CN103425099A - 一种硫化过程嵌入式碳排放监控与检测系统 - Google Patents

Abstract

一种硫化过程嵌入式碳排放监控与检测系统，包括能耗传感器、能耗采集单元、碳排放监控单元和嵌入式碳排放中央处理单元；所述能耗采集单元通过网络获得所述能耗传感器采集的能耗数据，并将所述能耗数据传送给所述碳排放监控单元和嵌入式碳排放中央处理单元进行处理；所述碳排放监控单元根据异常检测模型进行异常告警处理；所述嵌入式碳排放中央处理单元包括碳排放获得单元、碳排放优化识别单元和检测单元；所述碳排放获得单元包括修正单元和处理单元，本发明在碳排放监控与检测系统架构等方面有较大突破，同时对于提高企业节能管理水平，加大节能技术改造，减轻环境污染，缓解能源瓶颈制约，实现的节约发展、清洁发展和可持续发展具有十分重要的战略意义和现实意义。

Description

一种硫化过程嵌入式碳排放监控与检测系统

技术领域

本发明涉及能源数据处理和生产节能领域，尤其涉及一种硫化过程嵌入式碳排放监控与检测系统。

背景技术

目前，随着企业生产过程节能减排的要求日益提高，各个生产企业逐步采用了节能减排的装置，这些装置提供企业日常能耗数据的采集和处理。现有的技术方案主要是从单一企业或者生产过程进行简单的采集，做出简单生产过程各种碳排放的处理，不能处理复杂生产过程（比如，分布式、层级式的生产过程）的碳排放监控与检测。

发明内容

本发明的目的在于提出一种轮胎生产工序中硫化过程中的嵌入式碳排放监控与检测系统，针对分布式生产过程，通过简单、准确、可靠的方法监控与检测层级式企业生产的碳排放，提高大型分布式制造企业能源综合利用效率，降低能源使用成本。

为达此目的，本发明采用以下技术方案：

一种硫化过程嵌入式碳排放监控与检测系统，包括能耗传感器、能耗采集单元、碳排放监控单元和嵌入式碳排放中央处理单元；

所述能耗传感器包括供电系统电表、空调系统电表、锅炉系统温度和压力表、供水系统水表、空压系统压力表和制氮系统压力表；

所述能耗采集单元通过网络获得所述能耗传感器采集的能耗数据，并将所述能耗数据传送给所述碳排放监控单元和嵌入式碳排放中央处理单元进行处理；

所述碳排放监控单元以发现能耗异常为目标，将所述能耗数据进行监控和分析，根据异常检测模型进行异常告警处理，或者直接对可以控制的能耗设备进行启停处理；

所述嵌入式碳排放中央处理单元包括碳排放获得单元、碳排放优化识别单元和检测单元；

所述碳排放获得单元包括修正单元和处理单元；

所述碳排放优化识别单元设置有分别保存碳排放识别优化程序和碳排放识别优化数据的存储器，所述存储器采用各自的总线、拥有独立的地址，可以独立访问；所述碳排放识别优化程序包括划分单元、提取单元和识别单元，所述划分单元用于将分布式生产过程中碳排放分为直接碳排放和间接碳排放；所述直接碳排放为制造单元碳排放，包括生产过程中机器耗费的电能、水和蒸汽；所述间接碳排放为仪表盘、照明系统和冷却系统碳排放；所述提取单元将实时采集的能源数据按照分钟、小时、日、月和年的时间和表计、生产线、车间和区域的空间进行汇总计算，形成分析所需的能耗用量、标准煤、费用和碳排放的能耗数据，获取生产过程中的排班、设备或车间产出、质量检测等数据，进行单产能耗、单位面积能耗、设备能效、车间能效能耗指标的计算；所述识别单元根据能效优化运行的需要，对各能耗数据进行分析处理，包括能耗平衡分析、制造能效分析和节能效果分析；

所述检测单元包括电子键盘和显示触摸屏；所述电子键盘用于实现对碳排放进行分布式、全面的监控，通过以太网或者CAN总线与远程信息系统进行远程数据和命令通信，根据监控中心发出的不同指令，对设备及时执行正确的操作；所述显示触摸屏根据碳排放管理需要，进行选择性的显示，监测人员通过所述显示触摸屏实时查看各项碳排放指标；

所述异常检测模型使用面向流程的数据集成模型和数据回归模型来集成碳排放的不同的因素，用于碳排放异常分析；

所述数据集成模型按工序为单位进行采集和计量，获得表征能源效率的能流率EFR_vul，所述能流率EFR_vul为理论能耗TE和直接能耗DE的比；DE是制造过程中的实际能源消耗；TE是制造过程需要的最小能源：

其中0≤EFR_vul≤1；

TE是执行制造过程需要的最小能源消耗，其包括物理过程的能源消耗TE_p和化学过程的能源消耗TE_c，即其表达式如下：TE＝TE_p+TE_c；

在硫化过程中，气体物理能量转换的第一阶段常温条件下的气体压缩所消耗的能量大小如下表达式计算: $W=\underset{v_2}{\overset{v_1}{\∫}}P\·\mathrm{dV}=\underset{v_2}{\overset{v_1}{\∫}}\frac{\mathrm{nRT}}{V}\·\mathrm{dV}=\mathrm{nRT}\ln \frac{p^{*}}{p_1};$

在第二阶段用于加热材料的能源使用量计算如下：Q＝c·m·(t₂-t₁)；

上式中的c是气体比热容，m是气体的质量；物理能耗大小为：

${\mathrm{TE}}_p=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\{W_i+Q_i\}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\{n{\mathrm{Rt}}_{\mathrm{il}}\ln \frac{{p_i}^{*}}{p_{\mathrm{il}}}+c_i{m}_i(t_{i2}-t_{i1})\};$

化学反应过程中TE_c的计算表达式如下：

TE_c＝m·q

上式中的q是单位物质吸热/放热量，m参加反应的橡胶质量，取q＝-43×10³J·kg^-1；

面向设备DE的计算：DE通过面向设备公式进行计算，其能够对所述实际能源消耗进行测量，包括主要设备的能源消耗PE和辅助设备的能源消耗AE；其表达式如下：

DE＝PE+AE

PE是主要设备使用的电能和煤炭量，其包括硫化、压缩、氮气的制造和水蒸气的制造；AE是电力能源的消耗，其包括照明、通风排气和空调；

$\mathrm{DE}={\mathrm{\Σ}}_{i=1}^n{m}_i\·Q_i$

上式中的m_i（i＝1,2）是电能和煤炭消耗的质量，Q_i（i＝1,2）分别是他们能量转化率；

所述数据回归模型是通过利用统计模型和人工神经网络为所述能源效率建立适当的回归模型，在预测区间内能源消耗的实际值来判断碳排放异常,使ER_vul可以预先预测；硫化过程的能源效率的回归模型是y_t＝f(X_t)，其中y_t是ER_vul当前的预测值，f(·)是回归函数，X_t是影响硫化能效的一个矩阵，它在硫化过程初始时获得，包括操作者爱好、环境、轮胎坯料和硫化机器；f(·)从历史数据库中提取训练样本；根据无偏性标准和最小方差标准，绝对平均误差M_e和绝对误差S_e的标准差用于估算预测精度，其定义为如下式：

$M_e=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left|{{\tilde{y}}_t-y}_t\right|;$

$S_e=\frac{1}{n-1}\sqrt{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{\left(\right|e_t|-M_e)}^2};$

其中

是预测值，y_t是ER_vul观察值，

n是训练样本数；最小二乘标准，MinΣe_t ²作为目标函数；

函数f(·)只给出ER_vul预测点，诊断异常事件需要一个置信区间，在此区间ER_vul从正常处理过程产生预计会下降，如果观察值不在置信区间所决定的范围内，那么能耗预警将会触发；对于第（n+1）处理阶段，ER_vul的预测值由

表示，而观测值则用y_n+1表示，假设

和y_n+1与正态随机分布相同，

而e_n+1同样也是正态分布，其期望E(e_n+1)＝0或e_n+1～N(0,δ²)；标准差的估计表达式：

${\widetilde{\mathrm{\δ}}}^2=\frac{1}{n-1}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{e_t}^2;$

上式中n是训练样本数量，建立统计z为如下表达式：

$z=\frac{e_{n+1}-E\left(e_{n+1}\right)}{D\left(e_{n+1}\right)}=\frac{y_{n+1}-{\tilde{y}}_{n+1}}{{\widetilde{\mathrm{\δ}}}^2}~N\left(\mathrm{0,1}\right);$

给定一个显著水平α，置信水平为1-α，则y_n+1的置信区间为 ${\tilde{y}}_{n+1}-Z_{\mathrm{\α}/2}\widetilde{\mathrm{\δ}}\≤y_{n+1}\≤{\tilde{y}}_{n+1}+Z_{\mathrm{\α}/2}\widetilde{\mathrm{\δ}}.$

本发明在系统架构等方面有较大突破，同时对于提高企业节能管理水平，加大节能技术改造，减轻环境污染，缓解能源瓶颈制约，实现的节约发展、清洁发展和可持续发展具有十分重要的战略意义和现实意义。

附图说明

图1是本发明的实施例的系统图。

图2是本发明的实施例的嵌入式碳排放中央处理单元的系统图。

图3是本发明的实施例的输入RS-232的串口电路图。

图4是本发明的实施例的信号输入及转换单元电路图。

图5是本发明的实施例的DSP与ARM的通讯接口电路图。

图6是本发明的实施例的以太网接口电路图。

图7是本发明的实施例的CAN接口电路图。

图8是本发明的实施例的SDRAM存储器电路图。

图9是本发明的实施例的硫化数据集成模型。

图10是本发明的实施例的硫化工艺能量流动图。

图11是本发明的实施例的硫化过程的化学变化图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

本发明实施以轮胎生产的硫化过程碳排放为例，其嵌入式碳排放监控与检测系统的实施例参照图1、图2和图3，包括能耗传感器1、能耗采集单元2、碳排放监控单元3和嵌入式碳排放中央处理单元4；并且以轮胎硫化过程为例说明异常检测模型在碳排放的采集与监控过程的应用。

所述能耗传感器1包括供电系统电表、空调系统电表、锅炉系统温度和压力表、供水系统水表、空压系统压力表和制氮系统压力表；

所述能耗采集单元2通过网络获得所述能耗传感器1采集的能耗数据，并将所述能耗数据传送给所述碳排放监控单元3和嵌入式碳排放中央处理单元4进行处理；

所述碳排放监控单元3以发现能耗异常为目标，将所述能耗数据进行监控和分析，根据异常检测模型进行异常告警处理，或者直接对可以控制的能耗设备进行启停处理；

所述嵌入式碳排放中央处理单元4包括碳排放获得单元41、碳排放优化识别单元42和检测单元43；其实施电路图如图3、图4所示。

所述碳排放获得单元41包括修正单元410和处理单元411；两个处理单元的通讯接口电路图如图5所示。

所述碳排放优化识别单元42设置有分别保存碳排放识别优化程序和碳排放识别优化数据的存储器（其实施电路图如图6所示），所述存储器采用各自的总线、拥有独立的地址，可以独立访问；所述碳排放识别优化程序包括划分单元420、提取单元421和识别单元422，所述划分单元420用于将分布式生产过程中碳排放分为直接碳排放和间接碳排放；所述直接碳排放为制造单元碳排放，包括生产过程中机器耗费的电能、水和蒸汽；所述间接碳排放为仪表盘、照明系统和冷却系统碳排放；所述提取单元421将实时采集的能源数据按照分钟、小时、日、月和年的时间和表计、生产线、车间和区域的空间进行汇总计算，形成分析所需的能耗用量、标准煤、费用和碳排放的能耗数据，获取生产过程中的排班、设备或车间产出、质量检测等数据，进行单产能耗、单位面积能耗、设备能效、车间能效能耗指标的计算；所述识别单元422根据能效优化运行的需要，对各能耗数据进行分析处理，包括能耗平衡分析、制造能效分析、节能效果分析；

所述检测单元43包括电子键盘和显示触摸屏；所述电子键盘用于实现对碳排放进行分布式、全面的监控，通过以太网（其电路图如图7所示）或者CAN总线（其电路图如图8所示）与远程信息系统进行远程数据和命令通信，根据监控中心发出的不同指令，对设备及时执行正确的操作；所述显示触摸屏根据碳排放管理需要，进行选择性的显示，监测人员通过所述显示触摸屏实时查看各项碳排放指标。

显示触摸屏根据碳排放管理需要，监测人员可以通过人机界面实时查看各项碳排放指标，也可以在界面上进行选择性的显示。例如利用快速傅里叶算法完成2～50次谐波分析，监测人员能够通过人机界面查看各次谐波的相关参数。显示触摸屏也对各粒度（实时、汇总）能耗数据进行查询统计，生成报表。支持用户定制报表，并定时自动生产Excel报表；报表采用直观丰富的图表（曲线、表格、柱状图、饼图等）呈现；在分布式、层级式碳排放管理过程中，CAN总线的工作方式为主从式。总线上任意节点间均可在某一时刻相互发送数据，而不分主从，可以点对点、单点对多点及广播集中方式传送和接受数据，通信方式灵活，且不需要站地址等节点信息。

所述异常检测模型使用面向流程的数据集成模型和数据回归模型来集成碳排放的不同的因素，用于碳排放异常分析，该模型能够捕获能源使用和生产异常之间的直接关系。以橡胶生产的硫化过程为例，硫化能效按工序为单位进行采集和计量，与硫化工序有关的原料、设备、人员、环境、工艺参数、产品等都有可能是硫化能效的影响因素。轮胎硫化需要在高温高压的环境下才能进行，典型的客车轮胎硫化温度是170°C，并且需要持续10分钟，硫化过程保持稳定的压力和温度。在硫化过程中，首先将190-210°C的高温高压饱和水蒸汽填充进硫化机器的硫化囊中，然后将高纯度的氮气在2.0-2.6MPa的高压下填充进行硫化机器的硫化囊中，直到硫化囊中的气压达到稳定值，硫化囊中的压力保持稳定直到硫化过程结束，最后，硫化完成的轮胎被送到冷却站通过空气进行冷却。硫化过程直接消耗煤、电、水蒸气、氮气和压缩空气。能源消耗与这些物质的消耗之间存在很强的关系。这些物质的消耗异常通常可预示生产过程中异常事件，且制造出来的产品通常为不合格产品。

所述数据集成模型（如图9所示）按工序为单位进行采集和计量，与工序有关的原料、设备、人员、环境、工艺参数、产品等都有可能是硫化碳排放效率的影响因素。能耗工质、环境、工艺参数等各概念对象对硫化能效的影响分析如下：①能耗工质：包括硫化工序消耗的电能、蒸汽、氮气等，是计算直接能耗的依据；②胎坯：胎坯的重量和胶料配方是计算理论能耗的依据；③环境：温度是计算理论能耗的依据，温度和湿度均可能会影响硫化能效；④硫化机设备：型号、使用时间、维护时间均可能会影响硫化能效；⑤工艺参数：温度、压力、时间等参数均可能影响硫化能效；⑥操作人员：其技术熟练程度（用技术等级、工作经验、年龄等）可能会影响硫化能效；⑦轮胎：轮胎的品质是验证硫化工序是否正确执行的依据，提升硫化能效必须以保证轮胎品质为前提。

在这硫化能耗分析的框架里，硫化过程的能源使用效率是通过一个叫能流率（EFR_vul）来估计得到的。图10描绘了在这所说的轮胎硫化过程的能量流。从中可以看出，该过程是通过电和煤等能源资源来驱动。在这过程中涉及到设备包括照明，排气扇，空调，压缩机，氮气制造设备，硫化和蒸汽制造设备等。

所述能流率（EFR_vul）理论能耗（TE）和直接能耗（DE）比来定义的。DE是制造过程中的实际能源消耗，例如，在硫化过程中使用的电能和煤等。TE是硫化过程需要的最小能源，例如，从理论层面上硫化反应过程需要的的能源。换句话说，DE是硫化过程中输入的能源，而TE是硫化结束凝聚在输出产品上的能源。硫化过程的能流率(EFR_vul)的表达式如下：

${\mathrm{EFR}}_{\mathrm{vul}}=\frac{\mathrm{TE}}{\mathrm{DE}}---\left(1\right)$

上式中0≤EFR_vul≤1。为了简化和是硫化过程的能量转换更清晰，使用面向产品和设备的观点。从面向产品的观点看，TE在制造过程中的消耗主要用于为反应创建先决物理条件（包括温度和压力等）并为化学反应提供必要的热能。另一方面，DE是由实际能源使用来衡量的，例如，在硫化过程中的电能和煤，其通过面向设备方面来衡量的。

面向产品TE的计算：TE由面向产品的公式来计算的。TE的定义是执行硫化过程需要的最小能源消耗，其包括物理过程的能源消耗TE_p和化学过程的能源消耗TE_c，即其表达式如下：

TE＝TE_p+TE_c                              （2）

在硫化过程中的能量转换即便是在理论层面上也是很复杂的。高温高压的气体在硫化反应过程是很关键的，由Clapeyron提出的理想气体定理是在假设气体在理想情况下的一个状态方程，其表达式如下：

PV＝nRT                          （3）

上式中P是气体的绝对气压，V是气体的体积，T是绝对温标下的绝对温度，n是气体物质的物质的量，而R＝8.314J/(K·mol)是理想状态下的常数。在此用Clapeyron方程对能源消耗的压缩气体，如空气和氮气进行计算。

在硫化过程中，气体物理能量转换由两个阶段组成。在第一阶段，气体在常温/正常温度t₁下通过外界进行强制压缩，气体状态变化从（p₁,v₁,t₁）转变到（p^*,v₂,t₁），其满足

p^*V＝nRt₁                        （4）

在第二阶段，气体被加热到达合适温度t₂，此时气体状态变化从（p^*,v₂,t₁）转变到（p₂,v₂,t₂），如图2所示（绿色曲线），其满足

p₂V＝nRt₂                       （5）

注意到这个阶段的压力与与温度变化成正比，在第一阶段常温条件下的气体压缩所消耗的能量大小如下表达式计算

$W=\underset{v_2}{\overset{v_1}{\∫}}P\·\mathrm{dV}=\underset{v_2}{\overset{v_1}{\∫}}\frac{\mathrm{nRT}}{V}\·\mathrm{dV}=\mathrm{nRT}\ln \frac{p^{*}}{p_1}---\left(6\right)$

在第二阶段用于加热材料的能源使用量计算如下：

Q＝c·m·(t₂-t₁)                       （7）

上式中的c是气体比热容，m是气体的质量。因此，物理能耗大小为：

${\mathrm{TE}}_p=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\{W_i+Q_i\}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\{n{\mathrm{RT}}_{\mathrm{il}}\ln \frac{{p_i}^{*}}{p_{\mathrm{il}}}+c_i{m}_i(t_{i2}-t_{i1})\}---\left(8\right)$

从理论上讲，化学反应过程既是吸热也是放热过程，其实计算TE_c的基础。一些原始橡胶的C-H连接被与高聚物相链接的硫原子链所取代。在硫原子链的短暂交叉链接给予橡胶更好的耐热性。对于化学反应过程，TE_c的计算表达式如下：

TE_c＝m·q                       （9）

上式中的q是单位物质吸热/放热量，m参加反应的橡胶质量。按照Juma的实验结果取q＝-43×10³J·kg^-1

面向设备DE的计算：DE通过面向设备公式进行计算，其能够对实际能源消耗进行测量。硫化过程中的实际能源消耗可以分为两类：主要设备的能源消耗(PE)和辅助设备的能源消耗(AE)。其表达式如下：

DE＝PE+AE                       （10）

PE的主要特点是主要设备使用的电能和煤炭量，其包括硫化，压缩，氮气的制造和水蒸气的制造等。AE的主要特点是电力能源的消耗，其包括照明，通风排气和空调等。

$\mathrm{DE}={\mathrm{\Σ}}_{i=1}^n{m}_i\·Q_i---\left(11\right)$

上式中的m_i（i＝1,2）是电能和煤炭消耗的质量，Q_i（i＝1,2）分别是他们能量转化率。

算法1：EFR_vul的计算

物理过程的能源消耗TE.

输入：气体材料的初始状态（t_i1,p_i1,v_i1）和目标状态（t_i2,p_i2,^*），消耗空气，氮气，蒸汽和轮胎坯料的质量m_i（i＝1,2,3,4）。为了简单起见，第i中材料的下标i在不混淆的情况省略。

步骤11.计算v₂，其表达式为

步骤12.通过（4）来决定中间压力p^*；

步骤13.通过（6）来计算第一阶段的能源消耗W和通过（7）来计算第二阶段的Q；

步骤14.通过（8）来计算物理能源消耗TE_p；

步骤15.通过（9）来计算化学能源消耗TE_c；

步骤16.通过（2）计算TE，即TE＝TE_p+TE_c。

化学过程的能源消耗DE.

步骤21.测量主要和辅助设备总消耗的能源；

步骤22.测量蒸汽生产使用的煤炭；

步骤23.通过（11）计算DE，即

EFR_vul.

通过（1）来计算能流率EFR_vul，即

所述数据回归模型是通过利用统计模型和人工神经网络为能源效率建立适当的回归模型，在预测区间内能源消耗的实际值来判断碳排放异常。硫化的能源效率ER_vul被看做为面向流程数据模型的一个统计，因此ER_vul可以预先预测。硫化能效的回归模型是y_t＝f(X_t)，其中y_t是ER_vul当前的预测值f(·)是回归函数，X_t是影响硫化能效的一个矩阵，它可以在轮胎硫化初始时获得，包括操作者爱好，环境，轮胎坯料和硫化机器等。数据最小化技术可以适用于f(·)，可以从历史数据库中提取训练样本。由于f(·)描述的是在正常条件下的关系，不合格产品（其他不规则的）的数据应该在训练样本中排除掉。已经有许多针对适应度函数f(·)的数据挖掘的算法，例如人工神经网络（ANN），支持向量机（SVM）等。针对这特殊应该的优化算法选择应该通过性能分析来决定。根据无偏性标准和最小方差标准，绝对平均误差（M_e）和绝对误差（S_e）的标准差可用于估算预测精度，其定义为如下式（12）和式（13）：

$M_e=\frac{1}{n}\underset{t=1}{\overset{1}{\mathrm{\Σ}}}|{\tilde{y}}_t-y_t|---\left(12\right)$

$S_e=\frac{1}{n-1}\sqrt{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{\left(\right|e_t|-M_e)}^2}---\left(13\right)$

其中

是预测值，y_t是从ER_vul观察值，

n是训练样本数。M_e和S_e值较小的话表明f(.)的预测性能就越好，最小二乘标准，MinΣe_t ²作为目标函数。

函数f(·)只给出ER_vul预测点，诊断异常事件需要一个置信区间，在此区间ER_vul从正常处理过程产生预计会下降，如果观察值不在置信区间所决定的范围内，那么能耗预警将会触发。对于第（n+1）处理阶段，ER_vul的预测值由

表示，而观测值这用y_n+1表示，假设

和y_n+1与正态随机分布相同，

而e_n+1同样也是正态分布，其期望E(e_n+1)＝0或e_n+1～N(0,δ²)。标准差事先通常是不知道的，但其可以从训练样本中估计得到，以下是其估计表达式：

${\widetilde{\mathrm{\δ}}}^2=\frac{1}{n-1}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{e_t}^2---\left(14\right)$

上式中n是训练样本数量，建立统计z为如下表达式：

$z=\frac{e_{n+1}-E\left(e_{n+1}\right)}{D\left(e_{n+1}\right)}=\frac{y_{n+1}-{\tilde{y}}_{n+1}}{{\widetilde{\mathrm{\δ}}}^2}~N\left(\mathrm{0,1}\right)---\left(15\right)$

给定一个显著水平α，置信水平为1-α，则y_n+1的置信区间为

一旦固定能效y_n+1的观察值不在置信区间内时，固定能耗异常将会发生，这是操作者应停下来进行排除或改善自己的操作技能，避免更多的能源浪费。

本发明将优化过程与碳排放采集与监控装置紧密结合，提高大型分布式制造企业能源综合利用效率，降低能源使用成本。本发明可满足分布式制造企业不同类型车间个性化节能减排需求，提供分布式产品制造过程碳效优化方法，对推动节能技术在制造企业中的高速普及应用具有积极效果。

与现有技术相比，本发明在系统架构等方面有较大突破，同时对于提高企业节能管理水平，加大节能技术改造，减轻环境污染，缓解能源瓶颈制约，实现的节约发展、清洁发展和可持续发展具有十分重要的战略意义和现实意义。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (1)

1.一种硫化过程嵌入式碳排放监控与检测系统，其特征在于：包括能耗传感器、能耗采集单元、碳排放监控单元和嵌入式碳排放中央处理单元；

所述能耗传感器包括供电系统电表、空调系统电表、锅炉系统温度和压力表、供水系统水表、空压系统压力表和制氮系统压力表；

所述能耗采集单元通过网络获得所述能耗传感器采集的能耗数据，并将所述能耗数据传送给所述碳排放监控单元和嵌入式碳排放中央处理单元进行处理；

所述碳排放监控单元以发现能耗异常为目标，将所述能耗数据进行监控和分析，根据异常检测模型进行异常告警处理，或者直接对可以控制的能耗设备进行启停处理；

所述嵌入式碳排放中央处理单元包括碳排放获得单元、碳排放优化识别单元和检测单元；

所述碳排放获得单元包括修正单元和处理单元；

所述碳排放优化识别单元设置有分别保存碳排放识别优化程序和碳排放识别优化数据的存储器，所述存储器采用各自的总线、拥有独立的地址，可以独立访问；所述碳排放识别优化程序包括划分单元、提取单元和识别单元，所述划分单元用于将分布式生产过程中碳排放分为直接碳排放和间接碳排放；所述直接碳排放为制造单元碳排放，包括生产过程中机器耗费的电能、水和蒸汽；所述间接碳排放为仪表盘、照明系统和冷却系统碳排放；所述提取单元将实时采集的能源数据按照分钟、小时、日、月和年的时间和表计、生产线、车间和区域的空间进行汇总计算，形成分析所需的能耗用量、标准煤、费用和碳排放的能耗数据，获取生产过程中的排班、设备或车间产出、质量检测等数据，进行单产能耗、单位面积能耗、设备能效、车间能效能耗指标的计算；所述识别单元根据能效优化运行的需要，对各能耗数据进行分析处理，包括能耗平衡分析、制造能效分析和节能效果分析；

所述检测单元包括电子键盘和显示触摸屏；所述电子键盘用于实现对碳排放进行分布式、全面的监控，通过以太网或者CAN总线与远程信息系统进行远程数据和命令通信，根据监控中心发出的不同指令，对设备及时执行正确的操作；所述显示触摸屏根据碳排放管理需要，进行选择性的显示，监测人员通过所述显示触摸屏实时查看各项碳排放指标；

所述异常检测模型使用面向流程的数据集成模型和数据回归模型来集成碳排放的不同的因素，用于碳排放异常分析；

所述数据集成模型按工序为单位进行采集和计量，获得表征能源效率的能流率EFR_vul，所述能流率EFR_vul为理论能耗TE和直接能耗DE的比；DE是制造过程中的实际能源消耗；TE是制造过程需要的最小能源：

其中0≤EFR_vul≤1；

TE是执行制造过程需要的最小能源消耗，其包括物理过程的能源消耗TE_p和化学过程的能源消耗TE_c，即其表达式如下：TE＝TE_p+TE_c；

在硫化过程中，气体物理能量转换的第一阶段常温条件下的气体压缩所消耗的能量大小如下表达式计算: $W=\underset{v_2}{\overset{v_1}{\∫}}P\·\mathrm{dV}=\underset{v_2}{\overset{v_1}{\∫}}\frac{\mathrm{nRT}}{V}\·\mathrm{dV}=\mathrm{nRT}\ln \frac{p^{*}}{p_1};$

在第二阶段用于加热材料的能源使用量计算如下：Q＝c·m·(t₂-t₁)；

上式中的c是气体比热容，m是气体的质量；物理能耗大小为：

${\mathrm{TE}}_p=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\{W_i+Q_i\}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\{{\mathrm{nRT}}_{\mathrm{il}}\ln \frac{{p_i}^{*}}{p_{\mathrm{il}}}+c_i{m}_i(t_{i2}-t_{i1})\};$

化学反应过程中TE_c的计算表达式如下：

TE_c＝m·q

上式中的q是单位物质吸热/放热量，m参加反应的橡胶质量，取q＝-43×10³J·kg^-1；

面向设备DE的计算：DE通过面向设备公式进行计算，其能够对所述实际能源消耗进行测量，包括主要设备的能源消耗PE和辅助设备的能源消耗AE；其表达式如下：

DE＝PE+AE

PE是主要设备使用的电能和煤炭量，其包括硫化、压缩、氮气的制造和水蒸气的制造；AE是电力能源的消耗，其包括照明、通风排气和空调；

$\mathrm{DE}={\mathrm{\Σ}}_{i=1}^n{m}_i\·Q_i$

上式中的m_i（i＝1,2）是电能和煤炭消耗的质量，Q_i（i＝1,2）分别是他们能量转化率；

所述数据回归模型是通过利用统计模型和人工神经网络为所述能源效率建立适当的回归模型，在预测区间内能源消耗的实际值来判断碳排放异常,使ER_vul可以预先预测；硫化过程的能源效率的回归模型是y_t＝f(X_t)，其中y_t是ER_vul当前的预测值，f(·)是回归函数，X_t是影响硫化能效的一个矩阵，它在硫化过程初始时获得，包括操作者爱好、环境、轮胎坯料和硫化机器；f(·)从历史数据库中提取训练样本；根据无偏性标准和最小方差标准，绝对平均误差M_e和绝对误差S_e的标准差用于估算预测精度，其定义为如下式：

$M_e=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}|{\tilde{y}}_t-y_t|;$

$S_e=\frac{1}{n-1}\sqrt{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{\left(\right|e_t|-M_e)}^2};$

其中

是预测值，y_t是ER_vul观察值，

n是训练样本数；最小二乘标准，MinΣe_t ²作为目标函数；

函数f(·)只给出ER_vul预测点，诊断异常事件需要一个置信区间，在此区间ER_vul从正常处理过程产生预计会下降，如果观察值不在置信区间所决定的范围内，那么能耗预警将会触发；对于第（n+1）处理阶段，ER_vul的预测值由

表示，而观测值则用y_n+1表示，假设和y_n+1与正态随机分布相同，

而e_n+1同样也是正态分布，其期望E(e_n+1)＝0或e_n+1～N(0,δ²)；标准差的估计表达式：

${\widetilde{\mathrm{\δ}}}^2=\frac{1}{n-1}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{e_t}^2;$

上式中n是训练样本数量，建立统计z为如下表达式：

$z=\frac{e_{n+1}-E\left(e_{n+1}\right)}{D\left(e_{n+1}\right)}=\frac{y_{n+1}-{\tilde{y}}_{n+1}}{{\widetilde{\mathrm{\δ}}}^2}~N\left(\mathrm{0,1}\right);$

给定一个显著水平α，置信水平为1-α，则y_n+1的置信区间为

${\tilde{y}}_{n+1}-Z_{\mathrm{\α}/2}\widetilde{\mathrm{\δ}}\≤y_{n+1}\≤{\tilde{y}}_{n+1}+Z_{\mathrm{\α}/2}\widetilde{\mathrm{\δ}}.$

Images