CN115779589B - 一种矿用干式除尘器的电控系统智能控制方法 - Google Patents

Abstract

本发明涉及控制调节技术领域，具体涉及一种矿用干式除尘器的电控系统智能控制方法，在对矿用干式除尘器逆向除尘的风压差阈值调整中，通过获取矿用干式除尘器的周期性风压差值时间序列，对不同的时间序列进行聚类，聚类完成后计算得到周期性风压差值时间序列的变化率，通过变化率的波动特征计算预设风压差阈值的调节程度因子，通过调节程度因子得到修正风压差阈值，电控系统通过修正风压差阈值智能控制调节逆向除尘，实现了对矿用干式除尘器智能控制调节，减少了除尘器内部粉尘浓度的增加引起爆炸的可能性。

Description

一种矿用干式除尘器的电控系统智能控制方法

技术领域

本发明涉及控制调节技术领域，具体涉及一种矿用干式除尘器的电控系统智能控制方法。

背景技术

干式除尘器作为大型集中除尘系统中的一种，具有诸多除尘优点，例如使用范围广、不需要水作为除尘介质。在矿场作业中，因为矿用干式除尘器有较好的降尘作用，不会造成二次污染，所以通常采用矿用干式除尘器进行除尘。在矿用干式除尘器工作过程中，随着使用时间的增加，干式除尘器内部的过滤装置积累的粉尘越来越多，若过滤装置的粉尘清理不及时会导致干式除尘器内部的粉尘浓度升高，在摩擦静电的作用下，有发生爆炸的可能性。因此矿用干式除尘器在使用一段时间后需要进行逆向除尘的工作，即清理干式除尘器内部过滤装置附着的粉尘。

现有技术中逆向除尘的时间是固定间隔日期或者根据干式除尘器进出风口的风压差阈值而确定。通过固定间隔日期进行逆向除尘的缺点是内部粉尘浓度过高时不能及时清理。根据进出风口风压差阈值判断逆向除尘的缺点是不能确定风压差阈值设置是否合适，因为风压差值不能准确反映干式除尘器内部的粉尘浓度，若风压差阈值设置过大，可能会出现逆向除尘不及时，内部粉尘浓度过高发生爆炸的可能；若风压差阈值设置过小，则会频繁进行逆向除尘，影响干式除尘器的使用寿命。

发明内容

为了解决上述根据固定间隔日期或风压差阈值进行逆向除尘难以确定合适的逆向除尘时机与频率的技术问题，本发明的目的在于提供一种矿用干式除尘器的电控系统智能控制方法，所采用的技术方案具体如下：

获取进出风口的风压差值的时间序列，得到各个周期性风压差值时间序列的时间中点时刻，计算各个所述周期性风压差值时间序列与初始周期风压差值时间序列的参考相似度，根据各个所述周期性风压差值时间序列的所述时间中点时刻和所述参考相似度进行聚类，获得至少两个簇；

获取每个所述簇内的参考相似度均值和时间中点时刻均值，以最小时间中点时刻均值对应簇的参考相似度均值作为基准数据；根据每个所述簇对应的所述参考相似度均值与所述基准数据的差异，获取所述周期性风压差值时间序列的变化率；

根据所述周期性风压差值时间序列的变化率的波动特征，获得调节程度因子，根据调节程度因子与预设风压差阈值得到修正风压差阈值，通过修正风压差阈值对逆向除尘进行智能控制。

进一步地，所述周期性风压差值时间序列的变化率的获取步骤包括：

以最小时间中点时刻均值对应簇的参考相似度均值作为基准数据，计算每个所述周期性风压差值时间序列所在簇内的参考相似度均值与基准数据的差值的绝对值，得到所述周期性风压差值时间序列的变化率。

进一步地，所述周期性风压差值时间序列的变化率的调节程度因子获取步骤包括：

根据各个所述周期的风压差值时间序列的变化率的数据集，通过信息熵计算公式，得到各个所述周期性风压差值时间序列的变化率的信息熵值，以所述信息熵值作为所述调节程度因子。

进一步地，所述修正风压差阈值的获取步骤包括：

将调节程度因子进行归一化预处理，计算预设风压差阈值、预处理后的调节程度因子与修正系数的乘积，得到所述修正风压差阈值。

进一步地，所述通过修正风压差阈值控制调节逆向除尘的步骤包括：

根据得到的修正风压差阈值，判断修正风压差阈值与预设风压差阈值是否相同，若不相同，则按照修正风压差阈值控制调节逆向除尘，当实时风压差值大于修正风压差阈值则启动逆向除尘。

进一步地，所述周期性风压差值的时间序列的参考相似度的获取步骤包括：

计算所述周期性风压差值的时间序列与初始周期风压差值时间序列的DTW值，将DTW值进行归一化，一减去归一化后的DTW值，得到所述周期性风压差值的时间序列的参考相似度。

本发明具有如下有益效果：

本发明实施例根据各个周期性风压差值时间序列的时间中点时刻和所述参考相似度进行聚类的目的是为了通过对簇内的整体数据进行分析，减少单一的周期性风压差值时间序列的误差对最终修正风压差阈值结果的影响。以最小时间中点时刻均值对应簇的参考相似度均值作为基准数据的目的是计算周期性风压差值时间序列的变化率，最小时间中点时刻均值对应簇为矿用干式除尘器刚开始使用时的周期性风压差值时间序列数据，基准数据能够反映后续周期性风压差值时间序列的变化程度。计算周期性风压差值时间序列的变化率目的是为了对预设风压差阈值进行调节，通过变化率的波动特征能够得到调节程度因子，通过调节程度因子计算修正风差阈值，电控系统能够通过修正风差阈值判断逆向除尘的时机，实现对矿用干式除尘器的智能调节，减少了预设风压差阈值设置不当导致除尘器内部粉尘积累出现爆炸的可能性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。

图1为本发明一个实施例所提供的一种矿用干式除尘器的电控系统智能控制方法流程图。

具体实施方式

为了更进一步阐述本发明为达成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，对依据本发明提出的一种矿用干式除尘器的电控系统智能控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种矿用干式除尘器的电控系统智能控制方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种矿用干式除尘器的电控系统智能控制方法流程图，该方法包括以下步骤。

步骤S1，获取进出风口的风压差值的时间序列，得到各个周期性风压差值时间序列的时间中点时刻，计算各个所述周期性风压差值时间序列与初始周期风压差值时间序列的参考相似度，根据各个所述周期性风压差值时间序列的所述时间中点时刻和所述参考相似度进行聚类，获得至少两个簇。

在本发明实施例中，所分析的设备为对矿场进行降尘的全新未使用的矿用干式除尘器，且矿用干式除尘器在除尘时，矿用干式除尘器在进风口处的粉尘浓度变化不大，粉尘浓度处于稳态，而非随机无规律性的除尘场景。需要说明的是，实施者实施过程中可以选取包括但不限于矿用的全新未使用的干式除尘器，并且在干式除尘器所应用的场景中，需要保证进风口的粉尘浓度处于稳定状态。

获取进出风口的风压差值的时间序列的具体步骤包括：

在矿用干式除尘器的进出风口位置，分别安装一个具有数据无线传输功能的风压传感器，能够采集获取到矿用干式除尘器进出风口的风压数据值，将风压数据通过无线传输给矿用干式除尘器的电控系统，进出风口的风压数据获取频率皆为每分钟一次。需要说明的是，风压传感器的安装位置不影响进出风口正常工作即可，实施者在实施过程中根据不同的干式除尘器可自主将风压传感器安装在合适的进出风口处，风压数据的获取频率实施者可根据实施场景自行确定。

为了得到各个周期性风压差值时间序列，需要先确定风压差值，风压差值的定义为进风口与出风口的风压传感器获取的相同时刻的风压差值，至少两个连续的风压差值数据组成了风压差值时间序列。周期性风压差值时间序列是指在矿用干式除尘器的使用过程中，某一次对矿用干式除尘器逆向除尘结束后到相邻下一次的逆向除尘开始前的风压差值时间序列片段即为一个周期性风压差值时间序列。其中，逆向除尘是指对矿用干式除尘器内部进行清理，清理其中粉尘过滤装置上积累的粉尘。矿用干式除尘器在初始阶段使用时，通过电控系统预设风压差阈值，逆向除尘的时刻根据预设的风压差阈值确定，当风压差超过预设风压差阈值时启动逆向除尘。因为在矿用干式除尘器正常除尘的工作过程中，除尘器内部的过滤装置会附着越来越多的粉尘，粉尘会阻挡一部分风通过。因此随着除尘器工作时间的增长，进出风口的风压差值会逐渐增大。当矿用干式除尘器内部的粉尘浓度影响到正常除尘效果时，需要进行逆向除尘操作，逆向除尘结束后，此时过滤装置上的粉尘会大量减少，进出风口的风压差值也会随之变小。所以在风压差值时间序列中，风压差值会随着矿用干式除尘器除尘工作的进行而变得越来越大，在逆向除尘后风压差值会骤降；在除尘器进行新一轮的除尘工作中，风压差值会再次逐渐升高，因此风压差值时间序列会呈现周期性的升高与降低。

因为矿用干式除尘器中的所有操作都是由电控系统控制，所以可以通过矿用干式除尘器的电控系统，确定两次相邻逆向除尘的时间戳，具体为某次逆向除尘结束后与相邻下一次的逆向除尘开始前的时间戳，获取两个时间戳之间的风压差值时间序列，即可得到某一个周期性风压差值时间序列。在矿用干式除尘器第一次开始工作到经过一段长时间的使用过程中，可以获取到至少两个周期性风压差值时间序列。

在获取到至少两个周期风压差值时间序列后，确定各个周期风压差值时间序列的时间中点时刻，时间中点时刻是指周期性风压差值时间序列的时间的中间位置。获取各个时间序列的中点时刻是为了在后续的聚类步骤中将周期性风压差值时间序列的时刻相近的聚为一簇。

为了将周期性风压差值时间序列进行聚类，需要计算各个周期性风压差值时间序列与初始周期风压差值时间序列的参考相似度。优选的，计算各个周期性风压差值时间序列的与初始周期风压差值时间序列的DTW值，初始风压周期性风压差值时间序列是指矿用干式除尘器在全新未使用状态下的第一次除尘过程到第一次逆向除尘之间的风压差值时间序列。使用DTW算法计算得到DTW值，DTW算法全称为动态时间规整算法，需要说明的是，DTW算法为公开技术，具体计算步骤不再赘述。使用DTW算法的优点是因为每一段周期性风压差值时间序列的序列长度可能不同，而DTW算法可以避免因序列长度的不同而出现的问题。当任意一个周期性风压差值时间序列与初始周期性风压差值时间序列的DTW越接近零时，可以认为这两个时间序列的风压差值序列数据情况越相似，进而认为此周期性风压差值时间序列与初始周期性风压差值时间序列相隔较近；当任意一个周期性风压差值时间序列与初始周期性风压差值时间序列的DTW越大时，可以认为这两个时间序列的风压差值序列数据越不相似，进而认为此周期性风压差值时间序列与初始周期性风压差值时间序列相隔较远。因为矿用干式除尘从全新未使用状态到长时间使用的过程中，会进行多次的逆向除尘操作，减少除尘器内部的粉尘过滤装置上积累的粉尘，从而增加风的畅通性。但由于每一次的逆向除尘都不能够使除尘器内部的粉尘完全清除达到全新未使用的效果，所以矿用干式除尘器随着长时间的使用，每次逆向除尘后，除尘器内部的粉尘过滤装置的粉尘情况与全新未使用状态下的粉尘情况差距越来越大，这样也会导致后面的周期性风压差值时间序列越来越短，周期性风压差值时间序列的风压差数据与初始周期风压差值时间序列的风压差数据的差距越来越大。所以DTW值越小则可以认为周期性风压差值时间序列与初始周期性风压差值时间序列的时间间隔越接近且风压差值数据越相似；反之DTW值越大则可以认为周期性风压差值时间序列与初始周期性风压差值时间序列的时间间隔越远且风压差值数据越不相似。因此可以将得到的DTW值归一化，一减去归一化后的DTW值，可以认为是各个周期性风压差值时间序列与初始周期风压差值时间序列的参考相似度。

获取了各个周期性风压差值时间序列的时间中点时刻和参考相似度之后，将不同的周期性风压差值时间序列进行聚类。聚类的目的是：首先因为逆向除尘的效果具有随机性，不能够保证每次除尘的效果都能够达到预期要求，因此在分析后续的变化率过程中，不只采用单一的周期性风压差值时间序列数据进行分析，需要根据单一周期性风压差值时间序列所在簇内的所有时间序列数据进行分析，防止出现单一数据计算结果出现误差，影响最终对修正风压差阈值的计算；其次是为了确定求变化率中所用到的基准数据以及计算计算调节程度因子中分析变化率的占比情况。优选的，使用DBSCAN算法将所有周期性风压差值时间序列进行聚类，DBSCAN算法是基于密度的聚类算法，通过对各个周期性风压差值时间序列的时间中点时刻以及参考相似度进行聚类，将中点时刻接近、参考相似度接近的聚为一簇，本发明实施例中将DBSCAN算法中的邻域半径Eps设为3，邻域最少数目MinPts设为3，需要说明的是，DBSCAN算法是公开技术，具体聚类步骤不再赘述，实施者在实施过程中可以根据实施场景自行调整DBSCAN算法的Eps和MinPts参数。至此，将所有周期性风压差值时间序列通过聚类算法完成了聚类。

步骤S2，获取每个所述簇内的参考相似度均值和时间中点时刻均值，以最小时间中点时刻均值对应簇的参考相似度均值作为基准数据；根据每个所述簇对应的所述参考相似度均值与所述基准数据的差异，获取所述周期性风压差值时间序列的变化率。

为了能够减少因某次效果不佳的逆向除尘导致采集的周期性风压差值时间序列不准确带来的误差，需要计算每个簇内的参考相似度均值和时间中点时刻均值，达到以簇内整体数据为分析对象的目的。将簇内的周期性风压差值时间序列的参考相似度的和值与簇内总序列数的比值作为参考相似度均值，将簇内的周期性风压差值时间序列的时间中点时刻和值与簇内总序列数的比值作为时间中点时刻均值。

最小时间中点时刻均值所对应的簇为矿用干式除尘器刚开始使用后的前几个周期性风压差值时间序列所在的簇，此时逆向除尘能够将粉尘过滤装置清理的干净程度相比长时间使用后的逆向除尘清理效果更佳，最小时间中点时刻均值对应簇的周期性风压差值时间序列与初始周期性风压差值时间序列的参考相似度越大，所以将此最小时间中点时刻均值对应簇的参考相似度均值作为基准数据。

为了获取周期性风压差值时间序列的变化率，需要计算周期性风压差值时间序列的所在簇的参考相似度均值与基准数据的差值的绝对值，将得到的差值绝对值作为周期性风压差值时间序列的变化率。因为基准数据是根据矿用干式除尘器最初几次周期性风压差值时间序列的聚类结果得到的数据，此时除尘器内部粉尘过滤装置积累的粉尘量不多，所以可以通过基准数据反映后续周期性风压差值时间序列的变化情况。此处通过参考相似度均值与基准数据求变化率而不只以周期性风压差值时间序列与初始风压差值时间序列参考相似度作为变化率的原因是：首先是因为逆向除尘的效果具有随机性可能会导致单一的周期性风压差值时间序列不正常；其次是因为初始风压差值时间序列是矿用干式除尘器从全新未使用状态下的第一次进行除尘工作，此时除尘器内部粉尘过滤装置上完全没有灰尘积累，而后续的逆向除尘都不能使粉尘过滤装置达到完全干净的程度。若直接使用周期性风压差值时间序列与初始风压差值时间序列之间的参考相似度作为变化率则会有一定的偏差，使后续计算的修正风压差阈值存在误差，所以不直接与初始风压差值时间序列求相似度而是通过与基准数据求变化率。因此通过聚类将周期性风压差值时间序列进行聚类，一是减少数据计算误差，二是确定基准数据，然后通过聚类得到的周期性风压差值时间序列所在簇的参考相似度均值与基准数据得到周期性风压差值时间的变化率。通过变化率判断波动特征，获得调节程度因子。

步骤S3，根据所述周期性风压差值时间序列的变化率的波动特征，获得调节程度因子，根据调节程度因子与预设风压差阈值得到修正风压差阈值，通过修正风压差阈值对逆向除尘进行智能控制。

为了确定预设风压差阈值是否合适，需要分析周期性风压差值时间序列的变化率的波动特征。周期性风压差值时间序列的变化率越大，表示矿用干式除尘器电控系统的预设风压差阈值过高，预设风压差阈值过大则会导致矿用干式除尘器在长时间除尘工作后才会进行逆向除尘的操作，此时除尘器内部的粉尘过滤装置已经积累较多的粉尘，逆向除尘并不能使粉尘过滤装置积累的粉尘清理干净，进而经过长时间的使用，会导致矿用干式除尘器内部的粉尘浓度升高，可能引发粉尘爆炸的安全事故。周期性风压差值时间序列的变化率的变化情况可以定义为变化率的波动特征，如果变化率越来越大，则表示电控系统的预设风压差阈值设置过高，在长时间的除尘工作下，会导致矿用干式除尘器的粉尘过滤装置积累较多的粉尘，同时除尘器内部的粉尘浓度升高，有可能引发粉尘爆炸。所以需要对当前矿用干式除尘器电控系统的预设风压差阈值进行调整，如果变化率过大，则应该通过电控系统使预设风压差阈值降低；如果变化率接近或等于零，则电控系统不需要对预设风压差阈值进行调整，因为此时预设风压差阈值没有导致除尘器内部的粉尘积累较多，周期性风压差值时间序列的参考相似度均值和基准数据接近。

为了分析对预设风压差阈值的调节大小，可以通过变化率的波动特征确定预设风压差阈值的调节程度。优选的，通过对周期性风压差值时间序列中的变化率求取信息熵值，作为调节程度因子，因为如果变化率越来越大，则各个周期性风压差值时间序列求的DTW值整体呈现单调递增的形式，同时通过聚类将相似的周期性风压差值时间序列聚为同一个簇，簇内的周期性风压差值时间序列的变化率相同。通过信息熵值可以反应不同簇的变化率的占比信息，所以可以通过变化率求取信息熵值作为预设风压差阈值的调节程度因子。当周期性风压差值时间序列的变化率的波动特征越来越大时，通过聚类会得到更多的周期性风压差值时间序列的簇，导致周期性风压差值时间序列的变化率信息熵值增加；当周期性风压差值时间序列变化率的波动特征较小时，通过聚类会得到较少的周期性风压差值时间序列的簇，导致周期性风压差值时间序列的变化率信息熵值降低。不直接通过聚类得到簇的个数作为调节程度因子是因为簇的个数不能体现周期性风压差值数据变化率的占比信息，如果各周期性风压差值时间序列的变化率占比越混乱，则意味着变化率波动特征越大，变化率的信息熵值越大；若各周期性风压差值时间序列的变化率占比相对一致，意味着变化率波动特征较小，变化率的信息熵值较小。

通过信息熵计算公式，得到周期性风压差值时间序列的变化率信息熵值，作为预设风压差阈值的调节程度因子，当变化率信息熵值越大，需要调节预设风压差值的程度越大；当变化率信息熵值越小，需要调节的预设风压差值的程度越小。需要说明的是，信息熵计算方法为公知技术，本发明不再赘述。

计算得到调节程度因子后，则需要计算修正风压差阈值。将调节程度因子预处理，计算预设风压差阈值与预处理的调节程度因子与修正系数的乘积，得到所述修正风压差阈值，修正风压差阈值的具体公式为：

式中：为修正风压差阈值，为修正系数，目的是使修正风压差阈值更准确，本发明实施例中根据实施场景多次分析将设为0.9，需要说明的是，实施者在实施过程中可以根据实施场景自行设定。为预设风压差阈值，是调节程度因子，是以自然常数为底的指数函数，因为调节程度因子值越大，则预设风压阈值应该下调越多；调节程度因子值越小，则预设风压阈值应该下调越少，同时的值有可能为0，因此需要使用函数对值进行预处理调整到(0,1]，需要说明的是，当调节程度因子值为0时，修正系数取1。

得到修正风压差阈值后，判断修正风压差阈值与预设风压差阈值是否相同，若不相同，则矿用干式除尘器电控系统按照修正风压差阈值控制调节逆向除尘的时机，当风压差值超过修正风压差值阈值时，启动逆向除尘，实现电控系统的智能控制。通过修正风压差阈值，可以避免预设风压差阈值设置不当，导致矿用干式除尘器内部的粉尘浓度升高，降低了粉尘爆炸的可能性。

综上所述，本发明实施例在对矿用干式除尘器逆向除尘的风压差阈值调整中，通过获取矿用干式除尘器的周期性风压差值时间序列，对不同的时间序列进行聚类，聚类完成后计算得到周期性风压差值时间序列的变化率，通过变化率的波动特征计算预设风压差阈值的调节程度因子，通过调节程度因子得到修正风压差阈值，电控系统通过修正风压差阈值智能控制调节逆向除尘，减少了除尘器内部粉尘浓度的增加引起爆炸的可能性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (1)

1.一种矿用干式除尘器的电控系统智能控制方法，其特征在于，该方法包括以下步骤：

获取进出风口的风压差值的时间序列，得到各个周期性风压差值时间序列的时间中点时刻，计算各个所述周期性风压差值时间序列与初始周期风压差值时间序列的参考相似度，根据各个所述周期性风压差值时间序列的所述时间中点时刻和所述参考相似度进行聚类，获得至少两个簇；

获取每个所述簇内的参考相似度均值和时间中点时刻均值，以最小时间中点时刻均值对应簇的参考相似度均值作为基准数据；根据每个所述簇对应的所述参考相似度均值与所述基准数据的差异，获取所述周期性风压差值时间序列的变化率；

根据所述周期性风压差值时间序列的变化率的波动特征，获得调节程度因子，根据调节程度因子与预设风压差阈值得到修正风压差阈值，通过修正风压差阈值对逆向除尘进行智能控制；

所述周期性风压差值时间序列的变化率的获取步骤包括：

以最小时间中点时刻均值对应簇的参考相似度均值作为基准数据，计算每个所述周期性风压差值时间序列所在簇内的参考相似度均值与基准数据的差值的绝对值，得到所述周期性风压差值时间序列的变化率；

所述周期性风压差值时间序列的变化率的调节程度因子获取步骤包括：

根据各个所述周期的风压差值时间序列的变化率的数据集，通过信息熵计算公式，得到各个所述周期性风压差值时间序列的变化率的信息熵值，以所述信息熵值作为所述调节程度因子；

所述修正风压差阈值的获取步骤包括：

式中：为修正风压差阈值，为修正系数，为预设风压差阈值，是调节程度因子，是以自然常数为底的指数函数；

所述通过修正风压差阈值控制调节逆向除尘的步骤包括：

根据得到的修正风压差阈值，判断修正风压差阈值与预设风压差阈值是否相同，若不相同，则按照修正风压差阈值控制调节逆向除尘，当实时风压差值大于修正风压差阈值则启动逆向除尘；

所述周期性风压差值的时间序列的参考相似度的获取步骤包括：

计算所述周期性风压差值的时间序列与初始周期风压差值时间序列的DTW值，将DTW值进行归一化，一减去归一化后的DTW值，得到所述周期性风压差值的时间序列的参考相似度。

Images