CN112923727B - 一种基于温度趋势特征提取的焙烧炉实时炉况评估方法 - Google Patents

Abstract

本发明公开了一种基于温度趋势特征提取的焙烧炉实时炉况评估方法，用最小二乘法来对输入的实时温度信号进行一次和二次拟合，然后通过阈值来对该拟合信号的一次和二次拟合信号的最大误差以及累积误差进行判断，将实时温度信号进行自适应分段处理，然后根据趋势划分判断依据得到当前温度信号的定性趋势类别，结合当前温度信号值及专家规则来评估当前炉况，能有效判断当前焙烧炉沸腾层的正常与异常状态及提前提醒异常状态，从而有效保证焙烧炉的稳定运行。

Description

一种基于温度趋势特征提取的焙烧炉实时炉况评估方法

技术领域

本发明涉及过程控制技术领域，尤其涉及一种基于温度趋势特征提取的焙烧炉实时炉况评估方法。

背景技术

焙烧过程的主要目标是提高焙烧产物的可溶锌率，在这过程中起到关键影响因素的有温度、氧气系数和杂质含量，其中氧气系数和杂质含量都是确定的，所以现场通常以温度的稳定控制作为焙烧状态的主要评价标准。在实际操作中，一般以沸腾层的温度作为对焙烧状态好坏的判断条件。当沸腾层温度过高或过低时，需要相应地调节进料量与鼓风量来将温度控制在一个合理的范围内；当沸腾层温度分布不均时，也可以反映出沸腾焙烧炉内是否可能已经出现烧结等异常工况。但在实际控制中，为了方便现场的生产管理，一般以沸腾层标温作为对焙烧炉沸腾层的评价指标，现场操作人员主要负责判断当前沸腾层标温是否在合理区间内，而对于沸腾层温度变化趋势没有一个定性的评价标准，在温度发生剧烈变化时不能及时发现。因此，研究对焙烧过程沸腾层温度变化趋势，对于焙烧过程稳定控制、焙烧炉的设备维护和提高焙烧产物可溶锌率等有着十分重要的意义。

在工业生产现场主要通过人工监测焙烧炉沸腾层标温的实时温度。沸腾层标温由焙烧炉沸腾层上层五个测温点经过特殊加权算法得到，可以一定程度反映焙烧炉沸腾层的标温状态。当沸腾层标温过低时通过调高进料量来提高沸腾层标温，沸腾层标温过高时调低进料量来降低沸腾层标温，使焙烧炉焙烧氛围稳定在一个合理的区间。由于焙烧炉沸腾层温度主要基于进料量与进料组分而发生变化，而焙烧炉存在着大时滞问题，进料量的变化通常需要10-20分钟的时间才能反映到沸腾层标温变化上。现场人工调节方式主要通过观察当前焙烧炉沸腾层标温值的高低来调节进料量，而忽视温度的变化趋势信息，这使得现场在沸腾层标温稳定控制上存在着一定的过调节、欠调节和调整不及时现象。

发明内容

(一)要解决的技术问题

基于上述问题，本发明提供一种基于温度趋势特征提取的焙烧炉实时炉况评估方法，解决焙烧炉存在着大时滞，影响沸腾层标温稳定控制的问题。

(二)技术方案

基于上述的技术问题，本发明提供一种基于温度趋势特征提取的焙烧炉实时炉况评估方法，包括以下步骤：

S1、获取传感器采样的沸腾层标温检测值，即长度为n的时间序列s，拟合为m阶多项式；

S2、根据所述多项式构建温度趋势模型，提取新趋势，得到每一段新趋势对应的二次拟合模型的系数；

S3、根据所述每一段新趋势对应的二次拟合模型中的系数求得每一段新趋势的一阶导数初始值、一阶导数最终值和二阶导数值，从而为每一段新趋势分配基元，即温度趋势；

步骤S2中提取新趋势的方法为：

S2.1、构建趋势模型；

S2.2、计算一次最大误差

及其第一阈值th_1,i，一次累计误差cusum(t_1,i+1)及其第二阈值th_2,i，判断是否

且|cusum(t_1,i+1)|≤th_2,i，若是，则令i＝i+1，进入步骤S2.1，否则进入步骤S2.3；

S2.3、计算二次最大误差

及其第三阈值th_3,i，判断是否

若是，则进入步骤S2.5，否则，进入步骤S2.4；

S2.4、判断y_i+1的类型：判断是否

和

的绝对值都超过th_3,i，若是，则将y_i+1作为下一段趋势的起点进行缓存，进入步骤S2.5；若否，则将y_i+1当作异常值从数据中去除，然后令i＝i+1，回到步骤S2.1对新的y_i+1进行判断；

S2.5、计算二次累计误差cusum(t_2,i+1)及其第四阈值th_4,i，判断是否|cusum(t_2,i+1)|≤th_4,i，若是，则返回步骤S2.1，令i＝i+1，对新的y_i+1进行判断，若否，则将步骤S2.4中缓存的y_i+1作为新趋势的开始；

S2.6、获取所述每一段新趋势对应的二次拟合模型中的系数，每一段新趋势即为一个新的基元。

进一步的，所述方法还包括：

S4、根据所述每一段新趋势信号分配的基元即温度趋势和焙烧炉沸腾层当前标温对当前焙烧炉炉况进行分类，以此进行焙烧炉沸腾层温度状态分析。

进一步的，所述步骤S3包括以下步骤：

S3.1、将趋势划分为7个基本类别，包括基元A、基元B、基元C、基元D、基元E、基元F、基元G；平稳的信号趋势用基元A表示，加速上升的趋势用基元B表示，匀速上升的趋势用基元C表示，减速上升的趋势用基元D表示，减速下降的趋势用基元E表示，匀速下降的趋势用基元F表示，加速下降的趋势用基元G表示；

S3.2、根据所述每一段新趋势对应的二次拟合模型中的系数求得每一段新趋势信号的一阶导数初始值、一阶导数最终值和二阶导数值；

S3.3、通过t分布分别得出所述一阶导数初始值、一阶导数最终值和二阶导数值的置信区间，根据置信区间为每一段新趋势信号分配基元。

(三)有益效果

本发明的上述技术方案具有如下优点：

(1)本发明用最小二乘法来对输入的温度信号进行一次和二次拟合，然后通过阈值来对该拟合信号的一次和二次拟合信号的最大误差以及累积误差进行判断，将信号进行自适应分段处理，然后对不同段的信号根据趋势划分判断依据进行定性趋势描述，能有效判断沸腾层温度变化趋势的整体情况与局部异常信息点，克服焙烧炉的大时滞问题，更及时、准确地进行温度预测并据此调节进料量，从而有效保持沸腾层的标温稳定；

(2)本发明先对趋势进行一次拟合，再进行二次拟合，相比于仅用二次拟合的趋势提取方法，能减少因过于敏感造成的过拟合现象，有利于更准确地描述温度变化情况。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1为本发明实施例的焙烧工艺流程图；

图2为本发明实施例的改进SWTE趋势提取方法框架图；

图3为本发明实施例的一组基元图；

图4为本发明实施例的改进SWTE方法与原方法对比；

图5为本发明实施例的改进SWTE方法与人工操作对比。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明实施例以某冶炼厂湿法炼锌焙烧过程为背景，工艺流程图如图1所示。在焙烧过程中，锌精矿颗粒经圆盘给料机混合均匀后通过输送带吹入沸腾焙烧炉中，鼓风机将空气从焙烧炉下方鼓入焙烧炉中，通过分布板上均匀分布的风帽将鼓入的空气与锌精矿充分接触反应，在风速达到一定速度时，会将锌精矿颗粒悬浮起来形成沸腾层，沸腾层的状态是影响焙烧炉炉矿的主要因素，而沸腾层的状态主要通过焙烧炉上设置的三层温度传感器获取的温度来感知。所以主要研究焙烧炉中沸腾层标温的实时温度和变化趋势来判断评估焙烧炉的运行状态。

基于在线QTA方法提取焙烧炉沸腾层温度信息，QTA方法主要包括三个重要部分：(1)将趋势划分为几个基本类别，称为基元；(2)通过从原始信号中分配基元来提取趋势；(3)通过组合这些基元来分析趋势。

第(2)步从原始信号中分配基元来提取趋势的方法选用改进后的SWTE方法进行趋势提取，主要包括两个步骤：(2.1)通过多项式拟合技术提取趋势；

趋势提取的方法选用改进后的SWTE方法，其框架图如图2所示。该方法首先用最小二乘法来对输入的温度信号进行一次和二次拟合，然后通过阈值来对该拟合信号的一次和二次拟合信号的最大误差以及累积误差进行判断，将信号进行自适应分段处理，然后对不同段的信号根据趋势划分判断依据进行定性趋势描述。通过该趋势提取方法可将温度信号定性地分为不同的小段，以此来判断沸腾层温度变化趋势的整体情况与局部异常信息点。

(2.2)根据导数的符号为原始信号分配基元来分析趋势。

具体包括以下步骤：

S1、获取传感器采样的沸腾层标温检测值，拟合为多项式；

S1.1、焙烧炉上设置的三层温度传感器获取的温度为长度为n的时间序列s；

S1.2、将所述长度为n的时间序列s在任意拟合误差范围内用一个m阶多项式来拟合：

拟合多项式方程为

并且最小二乘算法将估计的多项式系数作为

其中T的第x行y列的元素

t是时间序列,1≤x≤n,1≤y≤m；

S2、根据所述多项式构建温度趋势模型，提取新趋势，得到每一段新趋势对应的二次拟合模型的系数；

S2.1、构建趋势模型

取m＝1时的所述多项式为

作为一次拟合模型，取m＝2时的所述多项式为

作为二次拟合模型，设t₁表示时间窗的开始，在时间t_i处使用最小二乘法建立的一次拟合模型及二次拟合模型为：

其中

表示一次拟合模型的输出，即一次拟合模型的沸腾层标温预测值，

为二次拟合模型的输出，即二次拟合模型的沸腾层标温预测值，y_k表示沸腾层标温检测值，即序列s中的温度值，

表示估计的对应的模型系数，

表示对应的噪声方差的估计值，a为对应的拟合模型的拟合幂次数，a＝1,2，T_i中的第j行m列的元素表示为：

S2.2、计算一次最大误差

及其第一阈值th_1,i，一次累计误差cusum(t_1,i+1)及其第二阈值th_2,i，判断是否

且|cusum(t_1,i+1)|≤th_2,i，若是，则令i＝i+1，进入步骤S2.1，否则进入步骤S2.3；

其中，a_1,i＝((T_i ^TT_i)^-1T_i ^T)^T[1 (t_i+1-t₁)]^T，b_1,i+1＝[(a_1,i+b_i)^T 1]^T，b_1，1＝0，

代表t分布，α为t分布的置信水平；

如果

且|cusum(t_1,i+1)|≤th_2,i，这意味着没有超过一次拟合阈值的新趋势，返回到步骤S2.1；否则，转到步骤S2.3，进一步判断误差是否超过二次拟合阈值。

S2.3、计算二次最大误差

及其第三阈值th_3,i，判断是否

若是，则

则进入步骤S2.5，否则，进入步骤S2.4；

其中a_2,i＝((T_i ^TT_i)-¹T_i ^T)^T[1 (t_i+1-t₁)(t_i+1-t₁)²]^T，如果

这意味着没有超过第三阈值th_3,i的新趋势，进入到步骤S2.5；否则，转到步骤S2.4，进一步判断y_i+1是异常值还是新趋势的起点。

S2.4、判断y_i+1的类型：判断是否

和

的绝对值都超过th_3,i，若是，则将y_i+1作为下一段趋势的起点进行缓存，进入步骤S2.5；若否，则将y_i+1当作异常值从数据中去除，然后令i＝i+1，回到步骤S2.1对新的y_i+1进行判断；

S2.5、计算二次累计误差cusum(t_2,i+1)及其第四阈值th_4,i，判断是否|cusum(t_2,i+1)|≤th_4,i，若是，则返回步骤S2.1，令i＝i+1，对新的y_i+1进行判断，若否，则将步骤S2.4中缓存的y_i+1作为新趋势的开始；

其中b_2,i+1＝[(a_2,i+b_2,i)^T 1]^T，b_2，1＝0；如果|cusum(t_2,i+1)|≤th_4,i，意味着没有新的趋势，返回步骤S2.1判断新的y_i+1；否则，将在步骤S2.4中缓存的点作为新趋势的开始。

S2.6、获取所述每一段新趋势对应的二次拟合模型中的系数，每一段新趋势即为一个新的基元。

S3、根据所述每一段新趋势对应的二次拟合模型中的系数求得每一段新趋势的一阶导数初始值、一阶导数最终值和二阶导数值，从而为每一段新趋势分配基元；

S3.1、将趋势划分为7个基本类别，包括基元A、基元B、基元C、基元D、基元E、基元F、基元G；

图3是本发明中用于划分不同趋势类别的一组基元，这些基元可以组合起来表示各种信号的趋势和形状。本实施例中，平稳的信号趋势用基元A表示，加速上升的趋势用基元B表示，匀速上升的趋势用基元C表示，减速上升的趋势用基元D表示，减速下降的趋势用基元E表示，匀速下降的趋势用基元F表示，加速下降的趋势用基元G表示。

S3.2、根据所述每一段新趋势对应的二次拟合模型中的系数求得每一段新趋势信号的一阶导数初始值、一阶导数最终值和二阶导数值：

在传统的多项式拟合过程中，当多项式阶数显著增加时，会出现过拟合问题。这里提出的方法不是用多项式来描述整个信号，而是将信号分成若干段，用二阶多项式分别对其进行拟合。

对于每一段新趋势信号，它的系数为

为了简化计算，我们将时间窗归一化为[0,1]区间内。这样每段新趋势信号刚开始时候的导数即一阶导数初始值为

结束时候的导数即一阶导数最终值为

二阶导数值为

S3.3、通过t分布分别得出所述温度趋势初始值、温度趋势最终值和温度趋势变化率的置信区间，根据置信区间为每一段新趋势信号分配基元；

直接根据所述一阶导数初始值、一阶导数最终值和二阶导数值分配基元不够准确，且会有部分基元不会被分配到，通过置信区间给定范围进行更准确的基元分配。

通过以上的变化，可以用t分布来得出其置信区间为：

其中，

假设噪声是独立且均匀分布的高斯白噪声序列，其协方差估计为：

其中

是噪声方差，拟合误差为：

其中，v₁＝n-m-1。

对d₁|_t＝0、d₁|_t＝1、d₂来说，如果其置信上限与置信下限相反或两者均为零，则其导数为零；如果其置信上限与置信下限均为正，则导数为正；否则，导数为负。然后，按照每个段对应的一阶和二阶导数将信号分为不同的基元，分配依据见表1：

S4、根据所述每一段新趋势信号分配的基元即温度趋势和焙烧炉沸腾层当前标温对焙烧炉炉况进行分类，以此进行焙烧炉温度趋势分析，调节保持焙烧炉沸腾层的标温稳定：

根据焙烧炉沸腾层当前标温与温度趋势来对焙烧炉炉况进行分类，如表2所示。其中分类条件由当前温度与温度趋势共同组成，数字代表当前温度划分区间，其分类依据如表3所示，字母代表当前趋势类别，类别分类在前文中说明，如表1所示。

表2炉况分类

表3温度区间分类

分类编号	温度区间分类	分类条件(℃)
			1	低	920-
2	较低	[950,975)
			3	较高	[975,1000]
4	高	1000+

为证明本发明的有效性，本实施例使用从国内某锌冶炼厂收集的焙烧炉沸腾层温度和进料量数据进行仿真分析来评估趋势提取算法。共选取600个数据点，选择的时间间隔为1分钟，如图4所示，横坐标表示时间序列点数，纵坐标表示沸腾层温度(℃)，选取[0,150]区间的数据，该区间展示了温度逐渐下降的一个过程，并且在该区间内相关的操作条件无任何变化。将本发明方法与只进行以二次拟合模型的一阶导数作为新趋势的判断方法，并进行状态分类的原方法进行对比，从两种不同方法对该时间段温度信号的提取效果可以看到改进SWTE方法提取出来的趋势基元序列为AFCF，而原方法提取出来的基元序列为BAEEBEBEBEBEBEB，出现了明显的过拟合现象。并且在150min处改进SWTE方法识别出进来的趋势类别为F(正常下降趋势)，而原方法识别出来的趋势类别为B(加速上升趋势)，不符合后续的温度变化情况。

另外，根据这段时间内的温度平均水平和工人操作经验设置温度阈值th_1,i、th_2,i、th_3,i、th_4,i分别为950℃，960℃，990℃，1000℃，然后将改进后的SWTE方法提取出来的趋势基元序列结合表1、表3及对焙烧炉状态进行分类，如图5所示，第一个曲线图中的阴影区域为改进SWTE方法判断出来的轻微异常和异常区域，第二个曲线图中的阴影区域为人工识别的异常状态。可以看到现场人工识别温度异常是当温度降低到960℃以下才对进料量进行调节，存在明显的滞后性，而本发明方法在[127,176]、[198,293]min处将该段范围内的状态定义为异常状态，可以看到在293min处温度已经低于960℃，这时现场操作人员才对进料量进行调节。从该案例中我们可以看到改进后的SWTE方法不仅可以对当前状态进行判断，还可以对即将出现的异常情况进行提前警告，比人工识别具有更高的及时性和准确性。

综上可知，通过上述的一种基于温度趋势特征提取的焙烧炉实时炉况评估方法，具有以下优点：

(1)本发明用最小二乘法来对输入的温度信号进行一次和二次拟合，然后通过阈值来对该拟合信号的一次和二次拟合信号的最大误差以及累积误差进行判断，将信号进行自适应分段处理，然后对不同段的信号根据趋势划分判断依据进行定性趋势描述，能有效判断沸腾层温度变化趋势的整体情况与局部异常信息点，克服焙烧炉的大时滞问题，更及时、准确地进行温度预测并据此调节进料量，从而有效保持沸腾层的标温稳定；

(2)本发明先对趋势进行一次拟合，再进行二次拟合，相比于仅用二次拟合的趋势提取方法，能减少因过于敏感造成的过拟合现象，有利于更准确地描述温度变化情况。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (3)

1.一种基于温度趋势特征提取的焙烧炉实时炉况评估方法，其特征在于，包括以下步骤：

S1、获取传感器采样的沸腾层标温检测值，即长度为n的时间序列s，拟合为m阶多项式；

S2、根据所述多项式构建温度趋势模型，提取新趋势，得到每一段新趋势对应的二次拟合模型的系数；

S3、根据所述每一段新趋势对应的二次拟合模型中的系数求得每一段新趋势的一阶导数初始值、一阶导数最终值和二阶导数值，从而为每一段新趋势分配基元，即温度趋势；

步骤S2中提取新趋势的方法为：

S2.1、构建趋势模型；

S2.2、计算一次最大误差

及其第一阈值th_1，i，一次累计误差cusum(t_1，i+1)及其第二阈值th_2，i，判断是否

且|cusum(t_1，i+1)|≤th_2，i，若是，则令i＝i+1，进入步骤S2.1，否则进入步骤S2.3；

S2.3、计算二次最大误差

及其第三阈值th_3，i，判断是否

若是，则进入步骤S2.5，否则，进入步骤S2.4；

S2.4、判断y_i+1的类型：判断是否

和

的绝对值都超过th_3，i，若是，则将y_i+1作为下一段趋势的起点进行缓存，进入步骤S2.5；若否，则将y_i+1当作异常值从数据中去除，然后令i＝i+1，回到步骤S2.1对新的y_i+1进行判断；

S2.5、计算二次累计误差cusum(t_2，i+1)及其第四阈值th_4，i，判断是否|cusum(t_2，i+1)|≤th_4，i，若是，则返回步骤S2.1，令i＝i+1，对新的y_i+1进行判断，若否，则将步骤S2.4中缓存的y_i+1作为新趋势的开始；

S2.6、获取所述每一段新趋势对应的二次拟合模型中的系数，每一段新趋势即为一个新的基元。

2.根据权利要求1所述的基于温度趋势特征提取的焙烧炉实时炉况评估方法，其特征在于，所述方法还包括：

S4、根据所述每一段新趋势信号分配的基元即温度趋势和焙烧炉沸腾层当前标温对当前焙烧炉炉况进行分类，以此进行焙烧炉沸腾层温度状态分析。

3.根据权利要求1所述的基于温度趋势特征提取的焙烧炉实时炉况评估方法，其特征在于，所述步骤S3包括以下步骤：

S3.1、将趋势划分为7个基本类别，包括基元A、基元B、基元C、基元D、基元E、基元F、基元G；平稳的信号趋势用基元A表示，加速上升的趋势用基元B表示，匀速上升的趋势用基元C表示，减速上升的趋势用基元D表示，减速下降的趋势用基元E表示，匀速下降的趋势用基元F表示，加速下降的趋势用基元G表示；

S3.2、根据所述每一段新趋势对应的二次拟合模型中的系数求得每一段新趋势信号的一阶导数初始值、一阶导数最终值和二阶导数值；

S3.3、通过t分布分别得出所述一阶导数初始值、一阶导数最终值和二阶导数值的置信区间，根据置信区间为每一段新趋势信号分配基元。

Images