CN116704729A - 一种基于大数据分析的工业窑炉预警系统及方法 - Google Patents
一种基于大数据分析的工业窑炉预警系统及方法 Download PDFInfo
- Publication number
- CN116704729A CN116704729A CN202310481896.9A CN202310481896A CN116704729A CN 116704729 A CN116704729 A CN 116704729A CN 202310481896 A CN202310481896 A CN 202310481896A CN 116704729 A CN116704729 A CN 116704729A
- Authority
- CN
- China
- Prior art keywords
- unit
- data
- early warning
- big data
- data analysis
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 75
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 230000003993 interaction Effects 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000011217 control strategy Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 77
- 230000008569 process Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 238000001035 drying Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims description 2
- 238000005245 sintering Methods 0.000 abstract description 8
- 238000010924 continuous production Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000003575 carbonaceous material Substances 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据分析的工业窑炉预警系统及方法，系统包括传感器单元、数据采集单元、中央处理单元、人机交互单元、大数据分析单元、数控输出单元、执行机构单元组成，其中大数据分析单元又包含数据降维单元、分类学习单元以及业务应用单元三个子单元。本发明能够实现对起火和烧结异常事件的提前预警，通讯至主控系统中进行控制策略的调整，提升工业窑炉整体的智能化水平，为生产的连续进行提供了强有力的保障。
Description
技术领域
本发明涉及工业控制技术领域，具体而言，尤其涉及一种基于大数据分析的工业窑炉预警系统及方法。
背景技术
目前，我国工业窑炉产业结构不断优化，窑炉生产工艺落后以及环保、能耗不达标的产能不断退出，特别是近几年，多种行业对先进装备愈加重视，一批产能置换、环保搬迁、产业转移等项目，普遍配套单体产能高、工艺装备先进的烘干窑、回转窑、套筒窑、预热炉等工业窑炉设备，其中立式炭材烘干窑因其烘干后的破损率低、节能环保优势明显致其市场占比极高，是工业窑炉中典型的代表。
立式炭材烘干窑采用预热、热风和降温三个不同的烘干区域对物料进行烘干，能有效的防止发生原料爆裂现象和防止二次破损。在立式烘干窑内部的烘干过程隐蔽难以测度，存在着较大的模糊性、随机性和不确定性，如果操作不当，经常会出现起火和烧结事故，这两种异常事件是烘干窑生产过程中最为经常发生的事故，严重的影响了烘干窑的正常生产。在工业窑炉生产过程中，事故一旦出现，轻者耗费大量人力、财力和时间；重者会损坏工业窑炉本体的耐材和结构，经济损失十分严重。
大型工业窑炉设备价格昂贵，维修工程量大，停机停产后连同上下游关联的工艺设备产品经济损失巨大。目前对立式烘干窑在生产过程中经常出现的起火和烧结这两种异常事件难以预知，一般都是在事故发生以后再进行相应的处理，生产的顺利进行难以保证，只能依靠人为的生产经验尽量避免，但这两种异常事件仍旧时有发生，根本无法避免，同时不同的工艺人员对立式烘干窑的工艺过程的理解和操作手法不尽相同，更增大了这两种异常事件发生的可能性。
伴随着科学技术的演进，设备维护手段也逐步的发展，从被动性维护逐渐发展到智能化预测性维护，降低非计划停机带来的生产损失和设备的维护成本。原有人工式的维修依赖于经验，而且无法应对日益复杂的工况要求，因此，急需开发一种基于大数据分析的工业窑炉预警系统，借助大数据分析技术和机理分析结合的故障预测能够在设备出现故障之前感知异常信息，降低非计划停机造成的损失。
发明内容
根据上述提出的对现有立式烘干窑在生产过程中经常出现的起火和烧结这两种异常事件难以预知的技术问题，而提供一种基于大数据分析的工业窑炉预警系统及方法，实现对起火和烧结异常事件的提前预警，通讯至主控系统中进行控制策略的调整，提升工业窑炉整体的智能化水平，为生产的连续进行提供了强有力的保障。
本发明采用的技术手段如下：
本发明提供了一种基于大数据分析的工业窑炉预警系统，包括：
传感器单元，所述传感器单元用于采集工业窑炉工作过程中的生产数据；
数据采集单元，所述数据采集单元一方面由所述传感器单元采集生产数据，并对所述生产数据参量进行数据，另一方面将处理后的生产数据发送至中央处理单元；
中央处理单元，所述中央处理单元一方面与人机交互单元进行数据交互，包括将生产数据发送至人机交互单元，以及接受人机交互单元发送的控制指令，一方面将接收的生产数据保存至生产数据库中，一方面与大数据分析单元进行数据交互，包括向大数据分析单元发送生产数据库中保存的历史生产数据，向大数据分析单元发送当前生产数据，以及接收大数据分析单元反馈的预警结果；
人机交互单元，所述人机交互单元一方面接收中央处理单元发送的生产数据，另一方面发送控制指令至中央处理单元；
大数据分析单元，所述大数据分析单元一方面接收中央处理单元发送的历史生产数据用于预警模型训练，一方面根据训练后的预警模型对中央处理单元发送的当前生成数据进行预警判断，另一方面发送预警判断结果至中央处理单元。
本发明还提供了一种基于大数据分析的工业窑炉预警系统方法，应用于上述基于大数据分析的工业窑炉预警系统，包括以下步骤：
S1、由工业窑炉生产现场的传感器单元，对生产过程中各种物理数据参量进行感知检测，并将感知到的信息按照一定规律变换成电信号，经数据电缆或者通讯电缆传送至数据采集单元中，所述传感器单元包括温度传感器、压力传感器、雷达料位仪以及限位开关；
S2、数据采集单元按照一定的扫描周期对传感器单元的输出信号进行采集，随后将采集到的数据传送至中央处理单元中；
S3、中央处理单元将从数据采集单元收集到的信号进行逻辑控制处理后，同时将数据传送到人机交互单元和大数据分析单元；
S4、大数据分析单元进行大数据分析，包括：
首先数据降维单元进行原始数据的降维，采用无监督大数据分析方法中的PCA主成分分析方法，实现原始数据的降维和去除数据噪声，
随后，将降维后的数据传送到分类学习单元中，进行工业窑炉模型的训练与测试，采用有监督大数据分析方法中的SVM支持向量机，对异常事件进行分析判断，
将分类学习单元中输出的异常判断数据传送到业务应用单元，业务应用单元实现状态监测、故障诊断功能，并与中央处理单元的数据实时交互无缝对接；
S5、人机交互单元实时显示中央处理单元中的信息，并接收工艺操作人员的控制指令反向传送至中央处理单元中；
S6、当收到异常事件的预警信息时，中央处理单元自动切换工业窑炉的生产工艺控制策略，或者接受来自于人机交互单元工艺操作人员的调整策略指令。
较现有技术相比，本发明具有以下优点：
本发明将大数据分析智能化技术应用于工业生产实践，开发了工业窑炉异常事件预警系统，将数据做为战略资源，借助大数据机理分析的支持，完成对设备关联数据集中管理，通过数据进行表现与加工，再运用算法模型，加工分析，挖掘工业的核心价值，以生产目标为导向，调节生产过程参数，反向控制生产流程，最终达到预设的生产指标，实现对起火和烧结异常事件的提前预警，通讯至主控系统中进行控制策略的调整，提升工业窑炉整体的智能化水平，为生产的连续进行提供了强有力的保障。
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，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为实施例中一种基于大数据分析的工业窑炉预警系统架构图。
图2为实施例中大数据分析单元进行数据降维的工作流程。
图3为实施例中大数据分析单元进行SVM学习的工作流程。
图中，101、传感器单元；102、数据采集单元；103、中央处理单元；104、人机交互单元；105、大数据分析单元；105-1、数据降维单元；105-2、分类学习单元；105-3、业务应用单元；106、数控输出单元；107、执行机构单元。
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。
如图1所示，本实施例是以立式烘干窑为例开发的工业窑炉预警系统，是基于处在科技前沿并日趋成熟的大数据分析技术，主要是针对立式炭材烘干窑在生产过程中经常出现的起火和烧结等异常事件进行的预测与预警，其基本原理：工业窑炉在生产过程中发生的各类事故一般都伴随着多个参数的变化，找出各类事故的主要变化参数以及与该参数相关性较高的其他参数组合，可以建立其他参数组合作为输入参数、主要变化参数作为输出参数的输入输出模型。
具体来说，预警系统由传感器单元101、数据采集单元102、中央处理单元103、人机交互单元104、大数据分析单元105、数控输出单元106、执行机构单元107组成，其中大数据分析单元105又包含数据降维单元105-1、分类学习单元105-2、业务应用单元105-3三个子单元。
传感器单元101：对生产过程中各种物理数据参量进行感知检测，并将感知到的信息按照一定规律变换成电信号进行输出，该输出信号可被数据采集单元102所利用。
数据采集单元102：按照一定的扫描周期对传感器单元101输出的电信号进行采集，使用防抖、滤波、钝化等方法对采集到的信号进行数据处理，提高数据的可利用性，随后将采集到的数据输出至中央处理单元103。
中央处理单元103：将从数据采集单元102收集到的信号进行逻辑控制处理，随后将处理后的实时信息传送至人机交互单元104供工艺操作人员查看，并接收人机交互单元104发过来的控制指令进入中央处理单元103的逻辑控制，完成与人机交互单元104的双向数据沟通，做到真正的人机友好互动；中央处理单元103发送大量数据至大数据分析单元105进行大数据处理、数据降维、分类学习、业务应用，随后大数据分析单元105将学习成果信息返送至中央处理单元103；中央处理单元103将收到的预测信息进行处理并调整生产工艺控制策略，通过数控输出单元106将控制信号传送至执行机构单元107，完成最终的现场设备真实动作，之后生产现场过程数据参量随之变化，又被传感器单元101所感知，周而复始，最终确保整个生产系统可靠正常最优运行。
人机交互单元104：实现与工艺操作人员的友好沟通，将从中央处理单元103接收到的信息进行实时显示，并将工艺操作人员的控制指令发送至中央处理单元103。
大数据分析单元105：本单元包含数据降维单元105-1、分类学习单元105-2、业务应用单元105-3三个子单元；在中央处理单元103中获取大量数据，随之先后进行本此设计的预警系统的大数据处理、数据降维、分类学习、业务应用功能，在单个大数据分析任务完成以后，将预测成果信息反向传送回中央处理单元103。
数控输出单元106：实时接收中央处理单元103发出的控制指令，并将信息转换成各种物理信号传送至执行机构单元107。
执行机构单元107：接收数控输出单元106发来的各种物理信号，完成工业窑炉生产过程中的各种设备动作。
作为本发明较佳的实施方式，大数据分析单元105是对工业窑炉进行大数据分析的核心软件部件，一般设置在工业窑炉生产管理的边缘服务器Edge-PC中，该服务器可部署为本地服务器，网络配置于中央处理控制器硬件的上一层级终端总线中，与生产过程控制工厂网络相互独立。大数据分析单元105用于大数据降维、特征计算及提取，分类学习，预警模型的生成及优化、存储，结果信息数据与同处在终端总线上的中央处理单元103、人机交互单元104进行实时交互，达到智能预警的目的。在边缘服务器Edge-PC中进行数据边缘计算，是由硬件和软件组成的开放系统，可以灵活地执行基于高级语言的封装应用程序；直观的集成工厂功能，用于针对自动化采集、处理和交换数据，在工厂的基础上实现数据的智能使用。边缘服务器Edge-PC基于开放式的工业以太网通讯，兼容多种以太网通讯协议，支持TCP、UDP、ISO-On-TCP、I-Device、S7-Routing通信协议，同时支持SNMP、Web、FTP、NTP等IT通信服务，可方便的将本预警系统的数据处理和算法单元等功能直接移植对接到类似的其他工业智能化控制系统中。
以立式烘干窑为例开发工业窑炉预警系统，大数据分析单元105在中央处理单元103内读取的立式炭材烘干窑生产过程中的数据：原料水分、烘干口温度、窑内料面高度、窑内通道温度、窑出口温度、窑出口压力、窑下出料速度、窑下出料温度等参数，通过拆分训练集和验证集，按照算法原理中的步骤建立起火和烧结预警模型，然后使用模型进行预测。
工业窑炉事故的可预测性，即生产过程事故发生前的一段时间往往存在某些异常情况，大数据分析算法的目标是发现这些异常情况。我们对数据进行大数据分析采用部署本地服务器方式，在本地部署大数据处理边缘服务器，计算能力和速度上较普通PC机有明显优势，用于支撑算法的研究、建模和开发，控制算法更容易实现。因此，本发明以工业窑炉在生产过程中采集到的并积累下来的海量多维数据为基础，从现有的系统中获取各测点历史数据以及事故记录数据，把数据通讯传送到大数据服务器，在服务器内建立智能分析引擎，利用大数据服务器的弹性数据存储、计算处理能力、人工智能技术对大数据进行大数据分析与深度挖掘，进行数据探索、特征建模。借助设备故障智能预测引擎，通过对工业窑炉生产的海量历史数据测点进行分析和建模，针对性的建立工业窑炉生产中的多种异常事件的预测算法，并使用历史数据对算法进行反向验证，以验证异常事故预测算法，对异常事故进行预警分析。
工业窑炉在健康运行状态下，输入、输出的状态信息存在一定映射关系。当关系发生偏离，各个参数之间的期望映射关系被破坏，生产过程可能处于异常状态。本次设计的大数据分析算法研究中将结合样本集的数据特点，采用无监督学习和有监督学习结合的方式，通过大数据仿真，找出与正常状态下有偏离的异常模式，同时，找出异常的数据特征。
首先对无监督学习过程进行说明。生成数据在数据降维单元105-1进行数据降维，采用主成分分析方法。主成分分析PCA是典型的抽取特征的数据降维方法，对高维数据通过向低维空间投影进行坐标的线性变换的方式，对数据实现降维处理，保留了高维数据最重要的一部分特征同时去除了数据集中不重要的特征，更重要的是经过降维去除噪声，发现数据中的模式，如图2所示，具体数据降维步骤如下：
201、首先获取工业窑炉原始数据，组成原始矩阵。
202、对原始数据进行特征维度数据零均值化处理，即将每个特征维度的数据减去该特征的均值。
203、求取采样特征的协方差矩阵。
204、再计算协方差矩阵的特征值及其对应的单位特征向量。
205、将特征向量按特征值从大到小排序。
206、选取对整体特征贡献率较大的前k个特征值所对应的特征向量。
207、将这k个特征向量作为行向量组成降维矩阵，如此则舍弃掉了不重要的特征，保留主成分贡献率较高的新特征。
208、再后将降维矩阵左乘原始矩阵降维完毕。如此则针对研究对象进行了主要信息的描述同时也大大降低了后续数据处理的运算量，完成原始数据降维并去除了噪声。
有监督学习过程如下：数据特征提取并降维以后，在分类学习单元105-2进行数据分类学习，我们采用有监督学习的方式进行工业窑炉模型的训练与验证。SVM支持向量机是当前最优秀的有监督机器学习模型，主要用于分类问题的处理。SVM支持向量机可以使用比降维后的数据维度低1维的分离超平面进行正负样本的分割，该分离超平面的选择在特征空间内尽可能远离所有样本数据点，实现二分类。基于对训练样本数据正确的分类模型，可实现对未知数据进行正确的分类预测。选取合适的时间长度对工业窑炉异常事件的数据特征进行拆分，剔除排除故障时间段的数据，将事故发生时刻的前一段时间样本标记为异常样本，其他时刻的数据标为正常样本。
数据拆分之后，针对两种事故可以分别建立二分类模型，建立二分类模型使用的是SVM分类算法。具体SVM学习步骤如图3所示，包括：
301、首先获取降维后的工业窑炉特征数据。
302、将数据做随机过采样处理使正负样本均衡。因异常事件对应的特征数据相比正常生产特征数据较少，使用随机过采样方法，对异常事件数据样本进行重复随机采样组成新的异常事件数据样本，数量与正常生产数据样本相等。
303、使用交叉验证法将样本进行数据分组。在此步骤中使用K折交叉验证法，将数据集分为5个部分，每次选取其中1份作为验证集用来验证模型的性能，其他4份作为训练集用来训练模型用来训练模型，以此类推迭代地将5份子集都用来验证模型的性能，同时其他4份分别用来训练模型用来训练模型。
304、训练样本组成训练数据集。
305、验证样本组成验证数据集。
306、使用训练数据集训练SVM分类模型。SVM的中文名字叫做支持向量机，是求解凸二次规划的最优算法，对于给定的线性可分数据集，通过间隔最大化或者等价地求解相应的凸二次规划问题学习得到的分离超平面。当输入数据线性不可分时，可以通过核函数将数据映射到更高维的空间中，使其变成线性可分的。其基本思想是假设存在一个超平面，计算每个样本点到平面的距离，求解距离平面最小的点中，最大的那个，据此得到目标函数，利用拉格朗日乘子法，对拉格朗日算子求导，然后令其为0，利用对偶性，求解问题，得到目标超平面。
307、利用验证数据集对SVM分类模型进行参数调优。选用SVM学习器系统推荐的多组候选的超参数，通过循环遍历尝试每一种超参数组合，将每一种超参数组合代入学习函数中作为新的模型并比较这些模型的性能，性能表现好的超参数就确定为最终的结果，与此同时模型参数也得到最终确认。
308、完成特征分类模型建立。
SVM分类算法在数据量大的情况下仍可保持较好的训练效果，最终将实时生产过程中待检验数据代入训练好的模型去检测当前工业窑炉的运行异常状态，预测是否即将出现异常事故，随后反馈至基础自动化控制系统及时调整工业窑炉的生产策略，避免生产过程中的异常事件的发生。
本发明实施例的另一方面，还提供了一种基于大数据分析的工业窑炉异常事件预警方法，其具体的完整步骤如下：
S1、由工业窑炉生产现场的温度传感器、压力传感器、雷达料位仪、限位开关等组成的传感器单元101，对生产过程中各种物理数据参量进行感知检测，并将感知到的信息按照一定规律变换成电信号，经数据电缆或者通讯电缆传送至数据采集单元102中；
S2、数据采集单元102按照一定的扫描周期对传感器单元101的输出信号进行采集，随后将采集到的数据传送至中央处理单元103中；
S3、中央处理单元103将从数据采集单元102收集到的信号进行逻辑控制处理后，同时将数据传送到人机交互单元104和大数据分析单元105，人机交互单元104执行步骤5，大数据分析单元105按照图2所示预警方法原理进行工业窑炉生产过程的大数据分析；
S4、大数据分析单元105在大数据分析的过程中，首先数据降维单元105-1按照图2所示数据降维步骤进行原始数据的降维，采用无监督大数据分析方法中的PCA主成分分析方法，实现原始数据的降维和去除数据噪声。
随后，将降维后的数据传送到分类学习单元105-2中，按照图3所示步骤进行工业窑炉模型的训练与测试，采用有监督大数据分析方法中的SVM支持向量机，对异常事件进行分析判断。
之后，将分类学习单元105-2中输出的异常判断数据传送到业务应用单元105-3，业务应用单元105-3实现状态监测、故障诊断等功能，并与中央处理单元103的数据实时交互无缝对接。
S5、人机交互单元104实时显示中央处理单元103中的重要信息，并接收工艺操作人员的控制指令反向传送至中央处理单元103中。
S6、当收到异常事件的预警信息时，中央处理单元103自动切换工业窑炉的生产工艺控制策略，或者接受来自于人机交互单元104工艺操作人员的调整策略指令。
S7、中央处理单元103输出控制指令及数据至数控输出单元106中。
S8、通过数控输出单元106将控制信号传送至由电磁阀、电动机等组成的执行机构单元107中，完成工业窑炉现场设备的真实动作。
S9、最后，生产现场过程数据参量随之变化，又被传感器单元101所感知，不断循环此过程，始终确保整个生产系统可靠稳定最优运行。
本发明可以实现工业窑炉生产过程中的异常事件的智能预警，避免或减轻事故造成的经济损失，保障系统的低成本、长期稳定运行。本发明设计开发的基于大数据分析的工业窑炉预警系统，其中关键技术可部分应用扩展至回转烘干窑、套筒预热窑等控制系统，该部分技术也在本方案保护范围内，均受此技术方案的约束。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于大数据分析的工业窑炉预警系统，其特征在于，包括：
传感器单元(101)，所述传感器单元(101)用于采集工业窑炉工作过程中的生产数据；
数据采集单元(102)，所述数据采集单元(102)一方面由所述传感器单元(101)采集生产数据，并对所述生产数据参量进行数据，另一方面将处理后的生产数据发送至中央处理单元(103)；
中央处理单元(103)，所述中央处理单元(103)一方面与人机交互单元(104)进行数据交互，包括将生产数据发送至人机交互单元(104)，以及接受人机交互单元发送的控制指令，一方面将接收的生产数据保存至生产数据库中，一方面与大数据分析单元(105)进行数据交互，包括向大数据分析单元(105)发送生产数据库中保存的历史生产数据，向大数据分析单元(105)发送当前生产数据，以及接收大数据分析单元(105)反馈的预警结果；
人机交互单元(104)，所述人机交互单元(104)一方面接收中央处理单元(103)发送的生产数据，另一方面发送控制指令至中央处理单元(103)；
大数据分析单元(105)，所述大数据分析单元(105)一方面接收中央处理单元(103)发送的历史生产数据用于预警模型训练，一方面根据训练后的预警模型对中央处理单元(103)发送的当前生成数据进行预警判断，另一方面发送预警判断结果至中央处理单元(103)。
2.根据权利要求1所述的一种基于大数据分析的工业窑炉预警系统，其特征在于，系统还包括：
数控输出单元(106)，所述数控输出单元(106)一方面实时接收中央处理单元(103)发出的控制指令，另一方面并将控制指令转换成物理信号传送至执行机构单元(107)；
执行机构单元(107)，所述执行机构单元(107)一方面接收数控输出单元(106)发送的物理信号，另一方面控制工业窑炉设备进行动作。
3.根据权利要求1所述的一种基于大数据分析的工业窑炉预警系统，其特征在于，大数据分析单元(105)包括：
数据降维单元(105-1)，所述数据降维单元(105-1)用于对接收的生产数据进行降维处理和特征提取处理；
分类学习单元(105-2)，所述分类学习单元(105-2)用于根据特征提取结果进行预警模型的训练和优化；
业务应用单元(105-3)，所述业务应用单元(105-3)用于基于训练好的预警模型进行实时预警分析，生成预警信息。
4.根据权利要求1所述的一种基于大数据分析的工业窑炉预警系统，其特征在于，所述生产数据包括原料水分、烘干口温度、窑内料面高度、窑内通道温度、窑出口温度、窑出口压力、窑下出料速度以及窑下出料温度。
5.根据权利要求3所述的一种基于大数据分析的工业窑炉预警系统，其特征在于，所述数据降维单元(105-1)对接收的生产数据进行降维处理和特征提取处理，包括：
获取工业窑炉原始数据，构建原始数据矩阵；
对所述原始数据矩阵进行特征维度数据零均值化处理，将每个特征维度的数据减去该特征的均值，从而构建采样特征矩阵；
求取所述采样特征矩阵的协方差矩阵；
计算协方差矩阵的特征值及其对应的单位特征向量；
将特征向量按特征值从大到小排序；
选取对整体特征贡献率较大的前k个特征值所对应的特征向量；
将这k个特征向量作为行向量组成降维矩阵；
将降维矩阵左乘原始数据矩阵完成降维。
6.根据权利要求3所述的一种基于大数据分析的工业窑炉预警系统，其特征在于，所述预警模型为支持向量机，所述支持向量机的训练过程包括：
获取降维后的工业窑炉特征数据；
将数据做随机过采样处理使正负样本均衡；
使用K折交叉验证法将样本进行数据分组
将其中部分数据作为训练样本组成训练数据集，其余数据作为验证样本组成验证数据集；
使用训练数据集训练SVM分类模型；
通过验证数据集对训练后的分类模型进行参数调优。
7.一种基于大数据分析的工业窑炉预警系统方法，应用于权利要求1-6中任意一项所述的一种基于大数据分析的工业窑炉预警系统，其特征在于，包括以下步骤：
S1、由工业窑炉生产现场的传感器单元(101)，对生产过程中各种物理数据参量进行感知检测，并将感知到的信息按照一定规律变换成电信号，经数据电缆或者通讯电缆传送至数据采集单元(102)中，所述传感器单元(101)包括温度传感器、压力传感器、雷达料位仪以及限位开关；
S2、数据采集单元(102)按照一定的扫描周期对传感器单元(101)的输出信号进行采集，随后将采集到的数据传送至中央处理单元(103)中；
S3、中央处理单元(103)将从数据采集单元(102)收集到的信号进行逻辑控制处理后，同时将数据传送到人机交互单元(104)和大数据分析单元(105)；
S4、大数据分析单元(105)进行大数据分析，包括：
首先数据降维单元(105-1)进行原始数据的降维，采用无监督大数据分析方法中的PCA主成分分析方法，实现原始数据的降维和去除数据噪声，
随后，将降维后的数据传送到分类学习单元(105-2)中，进行工业窑炉模型的训练与测试，采用有监督大数据分析方法中的SVM支持向量机，对异常事件进行分析判断，
将分类学习单元(105-2)中输出的异常判断数据传送到业务应用单元(105-3)，业务应用单元(105-3)实现状态监测、故障诊断功能，并与中央处理单元(103)的数据实时交互无缝对接；
S5、人机交互单元(104)实时显示中央处理单元(103)中的信息，并接收工艺操作人员的控制指令反向传送至中央处理单元(103)中；
S6、当收到异常事件的预警信息时，中央处理单元(103)自动切换工业窑炉的生产工艺控制策略，或者接受来自于人机交互单元(104)工艺操作人员的调整策略指令。
8.根据权利要求7所述的一种基于大数据分析的工业窑炉预警系统方法，其特征在于，还包括：
S7、中央处理单元(103)输出控制指令及数据至数控输出单元(106)中；
S8、通过数控输出单元(106)将控制信号传送至由电磁阀、电动机组成的执行机构单元(107)中，完成工业窑炉现场设备的真实动作；
S9、最后，生产现场过程数据参量随之变化，又被传感器单元(101)所感知，不断循环此过程，始终确保整个生产系统可靠稳定最优运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310481896.9A CN116704729A (zh) | 2023-04-28 | 2023-04-28 | 一种基于大数据分析的工业窑炉预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310481896.9A CN116704729A (zh) | 2023-04-28 | 2023-04-28 | 一种基于大数据分析的工业窑炉预警系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116704729A true CN116704729A (zh) | 2023-09-05 |
Family
ID=87822905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310481896.9A Pending CN116704729A (zh) | 2023-04-28 | 2023-04-28 | 一种基于大数据分析的工业窑炉预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116704729A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078023A (zh) * | 2023-10-17 | 2023-11-17 | 苏州科尔珀恩机械科技有限公司 | 基于大数据分析的窑炉故障风险评估方法 |
-
2023
- 2023-04-28 CN CN202310481896.9A patent/CN116704729A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078023A (zh) * | 2023-10-17 | 2023-11-17 | 苏州科尔珀恩机械科技有限公司 | 基于大数据分析的窑炉故障风险评估方法 |
| CN117078023B (zh) * | 2023-10-17 | 2023-12-22 | 苏州科尔珀恩机械科技有限公司 | 基于大数据分析的窑炉故障风险评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898669B (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
| CN112926749A (zh) | 一种智能电网信息设备监控系统及方法 | |
| WO2018221948A1 (ko) | 빅데이터 분석을 통한 공정 관리 방법 | |
| CN107291830A (zh) | 一种设备知识库的创建方法 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN118213936A (zh) | 一种电压监视与电压保护系统及方法 | |
| CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
| CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
| CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
| CN117032120A (zh) | 集成一体式空压站智能云控制系统及控制方法 | |
| CN105978145B (zh) | 智能变电站二次系统信息融合系统 | |
| CN118094232B (zh) | 一种动态监测的生产能耗控制系统及方法 | |
| CN117390529A (zh) | 多因素溯源的数据中台信息管理方法 | |
| CN116961215A (zh) | 一种电力系统故障快速反应处理方法 | |
| CN118309644A (zh) | 基于数字孪生的管道泵运行流量监测方法及系统 | |
| CN114139781A (zh) | 一种电力系统的运行趋势预测方法及系统 | |
| CN116915122B (zh) | 一种煤矿变频设备的自适应控制方法及系统 | |
| CN116258467A (zh) | 一种电力施工管控系统 | |
| Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
| CN116168518A (zh) | 一种基于大数据分析的石灰窑预警系统及方法 | |
| CN117520993B (zh) | 电驱动桥试验系统及其方法 | |
| Gao et al. | Research on Fault Diagnosis and Prediction Algorithms for Power Equipment in Smart Grids |
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 |