CN113741358A - 一种基于工业数字化智能预测的复合肥养份控制方法 - Google Patents

Abstract

本发明涉及一种基于工业数字化智能预测的复合肥养份控制方法，包括如下步骤：S1、根据工艺原理，筛选影响复合肥N、P、K养份的变量，并下载对应的历史DCS数据；S2、对数据进行异常值滤波、相关性分析、构造训练样本处理；S3、建立XGBoost预测模型，并用包括网格搜索、交叉验证方式训练，得到养份预测模型；S4、将各原料的实时DCS数据传给模型，实现对养份的软测量；S5、产品品级要求的养份与软测量的养份做差，得到误差；S6、通过PID控制器对原料的微调，将养份控制到要求的范围。过本发明利用工业数字化智能预测产品养份、调整原料；精准、自动的对原料实现调节。

Description

一种基于工业数字化智能预测的复合肥养份控制方法

技术领域

本发明属于工业数字化和智能化技术领域，提供了一种基于工业数字化智能预测的复合肥养份控制方法。

背景技术

目前研究结果表明，(中控)复合肥的养份不稳定，存在两种情况：一是低于国标要求，这种情况下，需要与高养份的产品进行混合，得到满足国标要求的产品；二是养份高于国标要求，每高出一个百分点，大约增加成本20～30元。这两种情况，都需要进行后期的混合，严重的增加了生产成本。但是由于当前对中控样品的养份检测，需要取样并用化学试剂或设备检测，检测周期需要2～3小时，实时性差、无法为控制人员实时调整原料提供参考，导致发现产品养份不合格时，已经很晚了，后期需要用不同养份的产品混合，增加生产成本。

随着机器学习等业数字化和智能化技术的发展和应用推广，软测量已经越来越多地用于工业生产，而XGBoost、深度学习等机器学习模型都取得了很好的效果。训练一个泛化性好的模型的前提是对数据进行合理处理，DCS数据为时序数据，选取多长时间范围的数据是一个关键的点。

PID控制技术已经广泛用于各类设备和生产过程，根据工艺原理确定变量之间的控制关系、并用数据估计控制系数，即可实现较为理想的控制效果。由于流程工业中，经常出现多个控制变量影响多个过程变量的情况，因此需要对变量之间的控制关系解耦，即确定不同回路的优先级。

基于上述背景说明，在工业数字化和智能化技术领域，一种基于软测量、XGBoost或深度学习等机器学习模型、DCS数据为时序数据并采用PID控制技术预测的复合肥养份的控制方案成为研发设计的方向。

发明内容

本发明提供了一种基于工业数字化智能预测的复合肥养份控制方法，通过本发明利用工业数字化智能预测产品养份、调整原料；精准、自动的对原料实现调节。

为了实现以上目的，本发明的技术方案为：一种基于工业数字化智能预测的复合肥养份控制方法，包括如下步骤：

S1、根据工艺原理，筛选影响复合肥N、P、K养份的变量，并下载对应的历史DCS数据；

S2、对数据进行异常值滤波、相关性分析、构造训练样本处理；

S3、建立XGBoost预测模型，并用包括网格搜索、交叉验证方式训练，得到养份预测模型；

S4、将各原料的实时DCS数据传给模型，实现对养份的软测量；

S5、产品品级要求的养份与软测量的养份做差，得到误差；

S6、通过PID控制器对原料的微调，将养份控制到要求的范围。

进一步的，步骤S6中：其中原料控制周期为30分钟，预测周期为10分钟。

再进一步的，步骤S1中所述筛选影响复合肥N、P、K养份的变量是：进入管式反应器和液氨分布器的液氨流量之和、进入管式反应器的硫酸、进入管式反应器的磷酸、硫酸钾、氯化钾、硫酸铵、氯化铵、磷酸一铵、尿素、上个产品的废料。

再进一步的，步骤S2中所述的相关性分析、构造训练样本处理为：假设当前时间为t，则选取过去半小时内的时序数据作为输入，即[t-30分钟,t]预测未来t+40分钟时刻的养份。

再进一步的，步骤S6中所述PID控制器的构造为：每一个固体原料的变量实例化PID控制器，即采用PI控制，各控制回路的优先级顺序为：如果P、K单个高，则降低磷酸一铵或氯化钾，同时增加其它的养分；如果N、P、K都高，则增加填料；如果N高，则减少尿素；如果N低，则增加原料列表中含N的原料，并且氯离子含量不超出上限；如果P低，则增加磷酸一铵；如果K低，则增加硫酸钾或氯化钾，并且氯离子不超出上限。

再进一步的，步骤S2中对数据进行异常值滤波、相关性分析、构造训练样本为：异常值滤波采用3-sigma法则，剔除3倍标准差之外的数据以及停产时的数据；相关性分析即计算皮尔逊积差相关系数，剔除相关系数绝对值小于0.2的变量；读取30分钟的时序数据，即3条数据作为一个样本数据，并以40分钟之后的养份检验值作为标签，训练能够预测40分钟之后的养份的模型。

再进一步的，步骤S3中建立XGBoost预测模型，并用网格搜索、交叉验证等方式训练，得到养份预测模型中的XGBoost的参数为：

xgb_model＝×gb.XGBRegressor(learning_rate＝0.12，

n_estimators＝100，

min_child_weight＝1，

max_depth＝7，

objective＝reg：squarederror″，

seed＝100.

reg_alpha＝0.01，

reg_lambda＝1，

colsample_bytree＝0.9，

colsample_bylevel＝0.9，

subsample＝1，

gpu_id＝0)

采用过早停止方法，early_stopping_round＝30即模型在验证集上超过30步损失不下降，则停止训练；采用5重交叉验证，并且网格搜索的参数为：

分别对学习率、树深度、树个数参数进行搜索。

本发明的技术效果：本发明通过滑动时间窗口做相关性分析和预测结果对比，最终选择了30分钟的数据窗口。本发明经过对工艺的深入调取、分析，确定了多个PID控制回路的优先级顺序。最终，将软测量和PID控制结合起来，实现了10分钟级的养份预测和30分钟级的原料调整量输出，通过微调原料将养份控制在要求的范围。通过本发明利用工业数字化智能预测产品养份、调整原料；精准、自动的对原料实现调节。

附图说明

图1为本发明实施例提供的一种基于工业数字化智能预测的复合肥养份控制方法流程图；

图2为本发明实施例提供的系统用户界面上的(中控)养份预测曲线图；

图3为本发明实施例提供的系统用户界面上的推荐值，投料量和(原料)调整量分别为PID控制输出的绝对值和增量图；

图4为本发明实施例提供的软测量算法流程图；

图5为本发明实施例提供的中控样品N含量预测结果图，图中，曲线pred为预测值，truth为真实值。

图6为本发明实施例提供的训练软测量模型使用的历史时序数据字段图；

图7本发明实施例提供的PID控制逻辑图(结合了工艺原理，对各回路设置了优先级)。

具体实施方式

本发明适用于流程工业产品质量控制技术，提供了一种基于工业数字化智能预测的复合肥养份控制方法，具体包括如下步骤：S1、根据工艺原理，筛选影响(中控)复合肥N、P、K养份的变量，并下载对应的历史DCS数据；S2、对数据进行异常值滤波、相关性分析、构造训练样本(处理)；S3、建立XGBoost预测模型，并用网格搜索、交叉验证等方式训练，得到养份预测模型；S4、将各原料的实时DCS数据传给模型，即实现对养份的软测量；S5、产品品级要求的养份与软测量的养份做差，得到误差；S6、通过(结合先验知识设计)PID控制器，实现对原料的微调，将养份控制到要求的范围，其中原料控制周期为30分钟，预测周期为10分钟。该发明解决了两个问题：(1)中控样品检测周期为2～3小时，产品养份不合格不能及时发现，从而不能及时调整原料；(2)对原料的调节依赖人的经验，不够精准、不能实现自动化。通过本发明利用工业数字化智能预测产品养份、调整原料；精准、自动的对原料实现调节。

进一步的，一种基于工业数字化智能预测的复合肥养份控制方法，所述方法具体包括如下步骤：

S1、根据工艺原理，筛选影响(中控)复合肥N、P、K养份的变量，并下载对应的历史DCS数据；

S2、对数据进行异常值滤波、相关性分析、构造训练样本(处理)；

S3、建立XGBoost预测模型，并用网格搜索、交叉验证等方式训练，得到养份预测模型；

S4、将各原料的实时DCS数据传给模型，即实现了对养份的软测量；

S5、产品品级要求的养份与软测量的养份做差，得到误差；

S6、通过(结合先验知识设计)PID控制器，实现对原料的微调，将养份控制到要求的范围，考虑到物料进入系统到中控取样的时间滞后为40分钟作业，其中原料控制周期为30分钟，预测周期为10分钟。

进一步的，步骤S1中所述筛选影响(中控)复合肥N、P、K养份的变量是：进入管式反应器(管反)和液氨分布器的液氨流量之和、进入管反的硫酸、进入管反的磷酸、硫酸钾、氯化钾、硫酸铵、氯化铵、磷酸一铵、尿素、上个产品的废料。

进一步的，步骤S2中所述的相关性分析、构造(训练)样本(处理)为：假设当前时间为t，则选取过去半小时内的时序数据作为输入，即[t-30分钟,t]预测未来t+40分钟时刻的养份。

进一步的，步骤S6中所述PID控制器的构造为：液体原料不做调整，只为每一个固体原料的变量实例化PID控制器，采用PI控制，各控制回路的优先级顺序为：如果P、K单个高，则降低磷酸一铵或氯化钾，同时增加其它的养分；如果N、P、K都高，则增加填料；如果N高，则减少尿素。如果N低，则增加原料列表中含N的原料，并且(保证)氯离子含量不超出上限；如果P低，则增加磷酸一铵；如果K低，则增加硫酸钾或氯化钾，并(保障)氯离子不超出上限。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为本发明实施例提供的流程图，该方法具体包括如下步骤：

本发明提供了一种基于工业数字化智能预测的复合肥养份控制方法，本发明养份预测是为了解决人工检验时间滞后、不能及时指导原料调整的问题，即实现对养份的软测量，软测量流程如图4。

结合说明书附图的实施例，本发明的一种基于工业数字化智能预测的复合肥养份控制方法，包括如下步骤：

S1、根据工艺原理，筛选影响(中控)复合肥N、P、K养份的变量，并下载对应的历史DCS数据，所述变量：包括尿素、磷酸一铵、硫酸铵、氯化铵、硫酸钾、氯化钾、磷酸、硫酸、液氨、废料，如图6，由于数据变换缓慢，同时为减少数据量，采用10分钟聚合处理。

S2、对数据进行异常值滤波、相关性分析、构造训练样本(处理)：异常值滤波采用3-sigma法则，剔除3倍标准差之外的数据以及停产时的数据；相关性分析即计算皮尔逊积差相关系数，剔除相关系数绝对值小于0.2的变量；读取30分钟的时序数据，即3条数据作为一个样本数据，并以40分钟之后的养份检验值作为标签，(目的是)训练能够预测40分钟之后的养份的模型。

S3、建立XGBoost预测模型，并用网格搜索、交叉验证等方式训练，得到养份预测模型，XGBoost的参数为：

xgb_model＝xgb.XGBRegressor(learning_rate＝0.12，

n_estimators＝100，

min_child_weight＝1，

max_depth＝7，

objective＝″reg：squarederror″，

seed＝100，

reg_alpha＝0.01，

reg_lambda＝1，

colsample_bytree＝0.9，

colsample_bylevel＝0.9，

subsample＝1，

gpu_id＝0)

采用过早停止方法，early_stopping_round＝30即模型在验证集上超过30步损失不下降，则停止训练。采用5重交叉验证，并且网格搜索的参数为：

分别对学习率、树深度、树个数参数进行搜索。

S4、将各原料的实时DCS数据传给模型，即实现了对养份的软测量，中控样复合肥的氮含量预测模型在测试集上的预测效果如图5，红色(pred)曲线为预测值，蓝色(truth)曲线为真实值。

S5、产品品级要求的养份与软测量的养份做差，得到误差，如图1，误差作为控制算法的输入，控制算法的输出为各原料的投料量和调整量，如图3。

S6、通过(结合先验知识设计)PID控制器，如图7为各控制回路的优先级关系，实现对原料的微调，将养份控制到要求的范围，(考虑到)物料进入系统到中控取样的时间滞后为40分钟作业，其中原料控制周期为30分钟，预测周期为10分钟，整个系统如图1。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于工业数字化智能预测的复合肥养份控制方法，其特征在于：包括如下步骤：

S1、根据工艺原理，筛选影响复合肥N、P、K养份的变量，并下载对应的历史DCS数据；

S2、对数据进行异常值滤波、相关性分析、构造训练样本处理；

S3、建立XGBoost预测模型，并用包括网格搜索、交叉验证方式训练，得到养份预测模型；

S4、将各原料的实时DCS数据传给模型，实现对养份的软测量；

S5、产品品级要求的养份与软测量的养份做差，得到误差；

S6、通过PID控制器对原料的微调，将养份控制到要求的范围。

2.根据权利要求1所述的一种基于工业数字化智能预测的复合肥养份控制方法，其特征在于：步骤S6中：其中原料控制周期为30分钟，预测周期为10分钟。

3.根据权利要求1或2所述的一种基于工业数字化智能预测的复合肥养份控制方法，其特征在于：步骤S1中所述筛选影响复合肥N、P、K养份的变量是：进入管式反应器和液氨分布器的液氨流量之和、进入管式反应器的硫酸、进入管式反应器的磷酸、硫酸钾、氯化钾、硫酸铵、氯化铵、磷酸一铵、尿素、上个产品的废料。

4.根据权利要求1或2所述的一种基于工业数字化智能预测的复合肥养份控制方法，其特征在于：步骤S2中所述的相关性分析、构造训练样本处理为：假设当前时间为t，则选取过去半小时内的时序数据作为输入，即[t-30分钟，t]预测未来t+40分钟时刻的养份。

5.根据权利要求1或2所述的一种基于工业数字化智能预测的复合肥养份控制方法，其特征在于：步骤S6中所述PID控制器的构造为：每一个固体原料的变量实例化PID控制器，即采用PI控制，各控制回路的优先级顺序为：如果P、K单个高，则降低磷酸一铵或氯化钾，同时增加其它的养分；如果N、P、K都高，则增加填料；如果N高，则减少尿素；如果N低，则增加原料列表中含N的原料，并且氯离子含量不超出上限；如果P低，则增加磷酸一铵；如果K低，则增加硫酸钾或氯化钾，并且氯离子不超出上限。

6.根据权利要求4所述的一种基于工业数字化智能预测的复合肥养份控制方法，其特征在于：步骤S2中对数据进行异常值滤波、相关性分析、构造训练样本为：异常值滤波采用3-sigma法则，剔除3倍标准差之外的数据以及停产时的数据；相关性分析即计算皮尔逊积差相关系数，剔除相关系数绝对值小于0.2的变量；读取30分钟的时序数据，即3条数据作为一个样本数据，并以40分钟之后的养份检验值作为标签，训练能够预测40分钟之后的养份的模型。

7.根据权利要求1或2所述的一种基于工业数字化智能预测的复合肥养份控制方法，其特征在于：步骤S3中建立XGBoost预测模型，并用网格搜索、交叉验证等方式训练，得到养份预测模型中的XGBoost的参数为：

xgb_model＝xgb.XGBRegressor(learning_rate＝0.12，

n_estimators＝100，

min_child_weight＝1，

max_depth＝7，

objective＝″reg：squarederror″，

seed＝100，

reg_alpha＝0.01，

reg_lambda＝1，

colsample_bytree＝0.9，

colsample_bylevel＝0.9，

subsample＝1，

gpu_id＝0)

采用过早停止方法，early_stopping_round＝30即模型在验证集上超过30步损失不下降，则停止训练；采用5重交叉验证，并且网格搜索的参数为：

grid_params＝{″learning_rate″：np.linspace(0.05，0.15，10)，″max_depth″：list(range(5，10))，″n_estimators″：list(range(80，120，5)))

分别对学习率、树深度、树个数参数进行搜索。

Images