CN116663426A - 汽化炉炉温预测模型的训练方法、装置及电子设备 - Google Patents
汽化炉炉温预测模型的训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116663426A CN116663426A CN202310779825.7A CN202310779825A CN116663426A CN 116663426 A CN116663426 A CN 116663426A CN 202310779825 A CN202310779825 A CN 202310779825A CN 116663426 A CN116663426 A CN 116663426A
- Authority
- CN
- China
- Prior art keywords
- furnace temperature
- prediction model
- parameters
- preset
- temperature prediction
- 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
- 238000009834 vaporization Methods 0.000 title claims abstract description 171
- 230000008016 vaporization Effects 0.000 title claims abstract description 171
- 238000012549 training Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000000376 reactant Substances 0.000 claims abstract description 110
- 238000002309 gasification Methods 0.000 claims abstract description 109
- 238000006243 chemical reaction Methods 0.000 claims abstract description 53
- 239000003245 coal Substances 0.000 claims abstract description 53
- 239000002002 slurry Substances 0.000 claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 52
- 238000003860 storage Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 239000003250 coal slurry Substances 0.000 description 28
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 25
- 229910052760 oxygen Inorganic materials 0.000 description 25
- 239000001301 oxygen Substances 0.000 description 25
- 239000000243 solution Substances 0.000 description 18
- 239000007789 gas Substances 0.000 description 17
- 238000001514 detection method Methods 0.000 description 13
- 230000015572 biosynthetic process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000001537 neural effect Effects 0.000 description 12
- 238000003786 synthesis reaction Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000004069 differentiation Effects 0.000 description 8
- 239000007795 chemical reaction product Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000035484 reaction time Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000011449 brick Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 235000015220 hamburgers Nutrition 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003818 cinder Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 239000012088 reference solution Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本发明公开了一种汽化炉炉温预测模型的训练方法、装置及电子设备。其中，该方法包括：获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据；将多组训练数据输入预设偏微分求解网，训练目标偏微分求解网；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系。本发明解决了现有技术无法的预估汽化炉炉温的技术问题。
Description
技术领域
本发明涉及机器学习领域，具体而言，涉及一种汽化炉炉温预测模型的训练方法、装置及电子设备。
背景技术
炉膛温度是衡量水煤浆气化炉是否安全、能否稳定并长期运行的关键技术指标之一。一般在实际工业生产中，气化炉在1350～1500℃下可以获得理想的转化率，并且炉内稳定的温度可以大大提高耐火砖的使用寿命。气化炉的温度是通过高温热电偶插入炉膛室，如果气化炉的运行温度大于1350℃或更高，将导致高温热电偶测量值漂移和温度越高，漂移的更严重。炉膛温度必须保持在煤渣熔融的+50℃～+100℃。若温度低于该范围，那么直接影响气化炉的排渣容畅度，导致可能发生堵塞现象。若温度高于该范围，导致耐火砖寿命下降，合成气体中有效气比率下降。综上所述，工业生产中气化炉的炉膛温度必须保持在一定范围内操控，这就对炉膛温度的实时监测提出了较高要求。
多喷嘴对置式水煤浆气化是高温、高压和多相流条件下的反应过程，物理与化学问题耦合性强技术条件苛刻。来自高压煤浆泵的煤浆与来自空分装置的纯氧通过两两对置的四路喷嘴射流进入多喷嘴对置式水煤浆气化炉内，水煤浆颗粒夹杂在高速气流中，在高温反应室内与O2发生剧烈的气化反应，生成以H2和CO为主要有效组分的粗合成气。热的粗合成气以及呈熔融液化状态的煤渣等进入充满了冷却水的激冷室中，经充分冷却之后温度降至220℃左右。离开激冷室的粗合成气注入洗涤塔洗去所夹带的固态残渣等，进入后续系统。出口合成气H2和CO含量等由气体成分分析仪测得。多喷嘴对置式水煤浆气化炉炉内一般配置多只高温热电偶用来实时测量开车初期的气化反应温度，测得的炉膛温度范围为1050～1350℃。炉膛温度是衡量水煤浆气化炉是否安全、能否稳定并长期运行的关键技术指标之一。由于炉内状况复杂、炉温较高等特点,导致气化反应器内包括温度在内的众多变量无法直接测量,工业过程中的实际测量装置均处于气化工艺中低温段,为此操作人员无法确定炉内的反应状况与反应温度的实时数据,致使气化炉无法达到精细优化操作,实际表现为其开车运行周期短、故障频发等现象。鉴于此种情况,在现有的生产条件下以低成本获得炉内温度的实时数据就成为工业过程中需要解决的技术问题。
针对上述现有技术无法的预估汽化炉炉温的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种汽化炉炉温预测模型的训练方法、装置及电子设备，以至少解决现有技术无法的预估汽化炉炉温的技术问题。
根据本发明实施例的一个方面，提供了一种汽化炉炉温预测模型的训练方法，包括：获取水煤浆气化炉的历史工业数据，其中，所述历史工业数据至少包括：历史时间段内的多个炉温参数和每个所述炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对所述反应物参数进行特征提取，确定所述反应物参数对应的特征参数，并将与所述反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，所述特征参数表示所述反应物参数中对所述炉温参数产生影响的特征；将多组所述训练数据输入所述预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，所述目标偏微分求解网用于通过偏微分方程表示所述炉温参数和所述特征参数之间映射关系；依据所述特征转换网和所述目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，所述目标汽化炉炉温预测模型用于表示所述炉温参数和所述反应物参数之间映射关系。
可选地，获取水煤浆气化炉的历史工业数据包括：从工业大数据离线历史数据库中读取所述历史工业数据；按照预设比例将所述历史工业数据划分为训练集、校验集和测试集，其中，所述训练集用于训练所述目标汽化炉炉温预测模型，所述训练集用于调整目标汽化炉炉温预测模型的模型参数，所述测试集用于评价所述目标汽化炉炉温预测模型。
可选地，所述预设汽化炉炉温预测模型为多个，依据所述特征转换网和所述目标偏微分求解网，确定用于表示所述炉温参数和所述反应物参数之间映射关系的目标汽化炉炉温预测模型包括：确定每个所述预设汽化炉炉温预测模型的预设总损失；确定所述预设总损失最小的预设汽化炉炉温预测模型为所述目标汽化炉炉温预测模型。
可选地，确定每个所述预设汽化炉炉温预测模型的预设总损失包括：将所述训练数据中的特征参数输入所述预设汽化炉炉温预测模型，确定所述预设汽化炉炉温预测模型输出的预测炉温参数，并将所述训练数据中的炉温参数确定为实际炉温参数；将所述实际炉温参数和所述预测炉温参数输入预设边界损失函数，确定所述预设汽化炉炉温预测模型的边界损失，其中，所述边界损失函数用于根据所述实际炉温参数和所述预测炉温参数评估所述预设汽化炉炉温预测模型的边界约束；将所述实际炉温参数和所述预测炉温参数输入预设残差损失函数，确定所述预设汽化炉炉温预测模型的残差损失，其中，所述残差损失函数用于根据所述实际炉温参数和所述预测炉温参数评估所述预设汽化炉炉温预测模型的物理约束；将每个所述预设汽化炉炉温预测模型的所述边界损失和所述物理约束损失之和，确定为所述预设总损失。
可选地，将所述实际炉温参数和所述预测炉温参数输入预设边界损失函数，确定所述预设汽化炉炉温预测模型的边界损失包括：确定所述预测炉温参数的一阶微分与所述实际炉温参数的一阶微分之差，得到第一差值；确定所述第一差值的二范数的平方为所述边界损失。
可选地，将所述实际炉温参数和所述预测炉温参数输入预设残差损失函数确定所述预设汽化炉炉温预测模型的残差损失包括：确定所述预测炉温参数与所述实际炉温参数之差，得到第二差值；确定所述第二差值的二范数的平方为所述残差损失。
可选地，在结合所述特征转换网和所述目标偏微分求解网，确定目标汽化炉炉温预测模型之后，所述方法还包括：按照预设时间间隔获取更新工业数据，其中，所述更新工业数据至少包括：目标时间段内的多个炉温参数和每个所述炉温参数对应的反应物参数，所述目标时间段晚于所述历史时间段；使用所述更新工业数据对所述目标汽化炉炉温预测模型进行训练，得到更新汽化炉炉温预测模型。
根据本发明实施例的另一方面，还提供了一种汽化炉炉温预测模型的训练装置，包括：获取模块，用于获取水煤浆气化炉的历史工业数据，其中，所述历史工业数据至少包括：历史时间段内的多个炉温参数和每个所述炉温参数对应的反应物参数；提取模块，用于利用预设汽化炉炉温预测模型中的特征转换网对所述反应物参数进行特征提取，确定所述反应物参数对应的特征参数，并将与所述反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，所述特征参数表示所述反应物参数中对所述炉温参数产生影响的特征；训练模块，用于将多组所述训练数据输入所述预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，所述目标偏微分求解网用于通过偏微分方程表示所述炉温参数和所述特征参数之间映射关系；确定模块，用于依据所述特征转换网和所述目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，所述目标汽化炉炉温预测模型用于表示所述炉温参数和所述反应物参数之间映射关系。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，其特征在于，所述非易失性存储介质用于存储程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述汽化炉炉温预测模型的训练方法。
根据本发明实施例的另一方面，还提供了一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述处理器中的程序，其中，所述程序运行时执行上述汽化炉炉温预测模型的训练方法。
在本发明实施例中，获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系，从而根据水煤浆气化炉的反应物参数利用目标汽化炉炉温预测模型进行分析，即可确定水煤浆气化炉内的炉温，从而无需使用传感器之类的探测设备实时探测汽化炉炉温，避免水煤浆气化炉内的高温对探测设备造成损坏，进而避免因探测设备损坏造成无法准确确定汽化炉炉温的情况发生，实现了准确预估汽化炉炉温的技术效果，进而解决了现有技术无法的预估汽化炉炉温技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种汽化炉炉温预测模型的训练方法的流程图；
图2是根据本发明实施例的一种FT-PDE-Net网络架构的示意图；
图3是根据本发明实施例的一种FT-Net网ConvLSTM模块的示意图；
图4是根据本发明实施例的一种PDE-Net网FNO模块的示意图；
图5是根据本发明实施例的一种具有物理约束的神经算子网络模型进行在线预测炉温的方法的示意图；
图6是根据本发明实施例的一种汽化炉炉温预测模型的训练装置的示意图；
图7是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
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以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种汽化炉炉温预测模型的训练方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种汽化炉炉温预测模型的训练方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；
步骤S104，利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；
步骤S106，将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；
步骤S108，依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系。
在本发明实施例中，获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系，从而根据水煤浆气化炉的反应物参数利用目标汽化炉炉温预测模型进行分析，即可确定水煤浆气化炉内的炉温，从而无需使用传感器之类的探测设备实时探测汽化炉炉温，避免水煤浆气化炉内的高温对探测设备造成损坏，进而避免因探测设备损坏造成无法准确确定汽化炉炉温的情况发生，实现了准确预估汽化炉炉温的技术效果，进而解决了现有技术无法的预估汽化炉炉温技术问题。
在上述步骤S102中，历史工业数据至少包括：参与水煤浆气化炉内反应的煤浆流量、煤浆浓度、氧气流量、氧气浓度、氧煤比以及水煤浆气化炉炉膛温度、水煤浆气化炉表面温度、反应产物合成气的流量值、反应产物合成气的温度值。
可选地，历史工业数据可以按照时间序列获取，得到多个具有时间属性的序列炉温参数和对应的反应物参数。
可选地，反应物参数可以包括：煤浆流量、煤浆浓度、氧气流量、氧气浓度和氧煤比。
可选地，炉温参数可以包括：水煤浆气化炉炉膛温度、水煤浆气化炉表面温度、反应产物合成气的流量值、反应产物合成气的温度值。
需要说明的是，水煤浆气化过程涉及高温、高压、非均相、湍流条件下物理与化学过程的相互作用，其目的是将煤中有效的C、H和部分H2O转变为合成气(主要包含H2、CO)的过程。为了使整个气化过程具有较高的速率，气化反应必须在较高的温度水平下进行。从化学反应角度，影响反应结果的主要因素有炉膛温度与煤浆浓度以及反应进行的时间。
需要说明的是，影响气化炉炉膛温度的主要与氧煤比、煤浆浓度有关。
其中，氧煤比越高，生产CO2就多，气化温度就越高，有效气体成分就越低；如果氧煤比比较低，则气化温度就低，CO2含量降低，有效气体成分会升高。
其中，煤浆浓度增加，相同氧煤比下气化温度将升高，CO2含量降低，有效气产率将增加，比氧耗将相应降低；如果煤浆浓度大幅增加，则其粘度将增加，将影响喷嘴雾化效果和增加煤浆泵的故障率，气化温度会相应的上升导致炉温过高，很容易烧毁耐火砖而造成停炉现象。
需要说明的是，气化炉出口温度控制必须满足高于煤T4温度(即煤的灰熔点)，一般出口温度控制在1400-1450度左右。炉膛壁表面温度能够间接反应炉膛内部温度变化。
作为一种可选的实施例，反应物参数至少包括：按照预设时间间隔采集的煤浆参数和氧量参数，获取水煤浆气化炉的历史工业数据包括：将第一时刻采集的氧量参数与第二时刻采集的煤浆参数进行匹配，得到目标时刻的炉温参数对应的反应物参数，其中，第一时刻早于第二时刻，目标时刻为第二时刻。
本发明上述实施例，由于煤浆流量与氧气流量在流速存在滞后性，因此为了在反应时间上煤浆与氧气匹配，就需要将煤浆参数和氧量参数进行匹配，进而将第二时刻的煤浆含量与早于第二时刻的第一时刻的氧量参数进行匹配，从而可以准确得到反应时刻对应的煤浆参数与氧量参数，便于根据准确的煤浆参数与氧量参数预测反应时刻的汽化炉炉温。
可选地，目标时刻可以是第一时刻的氧气与第二时刻的煤浆的反应时刻，该目标时刻可以与第二时刻相同，也可以晚于第二时刻。
在上述步骤S104和步骤S106中，预设汽化炉炉温预测模型为融合物理约束的数据驱动求解PED方程的深度神经网络，该深度神经网采用FT-PDE-Net架构。
图2是根据本发明实施例的一种FT-PDE-Net网络架构的示意图，如图2所示，FT-PDE-Net网络架构包括：特征转换网FT-Net和预设偏微分求解网PDE-Net，其中，特征转换网FT-Net用于对反应物参数进行特征提取，得到反应物参数对应的特征参数，预设偏微分求解网PDE-Net用于根据每组训练数据中的炉温参数和特征参数，训练用于表示炉温参数和特征参数之间映射关系的偏微分方程，得到目标偏微分求解网。
作为一种可选的实施例，特征转换网采用多层长短时卷积记忆ConvLSTM模块实现。
图3是根据本发明实施例的一种FT-Net网ConvLSTM模块的示意图，如图3所示，特征转换网(FT-Net)利用深度网络的逼近非线性对象及其微分能力，对输入历史数据进行特征提取。由于受约束的卷积核数学上具有偏微分算子特征,用其来表征与求解偏微分方程会具有很好的效果。为此,基于受限卷积核来表征微分算子的思想，在该模块中本发明使用具有可学习卷积核的多层长短时卷积记忆(ConvLSTM)模块实现，这样，不仅能够利用历史数据信息，而且还能提取输入数据的微分特征。
需要说明的是，人工智能(AI)及相关智能技术飞速发展，其中典型代表为深度学习(deep learning)。大量研究结果表明，深度学习在处理高维复杂结构的数据时将特征设计的任务融入神经网络，实现了端到端的学习模式，充分挖掘神经网络的潜力，极大地提升了网络性能。但是这种高度依赖数据驱动的方法，缺乏物理可解释性、易陷入过拟合以及可获取数据的稀疏性等问题,限制了这类方法在诸多学科和工程领域中的应用。人工智能科学范式(AI for science)已成为新的交叉领域，将物理原理与数据相融合，将物理信息融入到机器学习模型中以建立更通用、解释性更强的深度学习模型,得到了广泛的研究。
可选地，在化工过程机理模拟中，根据物系特性以及操作条件选择合适的热力学方法是计算结果准确程度的基本保证。水煤浆气化过程是在高温、高压条件下进行反应，可使用RK-SOAVE或PENG-ROB状态方程及其拓展模型计算热力学性质和传递性质，这些模型(如预设偏微分求解网)以偏微分方程(PDE)形式表示，机理模拟过程是根据初始条件和边界条件进行复杂大量的偏微分求解过程。
作为一种可选的实施例，一般偏微分方程PDE可以定义为：
其中，表示定义域，u(x,t)为未知解，/>是微分算子，/>是u(x,t)关于x偏微分，λ是系统参数，B(u,x)为边界条件，如狄里克雷(Dirichlet)条件、诺依曼(Neumann)条件、洛平(Robin)条件等。
需要说明的是，伯格斯方程(Burgers equation)是一个模拟冲击波的传播和反射的非线性偏微分方程，被广泛应用于流体力学，非线性声学，气体动力学等各个领域。
以求解Dirichlet边界的Burgers方程为例，其PDE方程(如预设偏微分求解网)为：
B(u,x)＝u(t,1)＝u(t,-1)＝0
x∈[-1,1],t∈[0,1]。
需要说明的是，现有的偏微分方程求解方法要进行网格划分、非线性方程组求解，计算成本高，技术突破难度大。基于深度学习的偏微分方程求解方法不仅快速，而且能很好解决非线性问题,能对更复杂、更高维的偏微分方程进行求解。一直以来，人们希望找到无须网格划分、无须非线性方程求解的偏微分方程数值求解新方法。其探索之一就是基于人工神经网络的求解方法。科学研究实践已经证明了多层神经网络能够逼近任意函数及其导数。这为用神经网络求解微分方程PDE奠定了理论基础。由于数据驱动存在泛化能力弱等缺点,物理驱动可提高泛化能力，减少标签数据。物理驱动与数据驱动相融合,即物理约束的方法，受到广泛的研究。
作为一种可选的实施例，预设偏微分求解网采用傅里叶神经算子FNO实现。
本发明上述实施例，经过FT-Net提取到的隐含层特征信息E(t)(也即特征参数)被输入到PED-Net网络来训练求解该物理对象的解U(t+1)，因此，该PED-Net必须具有对PDE方程强表征能力，采用傅里叶神经算子FNO可以表征炉温参数和特征参数之间映射关系。
图4是根据本发明实施例的一种PDE-Net网FNO模块的示意图，如图4所示，PDE-Net网(即预设偏微分求解网)采用傅里叶神经算子(FNO)网作为实现模块，每个傅里叶神经算子FNO中P运算操作是将输入a(x)低维向量投影到高维的投影算子，Q运算操作则是将高维向量投影到低维的投运算子，都是为了改变网络的特征维数，分别用神经网络来实现。FNO数据算子网的核心是傅里叶层，傅里叶层会在训练数据推送到网络的下层之前，对其进行傅里叶变换F，然后用一个线性变换R过滤掉其中的高频部分，再通过傅里叶逆变换F-1的得到原空间的函数，然后进入下个层进行非线性转换，每个FNO神经算子网络包含全局的傅里叶变换和非线性变换，具有较强的泛化能力，能够逼近学习高维非线性对象。
作为一种可选的实施例，获取水煤浆气化炉的历史工业数据包括：从工业大数据离线历史数据库中读取历史工业数据；按照预设比例将历史工业数据划分为训练集、校验集和测试集，其中，训练集用于训练目标汽化炉炉温预测模型，训练集用于调整目标汽化炉炉温预测模型的模型参数，测试集用于评价目标汽化炉炉温预测模型。
本发明上述实施例，工业大数据离线历史数据库中预先存有多个历史时间段的历史工业数据，从工业大数据离线历史数据库中读取历史工业数据，并按照预设比例将历史工业数据划分为训练集、校验集和测试集，确保使用历史工业数据能够训练出准确的目标汽化炉炉温预测模型。
可选地，预设比例可以设置为“训练集:校验集:测试集＝6:2:2”，或“训练集:校验集:测试集＝98:1:1”。
可选地，从工业大数据离线历史数据库中读取历史工业数据还包括：对工业大数据离线历史数据库中存储的数据进行预处理，该预处理过程至少包括：数据清洗和数据转换，其中，数据清洗至少包括：非零值填补和异常值检测去除；数据转换至少包括：标准化和归一化。
作为一种可选的实施例，预设汽化炉炉温预测模型为多个，依据特征转换网和目标偏微分求解网，确定用于表示炉温参数和反应物参数之间映射关系的目标汽化炉炉温预测模型包括：确定每个预设汽化炉炉温预测模型的预设总损失；确定预设总损失最小的预设汽化炉炉温预测模型为目标汽化炉炉温预测模型。
本发明上述实施例，可以训练多个预设汽化炉炉温预测模型，然后在训练得到的多个预设汽化炉炉温预测模型中选出最能体现炉温参数和反应物参数之间映射关系的目标汽化炉炉温预测模型，进而在选择目标汽化炉炉温预测模型的过程中，可以根据每个预设汽化炉炉温预测模型的预设总损失评估该预设汽化炉炉温预测模型表示炉温参数和反应物参数之间映射关系的准确情况，从而选择预设总损失最小的预设汽化炉炉温预测模型为目标汽化炉炉温预测模型即可确定完成对最优模型的选择。
作为一种可选的实施例，确定每个预设汽化炉炉温预测模型的预设总损失包括：将训练数据中的特征参数输入预设汽化炉炉温预测模型，确定预设汽化炉炉温预测模型输出的预测炉温参数，并将训练数据中的炉温参数确定为实际炉温参数；将实际炉温参数和预测炉温参数输入预设边界损失函数，确定预设汽化炉炉温预测模型的边界损失，其中，边界损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的边界约束；将实际炉温参数和预测炉温参数输入预设残差损失函数，确定预设汽化炉炉温预测模型的残差损失，其中，残差损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的物理约束；将每个预设汽化炉炉温预测模型的边界损失和物理约束损失之和，确定为预设总损失。
本发明上述实施例，根据预设边界损失函数和预设残差损失函数，对预设汽化炉炉温预测模型输出的预测炉温参数和训练数据中的实际炉温参数进行计算，确定该预设汽化炉炉温预测模型的预设总损失，进而利用预设总损失可以对该预设汽化炉炉温预测模型进行评估，便于从多个预设汽化炉炉温预测模型中选出最优的目标汽化炉炉温预测模型。
可选地，PDE-Net网络(即预设偏微分求解网)输出PDE对象预测解U(t+1)(如预测炉温参数),通过数值微分模块计算预测解序列的关于时间一阶微分，数值微分方法包含后向差分、前向差分、中心差分、Lebesgue微分等。在计算完目标参考对象性序列Uref(t+1)(如实际炉温参数)的时间微分之后，将预测解U(t+1)(如预测炉温参数)与其目标参考解Uref(t+1)(如实际炉温参数)及相应一阶微分分别带入损失函数中计算，训练使该损失函数最小化。
可选地，融合物理约束的数据驱动的深度网络学习训练的损失函数为：
PDE残差损失(即预设边界损失函数)：
边界约束损失(预设残差损失函数)：
总损失函数(即预设总损失)为：Loss＝LPDE+LBC。
本发明上述实施例，在深度网络训练时通过最小化该损失函数，使该网络输出不断逼近所要学习物理对象的PDE方程解。
作为一种可选的实施例，将实际炉温参数和预测炉温参数输入预设边界损失函数，确定预设汽化炉炉温预测模型的边界损失包括：确定预测炉温参数的一阶微分与实际炉温参数的一阶微分之差，得到第一差值；确定第一差值的二范数的平方为边界损失。
本发明上述实施例，利用预设边界损失函数可以根据实际炉温参数和预测炉温参数，评估训练得到的预设偏微分求解网的边界约束，也即评估训练得到的预设汽化炉炉温预测模型的边界损失，进而可以根据边界损失的评估结果从多个预设汽化炉炉温预测模型中选出最优的目标汽化炉炉温预测模型。
作为一种可选的实施例，将实际炉温参数和预测炉温参数输入预设残差损失函数确定预设汽化炉炉温预测模型的残差损失包括：确定预测炉温参数与实际炉温参数之差，得到第二差值；确定第二差值的二范数的平方为残差损失。
本发明上述实施例，利用预设残差损失函可以根据实际炉温参数和预测炉温参数，评估训练得到的预设偏微分求解网的物理约束，也即评估训练得到的预设汽化炉炉温预测模型的物理约束，进而可以根据物理约束的评估结果从多个预设汽化炉炉温预测模型中选出最优的目标汽化炉炉温预测模型。
作为一种可选的实施例，在结合特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型之后，方法还包括：按照预设时间间隔获取更新工业数据，其中，更新工业数据至少包括：目标时间段内的多个炉温参数和每个炉温参数对应的反应物参数，目标时间段晚于历史时间段；使用更新工业数据对目标汽化炉炉温预测模型进行训练，得到更新汽化炉炉温预测模型。
本发明上述实施例，在训练出目标汽化炉炉温预测模型后，可以按照预设时间间隔获取用于对目标汽化炉炉温预测模型进行更新的更新工业数，进而使用更新工业数据再次对目标汽化炉炉温预测模型进行训练，可以实现对目标汽化炉炉温预测模型的更新，得到更新汽化炉炉温预测模型，实现了对目标汽化炉炉温预测模型的实时更新，确保更新后的目标汽化炉炉温预测模型(也即更新汽化炉炉温预测模型)能够更加准确的进行汽化炉炉温预测。
本发明还提供了一种可选实施例，该可选实施例提供了一种具有物理约束的神经算子网络模型进行在线预测炉温的方法，利用具有物理约束特性的神经算子深度网络学习和预测炉膛温度，实时预测监控炉膛温度用来指导生产，解决炉膛温度难以长期实时稳定测量难题。
图5是根据本发明实施例的一种具有物理约束的神经算子网络模型进行在线预测炉温的方法的示意图，如图5所示，包括步骤如下：
步骤S501，获取离线数据。从工业大数据离线历史数据库中获取针对水煤浆气化炉的操作和工艺数据，也即历史工业数据至少包括：参与水煤浆气化炉内反应的煤浆流量、煤浆浓度、氧气流量、氧气浓度、氧煤比以及水煤浆气化炉炉膛温度、水煤浆气化炉表面温度、反应产物合成气的流量值、反应产物合成气的温度值。
步骤S502，数据清洗与转换。在工业大数据平台上对上述历史工业数据进行清洗，至少包括非零值填补、异常值检测去除等，然后进行数据转换，至少包括标准化和归一化等。
步骤S503，数据集划分。将上述清洗和转换后的数据划分为训练集、校验集和测试集；每个数据集中包含输入数据X和炉膛温度预测目标参考数据Uref。
步骤S504，建立多个预设气化炉炉温预测模型，该模型的FT-Net包含ConvLSTM模块，PDE-Net包含FNO神经算子模块。训练损失函数包含边界损失函数LBC和物理PDE约束损失函数LPDE，这两个损失函数之和作为总损失函数，训练时使总损失函数最小化。
步骤S505，模型训练、校验与选择。用训练数据训练预设气化炉炉温预测模型，用校验数据进行校验。训练多个不同网络参数的预测模型，选择测试数据总损失函数最优的作为目标气化炉炉温预测模型。
步骤S506，在工业大数据平台上部署训练好的多个温度预测模型(也即预设气化炉炉温预测模型)，进行开环测试，根据开环测试结果选择最优模型作为炉膛温度预测模型。
步骤S507，根据开环测试选定最优模型(也即目标气化炉炉温预测模型)的预测结果，指导气化炉操作控制，提高气化炉工况稳定性。
步骤S508，每隔一段时间利用最新的在线数据在原来模型基础上训练更新模型，步骤转到S502，使模型适应当前工况的变化。
可选地，在上述步骤S501中，要充分考虑煤浆流量与氧气流量流速上的滞后性，为了在反应时间上煤浆与氧气匹配，需要将当前时刻(如第二时刻)的煤浆参数与当前时刻之前的第二或第三个时刻(如第一时刻)的氧量参数对齐。
可选地，在上述步骤S503中，FT-Net网络中也可以使用Transfomer、RNN等模块实现输入数据的特征提取与转换，PDE-Net网络中也可以使用其他神经算子模块来代替，例如BI-GreenNet、DeepGreen等。
本发明上述实施例，利用网络模型和训练损失函数能够学习物理对象的动态特征，使训练的神经网络具有可解释性，克服神经网络“黑箱”模型缺陷，避免了机理模型难以建模的困难，使得该深度网络具有物理可解释性和良好的外延推理性。提出的实施流程通过在线模型训练，能够克服气化炉工况改变带来的预测准确性变差的问题。
根据本发明实施例，还提供了一种汽化炉炉温预测模型的训练装置实施例，需要说明的是，该汽化炉炉温预测模型的训练装置可以用于执行本发明实施例中的汽化炉炉温预测模型的训练方法，本发明实施例中的汽化炉炉温预测模型的训练方法可以在该汽化炉炉温预测模型的训练装置中执行。
图6是根据本发明实施例的一种汽化炉炉温预测模型的训练装置的示意图，如图6所示，该装置可以包括：获取模块62，用于获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；提取模块64，用于利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；训练模块66，用于将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；确定模块68，用于依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系。
需要说明的是，该实施例中的获取模块62可以用于执行本申请实施例中的步骤S102，该实施例中的提取模块64可以用于执行本申请实施例中的步骤S104，该实施例中的训练模块66可以用于执行本申请实施例中的步骤S106，该实施例中的确定模块68可以用于执行本申请实施例中的步骤S108。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
在本发明实施例中，获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系，从而根据水煤浆气化炉的反应物参数利用目标汽化炉炉温预测模型进行分析，即可确定水煤浆气化炉内的炉温，从而无需使用传感器之类的探测设备实时探测汽化炉炉温，避免水煤浆气化炉内的高温对探测设备造成损坏，进而避免因探测设备损坏造成无法准确确定汽化炉炉温的情况发生，实现了准确预估汽化炉炉温的技术效果，进而解决了现有技术无法的预估汽化炉炉温技术问题。
作为一种可选的实施例，特征转换网采用多层长短时卷积记忆ConvLSTM模块实现；预设汽化炉炉温预测模型采用傅里叶神经算子FNO实现。
作为一种可选的实施例，获取模块包括：读取单元，用于从工业大数据离线历史数据库中读取历史工业数据；分割单元，用于按照预设比例将历史工业数据划分为训练集、校验集和测试集，其中，训练集用于训练目标汽化炉炉温预测模型，训练集用于调整目标汽化炉炉温预测模型的模型参数，测试集用于评价目标汽化炉炉温预测模型。
作为一种可选的实施例，预设汽化炉炉温预测模型为多个，确定模块包括：第一确定单元，用于确定每个预设汽化炉炉温预测模型的预设总损失；第二确定单元，用于确定预设总损失最小的预设汽化炉炉温预测模型为目标汽化炉炉温预测模型。
作为一种可选的实施例，第一确定单元包括：第一确定子单元，用于将训练数据中的特征参数输入预设汽化炉炉温预测模型，确定预设汽化炉炉温预测模型输出的预测炉温参数，并将训练数据中的炉温参数确定为实际炉温参数；第二确定子单元，用于将实际炉温参数和预测炉温参数输入预设边界损失函数，确定预设汽化炉炉温预测模型的边界损失，其中，边界损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的边界约束；第三确定子单元，用于将实际炉温参数和预测炉温参数输入预设残差损失函数，确定预设汽化炉炉温预测模型的残差损失，其中，残差损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的物理约束；第四确定子单元，用于将每个预设汽化炉炉温预测模型的边界损失和物理约束损失之和，确定为预设总损失。
作为一种可选的实施例，第二确定子单元包括：第五确定子单元，用于确定预测炉温参数的一阶微分与实际炉温参数的一阶微分之差，得到第一差值；第六确定子单元，用于确定第一差值的二范数的平方为边界损失。
作为一种可选的实施例，第三确定子单元包括：第七确定子单元，用于确定预测炉温参数与实际炉温参数之差，得到第二差值；第八确定子单元，用于确定第二差值的二范数的平方为残差损失。
作为一种可选的实施例，装置还包括：更新子模块，用于在结合特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型之后，按照预设时间间隔获取更新工业数据，其中，更新工业数据至少包括：目标时间段内的多个炉温参数和每个炉温参数对应的反应物参数，目标时间段晚于历史时间段；训练子模块，用于使用更新工业数据对目标汽化炉炉温预测模型进行训练，得到更新汽化炉炉温预测模型。
作为一种可选的实施例，反应物参数至少包括：按照预设时间间隔采集的煤浆参数和氧量参数，获取模块包括：匹配子模块，用于将第一时刻采集的氧量参数与第二时刻采集的煤浆参数进行匹配，得到目标时刻的炉温参数对应的反应物参数，其中，第一时刻早于第二时刻，目标时刻为第二时刻。
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行汽化炉炉温预测模型的训练方法中以下步骤的程序代码：获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系。
可选地，图7是根据本发明实施例的一种计算机终端的结构框图。如图7所示，该计算机终端70可以包括：一个或多个(图中仅示出一个)处理器72、和存储器74。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的汽化炉炉温预测模型的训练方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的汽化炉炉温预测模型的训练方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端70。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系。
可选的，上述处理器还可以执行如下步骤的程序代码：从工业大数据离线历史数据库中读取历史工业数据；按照预设比例将历史工业数据划分为训练集、校验集和测试集，其中，训练集用于训练目标汽化炉炉温预测模型，训练集用于调整目标汽化炉炉温预测模型的模型参数，测试集用于评价目标汽化炉炉温预测模型。
可选的，预设汽化炉炉温预测模型为多个，上述处理器还可以执行如下步骤的程序代码：确定每个预设汽化炉炉温预测模型的预设总损失；确定预设总损失最小的预设汽化炉炉温预测模型为目标汽化炉炉温预测模型。
可选的，上述处理器还可以执行如下步骤的程序代码：将训练数据中的特征参数输入预设汽化炉炉温预测模型，确定预设汽化炉炉温预测模型输出的预测炉温参数，并将训练数据中的炉温参数确定为实际炉温参数；将实际炉温参数和预测炉温参数输入预设边界损失函数，确定预设汽化炉炉温预测模型的边界损失，其中，边界损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的边界约束；将实际炉温参数和预测炉温参数输入预设残差损失函数，确定预设汽化炉炉温预测模型的残差损失，其中，残差损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的物理约束；将每个预设汽化炉炉温预测模型的边界损失和物理约束损失之和，确定为预设总损失。
可选的，上述处理器还可以执行如下步骤的程序代码：确定预测炉温参数的一阶微分与实际炉温参数的一阶微分之差，得到第一差值；确定第一差值的二范数的平方为边界损失。
可选的，上述处理器还可以执行如下步骤的程序代码：确定预测炉温参数与实际炉温参数之差，得到第二差值；确定第二差值的二范数的平方为残差损失。
可选的，上述处理器还可以执行如下步骤的程序代码：在结合特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型之后，按照预设时间间隔获取更新工业数据，其中，更新工业数据至少包括：目标时间段内的多个炉温参数和每个炉温参数对应的反应物参数，目标时间段晚于历史时间段；使用更新工业数据对目标汽化炉炉温预测模型进行训练，得到更新汽化炉炉温预测模型。
可选的，反应物参数至少包括：按照预设时间间隔采集的煤浆参数和氧量参数，上述处理器还可以执行如下步骤的程序代码：将第一时刻采集的氧量参数与第二时刻采集的煤浆参数进行匹配，得到目标时刻的炉温参数对应的反应物参数，其中，第一时刻早于第二时刻，目标时刻为第二时刻。
可选的，特征转换网采用多层长短时卷积记忆ConvLSTM模块实现；预设汽化炉炉温预测模型采用傅里叶神经算子FNO实现。
采用本发明实施例，提供了一种汽化炉炉温预测模型的训练方案。通过获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系，从而根据水煤浆气化炉的反应物参数利用目标汽化炉炉温预测模型进行分析，即可确定水煤浆气化炉内的炉温，从而无需使用传感器之类的探测设备实时探测汽化炉炉温，避免水煤浆气化炉内的高温对探测设备造成损坏，进而避免因探测设备损坏造成无法准确确定汽化炉炉温的情况发生，实现了准确预估汽化炉炉温的技术效果，进而解决了现有技术无法的预估汽化炉炉温技术问题。
本领域普通技术人员可以理解，图7所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，计算机终端70还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，非易失性存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的汽化炉炉温预测模型的训练方法所执行的程序代码。
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取水煤浆气化炉的历史工业数据，其中，历史工业数据至少包括：历史时间段内的多个炉温参数和每个炉温参数对应的反应物参数；利用预设汽化炉炉温预测模型中的特征转换网对反应物参数进行特征提取，确定反应物参数对应的特征参数，并将与反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，特征参数表示反应物参数中对炉温参数产生影响的特征；将多组训练数据输入预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，目标偏微分求解网用于通过偏微分方程表示炉温参数和特征参数之间映射关系；依据特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，目标汽化炉炉温预测模型用于表示炉温参数和反应物参数之间映射关系。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：从工业大数据离线历史数据库中读取历史工业数据；按照预设比例将历史工业数据划分为训练集、校验集和测试集，其中，训练集用于训练目标汽化炉炉温预测模型，训练集用于调整目标汽化炉炉温预测模型的模型参数，测试集用于评价目标汽化炉炉温预测模型。
可选地，在本实施例中，预设汽化炉炉温预测模型为多个，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：确定每个预设汽化炉炉温预测模型的预设总损失；确定预设总损失最小的预设汽化炉炉温预测模型为目标汽化炉炉温预测模型。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：将训练数据中的特征参数输入预设汽化炉炉温预测模型，确定预设汽化炉炉温预测模型输出的预测炉温参数，并将训练数据中的炉温参数确定为实际炉温参数；将实际炉温参数和预测炉温参数输入预设边界损失函数，确定预设汽化炉炉温预测模型的边界损失，其中，边界损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的边界约束；将实际炉温参数和预测炉温参数输入预设残差损失函数，确定预设汽化炉炉温预测模型的残差损失，其中，残差损失函数用于根据实际炉温参数和预测炉温参数评估预设汽化炉炉温预测模型的物理约束；将每个预设汽化炉炉温预测模型的边界损失和物理约束损失之和，确定为预设总损失。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：确定预测炉温参数的一阶微分与实际炉温参数的一阶微分之差，得到第一差值；确定第一差值的二范数的平方为边界损失。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：确定预测炉温参数与实际炉温参数之差，得到第二差值；确定第二差值的二范数的平方为残差损失。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：在结合特征转换网和目标偏微分求解网，确定目标汽化炉炉温预测模型之后，按照预设时间间隔获取更新工业数据，其中，更新工业数据至少包括：目标时间段内的多个炉温参数和每个炉温参数对应的反应物参数，目标时间段晚于历史时间段；使用更新工业数据对目标汽化炉炉温预测模型进行训练，得到更新汽化炉炉温预测模型。
可选地，在本实施例中，反应物参数至少包括：按照预设时间间隔采集的煤浆参数和氧量参数，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：将第一时刻采集的氧量参数与第二时刻采集的煤浆参数进行匹配，得到目标时刻的炉温参数对应的反应物参数，其中，第一时刻早于第二时刻，目标时刻为第二时刻。
可选地，在本实施例中，特征转换网采用多层长短时卷积记忆ConvLSTM模块实现；预设汽化炉炉温预测模型采用傅里叶神经算子FNO实现。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个非易失性存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的非易失性存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种汽化炉炉温预测模型的训练方法，其特征在于，包括：
获取水煤浆气化炉的历史工业数据，其中，所述历史工业数据至少包括：历史时间段内的多个炉温参数和每个所述炉温参数对应的反应物参数；
利用预设汽化炉炉温预测模型中的特征转换网对所述反应物参数进行特征提取，确定所述反应物参数对应的特征参数，并将与所述反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，所述特征参数表示所述反应物参数中对所述炉温参数产生影响的特征；
将多组所述训练数据输入所述预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，所述目标偏微分求解网用于通过偏微分方程表示所述炉温参数和所述特征参数之间映射关系；
依据所述特征转换网和所述目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，所述目标汽化炉炉温预测模型用于表示所述炉温参数和所述反应物参数之间映射关系。
2.根据权利要求1所述的方法，其特征在于，获取水煤浆气化炉的历史工业数据包括：
从工业大数据离线历史数据库中读取所述历史工业数据；
按照预设比例将所述历史工业数据划分为训练集、校验集和测试集，其中，所述训练集用于训练所述目标汽化炉炉温预测模型，所述训练集用于调整目标汽化炉炉温预测模型的模型参数，所述测试集用于评价所述目标汽化炉炉温预测模型。
3.根据权利要求1所述的方法，其特征在于，所述预设汽化炉炉温预测模型为多个，依据所述特征转换网和所述目标偏微分求解网，确定用于表示所述炉温参数和所述反应物参数之间映射关系的目标汽化炉炉温预测模型包括：
确定每个所述预设汽化炉炉温预测模型的预设总损失；
确定所述预设总损失最小的预设汽化炉炉温预测模型为所述目标汽化炉炉温预测模型。
4.根据权利要求3所述的方法，其特征在于，确定每个所述预设汽化炉炉温预测模型的预设总损失包括：
将所述训练数据中的特征参数输入所述预设汽化炉炉温预测模型，确定所述预设汽化炉炉温预测模型输出的预测炉温参数，并将所述训练数据中的炉温参数确定为实际炉温参数；
将所述实际炉温参数和所述预测炉温参数输入预设边界损失函数，确定所述预设汽化炉炉温预测模型的边界损失，其中，所述边界损失函数用于根据所述实际炉温参数和所述预测炉温参数评估所述预设汽化炉炉温预测模型的边界约束；
将所述实际炉温参数和所述预测炉温参数输入预设残差损失函数，确定所述预设汽化炉炉温预测模型的残差损失，其中，所述残差损失函数用于根据所述实际炉温参数和所述预测炉温参数评估所述预设汽化炉炉温预测模型的物理约束；
将每个所述预设汽化炉炉温预测模型的所述边界损失和所述物理约束损失之和，确定为所述预设总损失。
5.根据权利要求4所述的方法，其特征在于，将所述实际炉温参数和所述预测炉温参数输入预设边界损失函数，确定所述预设汽化炉炉温预测模型的边界损失包括：
确定所述预测炉温参数的一阶微分与所述实际炉温参数的一阶微分之差，得到第一差值；
确定所述第一差值的二范数的平方为所述边界损失。
6.根据权利要求4所述的方法，其特征在于，将所述实际炉温参数和所述预测炉温参数输入预设残差损失函数确定所述预设汽化炉炉温预测模型的残差损失包括：
确定所述预测炉温参数与所述实际炉温参数之差，得到第二差值；
确定所述第二差值的二范数的平方为所述残差损失。
7.根据权利要求1所述的方法，其特征在于，在结合所述特征转换网和所述目标偏微分求解网，确定目标汽化炉炉温预测模型之后，所述方法还包括：
按照预设时间间隔获取更新工业数据，其中，所述更新工业数据至少包括：目标时间段内的多个炉温参数和每个所述炉温参数对应的反应物参数，所述目标时间段晚于所述历史时间段；
使用所述更新工业数据对所述目标汽化炉炉温预测模型进行训练，得到更新汽化炉炉温预测模型。
8.一种汽化炉炉温预测模型的训练装置，其特征在于，包括：
获取模块，用于获取水煤浆气化炉的历史工业数据，其中，所述历史工业数据至少包括：历史时间段内的多个炉温参数和每个所述炉温参数对应的反应物参数；
提取模块，用于利用预设汽化炉炉温预测模型中的特征转换网对所述反应物参数进行特征提取，确定所述反应物参数对应的特征参数，并将与所述反应物参数对应的炉温参数和特征参数作为一组训练数据，其中，所述特征参数表示所述反应物参数中对所述炉温参数产生影响的特征；
训练模块，用于将多组所述训练数据输入所述预设汽化炉炉温预测模型中的预设偏微分求解网，训练目标偏微分求解网，其中，所述目标偏微分求解网用于通过偏微分方程表示所述炉温参数和所述特征参数之间映射关系；
确定模块，用于依据所述特征转换网和所述目标偏微分求解网，确定目标汽化炉炉温预测模型，其中，所述目标汽化炉炉温预测模型用于表示所述炉温参数和所述反应物参数之间映射关系。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质用于存储程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述汽化炉炉温预测模型的训练方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述处理器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述汽化炉炉温预测模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310779825.7A CN116663426A (zh) | 2023-06-28 | 2023-06-28 | 汽化炉炉温预测模型的训练方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310779825.7A CN116663426A (zh) | 2023-06-28 | 2023-06-28 | 汽化炉炉温预测模型的训练方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116663426A true CN116663426A (zh) | 2023-08-29 |
Family
ID=87717169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310779825.7A Pending CN116663426A (zh) | 2023-06-28 | 2023-06-28 | 汽化炉炉温预测模型的训练方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663426A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272847A (zh) * | 2023-11-22 | 2023-12-22 | 中控技术股份有限公司 | 加热棒温度数据的预测方法及装置 |
-
2023
- 2023-06-28 CN CN202310779825.7A patent/CN116663426A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272847A (zh) * | 2023-11-22 | 2023-12-22 | 中控技术股份有限公司 | 加热棒温度数据的预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| Stief et al. | A heterogeneous benchmark dataset for data analytics: Multiphase flow facility case study | |
| Saxén et al. | Nonlinear prediction of the hot metal silicon content in the blast furnace | |
| Shoeibi Omrani et al. | Improving the accuracy of virtual flow metering and back-allocation through machine learning | |
| Liu et al. | Unevenly sampled dynamic data modeling and monitoring with an industrial application | |
| US20230053175A1 (en) | Process network with several plants | |
| Yao et al. | Semi-supervised deep dynamic probabilistic latent variable model for multimode process soft sensor application | |
| CN116663426A (zh) | 汽化炉炉温预测模型的训练方法、装置及电子设备 | |
| Kumar et al. | Data-driven process monitoring and fault analysis of reformer units in hydrogen plants: Industrial application and perspectives | |
| Xiong et al. | Adaptive deep learning-based remaining useful life prediction framework for systems with multiple failure patterns | |
| Zhou et al. | Aero-engine prognosis strategy based on multi-scale feature fusion and multi-task parallel learning | |
| Zhong et al. | Distributed operating performance assessment of the plant-wide process based on data-driven hybrid characteristics decomposition | |
| CN115099464A (zh) | 一种基于油嘴模型流量系数预测的油井产量预测方法 | |
| Dashti et al. | Molecular descriptors-based models for estimating net heat of combustion of chemical compounds | |
| Wang et al. | Reducing NPT Using a Novel Approach to Real-Time Drilling Data Analysis | |
| Rahman et al. | A framework for learning system for complex industrial processes | |
| Chenyu et al. | Coupling of adjoint-based Markov/CCMT predictive analytics with data assimilation for real-time risk scenario forecasting of industrial digital process control systems | |
| Jiang et al. | A multiscale recurrent neural network model for predicting energy production from geothermal reservoirs | |
| Song et al. | Improved CEEMDAN-based aero-engine gas-path parameter forecasting using SCINet | |
| Ji et al. | Prediction of syngas compositions in shell coal gasification process via dynamic soft-sensing method | |
| Ying et al. | A dynamic latent structure with time-varying parameters for virtual sensing of industrial process with irregular missing data | |
| Yang et al. | Concurrent monitoring of global-local performance indicators for large-scale process | |
| CN113849479A (zh) | 基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法 | |
| JP2022138264A (ja) | 解析装置、解析方法およびプログラム | |
| Bizon | A journey from mechanistic to data-driven models in process engineering: dimensionality reduction, surrogate and hybrid approaches, and digital twins |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province (High tech Zone) Applicant after: Zhongkong Technology Co.,Ltd. Address before: No. six, No. 309, Binjiang District Road, Hangzhou, Zhejiang Applicant before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd. Country or region before: China |