CN113256589A - 加热炉调节方法和装置、电子设备及存储介质 - Google Patents
加热炉调节方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113256589A CN113256589A CN202110612608.XA CN202110612608A CN113256589A CN 113256589 A CN113256589 A CN 113256589A CN 202110612608 A CN202110612608 A CN 202110612608A CN 113256589 A CN113256589 A CN 113256589A
- Authority
- CN
- China
- Prior art keywords
- heating furnace
- combustion
- combustion condition
- flame image
- parameters
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B17/00—Furnaces of a kind not covered by any preceding group
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本申请实施例提供的加热炉调节方法和装置、电子设备及存储介质,涉及加热炉调节技术领域。加热炉调节方法包括:首先,获取待处理加热炉的燃烧状况判定区间和实时运行参数;其次,将燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况,其中,第一燃烧稳定性判定模型基于神经网络初始模型训练得到;然后,根据预测燃烧状况对待处理加热炉的运行状态进行调节。通过上述方法,可以实现加热炉自动调节,避免了现有技术中通过观察火焰燃烧状况,结合烟气中氧含量、CO含量等参数,依靠人工经验进行调节,所导致的加热炉调节效率低的问题。
Description
技术领域
本申请涉及加热炉调节技术领域,具体而言,涉及一种加热炉调节方法和装置、电子设备及存储介质。
背景技术
经发明人研究发现,现有技术中的炼化企业加热炉主要通过观察火焰燃烧状况,结合烟气中氧含量、CO含量等参数,依靠人工经验进行调节,从而存在着加热炉调节的效率低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种加热炉调节方法和装置、电子设备及存储介质,以改善现有技术中存在的问题。
为实现上述目的,本申请实施例采用如下技术方案:
第一方面,本发明提供一种加热炉调节方法,包括:
获取待处理加热炉的燃烧状况判定区间和实时运行参数;
将所述燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况,其中,所述第一燃烧稳定性判定模型基于神经网络初始模型训练得到;
根据所述预测燃烧状况对所述待处理加热炉的运行状态进行调节。
在可选的实施方式中,所述将所述燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况的步骤,包括:
将所述实时运行参数输入第一燃烧稳定性判定模型,计算得到不稳定参数;
将所述不稳定参数和所述燃烧状况判定区间进行比较,得到预测燃烧状况。
在可选的实施方式中,所述获取待处理加热炉的燃烧状况判定区间的步骤,包括:
获取待处理加热炉的火焰图像特征参数;
将所述火焰图像特征参数输入预设的第二燃烧稳定性判定模型,计算得到燃烧状况判定区间,其中,所述第二燃烧稳定性判定模型基于多属性初始模型训练得到。
在可选的实施方式中,所述获取待处理加热炉的火焰图像特征参数的步骤,包括:
获取待处理加热炉的火焰图像信息;
对所述火焰图像信息进行图像处理,得到火焰图像特征参数。
在可选的实施方式中,所述将所述火焰图像特征参数输入预设的第二燃烧稳定性判定模型,计算得到燃烧状况判定区间的步骤,包括:
将所述火焰图像特征参数输入第二燃烧稳定性判定模型,确定火焰图像信息的基准特征参数,计算所述火焰图像信息和基准特征参数的不稳定度参数;
根据所述不稳定度参数和所述火焰图像信息的燃烧状况确定燃烧状况判定区间。
在可选的实施方式中,所述对所述火焰图像信息进行图像处理,得到火焰图像特征参数的步骤,包括:
对所述火焰图像信息进行预处理,得到预处理图像;
对所述预处理图像进行特征参数提取处理,得到火焰图像特征参数。
在可选的实施方式中,所述根据所述预测燃烧状况对所述待处理加热炉的运行状态进行调节的步骤,包括:
判断所述预测燃烧状况是否为预设燃烧状况;
若否,则对所述加热炉的实时运行参数进行调节。
第二方面,本发明提供一种加热炉调节装置,包括:
数据获取模块,用于获取待处理加热炉的燃烧状况判定区间和实时运行参数;
计算模块,用于将所述燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况,其中,所述第一燃烧稳定性判定模型基于神经网络初始模型训练得到;
调节模块,用于根据所述预测燃烧状况对所述待处理加热炉的运行状态进行调节。
第三方面,本发明提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述实施方式任一项所述的加热炉调节方法。
第四方面,本发明提供一种存储介质,所述存储介质包括计算机程序,所述计算机程序运行时控制所述存储介质所在电子设备执行前述实施方式任一项所述的加热炉调节方法。
本申请实施例提供的加热炉调节方法和装置、电子设备及存储介质,通过将待处理加热炉的燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型得到预测燃烧状况,根据预测燃烧状况对待处理加热炉的运行状态进行调节,实现了加热炉自动调节,避免了现有技术中通过观察火焰燃烧状况,结合烟气中氧含量、CO含量等参数,依靠人工经验进行调节,所导致的加热炉调节效率低的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的加热炉调节系统的结构框图。
图2示出了本申请实施例提供的电子设备的结构框图。
图3为本申请实施例提供的加热炉调节方法的流程示意图。
图4为本申请实施例提供的BP神经网络燃烧稳定性判定模型的训练流程示意图。
图5为本申请实施例提供的BP神经网络燃烧稳定性预测模型的应用示意图。
图6为本申请实施例提供的加热炉调节方法的另一流程示意图。
图7为本申请实施例提供的加热炉调节装置的结构框图。
图标:10-加热炉调节系统;100-电子设备;110-第一存储器;120-第一处理器;130-通信模块;200-待处理加热炉;700-加热炉调节装置;710-数据获取模块;720-计算模块;730-调节模块。
具体实施方式
加热炉是炼化企业的用能大户和主要排放口,加热炉运行水平的高低直接影响到企业能耗和经济效益,提高加热炉运行和管理水平,对于企业节能减排有十分重要的意义。根据加热炉现场运行状况,火焰稳定燃烧的条件下,适度降低烟气氧含量,使烟气中CO含量维持在50~100ppm,加热炉热效率较高,运行状况处于较优水平。
目前,炼化企业加热炉的优化运行调节,主要通过观察火焰燃烧状况,结合烟气中氧含量、CO含量等参数,依靠人工经验进行调节,调节过程缺乏必要的数据和理论支撑,调节手段较为落后,无法使加热炉时刻保持在最优状态运行。
现有技术中的一种技术方案公布了一种加热炉控制与燃烧优化的方法,采用先进控制算法与常规控制算法相结合的控制策略,并采用O2和CO切换控制,实现低氧燃烧,通过燃烧效率自寻优算法,对烟气含氧量进行实时优化,进一步提高燃烧效率、降低污染物排放。现有技术中的另一种技术方案公布了一种基于助燃空气流量计算的加热炉温度动态优化控制方法,按照设定空燃比,根据加热炉助燃空气流量计算对空气调节阀开度和空气流量进行精确控制,使空气流量与煤气流量相匹配,来获得最佳燃烧效果,根据检测的烟气中O2、CO成分,采取调节助燃风机速度的方法,对过量空气系数进行动态控制,进而提高加热炉燃烧效率。
现有的加热炉运行调节方法与技术,普遍基于调节氧含量、CO含量实现加热炉高效率运行,未全面考虑加热炉运行过程中的火焰燃烧状况、烟气污染物排放情况等因素,调节过程存在安全隐患和污染物排放问题。尤其在调节方法中未考虑火焰燃烧稳定问题,调节过程无法保证稳定燃烧,燃烧器有突然熄灭的危险,调节过程存在较大安全隐患。因此,相关技术在加热炉调节运行中指导意义有限,无法真正实现加热炉的智能优化运行。因此,开发集合O2含量、CO含量、污染物排放、火焰燃烧状况等因素,兼顾效率、安全及环保的智能优化运行方法及系统,实现加热炉高效环保智能化运行,将是加热炉发展升级的主要方向。
为了改善本申请所提出的上述至少一种技术问题,本申请实施例提供一种加热炉调节方法和装置、电子设备及存储介质,下面通过可能的实现方式对本申请的技术方案进行说明。也就是说,本发明的目的在于克服现有技术中存在的不足,提供一种加热炉智能优化运行系统,以提高加热炉热效率作为优化目标,以CO含量、污染物排放、火焰燃烧状况作为约束条件,在确保火焰燃烧稳定、污染物排放达标的同时降低氧含量,使烟气中CO含量低于100ppm,使加热炉时刻保持在最优状态运行。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在发明过程中做出的贡献。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
图1为本申请实施例提供的加热炉调节系统10的结构框图,其提供了一种加热炉调节系统10可能的实现方式,参见图1,该加热炉调节系统10可以包括电子设备100、待处理加热炉200中的一种或多种。
其中,电子设备100获取待处理加热炉200的燃烧状况判定区间和实时运行参数,输入第一燃烧稳定判定模型,计算得到预测燃烧状况,根据预测燃烧状况对待处理加热炉200的运行状态进行调节。
请参照图2,是本申请实施例提供的一种电子设备100的方框示意图,本实施例中的电子设备100可以为能够进行数据交互、处理的服务器、处理设备、处理平台等。电子设备100包括第一存储器110、第一处理器120及通信模块130。第一存储器110、第一处理器120以及通信模块130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,第一存储器110用于存储程序或者数据。第一存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
第一处理器120用于读/写第一存储器110中存储的数据或程序,并执行相应地功能。通信模块130用于通过网络建立电子设备100与其它通信终端之间的通信连接,并用于通过网络收发数据。
应当理解的是,图2所示的结构仅为电子设备100的结构示意图,电子设备100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3示出了本申请实施例所提供的加热炉调节方法的流程图之一,该方法可应用于图2所示的电子设备100,由图2中的电子设备100执行。应当理解,在其他实施例中,本实施例的加热炉调节方法中的部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。下面对图3所示的加热炉调节方法的流程进行详细描述。
步骤S310,获取待处理加热炉200的燃烧状况判定区间和实时运行参数。
步骤S320,将燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况。
其中,第一燃烧稳定性判定模型基于神经网络初始模型训练得到。
步骤S330,根据预测燃烧状况对待处理加热炉200的运行状态进行调节。
上述方法通过将待处理加热炉的燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型得到预测燃烧状况,根据预测燃烧状况对待处理加热炉的运行状态进行调节,实现了加热炉自动调节,避免了现有技术中通过观察火焰燃烧状况,结合烟气中氧含量、CO含量等参数,依靠人工经验进行调节,所导致的加热炉调节效率低的问题。
对于步骤S310,需要说明的是,获取待处理加热炉200的燃烧状况判定区间的具体方式不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,可以包括以下子步骤:
获取待处理加热炉200的火焰图像特征参数;将火焰图像特征参数输入预设的第二燃烧稳定性判定模型,计算得到燃烧状况判定区间,其中,第二燃烧稳定性判定模型基于多属性初始模型训练得到。
可选地,获取待处理加热炉200的火焰图像特征参数的具体方式不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,获取待处理加热炉200的火焰图像特征参数的步骤可以包括以下子步骤:
获取待处理加热炉200的火焰图像信息;对火焰图像信息进行图像处理,得到火焰图像特征参数。
详细地,加热炉调节系统10还可以包括加热炉运行监测系统,加热炉运行监测系统的火焰图像采集模块可以采用CCD摄像机获取火焰图像,然后经过图像采集卡将火焰图像转化为数字信息,得到火焰图像信息。
其中,进行图像处理的具体方式不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,可以包括如下子步骤:
对火焰图像信息进行预处理,得到预处理图像;对预处理图像进行特征参数提取处理,得到火焰图像特征参数。
详细地,可以对输入的火焰图像信息进行预处理,区分火焰区域、进行噪音消除、灰度增强、形态学处理,得到预处理图像。然后采用数学处理手段从预处理图像中提取火焰面积标准差、火焰高温区域面积率、火焰平均灰度、火焰平均灰度标准差、火焰高温区平均灰度、火焰质心偏移距离、火焰质心偏移距离标准差等火焰图像特征参数。
可选地,将火焰图像特征参数输入预设的第二燃烧稳定性判定模型,计算得到燃烧状况判定区间的具体方式不受限制,可以根据实际需求进行设置。例如,在一种可以替代的示例中,可以包括以下子步骤:
将火焰图像特征参数输入第二燃烧稳定性判定模型,确定火焰图像信息的基准特征参数,计算火焰图像信息和基准特征参数的不稳定度参数;根据不稳定度参数和火焰图像信息的燃烧状况确定燃烧状况判定区间。
详细地,可以根据进入的火焰图像特征参数,采用多属性决策方法,建立第二燃烧稳定性判定模型,输出不稳定度参数,并划分燃烧状况判定区间。
第二燃烧稳定性判定模型建立的步骤如下:(1)对火焰图像特征参数进行归一化处理;(2)选取火焰图像信息中的N帧稳定燃烧图像,取图像信息平均值作为火焰样本图像稳定燃烧的基准特征参数;(3)采用熵值法、主观赋值法等赋予各特征参数权重;(4)计算火焰图像信息与基准特征参数的不稳定度参数,不稳定度参数取值区间为[0,1],不稳定度参数越小,代表火焰燃烧越稳定;(5)根据火焰图像信息的燃烧状况,依据计算的不稳定度参数,划分燃烧状况判定区间,进而建立第二燃烧稳定性判定模型。在本申请实施例中,可以将燃烧状况区分为四个等级,不稳度参数在区间[0,0.1]属于稳定燃烧,在区间[0.1,0.3]属于一般稳定燃烧,[0.3,0.5]属于不稳定燃烧,[0.5,1]属于很不稳定燃烧。
对于步骤S320,需要说明的是,将燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况的具体方式不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,可以包括如下子步骤:
将实时运行参数输入第一燃烧稳定性判定模型,计算得到不稳定参数;将不稳定参数和燃烧状况判定区间进行比较,得到预测燃烧状况。
可选地,实时运行参数的具体类型不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,实时运行参数可以包括,但不限于工艺介质流量、炉膛运行负压、炉膛氧含量、燃料流量、燃料压力、空气压力、炉膛温度、燃料热值、CO含量等参数。
详细地,第一燃烧稳定性判定模型可以包括BP神经网络燃烧稳定性判定模型和BP神经网络燃烧稳定性预测模型。BP神经网络燃烧稳定性判定模型将与火焰图像信息对应的加热炉实时运行参数作为BP神经网络的输入参数,将不稳定度参数作为输出目标。利用BP神经网络对火焰图像信息进行训练,通过调整权值和修正函数,使总误差达到精度要求,建立BP神经网络燃烧稳定性判定模型。
结合图4,本申请实施例还提供了建立BP神经网络燃烧稳定性判定模型的步骤,BP神经网络燃烧稳定性判定模型建立流程为:(1)初始化权值,将样本图像计数器p和训练次数计算器m设置为1;(2)确定工艺介质流量、炉膛运行负压、炉膛氧含量、燃料流量、燃料压力、空气压力、炉膛温度、燃料热值、CO含量等加热炉运行参数作为BP神经网络的输入参数,并将输入参数进行归一化处理;(3)输入训练样本图像归一化参数,计算隐含层及输出层的输出值,将不稳定度参数作为输出层的输出值;(4)计算样本图像训练的全局误差E;(5)检查所有样本图像是否进行了一轮训练,若未完成返回步骤(3),完成则继续下一步骤;(6)计算各层误差信号σ,并计算各层权值;(7)判断是否陷入局部极小,若是则修正激励函数,重新学习,调整权值返回步骤(2),反之继续下一步骤;(8)判断神经网络总误差是否达到精度要求,若未达到,样本图像计数器p重新赋值为1,训练次数计算器m加1,若是,结束训练,BP神经网络燃烧稳定性判定模型建立完毕。
结合图5,在保持加热炉其他实时运行参数不变的情况下,可以通过BP神经网络燃烧稳定性判定模型,计算氧含量变化后火焰图像的不稳定度参数。BP神经网络燃烧稳定性预测模型将计算的不稳定度参数与第二燃烧稳定性判定系统输入的燃烧状况判定区间进行对比,得到预测燃烧状况。
对于步骤S330,需要说明的是,将不稳定参数和燃烧状况判定区间进行比较,得到预测燃烧状况的具体方式不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,可以包括以下子步骤:
判断预测燃烧状况是否为预设燃烧状况;在本申请实施例中,在预测燃烧状况为预设燃烧状况时,判定待处理加热炉200运行状态满足要求;在预测燃烧状况不为预设燃烧状况时,对加热炉的实时运行参数进行调节。
可选地,预燃烧状况的具体类型不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,预设燃烧状况可以为稳定燃烧状况。
详细地,本申请实施例可以结合第一燃烧稳定性判定模型输出的预测燃烧状况及加热炉运行监测系统送入的NOx、CO排放情况,智能调节氧含量,实现加热炉智能优化运行,使加热炉时刻保持在最优状态运行。
结合图6,加热炉优化调节的工作流程为:
(1)输入加热炉实时运行参数,设定氧含量调节步长L;(2)降低氧含量,利用第一燃烧稳定性判定模型预测火焰的燃烧状况;(3)若火焰燃烧不稳定,减小氧含量调节步长,然后返回第(2)步;(4)若预测火焰燃烧稳定,则按照设定步长降低氧含量;(5)监测氧含量调整后,判断NOx、CO含量是否达标,NOx是否小于80mg/m3,CO含量是否低于100ppm;(6)若NOx、CO含量有一项不达标,则减小氧含量调节步长,然后返回第(2)步;(7)若NOx、CO含量达标,氧含量调整步长L是否小于0.01,是否满足精度要求;若不满足精度要求,则更新加热炉实时运行数据,减小氧含量调节步长,返回第(2)步;若是满足精度要求,优化调节完成,加热炉处于最优状态运行。
需要说明的是,与现有技术相比,本申请的有益效果在于:
1、实现加热炉智能优化运行,保证加热炉安全稳定环保的条件下,时刻保持在最优状态运行。
本申请提供了一种加热炉调节系统10,在确保火焰燃烧稳定、污染物排放达标、CO含量低于100ppm的条件下实现加热炉智能优化运行,解决了现有加热炉调节技术调节过程存在的安全隐患和污染物排放问题,在保证加热炉安全稳定环保的条件下,使加热炉时刻保持在最优状态运行。
2、本申请提出了一种以氧含量为变量的火焰燃烧状况预测模型,保证了加热炉智能调节过程安全平稳。
本申请基于历史数据、实时数据,采用多属性决策方法及BP神经网络训练法,找出了火焰图像信息、加热炉运行参数与火焰燃烧状况的关联性,建立了以氧含量为变量的火焰燃烧状况预测模型,能够有效预测加热炉调节过程中火焰的燃烧状况,避免了加热炉优化调节过程出现突然灭火或燃烧不稳定的问题,杜绝了智能调节过程中的安全隐患,有力保证了加热炉智能调节过程的安全稳定运行。
结合图7,本申请实施例还提供了一种加热炉调节装置700,该加热炉调节装置700实现的功能对应上述方法执行的步骤。该加热炉调节装置700可以理解为上述电子设备100的处理器,也可以理解为独立于上述电子设备100或处理器之外的在电子设备100控制下实现本申请功能的组件。其中,加热炉调节装置700可以包括数据获取模块710、计算模块720和调节模块730。
数据获取模块710,用于获取待处理加热炉200的燃烧状况判定区间和实时运行参数。在本申请实施例中,数据获取模块710可以用于执行图3所示的步骤S310,关于数据获取模块710的相关内容可以参照前文对步骤S310的描述。
计算模块720,用于将燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况,其中,第一燃烧稳定性判定模型基于神经网络初始模型训练得到。在本申请实施例中,计算模块720可以用于执行图3所示的步骤S320,关于计算模块720的相关内容可以参照前文对步骤S320的描述。
调节模块730,用于根据预测燃烧状况对待处理加热炉200的运行状态进行调节。在本申请实施例中,调节模块730可以用于执行图3所示的步骤S330,关于调节模块730的相关内容可以参照前文对步骤S330的描述。
此外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述加热炉调节方法的步骤。
本申请实施例所提供的加热炉调节方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行上述方法实施例中的加热炉调节方法的步骤,具体可参见上述方法实施例,在此不再赘述。
综上所述,本申请实施例提供的加热炉调节方法和装置、电子设备及存储介质,通过将待处理加热炉的燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型得到预测燃烧状况,根据预测燃烧状况对待处理加热炉的运行状态进行调节,实现了加热炉自动调节,避免了现有技术中通过观察火焰燃烧状况,结合烟气中氧含量、CO含量等参数,依靠人工经验进行调节,所导致的加热炉调节效率低的问题。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种加热炉调节方法,其特征在于,包括:
获取待处理加热炉的燃烧状况判定区间和实时运行参数;
将所述燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况,其中,所述第一燃烧稳定性判定模型基于神经网络初始模型训练得到;
根据所述预测燃烧状况对所述待处理加热炉的运行状态进行调节。
2.如权利要求1所述的加热炉调节方法,其特征在于,所述将所述燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况的步骤,包括:
将所述实时运行参数输入第一燃烧稳定性判定模型,计算得到不稳定参数;
将所述不稳定参数和所述燃烧状况判定区间进行比较,得到预测燃烧状况。
3.如权利要求1所述的加热炉调节方法,其特征在于,所述获取待处理加热炉的燃烧状况判定区间的步骤,包括:
获取待处理加热炉的火焰图像特征参数;
将所述火焰图像特征参数输入预设的第二燃烧稳定性判定模型,计算得到燃烧状况判定区间,其中,所述第二燃烧稳定性判定模型基于多属性初始模型训练得到。
4.如权利要求3所述的加热炉调节方法,其特征在于,所述获取待处理加热炉的火焰图像特征参数的步骤,包括:
获取待处理加热炉的火焰图像信息;
对所述火焰图像信息进行图像处理,得到火焰图像特征参数。
5.如权利要求4所述的加热炉调节方法,其特征在于,所述将所述火焰图像特征参数输入预设的第二燃烧稳定性判定模型,计算得到燃烧状况判定区间的步骤,包括:
将所述火焰图像特征参数输入第二燃烧稳定性判定模型,确定火焰图像信息的基准特征参数,计算所述火焰图像信息和基准特征参数的不稳定度参数;
根据所述不稳定度参数和所述火焰图像信息的燃烧状况确定燃烧状况判定区间。
6.如权利要求4所述的加热炉调节方法,其特征在于,所述对所述火焰图像信息进行图像处理,得到火焰图像特征参数的步骤,包括:
对所述火焰图像信息进行预处理,得到预处理图像;
对所述预处理图像进行特征参数提取处理,得到火焰图像特征参数。
7.如权利要求1所述的加热炉调节方法,其特征在于,所述根据所述预测燃烧状况对所述待处理加热炉的运行状态进行调节的步骤,包括:
判断所述预测燃烧状况是否为预设燃烧状况;
若否,则对所述加热炉的实时运行参数进行调节。
8.一种加热炉调节装置,其特征在于,包括:
数据获取模块,用于获取待处理加热炉的燃烧状况判定区间和实时运行参数;
计算模块,用于将所述燃烧状况判定区间和实时运行参数输入预设的第一燃烧稳定性判定模型,计算得到预测燃烧状况,其中,所述第一燃烧稳定性判定模型基于神经网络初始模型训练得到;
调节模块,用于根据所述预测燃烧状况对所述待处理加热炉的运行状态进行调节。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至7任一项所述的加热炉调节方法。
10.一种存储介质,其特征在于,所述存储介质包括计算机程序,所述计算机程序运行时控制所述存储介质所在电子设备执行权利要求1至7任一项所述的加热炉调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612608.XA CN113256589A (zh) | 2021-06-02 | 2021-06-02 | 加热炉调节方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612608.XA CN113256589A (zh) | 2021-06-02 | 2021-06-02 | 加热炉调节方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256589A true CN113256589A (zh) | 2021-08-13 |
Family
ID=77185944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110612608.XA Pending CN113256589A (zh) | 2021-06-02 | 2021-06-02 | 加热炉调节方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256589A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293040A (zh) * | 2022-08-04 | 2022-11-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练、换热特性数据的确定以及退火方法 |
CN117356590A (zh) * | 2023-09-20 | 2024-01-09 | 广州市赛思达机械设备有限公司 | 一种隧道炉供热控制方法、装置、设备及存储介质 |
CN117663397A (zh) * | 2024-01-30 | 2024-03-08 | 深圳市永宏光热能科技有限公司 | 一种空调热风燃烧器空气混合控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006275692A (ja) * | 2005-03-29 | 2006-10-12 | Sumitomo Chemical Co Ltd | 燃焼状態監視システム及び燃焼状態監視プログラム |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
KR101720696B1 (ko) * | 2016-04-29 | 2017-03-28 | 주식회사 컴버스텍 | 연속식 가열로의 연소기 제어장치와 연소기 제어방법 |
CN112303616A (zh) * | 2019-07-26 | 2021-02-02 | 秦皇岛秦冶重工有限公司 | 一种工业烟气加热炉系统及其控制方法 |
-
2021
- 2021-06-02 CN CN202110612608.XA patent/CN113256589A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006275692A (ja) * | 2005-03-29 | 2006-10-12 | Sumitomo Chemical Co Ltd | 燃焼状態監視システム及び燃焼状態監視プログラム |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
KR101720696B1 (ko) * | 2016-04-29 | 2017-03-28 | 주식회사 컴버스텍 | 연속식 가열로의 연소기 제어장치와 연소기 제어방법 |
CN112303616A (zh) * | 2019-07-26 | 2021-02-02 | 秦皇岛秦冶重工有限公司 | 一种工业烟气加热炉系统及其控制方法 |
Non-Patent Citations (1)
Title |
---|
曹子沛: "基于图像和改进BP算法的火焰燃烧稳定性判别方法研究", 中国优秀硕士学位论文全文数据库(电子期刊), pages 2 - 3 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293040A (zh) * | 2022-08-04 | 2022-11-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练、换热特性数据的确定以及退火方法 |
CN117356590A (zh) * | 2023-09-20 | 2024-01-09 | 广州市赛思达机械设备有限公司 | 一种隧道炉供热控制方法、装置、设备及存储介质 |
CN117356590B (zh) * | 2023-09-20 | 2024-05-31 | 广州市赛思达机械设备有限公司 | 一种隧道炉供热控制方法、装置、设备及存储介质 |
CN117663397A (zh) * | 2024-01-30 | 2024-03-08 | 深圳市永宏光热能科技有限公司 | 一种空调热风燃烧器空气混合控制方法及系统 |
CN117663397B (zh) * | 2024-01-30 | 2024-04-09 | 深圳市永宏光热能科技有限公司 | 一种空调热风燃烧器空气混合控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256589A (zh) | 加热炉调节方法和装置、电子设备及存储介质 | |
US8554706B2 (en) | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal | |
US8140248B2 (en) | System and method for obtaining an optimal estimate of NOx emissions | |
DE102013104837A1 (de) | Verfahren und Vorrichtung zum Steuern von Verbrennungsprozesssystemen | |
CN108592080B (zh) | 锅炉燃烧控制系统和方法 | |
EP3239611B1 (en) | Combustion control system, combustion control method, combustion control program, and computer-readable recording medium | |
JP2024050937A (ja) | 自動燃焼制御方法および自動燃焼制御装置 | |
JP5155690B2 (ja) | 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法 | |
WO2021242729A1 (en) | Emission monitoring of flare systems | |
CN110762540A (zh) | 垃圾焚烧炉的燃烧决策方法和自动燃烧控制方法及系统 | |
CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN114417586A (zh) | 水冷炉排表面料层厚度计算方法、系统及焚烧炉 | |
CN112576326B (zh) | 一种火电机组滑压优化运行控制方法、装置及设备 | |
JP4627509B2 (ja) | プラントの制御装置及びプラントの制御方法 | |
JP2008180481A (ja) | 石炭焚きボイラのガス濃度推定方法及び装置 | |
CN115560449A (zh) | 空调器、空调压缩机运行频率调节方法和系统 | |
CN114759557A (zh) | 一种燃煤机组agc调节性能预测方法 | |
CN112506038A (zh) | 一种气体风压平衡控制方法和装置 | |
US20230046593A1 (en) | Method for controlling a combustion device | |
CN110736106A (zh) | 一种数据控制方法、装置及电子设备 | |
JPS6238610B2 (zh) | ||
CN114279090B (zh) | 燃气热水器及其控制方法、装置 | |
CN118242737A (zh) | 基于5g物联网的室内环境监测控制系统及节能优化方法 | |
CN115292881A (zh) | 一种水泥窑节点参数关联验证方法及装置 |
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 |