CN114610093A - 一种基于热风炉可变周期预测的烧炉送风控制方法 - Google Patents

Abstract

本发明公开了一种基于热风炉可变周期预测的烧炉送风控制方法，包括历史数据的获取与预处理、构建可变送风周期模型，生成可变燃烧周期的燃烧策略。通过构建可变送风周期模型，预测出送风结束时长，在给高炉进行送风时保证了送风温度，同时充分利用以往生产过程中燃烧周期和送风周期的数据进行计算处理，使送风周期和燃烧周期根据实际烧炉和送风情况可以调整变化，打破现有传统的固定燃烧周期和送风周期的限值；将燃烧期与送风期的数据作为输入变量进行联动分析，并根据分析结果对应生成燃烧期的燃烧策略和生成送风期的送风策略，保证了燃烧和送风过程中的温度及其稳定性，采用最优煤气‑助燃空气比烧炉，保证煤气充分燃烧，避免资源浪费。

Description

一种基于热风炉可变周期预测的烧炉送风控制方法

技术领域

本发明设计高炉冶炼技术领域，具体为一种基于热风炉可变周期预测的烧炉送风控制方法。

背景技术

在高炉炼铁生产过程中，需要向高炉内注入大量的助燃空气，促进高炉内炼铁反应的进行，由于高炉内部温度很高，注入常温空气将会导致高炉内温度快速下降，不利于炼铁反应的进行，因此需要注入高温空气。热风炉的作用就是把低温助燃空气加热到高温，热风炉的工作周期分为燃烧期和送风期。

其中，燃烧期主要是将热风炉格子砖加热到一定温度后，关闭冷风入口和热风出口，按一定比例将煤气和空气从燃烧器送入，煤气燃烧，烟气经格子砖由出口过烟道并从烟囱排出，废气流经格子砖加热到需要的高温，然后转入送风期；送风期主要是将鼓风机送来的冷风加热到要求温度送入高炉。此时燃烧器和烟气出口关闭，冷风入口和热风出口打开，由鼓风机经冷风管和送风管道送入高炉。经过一段时间后，格子砖存储的热能减少，进入的冷风不能加热到预期的温度，这时由送风期转入燃烧期。一座热风炉经过燃烧器和送风期即完成了一个循环，热风炉就是这样燃烧和送风完成了一个循环。这样热风炉产生的高温空气保证了高炉中的铁矿石的还原反应能够快速充分进行。

目前烧炉方式都是采用了固定燃烧时长、送风时长，这样就会在一些时间点高炉煤气热值很高，热风炉能很快达到送风条件，如果继续按照固定时长燃烧就会造成煤气的浪费。本发明针对这个缺点采用了可变燃烧周期和可变送风周期，从而避免煤气浪费，使得实际送风温度高于生产要求的送风温度。有的研究体现出可变周期现象，但是然后都是按照固定的煤气流量来燃烧，没有达到节约煤气的目的。针对以上问题，我们提供一种基于热风炉可变周期预测的烧炉送风控制方法。

发明内容

本发明的目的在于提供了一种基于热风炉可变周期预测的烧炉送风控制方法。

本发明所解决的技术问题为：

（1）如何通过构建可变送风周期模型，预测出送风结束时长，同时也是决定同时期燃烧炉的燃烧周期，在给高炉进行送风时保证了送风温度，同时充分利用以往生产过程中燃烧周期和送风周期的数据进行计算处理，达到送风周期和燃烧周期根据实际燃烧情况可变的效果，解决现有技术中固定燃烧周期和送风周期机制导致的送风温度不高和温度波动幅度大的问题；

（2）如何将燃烧期与送风期的数据作为输入变量进行联动分析，并根据分析结果对应生成燃烧期的燃烧策略和生成送风期的送风策略，保证了燃烧和送风过程中的温度及其稳定性，燃烧期采用LSTM模型对拱顶与烟道温度进行预测，充分考虑到时序性，进行最优煤气-助燃空气比烧炉，保证煤气充分燃烧，达到节省煤气，避免资源浪费。

本发明可以通过以下技术方案实现：一种基于热风炉可变周期预测的烧炉送风控制方法，该方法包括：

步骤一：获取历史数据并进行数据处理，对预处理后的历史数据进行整理划分，整理划分后的历史数据包括炉况特征数据，燃烧特征数据和送风特征数据。炉况特征数据一般包括：炉子燃烧的最后燃烧时刻的通常可以决定送风温度的一些特征数据，例如，热值，煤气流量，助燃空气流量，拱顶温度；燃烧特征数据一般包括热值，煤气流量，助燃空气流量，拱顶温度，烟道温度，煤气阀门开度，空气阀门开度，预测送风结束时间（即该燃烧炉的燃烧时间）。送风特征数据一般包括拱顶温度，送风温度。

步骤二：构建可变送风周期模型，可变送风周期模型通过输入燃烧最后时刻的炉况特征数据预测对应炉子燃烧结束后的送风时长，其中，炉况特征数据包括热值、煤气流量、助燃空气流量、拱顶温度和送风温度，具体方式包括：

S1：根据历史数据拟合出送风温度函数；送风温度函数为送风温度关于送风时间的函数，送风温度满足最低送风温度要求的连续送风时间为送风时长。

S2：构建训练数据，并利用训练数据训练回归决策树模型，训练数据包括热值、煤气流量、助燃空气流量、拱顶温度、送风温度和送风时长。

其中，如图3所示的在多个送风周期的送风温度关于时序的曲线图所示，送风时长为将炉子燃烧最后时刻的送风温度和设定的最低送风温度代入到送风温度函数中的两个不同时序的差值。

S3：将刚结束燃烧炉的最后时刻的炉况特征数据作为回归决策树模型的输入变量，将通过送风温度函数拟合得到的送风时长作为输出变量对可变送风周期模型进行训练；

步骤三：生成可变燃烧周期的燃烧策略：

S01：训练LSTM模型，LSTM模型通过输入燃烧特征数据预测燃烧阶段全时序的预测拱顶温度和预测烟道温度，其中，燃烧特征数据包括：煤气流量、助燃空气流量、拱顶温度、烟道温度、煤气阀门开度、空气阀门开度和预测送风时长；

S02：间隔一预设时长获取实时拱顶温度和实时烟道温度，分别与预测拱顶温度和预测烟道温度进行比较生成燃烧策略；

步骤三：生成可变送风周期的送风策略：

S10:拟合不同周期送风策略，送风策略包括送风周期内全时序的预测拱顶温度和预测送风温度；

S20:根据预测送风时长选择对应送风策略，间隔一预设时长获取实时拱顶温度和实时送风温度，分别与预测拱顶温度和预测送风温度进行比较生成送风策略。

进一步的，对于步骤一中获取的数据需要进行一定的数据分析和清洗以获得有效的特征数据以进行数据训练和拟合。数据处理包括：

SS1：采集热风炉燃烧和送风的历史数据，得到热风炉数据；

SS2：对采集到的热风炉数据生成数据集并进行预处理，将数据集划分为训练数据集和测试数据集；

SS3：进行数据分析：将预处理后的数据在时间维度上进行分析，得到燃烧周期在一百一十分钟内和送风周期在六十分钟内的数据；

在数据分析过程中，对助燃空气流量、煤气流量、拱顶温度和热值进行数据变换处理并绘制曲线图，得到上述四个维度数据不稳定的时间长度，将其标记为变动时间，将变动时间内的所有数据去除，不参与模型训练。

在数据清洗过程中，舍弃步骤一中用于采集热风炉数据设备调试阶段的数据，同时删除设备调试阶段的数据中异常或错误的记录；

将删除异常或错误记录后数据按照燃烧和送风两个阶段生成相应的时间序列，最后将数据集划分为训练数据集和测试数据集。

进一步的，在进行步骤S01训练LSTM模型之前，由于历史数据是针对不同燃烧周期的燃烧特征数据，因此对于某一固定燃烧周期的模型训练缺乏足够的训练数据，因此需要基于不同燃烧周期的历史数据进行统一整合，以获得关于某一固定燃烧周期的足够多的训练数据，同时由于热风炉采用两烧一送的供热方式，送风时间与燃烧时间只比大约为1：2，因此需要对燃烧周期中的然后特征数据根据时序进一步进行划分。具体包括：对燃烧特征数据进行重新划分：

根据公式：

；

式中，I表示输入长度，O表示输出长度，f表示窗宽长度，s表示步长，通过输入I、O就可以确定合适的f、s；

将每个炉子在每一个燃烧周期内的燃烧特征数据分成两部分，一部分是开始燃烧阶段数据，另一部分是持续燃烧阶段数据；

将训练数据集按照窗宽长度f，步长s进行移动平滑，得到批量相同燃烧周期的数据；

将训练数据集按照上述方法生成燃烧周期在固定区间长度内的数据；生成开始燃烧阶段训练数据和持续燃烧阶段训练数据，其中，在生成开始燃烧阶段训练数据时，要舍弃开始燃烧的一设定时间内的的所述燃烧特征数据生成训练数据。

进一步，在步骤S02,将经训练后根据输入的燃烧特征数据获得的关于时序的预测拱顶温度与预测送风温度与实时拱顶温度和预测送风温度进行比较以形成燃烧策略。具体策略包括：分别比较所述实时拱顶温度、所述实时烟道温度和和所述预测拱顶温度、所述预测烟道温度：

如果所述实时拱顶温度大于所述预测拱顶温度且所述实时烟道温度大于所述预测烟道温度，则减少煤气流量和增加助燃空气流量；

如果所述实时拱顶温度小于所述预测拱顶温度且所述实时烟道温度小于所述预测烟道温度，増增加煤气流量和增加助燃空气流量。

进一步的，由于在燃烧的最开始时间是例如煤气流量，助燃空气流量这样的参数很不稳定，因此在开始燃烧阶段的变动周期内部采用前述燃烧策略而保持设定的固定的煤气流量和助燃空气流量比值进行燃烧。

进一步的，在步骤三的生成可变送风周期的送风策略中，同样缺少足够的用于拟合模型的送风特征的训练数据，因此继续采取前面生成燃烧特征数据的训练数据的方法生成足够的送风特征数据，同时为了进行送风策略的控制，对转化后的数据按照送风时序，求得送风周期的每分钟的各个送风特征数据的均值和标准差，拟合成不同送风周期的策略，其中，送风特征数据包括全时序的历史拱顶温度和历史送风温度。

进一步的，送风策略包括：比较所述实时拱顶温度和实时送风温度与对应送风周期的送风策略中相应时间的所述预测拱顶温度和预测送风温度的差值在正负1个标准差和正负2个标准差的情况：

如果所述实时拱顶温度或实时送风温度与对应送风周期的送风策略中相应时间的所述预测拱顶温度和预测送风温度的差值在正负1个标准差内，则保持当前的送风量；

如果所述实时拱顶温度或送风温度与其分别对应的送风周期的送风策略中相应时间的所述预测拱顶温度或预测送风温度的差值在正的1到2个标准差内，则增大送风量；

如果所述实时拱顶温度或送风温度与其分别对应的送风周期的送风策略中相应时间的所述预测拱顶温度或预测送风温度的差值在负的1到2个标准差内，则减小送风量。

与现有技术相比，本发明具备以下有益效果：

1、通过构建可变送风周期模型，预测出送风结束时长，在给高炉进行送风时保证了送风温度，同时充分利用以往生产过程中燃烧周期和送风周期的数据进行计算处理，使送风周期和燃烧周期根据实际烧炉和送风情况可以调整变化，打破现有传统的固定燃烧周期和送风周期的限值，解决了其导致的送风温度不达标和温度波动幅度大的问题，既保证了送风温度达到生产预期，又保证了送风温度的稳定性；

2、将燃烧期与送风期的数据作为输入变量进行联动分析，并根据分析结果对应生成燃烧期的燃烧策略和生成送风期的送风策略，保证了燃烧和送风过程中的温度及其稳定性，燃烧期采用LSTM模型对拱顶与烟道温度进行预测，充分考虑到时序性，进行最优煤气-助燃空气比烧炉，保证煤气充分燃烧，达到节省煤气，避免资源浪费，在模型的训练过程中，将专家知识进行融合，使模型更加贴合于生产实际，误差更小，生成的策略调整更加精确。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的方法流程示意图；

图2为本发明的异常错误数据处理流程示意图；

图3为本发明的送风温度关于送风时序的曲线图；

图4为本发明的燃烧策略生成过程示意图；

图5为本发明的送风策略生成过程示意图；

图6为本发明两烧一送切换流程示意图。

具体实施方式

为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。

请参阅图1所示，一种基于热风炉可变周期预测的烧炉送风控制方法，该方法包括：

S100：安装检测及传感设备，获取历史数据，采集热风炉燃烧数据和送风数据,具体包括：

在热风炉的煤气管道、助燃空气管道、冷风管道、热风管道以及各管道阀门上安装OPC采集器，实时采集热风炉在燃烧期和送风期的各项数据，存储在数据库中。

S101：对采集到的历史数据进行预处理；

如图2所示，图示为异常错误数据处理流程示意图。由于OPC采集器安装成功之后需要对采集器进行调试，将会导致采集数据有所偏差，故应将采集器调试阶段的数据舍弃；同时删除设备调试阶段的数据中异常或错误的记录。

另外，将数据按照燃烧和送风两个阶段生成相应的时间序列，最后将数据集划分为训练数据集和测试数据集。

S102：对采集到的历史数据进行数据分析:

将预处理后的数据在时间维度上进行分析，得到燃烧周期在一百一十分钟内和送风周期在六十分钟内；根据数据的关联分析和相关分析结果，本案选择了助燃空气流量、煤气流量、送风温度、拱顶温度、烟道温度、热值、煤气阀门开度、空气阀门开度等维度进行建模。通过计算这几个维度的均值、方差、众数、中位数、分位数、偏度、峰度等，发现助燃空气流量、煤气流量、拱顶温度、热值等变量的波动性较大，需要在建模之前，对这四个维度数据做数据变换处理，提高模型的准确性；

以周期长度为X轴，以助燃空气流量、煤气流量和拱顶温度为Y轴做出曲线图，通过对大量的历史数据统计分析和结合专家知识发现，在热风炉开始燃烧的前几分钟左右的时间内，煤气流量、助燃空气流量很不稳定，燃烧也不稳定，导致这段时间内的燃烧不能通过模型准确模拟出来，在接下面训练模型时，应该将燃烧的前几分钟不参与模型训练，通过数据分析，这个时间大致为3分钟。

S200：构建可变送风周期模型，预测刚燃烧结束炉子的送风结束时长；具体方式为：

S201：拟合送风温度函数:

分析历史数据的送风特征数据得到最佳送风时长；首先绘制送风温度关于时序的曲线图，如图3所示，图示为送风温度关于送风时序的曲线图；

从曲线图发现送风温度和送风时间存在着某种函数关系，因此尝试用函数拟合送风温度。通过尝试二次函数、三次函数、二次分段函数、三次分段函数，比较四种拟合函数的方差、均方误差发现，二次分段函数拟合效果表现最好，故采用二次分段函数拟合送风温度。因本案对送风温度有最低风温要求，故将最低送风温度代入拟合函数中，将会得到两个不同的时序SX1、SX2对应的最低送风温度，SX2-SX1就是最佳送风时长。

S202：构建训练数据，具体为：

每次烧炉的过程都将会影响下一步的送风温度和送风时长，通过上一步的拟合曲线可以得到最佳的送风时长，另外送风温度跟炉子燃烧的最后燃烧时刻的拱顶温度有关，而拱顶温度又与最后时刻的热值、煤气流量、助燃空气流量有关，根据这种关系生成热值、煤气流量、助燃空气流量、送风时长的训练数据；

S203：训练回归决策树模型：

回归决策树是将特征空间划分成若干个单元，每一个划分单元有一个特定的输出。每个节点都是“是”和“否”的判断，所以划分的边界是平行于坐标轴的。回归决策树模型是基于历史数据做出决策，与热风炉操炉工的经验预测送风时间应用场景相似，所以选择回归决策树模型预测热风炉送风结束时长。

模型的输入变量：热值、煤气流量、助燃空气流量、拱顶温度；输出变量：送风时长。将刚结束燃烧炉子的最后时刻的热值、煤气流量、助燃空气流量、拱顶温度输入到回归决策树模型中，得到了该炉送风的时间长度。

S300：生成可变燃烧周期的燃烧策略；

首先介绍可变周期三个炉的工作过程：为了更好的说明烧炉和送风切换过程，通过图6来展示燃烧和送风切换过程，其中+表示燃烧，-表示送风，三角形表示换炉。为了简化问题，烧炉和送风切换时间忽略不计，但在实际生产中是根据具体炉况进行设定的。

在热风炉烧炉的t1时刻，三号炉进行送风，一、二号炉在燃烧；经过一段时间后，在t2时刻三号炉停止送风，在t2+1时刻比较一、二号炉的燃烧时间，一号炉的燃烧时间大于二号炉燃烧时间，并且一号炉的拱顶温度和烟道温度达到送风要求，一号炉开始送风，二号炉继续燃烧，三号炉开始燃烧；在经过一段时间，在t3时刻一号炉停止送风，在t3+1时刻比较二、三号炉的燃烧时间，二号炉的燃烧时间大于三号炉燃烧时间，并且二号炉的拱顶温度和烟道温度达到送风要求，二号炉开始送风，三号炉继续燃烧，一号炉开始燃烧；一直持续下去。

通过研究烧炉和换炉的过程，发现“两烧一送”的烧炉机制中，三个炉子处于三个不同的状态，以送风时长T2阶段的三个炉子为例，一号炉处于送风阶段，二号炉处于开始燃烧阶段，三号炉处于持续燃烧阶段。

利用S100中获取和预处理之后的的数据分析提取到的燃烧特征数据开始进行烧炉，由于开始燃烧的前三分钟左右的时间内，煤气流量、助燃空气流量很不稳定，导致这段时间内的燃烧不能通过模型准确模拟，通常都是按照固定的煤空比进行烧炉。

S301：生成训练数据；

因为本案的燃烧周期是可变的，但采集的燃烧周期长度都不一样，为了能获得大量的相同燃烧周期的训练数据，需要对数据进行重新划分操作，根据公式

（1）

其中I表示输入长度，O表示输出长度，f表示窗宽长度，s表示步长，通过输入I、O就可以确定合适的f、s。

首先将每个炉子在燃烧周期内分成两部分，一部分是刚开始燃烧阶段数据，另一部分是持续燃烧阶段数据。将训练数据集按照窗宽长度f，步长s进行移动平滑，得到大量相同燃烧周期的数据。将数据按照上述方法生成燃烧周期在固定区间长度内的数据，以获得更多用于训练固定周期模型的训练数据。下面以生成燃烧周期为45分钟为例，说明一下生成过程，假设某个炉在工作一段时间后，一共有N个燃烧过程，每个燃烧期的燃烧时长分别为T₁,T₂,...,T_N，输入I=T_i,i=1,2,...,N,O=45，根据（1）公式，确定窗宽长度f_i和步长s_i，再将窗宽长度f_i和步长s_i作用到相对应数据上，再对热值、煤气流量、助燃空气流量、拱顶温度、烟道温度、煤气阀门开度、空气阀门开度维度进行移动平滑，得到炉子的N个送风周期是四十五分钟的训练数据。

按照上述方法生成开始燃烧阶段训练数据和持续燃烧阶段数据，其中在生成开始燃烧阶段训练数据时，要在开始燃烧几分钟之后的数据生成训练数据。

S302：训练LSTM模型；

为了得到一个最优的燃烧策略，需要研究炉内的燃烧情况，而研究炉内情况需要建模进行模拟，在实际烧炉过程中最直观的参数是温度，又由于煤气燃烧是一个滞后的化学过程，所以传统的数学建模方式不适合，可以采用人工神经网路的方法构建系统模型。

煤气的燃烧是一个连续过程，上一时刻的状态会影响下一时刻状态，所以选择一种时间循环神经网路——长短期记忆网络（LSTM），该网络模型保存了以前的信息，可以在后续使用，从而解决反向传播过程中存在的梯度消失和梯度爆炸问题，在解决时序问题有着突出的优势。因为LSTM是非线性模型，并且可以由简单的非线性单元构造出更深层的神经网络。所以本案采用LSTM神经网络模拟热风炉燃烧情况。

根据步骤三的数据分析、循环神经网络的搭建和专家知识，搭建LSTM模型，选择的输入、输出变量如下：

选择输入变量：煤气流量、助燃空气流量、拱顶温度、烟道温度、煤气阀门开度、空气阀门开度、预测送风结束时间。

选择输出变量：拱顶温度和烟道温度。

搭建LSTM模型，需要确定输入单元、输入单元个数、输入量的时间步长、隐藏层层数以及隐藏层神经元个数等5个参数。本案根据输入和输出特点选择输入单元是七维，输出单元是二维。在结合专家知识，选择一层LSTM网络和4层全连接式的隐藏层结构。

S303：生成燃烧策略；

如图4所示，图示为生成过程示意图。

对开始燃烧阶段的训练数据，要舍弃开始燃烧的前3分钟的数据，因为这段时间内热风炉燃烧还不是很稳定，干扰模型的预测能力。对舍弃前几分钟的训练数据，训练LSTM模型，其中输入变量是热值、煤气流量、助燃空气流量、拱顶温度、烟道温度、煤气阀门开度、空气阀门开度、预测送风结束时间，输出变量是拱顶温度和烟道温度，将模型结果保存为模型A。每五分钟获取热值、实时煤气流量、实时助燃空气流量、实时拱顶温度、实时烟道温度、实时煤气阀门开度、实时空气阀门开度，将热值、实时煤气流量、实时助燃空气流量、实时煤气阀门开度、实时空气阀门开度、及S200步骤中的预测送风结束时间输入到训练好的模型A中，得到预测拱顶温度和预测烟道温度，然后分别比较实时获取的实时拱顶温度、实时烟道温度和预测拱顶温度、预测烟道温度。如果实时拱顶温度大于预测拱顶温度且实时烟道温度大于预测烟道温度，那么需要减少煤气流量和增加助燃空气流量；如果实时拱顶温度小于预测拱顶温度且实时烟道温度小于预测烟道温度，那么需要增加煤气流量和增加助燃空气流量。

对持续燃烧阶段的训练数据，同样训练LSTM模型，其中输入变量是热值、煤气流量、助燃空气流量、拱顶温度、烟道温度、煤气阀门开度、空气阀门开度、预测送风结束时间，输出变量是拱顶温度和烟道温度，将模型结果保存为模型B。其中强调的是这部分数据不需要舍弃前三分钟的数据，因为这一阶段炉子都处于稳定燃烧状态不需要舍弃前三分钟数据。每五分钟获取热值、实时煤气流量、实时助燃空气流量、实时拱顶温度、实时烟道温度、实时煤气阀门开度、实时空气阀门开度，将热值、实时煤气流量、实时助燃空气流量、实时煤气阀门开度、实时空气阀门开度、及S200步骤中的预测送风结束时间输入到训练好的模型A中，得到预测拱顶温度和预测烟道温度，然后分别比较实时获取的实时拱顶温度、实时烟道温度和预测拱顶温度、预测烟道温度。如果实时拱顶温度大于预测拱顶温度且实时烟道温度大于预测烟道温度，那么需要减少煤气流量和增加助燃空气流量；如果实时拱顶温度小于预测拱顶温度且实时烟道温度小于预测烟道温度，那么需要增加煤气流量和增加助燃空气流量

S400：可变送风周期的送风策略；

如图5所示，图示为送风策略生成过程示意图。

S401,本案要求送风温度的最低温度不低于规定温度，所以在生成训练数据之前需要对送风温度进行筛选，之后再选择训练数据。同样采取与生成燃烧特征数据相同的方式生成送风特征数据，训练数据的维度包括：送风时序、拱顶温度、送风温度，使用下面的公式（2）进行数据处理，

（2）

式中，I表示输入长度，O表示输出长度，f表示窗宽长度，s表示步长，通过输入I、O就可以确定合适的f、s；

将训练数据集按照窗宽长度f，步长s进行移动平滑，得到大量相同送风周期的数据。将数据按照上述方法生成送风周期在固定区间长度范围内的数据。将转化后的数据按照送风时序，求送风周期的每分钟的各个维度的均值和标准差，生成不同送风周期的策略。下面以送风周期为四十五分钟的送风策略为例，说明一下生成过程，假设某个炉在工作一段时间后，一共有N个送风过程，每个送风期的送风时长分别为T₁,T₂,...,T_N，输入I=T_i,i=1,2,...,N,O=45，根据（2）公式，确定窗宽长度f_i和步长s_i，再将窗宽长度f_i和步长s_i作用到相对应数据上，再对拱顶温度、、送风温度等维度进行移动平滑，得到炉子的N个送风周期是四十五分钟的训练数据，最后将N个训练数据，每个维度按照第1分钟，第2分钟，直至第四十五分钟进行求平均操作与求标准差计算，就生成了送风周期为四十五分钟的送风策略。

根据S200的预测送风结束时间，选择相应的送风策略，每五分钟获取实时拱顶温度、实时送风温度，比较所述实时拱顶温度和实时送风温度与对应送风周期的送风策略中相应时间的所述预测拱顶温度和预测送风温度的差值在正负1个标准差和正负2个标准差的情况：

如果所述实时拱顶温度或实时送风温度与对应送风周期的送风策略中相应时间的所述预测拱顶温度和预测送风温度的差值在正负1个标准差内，则保持当前的送风量；

如果所述实时拱顶温度或送风温度与其分别对应的送风周期的送风策略中相应时间的所述预测拱顶温度或预测送风温度的差值在正的1到2个标准差内，则增大送风量；

如果所述实时拱顶温度或送风温度与其分别对应的送风周期的送风策略中相应时间的所述预测拱顶温度或预测送风温度的差值在负的1到2个标准差内，则减小送风量。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (9)

1.一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，该方法包括：

步骤一：获取历史数据并进行数据预处理，对预处理后的历史数据进行整理划分，整理划分后的历史数据包括炉况特征数据，燃烧特征数据和送风特征数据；

步骤二：构建可变送风周期模型，所述可变送风周期模型通过输入燃烧最后时刻的炉况特征数据预测对应炉子燃烧结束后的送风时长，其中，所述炉况特征数据包括热值、煤气流量、助燃空气流量、拱顶温度和烟道温度，具体方式包括：

S1：根据所述历史数据拟合出送风温度函数，所述送风温度函数为送风温度关于送风时间的函数，送风温度满足最低送风温度要求的连续送风时间为送风时长；

S2：构建训练数据，并利用训练数据训练回归决策树模型，训练数据包括热值、煤气流量、助燃空气流量、拱顶温度、烟道温度和送风时长；

S3：将刚结束燃烧炉的最后时刻的炉况特征数据作为回归决策树模型的输入变量，将通过所述送风温度函数拟合得到的送风时长作为输出变量对可变送风周期模型进行训练；

步骤三：生成可变燃烧周期的燃烧策略：

S01：训练LSTM模型，所述LSTM模型通过输入燃烧特征数据预测燃烧阶段全时序的预测拱顶温度和预测烟道温度，其中，所述燃烧特征数据包括：煤气流量、助燃空气流量、拱顶温度、烟道温度、煤气阀门开度、空气阀门开度和预测送风时长；

S02：间隔一预设时长获取实时拱顶温度和实时烟道温度，分别与所述预测拱顶温度和预测烟道温度进行比较生成燃烧策略；

步骤三：生成可变送风周期的送风策略：

S10:拟合不同周期送风策略，所述送风策略包括送风周期内全时序的预测拱顶温度和预测送风温度；

S20:根据所述预测送风时长选择对应送风策略，间隔一预设时长获取实时拱顶温度和实时送风温度，分别与所述预测拱顶温度和预测送风温度进行比较生成送风策略。

2.根据权利要求1所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，步骤一中所述数据处理包括：

SS1：采集热风炉燃烧和送风的历史数据，得到热风炉数据；

SS2：对采集到的热风炉数据生成数据集并进行预处理，将数据集划分为训练数据集和测试数据集；

SS3：进行数据分析：将预处理后的数据在时间维度上进行分析，得到燃烧周期在一百一十分钟内和送风周期在六十分钟内的数据；

在数据分析过程中，对助燃空气流量、煤气流量、拱顶温度和热值进行数据变换处理并绘制曲线图，得到上述四个维度数据不稳定的时间长度，将其标记为变动时间，将变动时间内的所有数据去除，不参与模型训练。

3.根据权利要求2所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，步骤SS2中对热风炉数据进行预处理具体方式包括：

舍弃步骤一中用于采集热风炉数据设备调试阶段的数据，同时删除设备调试阶段的数据中异常或错误的记录；

将删除异常或错误记录后数据按照燃烧和送风两个阶段生成相应的时间序列，最后将数据集划分为训练数据集和测试数据集。

4.根据权利要求1所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，在训练LSTM模型之前还包括：生成燃烧训练数据，所述生成燃烧训练数据，包括对燃烧特征数据进行重新划分：

根据公式：

；

式中，I表示输入长度，O表示输出长度，f表示窗宽长度，s表示步长，通过输入I、O就可以确定合适的f、s；

将每个炉子在每一个燃烧周期内的所述燃烧特征数据分成两部分，一部分是开始燃烧阶段数据，另一部分是持续燃烧阶段数据；

将训练数据集按照窗宽长度f，步长s进行移动平滑，得到批量相同燃烧周期的数据；

将训练数据集按照上述方法生成燃烧周期在固定区间长度内的数据；生成开始燃烧阶段训练数据和持续燃烧阶段训练数据，其中，在生成开始燃烧阶段训练数据时，要舍弃开始燃烧的一设定时间内的的所述燃烧特征数据生成训练数据。

5.根据权利要求1所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，所述燃烧策略包括：分别比较所述实时拱顶温度、所述实时烟道温度和和所述预测拱顶温度、所述预测烟道温度：

如果所述实时拱顶温度大于所述预测拱顶温度且所述实时烟道温度大于所述预测烟道温度，则减少煤气流量和增加助燃空气流量；

如果所述实时拱顶温度小于所述预测拱顶温度且所述实时烟道温度小于所述预测烟道温度，増增加煤气流量和增加助燃空气流量。

6.根据权利要求4所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，所述拟合不同周期送风策略包括，将送风特征数据的训练数据集按照窗宽长度f，步长s进行移动平滑，得到批量相同送风周期的数据；

将训练数据集按照上述方法生成送风周期在固定区间长度范围内的数据，将转化后的数据按照送风时序，求得送风周期的每分钟的各个送风特征数据的均值和标准差，拟合成不同送风周期的策略，其中，送风特征数据包括历史数据中全时序的拱顶温度和送风温度。

7.根据权利要求1所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，步骤S1中得到最佳送风时长的具体方式包括：构建送风温度与时序的曲线图，根据曲线图选定二次分段函数拟合送风温度；获取到最低送风温度，该温度为预设值，将最低送风温度代入拟合函数中，得到最低送风温度对应的两个不同的时序SX1、SX2，SX2-SX1即最佳送风时长。

8.根据权利要求1所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，所述送风策略包括：比较所述实时拱顶温度和实时送风温度与对应送风周期的送风策略中相应时间的所述预测拱顶温度和预测送风温度的差值在正负1个标准差和正负2个标准差的情况：

如果所述实时拱顶温度或实时送风温度与对应送风周期的送风策略中相应时间的所述预测拱顶温度和预测送风温度的差值在正负1个标准差内，则保持当前的送风量；

如果所述实时拱顶温度或送风温度与其分别对应的送风周期的送风策略中相应时间的所述预测拱顶温度或预测送风温度的差值在正的1到2个标准差内，则增大送风量；

如果所述实时拱顶温度或送风温度与其分别对应的送风周期的送风策略中相应时间的所述预测拱顶温度或预测送风温度的差值在负的1到2个标准差内，则减小送风量。

9.根据权利要求5所述的一种基于热风炉可变周期预测的烧炉送风控制方法，其特征在于，在所述燃烧策略中的开始燃烧阶段的一设定时间内，使煤气流量和助燃空气流量按照固定的比值进行烧炉，所述设定时间的时间长度与所述变动时间的时间长度一致。

Images