 时刻前 5min 拱顶温度 $T_{t o p}$
- $t$ 时刻前 5min 煤气流量 $F_{g a s}$

在预测 $t + 1$ 时刻的煤气流量时，需要用到拱顶温度预测模型的预测结果 $t + 1$ 时刻的拱顶预测温度，下图可以清楚说明预测煤气流量过程：

![image-20230515135203055](/Users/zfwang/Library/Application Support/typora-user-images/image-20230515135203055.png)

热风炉

wangzf / 2023-05-17

1.总体设计

2.数据处理

2.1 数据处理步骤

2.2 数据分析

3.构建模型

3.1 拱顶温度预测

3.2 煤气流量预测

4.PID

4.算法流程示意图

4.1 算法整体流程

4.2 数据生成流程

4.3 参数处理流程