CN114492163A - 一种高炉风机运行工况预测方法、装置、设备及存储介质 - Google Patents

一种高炉风机运行工况预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114492163A
CN114492163A CN202111599808.2A CN202111599808A CN114492163A CN 114492163 A CN114492163 A CN 114492163A CN 202111599808 A CN202111599808 A CN 202111599808A CN 114492163 A CN114492163 A CN 114492163A
Authority
CN
China
Prior art keywords
fan
data
historical
condition prediction
operating
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
Application number
CN202111599808.2A
Other languages
English (en)
Inventor
邓继红
张明
刘琼
罗聪
陈春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Iron and Steel Co Ltd
Original Assignee
Wuhan Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Iron and Steel Co Ltd filed Critical Wuhan Iron and Steel Co Ltd
Priority to CN202111599808.2A priority Critical patent/CN114492163A/zh
Publication of CN114492163A publication Critical patent/CN114492163A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Nonlinear Science (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明实施例提供了一种高炉风机运行工况预测方法、装置、设备及存储介质，通过预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型，然后获取风机的历史运行数据，并对历史运行数据进行预处理，接着利用经预处理后的历史运行数据，对初始工况预测模型进行训练，以得到应用于风机的目标工况预测模型。在风机的实际应用过程中，通过不间断地获取风机的当前运行数据，并利用目标工况预测模型同步处理当前运行数据，能够得到针对风机的运行工况预测数据。通过利用运行工况预测数据，对风机接下来的运行工况进行预测，从而能够提前预测风机接下来的运行工况。

Description

一种高炉风机运行工况预测方法、装置、设备及存储介质
技术领域
本发明涉及高炉冶炼技术领域，尤其涉及一种高炉风机运行工况预测方法、装置、设备及存储介质。
背景技术
在高炉冶炼产线上，高炉风机能够将新鲜空气送入炼钢高炉中，以保证冶炼工艺能够顺利进行。然而由于高炉风机的工作特性，高炉风机在工作过程中较为容易发生喘振，一旦高炉风机出现喘振，就会使得提供给高炉的空气压力不稳定，在一定程度上会影响冶炼工艺。
因此，在高炉风机的工作过程中，需要不间断地对风机的工况点进行监测，虽然当高炉风机出现喘振时，可以通过现场操作人员手动调节风机导叶或放风阀到达指定位置，来减弱或者消除喘振。
但是目前在高炉风机出现喘振时，对高炉风机难以准确进行对应的调节，并且调节量全由操作人员的经验决定，显然在消除高炉风机的喘振现象时，现有技术存在调节滞后、调节准确度低的技术问题。
发明内容
本发明实施例通过提供一种高炉风机运行工况预测方法、装置、设备及存储介质，解决了相关技术在对风机运行工况进行调整时，存在调节滞后，且调节准确度低的技术问题。
第一方面，本发明通过本发明的一实施例，提供了一种风机运行工况预测方法，包括：预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型；获取所述风机的历史运行数据，并对所述历史运行数据进行预处理；利用经所述预处理后的历史运行数据，对所述初始工况预测模型进行训练，以得到应用于所述风机的目标工况预测模型；不间断地获取所述风机的当前运行数据，并利用所述目标工况预测模型同步处理所述当前运行数据，以得到针对所述风机的运行工况预测数据；利用所述运行工况预测数据，对所述风机接下来的运行工况进行预测。
优选地，所述预先对径向基神经网络的参数进行优化，包括：预先对基础麻雀搜索算法进行定制化处理，得到定制麻雀搜索算法；利用所述定制麻雀搜索算法，对所述径向基神经网络的参数进行优化。
优选地，所述预先对基础麻雀搜索算法进行定制化处理，得到定制麻雀搜索算法，包括：在所述基础麻雀搜索算法中引入切比雪夫映射，并对所述切比雪夫映射中的混沌种群进行初始化；和/或在所述基础麻雀搜索算法中的加入者位置引入权值因子；和/或在所述基础麻雀搜索算法中的最优位置引入多项式变异，来得到所述定制麻雀搜索算法。
优选地，所述利用所述定制麻雀搜索算法，对所述径向基神经网络的参数进行优化，包括：利用所述定制麻雀搜索算法，对所述径向基神经网络的高斯函数中心、高斯函数标准差以及输出层权值进行优化。
优选地，所述对所述历史运行数据进行预处理，包括：对所述历史运行数据进行相关性分析，以从所述历史运行数据中确定出满足所述相关性的目标历史运行数据；以及对所述历史运行数据进行无量纲处理；所述历史运行数据，包括：在目标历史时间段内所述风机的历史轴位移、历史转数、历史入口温度、历史放风阀开度、历史导叶开度历史、历史高炉送风流量、历史喉部压差以及历史出口压力。
优选地，所述利用所述运行工况预测数据，对所述风机接下来的运行工况进行预测，包括：根据所述运行工况预测数据与预设喘振数据之间的差值，对所述风机接下来的运行工况进行预测；其中，所述预设防喘振数据，基于所述风机的导叶变化速率进行对应调整。
优选地，所述根据所述运行工况预测数据与预设喘振数据之间的差值，对所述风机接下来的运行工况进行预测，包括：当所述运行工况预测数据中的预测喉差与所述预设喘振数据中的参考喉差相同时；若所述运行工况预测数据中的预测出口压力大于或等于所述预设喘振数据中的参考出口压力，且所述风机的当前运行数据不处于正常范围之内，则判断出所述风机处于喘振工况；否则处于正常工况。
第二方面，本发明通过本发明的一实施例，提供了一种风机运行工况预测装置，包括：
初始预测模型建立单元，用于预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型；
目标预测模型生成单元，用于获取所述风机的历史运行数据，并对所述历史运行数据进行预处理；利用经所述预处理后的历史运行数据，对所述初始工况预测模型进行训练，以得到应用于所述风机的目标工况预测模型；
风机运行工况预测单元，用于不间断地获取所述风机的当前运行数据，并利用所述目标工况预测模型同步处理所述当前运行数据，以得到针对所述风机的运行工况预测数据；以及利用所述运行工况预测数据，对所述风机接下来的运行工况进行预测。
第三方面，本发明通过本发明的一实施例，提供了一种风机运行工况预测设备，应用于高炉风机，所述风机运行工况预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的代码，所述处理器在执行所述代码时实现第一方面中任一实施方式。
第四方面，本发明通过本发明的一实施例，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一实施方式。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过预先对径向基(Radial Basis Function，RBF)神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型，然后获取风机的历史运行数据，并对历史运行数据进行预处理，接着利用经预处理后的历史运行数据，对初始工况预测模型进行训练，以得到应用于风机的目标工况预测模型。
在风机的实际应用过程中，通过不间断地获取风机的当前运行数据，并利用目标工况预测模型同步处理当前运行数据，能够得到针对风机的运行工况预测数据。本发明实施例能够利用运行工况预测数据，对风机接下来的运行工况进行预测，从而能够提前预测风机接下来的运行工况，而非在获取到当前运行数据之后，才对风机进行调节，实现了提前调节风机的技术效果，解决了风机调节滞后的技术问题，并且相较于目前根据风机的当前运行数据进行手动调节，本发明实施例可以基于风机的运行工况预测数据，更准确地对风机进行调节。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例中风机运行工况预测方法的流程图；
图2为本发明实施例中径向基神经网络参数优化流程的示意图；
图3为本发明实施例中一种人机交互界面的示意图；
图4为本发明实施例中风机运行工况预测装置结构的示意图；
图5为本发明实施例中风机运行工况预测设备结构的示意图；
图6为本发明实施例中计算机可读存储介质的结构图。。
具体实施方式
本发明实施例通过提供一种高炉风机运行工况预测方法、装置、设备及存储介质，解决了相关技术在对风机运行工况进行调整时，存在调节滞后，且调节准确度低的技术问题。
本发明实施例提供的技术方案为解决上述技术问题，总体思路如下：
预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型，然后获取风机的历史运行数据，并对历史运行数据进行预处理，接着利用经预处理后的历史运行数据，对初始工况预测模型进行训练，以得到应用于风机的目标工况预测模型。
在风机的实际应用过程中，通过不间断地获取风机的当前运行数据，并利用目标工况预测模型同步处理当前运行数据，能够得到针对风机的运行工况预测数据，通过利用运行工况预测数据，对风机接下来的运行工况进行预测，从而提前预测风机接下来的运行工况，实现提前调节风机以及更准确地对风机进行调节的技术效果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，能够按照除了在这里图示或描述的那些以外的顺序实施。
第一方面，本发明通过本发明的一实施例，提供了一种风机运行工况预测方法，可以应用于钢铁冶炼生产线中的高炉风机，具体可以是高炉轴流风机，当然也可以应用于其他配置有风机的系统，例如新风系统，用于提前对高炉风机的运行工况进行预测，从而提前控制风机的运行工况，来减少风机出现喘振现象的几率。
请参见图1所示，该方法可以包括如下步骤：
步骤S101：预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型。
对于如何对径向基神经网络的参数进行优化，具体的，可以预先对基础麻雀搜索算法(Sparrow Search Algorithm，SSA)进行定制化处理，得到定制麻雀搜索算法，接着利用定制麻雀搜索算法，对径向基神经网络的参数进行优化。
针对如何得到定制麻雀搜索算法，具体的，可以通过如下一种或多种方式：
方式一、在基础麻雀搜索算法中引入切比雪夫映射，并对切比雪夫映射中的混沌种群进行初始化。
由于基础麻雀搜索算法是随机初始化种群，可能会导致初始化的种群分布不均，导致寻优速度变慢，甚至陷入局部最优解当中。而混沌变量具有均匀性、遍历性、随机性的特点，因此在基础麻雀搜索算法中引入切比雪夫(Chebyshev)映射，并对切比雪夫映射中的混沌种群进行初始化，能够增加种群的多样性，有利于跳出局部最优解。
在具体实施过程中，切比雪夫映射的表达式可以如下公式(1)所示：
Yi+1＝cos(k·arcos Yi) (1)
在公式(1)中，k代表阶数，k的取值可以是4；Yi是随机数，Yi的取值可以是[-1,1]中的任意一个值，Yi是切比雪夫映射中混沌种群初始化后的数据。
方式二、在基础麻雀搜索算法中的加入者位置引入权值因子。
由于基础麻雀搜索算法中加入者位置存在“争抢食物”的情况，会使得基础麻雀搜索算法的解向着全局最优位置移动。虽然这个移动是跳跃式的，有助于基础麻雀搜索算法的收敛，但是也容易使得种群在短时间内，快速地聚集在当前最优解附近，使得种群的多样性降低，进而陷入局部最优解之中。
为了避免上述情况，可在基础麻雀算法中加入者位置引入自适应权值因子，并在迭代前期使权值因子较大，且慢慢减少权值因子来充分进行全局搜索。
作为一种可选的实施方式，在迭代后期进行局部搜索时，由于权值因子迅速减少不便于表达，可以利用权值因子的余弦权值来进行表达。
举例来讲，可以例如如下公式(2)和(3)来表达权值因子的余弦权值：
Figure BDA0003431350570000071
Figure BDA0003431350570000072
在公式(2)中，w2为权值因子的余弦权值，t为迭代次数，itemmax为最大迭代次数。在公式(3)中，
Figure BDA0003431350570000073
表示上一次迭代中的全局最差位置，w为权值因子，
Figure BDA0003431350570000074
代表当发现者更新位置后的最佳位置，A是元素全为1或-1的一维矩阵，L是元素都为1的矩阵，N为麻雀种群个数。
方式三、在基础麻雀搜索算法中的最优位置引入多项式变异，来得到定制麻雀搜索算法。
对基础麻雀搜索算法的最优位置引入多项式变异，可以有效增加算法解的多变性，避免陷入局部最优解，还可以加快算法的收敛。
举例来讲，多项式变异可以通过如下公式(4)和(5)表征：
Xk+1＝XK+δ·(ub-lb) (4)
Figure BDA0003431350570000075
在公式(4)中，ub是位置上限，lb是位置下限。在公式(5)中，μ是随机数，可以是[0,1]之间的任意值，δ1＝(XK-lb)/(ub-lb)，δ2＝(ub-XK)/(ub-lb)，XK是最优位置，Xk+1是变异后的位置，ηm为分布指数。
通过一些基准函数对定制麻雀搜索算法进行验证，就能够证明定制麻雀搜索算法在跳出局部最优解以及获取最优解方面，相较于基础麻雀搜索算法具有明显优势。
针对如何利用定制麻雀搜索算法，对径向基神经网络的参数进行优化，具体的，可以利用定制麻雀搜索算法，对径向基神经网络的高斯函数中心、高斯函数标准差以及输出层权值进行优化。
在具体实施过程中，径向基神经网络是个三层的前馈神经网络，具有收敛速度快、不易陷入局部极小点、鲁棒性好以及易于实现等优点，且可以在任意精度下逼近任意的非线性函数。
举例来讲，可以将高斯函数作为径向基函数，则可以通过如下公式(6)表示径向基神经网络的输出：
Figure BDA0003431350570000081
在公式(6)中，‖xp-ci‖为欧式范数，ci为高斯函数的中心，σi为高斯函数的标准差，wij为高斯函数的输出层权值。
针对径向基神经网络参数的优化过程，可以参见图2所示，包括如下步骤：
A1：对径向基神经网络的数据进行初始化，即对径向基神经网络的高斯函数中心、高斯函数标准差以及输出层权值进行初始化；以及对定制麻雀搜索算法的参数进行初始化。
A2：根据初始化的径向基神经网络以及初始化的定制麻雀搜索算法，计算初始的适应度值，得到个体和全局的最优解。
A3：对发现者位置、加入者位置、警戒者位置进行更新，以及利用边界控制计算得到新的适应度值，并基于新的适应度值对个体和全局的最优解进行更新。
A4：对全局最优解进行多项式变异，并判断全局最优解的迭代次数是否达到最大迭代次数；若达到，则输出结果，否则执行步骤A3。其中，输出结果包括优化后径向基神经网络的参数，即优化后的高斯函数中心、高斯函数标准差以及输出层权值。
步骤S102：获取风机的历史运行数据，并对历史运行数据进行预处理，并利用经预处理后的历史运行数据，对初始工况预测模型进行训练，以得到应用于风机的目标工况预测模型。
具体的，对历史运行数据进行预处理，可以包括：对历史运行数据进行相关性分析，以从历史运行数据中确定出满足相关性的目标历史运行数据；以及对历史运行数据进行无量纲处理。
在具体实施过程中，经预处理后的历史运行数据可以分为训练集和预测集。目标历史运行数据，可以是历史运行数据中相关性较高的。对历史运行数据进行无量纲处理，可以采用最大最小归一化处理。
其中，历史运行数据可以包括：在目标历史时间段内风机的历史轴位移、历史转数、历史入口温度、历史放风阀开度、历史导叶开度、历史高炉送风流量、历史喉部压差以及历史出口压力。
步骤S103：不间断地获取风机的当前运行数据，并利用目标工况预测模型同步处理当前运行数据，以得到针对风机的运行工况预测数据。
在具体实施过程中，当前运行数据可以包括：在目标当前时间段内风机的当前轴位移、当前转数、当前入口温度、当前放风阀开度、当前导叶开度以及当前高炉送风流量。
在输入风机的当前运行数据之后，利用目标工况预测模型同步处理当前运行数据，进行反归一化处理，便能够得到针对风机的运行工况预测数据。
步骤S104：利用运行工况预测数据，对风机接下来的运行工况进行预测。
具体的，可以根据运行工况预测数据与预设喘振数据之间的差值，对风机接下来的运行工况进行预测；其中，预设防喘振数据，基于风机的导叶变化速率进行对应调整。
在具体实施过程中，预设防喘振数据可以以线条的形式表示，则预设防喘振线也可以基于风机的导叶变化速率进行对应调整。具体的，当导叶的变化速率大于正常变化速率时，防喘振线向下移动；当导叶的变化速率小于正常变化速率时，防喘振线向上移动。其中，正常变化速率可以是5％～10％中的任意一个值。
在具体实施过程中，当运行工况预测数据中的预测喉差与预设喘振数据中的参考喉差相同时，若运行工况预测数据中的预测出口压力大于或等于预设喘振数据中的参考出口压力，且风机的当前运行数据不处于正常范围之内，则判断出风机处于喘振工况；否则处于正常工况。
举例来讲，在对风机的运行工况进行监控时，可以采用工业现场常用的坐标表示，具体可以以喉差为横坐标，以出口压力为纵坐标建立坐标图，将预设喘振数据和运行工况预测数据绘制在该坐标图上，从而能够在一些显示设备上进行显示。
还可以在坐标图上显示喘振线、限压线等辅助观察工况点的位置。一旦检测到运行工况预测线越过预设喘振线，并且监测到当前运行数据中轴位移大于极限位移、轴振动大于极限振动和噪声大于一定分贝中的一种或多种情况时，判定风机发生了喘振。
作为一种可选的实施方式，可以利用Matlab的guide，建立上述坐标图或者人机界面。举例来讲，人机界面可以如图3所示。
第二方面，本发明通过本发明的一实施例，提供了一种风机运行工况预测装置，可以应用于钢铁冶炼生产线中的高炉风机，具体可以是高炉轴流风机，当然也可以应用于其他配置有风机的系统，例如新风系统，用于提前对高炉风机的运行工况进行预测，从而提前控制风机的运行工况，来减少风机出现喘振现象的几率。
请参见图4所示，该装置包括：
初始预测模型建立单元401，用于预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型。
目标预测模型生成单元402，用于获取风机的历史运行数据，并对历史运行数据进行预处理；利用经预处理后的当前运行数据，对初始工况预测模型进行训练，以得到应用于风机的目标工况预测模型。
风机运行工况预测单元403，用于不间断地获取风机的当前运行数据，并利用目标工况预测模型同步处理当前运行数据，以得到针对风机的运行工况预测数据；以及利用运行工况预测数据，对风机接下来的运行工况进行预测。
作为一种可选的实施方式，初始预测模型建立单元401，包括：
麻雀搜索算法定制子单元，用于预先对基础麻雀搜索算法进行定制化处理，得到定制麻雀搜索算法。
径向基神经网络优化子单元，用于利用定制麻雀搜索算法，对径向基神经网络的参数进行优化。
作为一种可选的实施方式，麻雀搜索算法定制子单元，具体用于：
在基础麻雀搜索算法中引入切比雪夫映射，并对切比雪夫映射中的混沌种群进行初始化；和/或在基础麻雀搜索算法中的加入者位置引入权值因子；和/或在基础麻雀搜索算法中的最优位置引入多项式变异，来得到定制麻雀搜索算法。
作为一种可选的实施方式，径向基神经网络优化子单元，具体用于：
利用定制麻雀搜索算法，对径向基神经网络的参数进行优化，包括：利用定制麻雀搜索算法，对径向基神经网络的高斯函数中心、高斯函数标准差以及输出层权值进行优化。
作为一种可选的实施方式，目标预测模型生成单元402，用于：
对历史运行数据进行相关性分析，以从历史运行数据中确定出满足相关性的目标历史运行数据；以及对历史运行数据进行无量纲处理；历史运行数据，包括：在目标历史时间段内风机的历史轴位移、历史转数、历史入口温度、历史放风阀开度、历史导叶开度以及历史空气流量。
作为一种可选的实施方式，风机运行工况预测单元403，具体用于：
根据运行工况预测数据与预设喘振数据之间的差值，对风机接下来的运行工况进行预测；其中，预设防喘振数据，基于风机的导叶变化速率进行对应调整。
作为一种可选的实施方式，当运行工况预测数据中的预测喉差与预设喘振数据中的参考喉差相同时；若运行工况预测数据中的预测出口压力大于或等于预设喘振数据中的参考出口压力，且风机的当前运行数据不处于正常范围之内，则判断出风机处于喘振工况；否则处于正常工况。
作为一种可选的实施方式，该装置，还包括：
人机交互单元404，用于将运行工况预测数据进行线性处理并进行显示。
由于本实施例所介绍的风机运行工况预测方法，为实施本发明实施例中风机运行工况预测装置所采用的方法，故而基于本发明实施例中所介绍的风机运行工况预测方法，本领域所属技术人员能够了解本实施例的方法的具体实施方式以及其各种变化形式，所以在此对于该方法如何实现本发明实施例中的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中风机运行工况预测装置所采用的方法，都属于本发明所欲保护的范围。
第三方面，基于同一发明构思，本发明实施例提供了一种风机运行工况预测设备，可以应用于高炉风机。
参考图5所示，本发明实施例提供的风机运行工况预测设备，包括：存储器501、处理器502及存储在存储器上并可在处理器502上运行的代码，处理器502在执行代码时实现前文风机运行工况预测方法中任一实施方式。
其中，在图5中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器501代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口505在总线500和接收器503和发送器504之间提供接口。接收器503和发送器504可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器501可以被用于存储处理器502在执行操作时所使用的数据。
第四方面，基于同一发明构思，如图6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序601，该程序601被处理器执行时实现前文风机运行工况预测方法实施例一中任一实施方式。
上述本发明实施例中的技术方案，至少具有如下的技术效果或优点：
本发明实施例能够利用运行工况预测数据，对风机接下来的运行工况进行预测，从而能够提前预测风机接下来的运行工况，而非在获取到当前运行数据之后，才对风机进行调节，实现了提前调节风机的技术效果，解决了风机调节滞后的技术问题，并且相较于目前根据风机的当前运行数据进行手动调节，本发明实施例可以基于风机的运行工况预测数据，更准确地对风机进行调节。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机产品的流程图和/或方框图来描述的。应理解可由计算机指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种风机运行工况预测方法，其特征在于，包括：
预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型；
获取所述风机的历史运行数据，并对所述历史运行数据进行预处理；利用经所述预处理后的历史运行数据，对所述初始工况预测模型进行训练，以得到应用于所述风机的目标工况预测模型；
不间断地获取所述风机的当前运行数据，并利用所述目标工况预测模型同步处理所述当前运行数据，以得到针对所述风机的运行工况预测数据；
利用所述运行工况预测数据，对所述风机接下来的运行工况进行预测。
2.如权利要求1所述的方法，其特征在于，所述预先对径向基神经网络的参数进行优化，包括：
预先对基础麻雀搜索算法进行定制化处理，得到定制麻雀搜索算法；
利用所述定制麻雀搜索算法，对所述径向基神经网络的参数进行优化。
3.如权利要求2所述的方法，其特征在于，所述预先对基础麻雀搜索算法进行定制化处理，得到定制麻雀搜索算法，包括：
在所述基础麻雀搜索算法中引入切比雪夫映射，并对所述切比雪夫映射中的混沌种群进行初始化；和/或
在所述基础麻雀搜索算法中的加入者位置引入权值因子；和/或
在所述基础麻雀搜索算法中的最优位置引入多项式变异，来得到所述定制麻雀搜索算法。
4.如权利要求2所述的方法，其特征在于，所述利用所述定制麻雀搜索算法，对所述径向基神经网络的参数进行优化，包括：
利用所述定制麻雀搜索算法，对所述径向基神经网络的高斯函数中心、高斯函数标准差以及输出层权值进行优化。
5.如权利要求1所述的方法，其特征在于，所述对所述历史运行数据进行预处理，包括：
对所述历史运行数据进行相关性分析，以从所述历史运行数据中确定出满足所述相关性的目标历史运行数据；
以及对所述历史运行数据进行无量纲处理；
所述历史运行数据，包括：
在目标历史时间段内所述风机的历史轴位移、历史转数、历史入口温度、历史放风阀开度、历史导叶开度、历史高炉送风流量、历史喉部压差以及历史出口压力。
6.如权利要求1所述的方法，其特征在于，所述利用所述运行工况预测数据，对所述风机接下来的运行工况进行预测，包括：
根据所述运行工况预测数据与预设喘振数据之间的差值，对所述风机接下来的运行工况进行预测；
其中，所述预设防喘振数据，基于所述风机的导叶变化速率进行对应调整。
7.如权利要求6所述的方法，其特征在于，所述根据所述运行工况预测数据与预设喘振数据之间的差值，对所述风机接下来的运行工况进行预测，包括：
当所述运行工况预测数据中的预测喉差与所述预设喘振数据中的参考喉差相同时；
若所述运行工况预测数据中的预测出口压力大于或等于所述预设喘振数据中的参考出口压力，且所述风机的当前运行数据不处于正常范围之内，则判断出所述风机处于喘振工况；否则处于正常工况。
8.一种风机运行工况预测装置，其特征在于，包括：
初始预测模型建立单元，用于预先对径向基神经网络的参数进行优化，并基于优化后的径向基神经网络建立针对风机的初始工况预测模型；
目标预测模型生成单元，用于获取所述风机的历史运行数据，并对所述历史运行数据进行预处理；利用经所述预处理后的历史运行数据，对所述初始工况预测模型进行训练，以得到应用于所述风机的目标工况预测模型；
风机运行工况预测单元，用于不间断地获取所述风机的当前运行数据，并利用所述目标工况预测模型同步处理所述当前运行数据，以得到针对所述风机的运行工况预测数据；以及利用所述运行工况预测数据，对所述风机接下来的运行工况进行预测。
9.一种风机运行工况预测设备，其特征在于，应用于高炉风机，所述风机运行工况预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的代码，所述处理器在执行所述代码时实现权利要求1-7中任一所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一所述方法。
CN202111599808.2A 2021-12-24 2021-12-24 一种高炉风机运行工况预测方法、装置、设备及存储介质 Pending CN114492163A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111599808.2A CN114492163A (zh) 2021-12-24 2021-12-24 一种高炉风机运行工况预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111599808.2A CN114492163A (zh) 2021-12-24 2021-12-24 一种高炉风机运行工况预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114492163A true CN114492163A (zh) 2022-05-13

Family

ID=81495259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111599808.2A Pending CN114492163A (zh) 2021-12-24 2021-12-24 一种高炉风机运行工况预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114492163A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294671A (zh) * 2022-08-08 2022-11-04 杭州哲达科技股份有限公司 一种空压机出口压力预测方法和预测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294671A (zh) * 2022-08-08 2022-11-04 杭州哲达科技股份有限公司 一种空压机出口压力预测方法和预测系统

Similar Documents

Publication Publication Date Title
US10732595B2 (en) Control parameter automatic-adjustment apparatus, control parameter automatic-adjustment method, and control parameter automatic-adjustment apparatus network
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
JP2022125288A (ja) 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム
Chrouta et al. Modeling and control of an irrigation station process using heterogeneous cuckoo search algorithm and fuzzy logic controller
US9952566B2 (en) Method for controlling and/or regulating a technical system in a computer-assisted manner
CN111476422A (zh) 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
KR20070051951A (ko) 제어 대상 모델 생성 장치 및 생성 방법
CN107203364B (zh) 一种用于压气机全工况特性的预测和辨识方法
KR20160060132A (ko) 기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법
EP3129839A1 (en) Controlling a target system
CN114492163A (zh) 一种高炉风机运行工况预测方法、装置、设备及存储介质
CN111898212A (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
CN113708389A (zh) 基于实际功率响应的风电场一次调频模型参数辨识方法及系统
CN115879369A (zh) 一种基于优化LightGBM算法的磨煤机故障预警方法
CN115167562A (zh) 一种机房温度控制方法和装置
WO2023141766A1 (en) Method and apparatus for optimizing control parameters, storage medium, and electronic device
CN117473890A (zh) 基于机械学习微涡轮流场预测方法和装置
CN114548539A (zh) 循环水系统压缩机透平能耗预测方法、装置、设备及介质
CN115453860A (zh) 环境参数控制设备集群控制方法、装置、设备及存储介质
CN116860027A (zh) 一种数字能源鼓风站的压力控制系统及其方法
CN115092838B (zh) 一种塔机运行参数控制方法和系统、装置及存储介质
US11720069B2 (en) Method for the computer-aided control of a technical system, more particularly a power generation installation
CN114154780A (zh) 评价方法、装置、电子设备及相关产品
CN114659583A (zh) 气液分离器的液位检测方法、装置、云端服务器及介质
CN114065430A (zh) 一种行星级齿轮箱的状态数据处理方法及系统

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