CN117059186A - 一种针对化工企业流化床反应器的多变量预测系统 - Google Patents

一种针对化工企业流化床反应器的多变量预测系统 Download PDF

Info

Publication number
CN117059186A
CN117059186A CN202310868119.XA CN202310868119A CN117059186A CN 117059186 A CN117059186 A CN 117059186A CN 202310868119 A CN202310868119 A CN 202310868119A CN 117059186 A CN117059186 A CN 117059186A
Authority
CN
China
Prior art keywords
data
module
furnace
correlation
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.)
Granted
Application number
CN202310868119.XA
Other languages
English (en)
Other versions
CN117059186B (zh
Inventor
王熠炜
葛宜达
陈佳雷
张楚
彭甜
纪捷
孙娜
王政
张学东
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202310868119.XA priority Critical patent/CN117059186B/zh
Publication of CN117059186A publication Critical patent/CN117059186A/zh
Application granted granted Critical
Publication of CN117059186B publication Critical patent/CN117059186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J8/00—Chemical or physical processes in general, conducted in the presence of fluids and solid particles; Apparatus for such processes
    • B01J8/18—Chemical or physical processes in general, conducted in the presence of fluids and solid particles; Apparatus for such processes with fluidised particles
    • B01J8/24—Chemical or physical processes in general, conducted in the presence of fluids and solid particles; Apparatus for such processes with fluidised particles according to "fluidised-bed" technique
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J8/00—Chemical or physical processes in general, conducted in the presence of fluids and solid particles; Apparatus for such processes
    • B01J8/18—Chemical or physical processes in general, conducted in the presence of fluids and solid particles; Apparatus for such processes with fluidised particles
    • B01J8/1809—Controlling processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Organic Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • Medical Informatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Analytical Chemistry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种针对化工企业流化床反应器的多变量预测系统，包括原始数据采集模块、历史数据数组模块、偏自相关函数模块、互相关函数模块、TimeGAN‑TCN‑GRU预测模块以及MDOS‑ELM校正模块；通过原始数据采集模块对给煤量、固定碳燃烧度及风量比数据进行采集处理；通过偏自相关函数模块选择炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据的滞后阶数；通过互相关函数模块，选择与历史数据相关性较大的若干组数组作为TimeGAN‑TCN‑GRU预测模块的输入，输出炉内温度、发电负荷、炉内含氧量及一氧化碳排放量的预测结果；再通过MDOS‑ELM校正模块对预测结果进行校正，输出最终的预测结果。本发明能对流化床反应器炉内温度、发电负荷、含氧量、一氧化碳排放量等进行精准实时预测。

Description

一种针对化工企业流化床反应器的多变量预测系统
技术领域
本发明属于化工工程领域，具体涉及一种针对化工企业流化床反应器的多变量预测系统。
背景技术
在化工企业中，流化床反应器是一种常用的反应设备，广泛应用于化学合成、催化反应等工艺过程。流化床反应器内的温度、发电负荷、含氧量和一氧化碳排放量参数对于反应过程的稳定性和反应效率至关重要。因此，对这些参数进行准确预测对于提高反应器的运行效果和经济效益具有重要意义。
目前，现有对流化床反应器多个变量的建模系统中存在以下问题：一是数据采集的不稳定性，实时采集的数据受各种因素影响，无法准确体现反应器内部的变化情况；二是对于多个变量的预测的准确性存在多个误差，现有技术以单变量预测为主。
本发明针对以上问题和需求，提出了一种针对化工企业流化床反应器的多变量预测方法及系统。该系统采用了原始数据采集模块、历史数据数组模块、偏自相关函数模块、互相关函数模块、TimeGAN-TCN-GRU预测模块和MDOS-ELM校正模块，能够实时获取关键参数数据，通过偏自相关函数选择滞后阶数，提高建模预测的准确性。同时，通过互相关函数选择与目标参数相关性较大的数组作为输入，结合历史数据输入TimeGAN-TCN-GRU预测模块进行建模预测，最终通过MDOS-ELM校正模块对预测结果进行修正，得出精确的预测结果。因此，本发明所提及的一种多变量建模系统在化工企业的流化床反应器的运中具有广阔的应用前景和经济效益。
发明内容
发明目的：针对背景技术中指出的问题，本发明公开一种针对化工企业流化床反应器的多变量预测系统，能够实时、精准获取流化床反应器的关键参数数据。
技术方案：本发明提出一种针对化工企业流化床反应器的多变量预测系统，包括：原始数据采集模块、历史数据数组模块、偏自相关函数模块、互相关函数模块、TimeGAN-TCN-GRU预测模块以及MDOS-ELM校正模块；通过原始数据采集模块对给煤量、固定碳燃烧度及风量比数据进行采集处理；通过偏自相关函数模块选择炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据的滞后阶数；通过互相关函数模块，选择与历史数据数组模块储存的历史数据相关性较大的若干组数组作为TimeGAN-TCN-GRU预测模块的输入，输出炉内温度、发电负荷、炉内含氧量及一氧化碳排放量的预测结果；再通过MDOS-ELM校正模块对预测结果进行校正，输出最终的预测结果；
所述原始数据采集模块包括给煤量数据处理模块、固定碳燃度数据处理烧模块以及风量比数据处理模块；所述给煤量数据处理模块包括多个重力传感器检测点，安置于流化床反应器底部的物料进口管道中，用于检测给煤量的数据，检测到的数据经流数据聚类，输出处理后的结果；固定碳燃烧度数据处理模块包括多个压力传感器检测点，安置于流化床反应器的承载结构上，用于检测固定碳的燃烧程度，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果；风量比数据处理模块包括多个风速传感器检测点，安置于流化床反应器的气体进出口气体流动路径处，用于检测炉内风量比数据，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果；
所述历史数据数组模块储存炉内温度历史数据、发电负荷历史数据、炉内含氧量历史数据以及一氧化碳排放量历史数据；
所述偏自相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据，输出滞后阶数以及对应的偏自相关系数，判定并选择合适的滞后阶数；
所述互相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与数据处理后的实测数据，计算互相关系数，选择相关性最大的若干实测数组作为输入数据；
所述TimeGAN-TCN-GRU预测模块，输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与选择后的实测数据，输出炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的预测结果；
所述MDOS-ELM校正模块，输入数据处理后的实测数据与TimeGAN-TCN-GRU预测模块的预测结果，对预测结果进行校正，输出最终的预测结果。
进一步地，所述给煤量数据处理模块实现过程如下：
利用重力传感器采集物料进口的管道中送入煤炭的重量数据样本；进行在线微聚类阶段，通过k-means算法对重量数据样本进行处理，生成l个初始化微簇；对在线阶段不断流入的数据进行实时聚类处理，对于新流入的数据xi，首先计算xi与各个微簇中心的欧式距离，通过距离大小找到最近的微簇Ua；判断xi与微簇Ua中心距离是否超过设定的边界值，如果在边界范围内，则将xi加入到微簇Ua中；若不在边界范围内，则创建一个新的微簇，以xi为中心；将距离最近的两个微簇合并成一个微簇，并且删除最近一段时间内没有新数据点加入的老旧微簇，来保持微簇个数；进行离线宏聚类阶段，通过k-means算法对金字塔时间帧内存储的微簇信息进行最终聚类。
进一步地，所述固定碳燃烧度模块实现过程如下：
将固定碳燃烧度作为状态变量，传感器量测到的压力作为观测变量；
建立固定碳燃烧动力学模型和观测模型：
Dv＝f(Dv-1,v-1)+mv-1
Gv＝h(Dv,v)+nv
式中，Dv表示固定碳燃烧动力学模型，Gv表示观测模型，f(·)和h(·)反应了状态变量和观测变量之间的映射关系，mv-1和nv为相互独立且服从高斯分布的白噪声；
选择初始状态估计和协方差矩阵/>通过状态转移方程进行状态预测，得到先验状态估计值/>误差协方差矩阵P*、状态噪声协方差矩阵R*和量测噪声协方差矩阵Q*；利用雅可比矩阵A和离散过程激励噪声矩阵Ql计算得出离散时刻η的误差协方差矩阵Pη；按照误差协方差矩阵Pη和噪声协方差矩阵R*计算扩展卡尔曼增益K；利用扩展卡尔曼增益K计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值/>中，得到后验状态估计值/>将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤；通过不断迭代，实现连续的固定碳燃烧度的更新过程。
进一步地，所述风量比数据处理模块实现过程如下：
将风量比作为状态变量，传感器量测到的风速作为观测变量；建立动力学模型和观测模型；选择初始状态估计和协方差矩阵/>通过状态转移方程进行状态预测，得到先验状态估计值/>误差协方差矩阵T*、状态噪声协方差矩阵Z*和量测噪声协方差矩阵O*；利用雅可比矩阵A和离散过程激励噪声矩阵Of计算得出离散时刻φ的误差协方差矩阵Tφ；按照误差协方差矩阵Tφ和噪声协方差矩阵Z*计算扩展卡尔曼增益H；利用扩展卡尔曼增益H计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值/>中，得到后验状态估计值/>将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤；通过不断迭代，实现连续的风量比的更新过程。
进一步地，所述偏自相关函数模块实现过程如下：
将阶数为k的自然回归模型表示为：
式中，是k阶自然回归过程中第j个回归系数，即滞后阶数为j(的函数，/>为最后一个回归系数，数据集/>为偏自相关函数；
用表征Yule-Walker方程/>得出：
当j＝1,2,…,k时，将上式展开，得到：
当F1,F2,…,Fk已知时，求出回归系数，即得到了PACF值
判定PACF的值是否大于等于阈值，若满足条件，则表明滞后阶数之间存在显著相关性，选定PACF值大于等于阈值时的滞后阶数
进一步地，所述互相关函数模块实现过程如下：
输入两个离散信号采集数据值Xg(m)和历史数据值Yq(n)；g＝1,2,3分别表示输入的给煤量、固定碳燃烧度和风量比的数据，q＝1,2,3,4分别表示输入的炉内温度、发电负荷、含氧量和一氧化碳排放量历史数据；
对信号进行零均值化，消除直流分量的影响，其表达式如下所示：
X'g(m)＝Xg(m)-meang(X)
Y′q(n)＝Yq(n)-meanq(Y)
式中，meang(X)表示第g组数据中输入信号X的均值，meanq(Y)表示第q组数据中输入信号Y的均值；
计算输入数组之间的互相关系数，判定输入信号Xg(m)与输入信号Yq(n)之江的相关性，选择相关性较大的D组数据作为TimeGAN-TCN-GRU预测模块的输入，计算公式如下所示：
式中，表示在滞后阶数为/>的位置上的互相关函数值，/>的值越大，互相关性越强。
进一步地，所述TimeGAN-TCN-GRU预测模块实现过程如下：
在计算过相关性后，将相关性较大的给煤量数据、固定碳燃度数据和风量比数据输入进入TimeGAN的对抗模块中的判别器，并与随机噪声进入生成器生成的数据不断对比，优化生成数据质量，其中评估生成器和判别器的价值函数表达式为：
式中，σ为生成的随机噪声数据，ζ1:c为计算过相关性后输入的相关性较大的给煤量数据、固定碳燃度数据和风量比数据，为生成的随机噪声数据的重构形式，/>为计算过相关性后输入的相关性较大的给煤量等采集数据集的重构形式，u为原始数据对应的条件分布；
将相关性较大的给给煤量数据、固定碳燃度数据和风量比数据输入进入TimeGAN的自编码模块中的内嵌函数，再通过隐藏函数将数据转化，之后输入给判别器进行数据选择，再由恢复函数进行恢复变换，最终输出增强后的数据，其中，评估内嵌函数和恢复函数的判别式如下所示：
式中r是恢复函数，e是内嵌函数；
输入炉内温度等历史数据进入TCN残差块，再将TCN残差块输出的结果与TimeGAN数据增强后的给煤量等数据一并输入给GRU神经网络进行预测，得到炉内温度、发电负荷、炉内含氧量与一氧化碳排放量。
进一步地，所述TCN残差块单元实现过程如下：
将炉内温度等历史数据添加到输出f(x)：
f(x)＝h(x)-x
在第一个卷积单元中进行一维扩张因果卷积，调整扩张系数改变采样间隔，扩大网络记忆历史信息长度，其表达式如下：
式中，x为输入炉内温度等历史数据的时间序列，f为过滤器，d为扩张系数，k为卷积核大小，s-di确保只能对过去的输入做卷积操作；
对权重进行归一化处理；使用ReLU函数作为激活函数；采用Dropout操作，按照一定概率随机丢失神经元，防止过拟合；加入非线性映射，在残差单元输入和输出具有不同维度时，对高维度数据进行降维。
进一步地，所述MDOS-ELM校正模块实现过程如下：
进行初始阶段，确定MDOS-ELM校正模块的输入为TimeGAN-TCN-GRU预测模块输出的预测结果和数据处理后的给煤量等采集数据，并将输入按照时间序列分为z个样本块；输入第一个样本块S1进入MDOS-ELM初始模型，输出权重向量在线更新阶段，加入训练模型样本S2后，计算隐含层输出矩阵H1，引入记忆因子后计算输出权重向量/>并更新MDOS-ELM校正模块；在输入z个样本块后，计算输出矩阵，即校正后炉内温度、发电符合、炉内含氧量和一氧化碳排放量的预测值。
有益效果：与现有技术相比，本发明的有益效果：
1、本发明针对流化床反应器环境参数测量过程中，传感器精度误差、干扰、测量值异常以及数据难以精准测量等问题存在的不确定性和随机性，通过流数据聚类，减少干扰信号对给煤量数据采集的影响，通过扩展卡尔曼滤波对固定碳燃烧度以及风量比进行状态估计处理；
2、本发明通过偏自相关函数模块，通过偏自相关系数与阈值的关系，选定合适的滞后阶数，避免滞后阶数过大，导致模型过于复杂而难以解释和使用，滞后阶数过小，无法捕捉到序列中的长期依赖关系；
3、本发明通过互相关函数模块，计算给煤量、固定碳燃烧度及风量比与炉内温度、发电负荷、炉内含氧量及一氧化碳排放量之间的互相关系数，选择相关性最大的数据作为TimeGAN-TCN-GRU预测模块的输入，提高了预测的准确性和预测的效率比；
4、本发明通过TimeGAN-TCN-GRU预测模块，对炉内温度、发电符合、炉内含氧量及一氧化碳排放量进行预测。TimeGAN-TCN-GRU预测模块通过TimeGAN模型，对给煤量、固定碳燃烧度及风量比数据进行数据增强，改善了可能因数据不足导致预测不准确的问题；
5、本发明所述MDOS-ELM校正模块，在原始在线序列学习机(OS-ELM)模型的基础上引入了遗忘机制和记忆因子的神经网络模型，该网络拥有“记忆能力”的优点，随着时间的积累，该模型对样本的记忆能力不断降低，越靠近当前时刻的样本“记忆越深”，使网络的鲁棒性和容错性得到增强，提高了校正模型的逼近能力，并且使系统的计算能力和泛化能力大为增强，实现MDOS-ELM校正模型对给煤量、固定碳燃烧度、风量比对流化床反应器炉内温度、发电负荷、炉内含氧量、一氧化碳排放量影响程度的校正，获得整个流化床反应器的炉内温度、发电负荷、炉内含氧量、一氧化碳排放量值。
附图说明
图1为所提出流化床反应器多变量建模系统的结构图；
图2为给煤量数据处理模块框图；
图3为TimeGAN-TCN-GRU预测模块结构图；
图4为TCN残差块单元结构图；
图5为流化床反应器平面结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示，本发明提供了一种针对化工企业流化床反应器的多变量预测系统，包括原始数据采集模块、历史数据数组模块、偏自相关函数模块、互相关函数模块、TimeGAN-TCN-GRU预测模块以及MDOS-ELM校正模块。通过原始数据采集模块对给煤量、固定碳燃烧度及风量比数据进行采集处理；通过偏自相关函数模块选择炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据的滞后阶数；通过互相关函数模块，选择与历史数据数组模块储存的历史数据相关性较大的若干组数组作为TimeGAN-TCN-GRU预测模块的输入，输出炉内温度、发电负荷、炉内含氧量及一氧化碳排放量的预测结果；再通过MDOS-ELM校正模块对预测结果进行校正，输出最终的预测结果。
原始数据采集模块包括给煤量数据处理模块、固定碳燃度数据处理烧模块以及风量比数据处理模块。
给煤量数据处理模块包括多个重力传感器检测点，安置于流化床反应器底部的物料进口管道中，用于检测给煤量的数据，检测到的数据经流数据聚类，输出处理后的结果。
如图2所示，给煤量数据处理模块的具体实现过程如下：
利用重力传感器采集物料进口的管道中送入煤炭的重量数据样本；进行在线微聚类阶段，通过k-means算法对重量数据样本进行处理，生成l个初始化微簇；对在线阶段不断流入的数据进行实时聚类处理，对于新流入的数据xi，首先计算xi与各个微簇中心的欧式距离，通过距离大小找到最近的微簇Ua；判断xi与微簇Ua中心距离是否超过设定的边界值，如果在边界范围内，则将xi加入到微簇Ua中；若不在边界范围内，则创建一个新的微簇，以xi为中心；将距离最近的两个微簇合并成一个微簇，并且删除最近一段时间内没有新数据点加入的老旧微簇，来保持微簇个数；进行离线宏聚类阶段，通过k-means算法对金字塔时间帧内存储的微簇信息进行最终聚类。
固定碳燃烧度数据处理模块包括多个压力传感器检测点，安置于流化床反应器的承载结构上，用于检测固定碳的燃烧程度，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果。固定碳燃烧度模块实现过程如下：
将固定碳燃烧度作为状态变量，传感器量测到的压力作为观测变量；建立固定碳燃烧动力学模型和观测模型：
Dv＝f(Dv-1,v-1)+mv-1
Gv＝h(Dv,v)+nv
式中，Dv表示固定碳燃烧动力学模型，Gv表示观测模型，f(·)和h(·)反应了状态变量和观测变量之间的映射关系，mv-1和nv为相互独立且服从高斯分布的白噪声。选择初始状态估计和协方差矩阵/>通过状态转移方程进行状态预测，得到先验状态估计值/>误差协方差矩阵P*、状态噪声协方差矩阵R*和量测噪声协方差矩阵Q*；利用雅可比矩阵A和离散过程激励噪声矩阵Ql计算得出离散时刻η的误差协方差矩阵Pη；按照误差协方差矩阵Pη和噪声协方差矩阵R*计算扩展卡尔曼增益K；利用扩展卡尔曼增益K计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值/>中，得到后验状态估计值/>将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤；通过不断迭代，实现连续的固定碳燃烧度的更新过程。
风量比数据处理模块包括多个风速传感器检测点，安置于流化床反应器的气体进出口气体流动路径处，用于检测炉内风量比数据，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果。风量比数据处理模块实现过程如下：
将风量比作为状态变量，传感器量测到的风速作为观测变量；建立动力学模型和观测模型；选择初始状态估计和协方差矩阵/>通过状态转移方程进行状态预测，得到先验状态估计值/>误差协方差矩阵T*、状态噪声协方差矩阵Z*和量测噪声协方差矩阵O*；利用雅可比矩阵A和离散过程激励噪声矩阵Of计算得出离散时刻φ的误差协方差矩阵Tφ；按照误差协方差矩阵Tφ和噪声协方差矩阵Z*计算扩展卡尔曼增益H；利用扩展卡尔曼增益H计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值/>中，得到后验状态估计值/>将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤。通过不断迭代，实现连续的风量比的更新过程。
历史数据数组模块储存炉内温度历史数据、发电负荷历史数据、炉内含氧量历史数据以及一氧化碳排放量历史数据。
偏自相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据，输出滞后阶数以及对应的偏自相关系数，判定并选择合适的滞后阶数。偏自相关函数模块实现过程如下：
将阶数为k的自然回归模型表示为：
式中，是k阶自然回归过程中第j个回归系数，即滞后阶数为j(j＝1,2,…,k)的函数，/>为最后一个回归系数，数据集/>为偏自相关函数。
用表征Yule-Walker方程/>得出：
当j＝1,2,…,k时，将上式展开，可以得到：
当F1,F2,…,Fk已知时，可以求出回归系数，即得到了PACF值
步骤4：判定PACF的值是否大于等于阈值，若满足条件，则表明滞后阶数之间存在显著相关性，选定合适的滞后阶数
互相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与数据处理后的实测数据，计算互相关系数，选择相关性最大的若干实测数组作为输入数据。互相关函数模块实现过程如下：
输入两个离散信号采集数据值Xg(m)和历史数据值Yq(n)；g＝1,2,3分别表示输入的给煤量、固定碳燃烧度和风量比的数据，q＝1,2,3,4分别表示输入的炉内温度、发电负荷、含氧量和一氧化碳排放量历史数据。
对信号进行零均值化，消除直流分量的影响，其表达式如下所示：
X'g(m)＝Xg(m)-meang(X)
Yq'(n)＝Yq(n)-meanq(Y)
式中，meang(X)表示第g组数据中输入信号X的均值，meanq(Y)表示第q组数据中输入信号Y的均值。
计算输入数组之间的互相关系数，判定输入信号Xg(m)与输入信号Yq(n)之江的相关性，选择相关性较大的D组数据作为TimeGAN-TCN-GRU预测模块的输入，计算公式如下所示：
式中，表示在滞后阶数为/>的位置上的互相关函数值，/>的值越大，互相关性越强。
TimeGAN-TCN-GRU预测模块，输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与选择后的实测数据，输出炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的预测结果。
如图3所示，TimeGAN-TCN-GRU预测模块的具体实现过程如下：
在计算过相关性后，将相关性较大的给煤量等数据输入进入TimeGAN的对抗模块中的判别器，并与随机噪声进入生成器生成的数据不断对比，优化生成数据质量，其中评估生成器和判别器的价值函数表达式为：
式中，σ为生成的随机噪声数据，ζ1:c为计算过相关性后输入的相关性较大的给煤量等采集数据，为生成的随机噪声数据的重构形式，/>为计算过相关性后输入的相关性较大的给煤量等采集数据集的重构形式，u为原始数据对应的条件分布。
将相关性较大的给煤量等数据输入进入TimeGAN的自编码模块中的内嵌函数，再通过隐藏函数将数据转化，之后输入给判别器进行数据选择，再由恢复函数进行恢复变换，最终输出增强后的数据，其中，评估内嵌函数和恢复函数的判别式如下所示：
式中r是恢复函数，e是内嵌函数。
步骤3：输入炉内温度等历史数据进入TCN残差块，再将TCN残差块输出的结果与TimeGAN数据增强后的给煤量等数据一并输入给GRU神经网络进行预测，得到炉内温度、发电负荷、炉内含氧量与一氧化碳排放量等预测数据。
如图4所示，TCN残差块单元的具体实现过程如下：
将炉内温度等历史数据添加到输出f(x)，网络被强制模型化为：
f(x)＝h(x)-x
在第一个卷积单元中进行一维扩张因果卷积，调整扩张系数改变采样间隔，扩大网络记忆历史信息长度，其表达式如下：
式中，x为输入炉内温度等历史数据的时间序列，f为过滤器，d为扩张系数，k为卷积核大小，s-di确保只能对过去的输入做卷积操作；对权重进行归一化处理；使用ReLU函数作为激活函数；采用Dropout操作，按照一定概率随机丢失神经元，防止过拟合；加入非线性映射，在残差单元输入和输出具有不同维度时，对高维度数据进行降维。
MDOS-ELM校正模块，输入数据处理后的实测数据与TimeGAN-TCN-GRU预测模块的预测结果，对预测结果进行校正，输出最终的预测结果。MDOS-ELM校正模块实现过程如下：
进行初始阶段，确定MDOS-ELM模型的输入为TimeGAN-TCN-GRU预测模块输出的预测结果和数据处理后的给煤量等采集数据，并将输入按照时间序列分为z个样本块；输入第一个样本块S1进入MDOS-ELM初始模型，输出权重向量在线更新阶段，加入训练模型样本S2后，计算隐含层输出矩阵H1，训练样本S2比S1更能反应当前数据的特点以及变化趋势，因此再MDOS-ELM模型中占据更大的比重，引入记忆因子后计算输出权重向量/>并更新MDOS-ELM模型。
步骤4：在输入z个样本块后，计算输出矩阵，即校正后炉内温度、发电符合、炉内含氧量和一氧化碳排放量的预测值。
如图5所示，原始数据采集模块采用大量基于无线传感网的检测节点，将检测点作为流化床反应器环境参数感知终端，检测节点通过无线传感网实现现场监控端之间的信息交互。检测节点包括采集流化床反应器环境重力参数的重力传感器和对应的协调器节点，如图中传感器编号为x1,x2,x3,…，安置于流化床反应器底部的物料进口管道中，用于检测给煤量的数据；采集流化床反应器环境压力参数的压力传感器和对应的协调器节点，如图中传感器编号为1,2,…,n，安置于流化床反应器的承载结构上，用于检测煤炭燃烧过程中对承载结构压力的变换；采集流化床反应器环境风速参数的风速传感器和对应的协调器节点，如图5中传感器编号为a,b,c,d,…，安置于流化床反应器的气体进出口处与沿着反应器上部的气体流动路径处，用于检测炉内风量比数据。各个传感器之间，采用星型网络拓扑结构，并选用CC2530芯片作为协调器节点，用于接收来自传感器节点的数据，并进行数据聚合、处理和存储，它可以根据应用需求对数据进行过滤、压缩和处理，提取有价值的信息。
至此，已经结合附图所示的具体实验过程描述了本发明的技术方案，但是本发明的保护范围不局限于这些具体实施方式。在不偏离本发明原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种针对化工企业流化床反应器的多变量预测系统，其特征在于，包括原始数据采集模块、历史数据数组模块、偏自相关函数模块、互相关函数模块、TimeGAN-TCN-GRU预测模块以及MDOS-ELM校正模块；通过原始数据采集模块对给煤量、固定碳燃烧度及风量比数据进行采集处理；通过偏自相关函数模块选择炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据的滞后阶数；通过互相关函数模块，选择与历史数据数组模块储存的历史数据相关性较大的若干组数组作为TimeGAN-TCN-GRU预测模块的输入，输出炉内温度、发电负荷、炉内含氧量及一氧化碳排放量的预测结果；再通过MDOS-ELM校正模块对预测结果进行校正，输出最终的预测结果；
所述原始数据采集模块包括给煤量数据处理模块、固定碳燃度数据处理烧模块以及风量比数据处理模块；所述给煤量数据处理模块包括多个重力传感器检测点，安置于流化床反应器底部的物料进口管道中，用于检测给煤量的数据，检测到的数据经流数据聚类，输出处理后的结果；固定碳燃烧度数据处理模块包括多个压力传感器检测点，安置于流化床反应器的承载结构上，用于检测固定碳的燃烧程度，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果；风量比数据处理模块包括多个风速传感器检测点，安置于流化床反应器的气体进出口气体流动路径处，用于检测炉内风量比数据，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果；
所述历史数据数组模块储存炉内温度历史数据、发电负荷历史数据、炉内含氧量历史数据以及一氧化碳排放量历史数据；
所述偏自相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据，输出滞后阶数以及对应的偏自相关系数，判定并选择合适的滞后阶数；
所述互相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与数据处理后的实测数据，计算互相关系数，选择相关性最大的若干实测数组作为输入数据；
所述TimeGAN-TCN-GRU预测模块，输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与选择后的实测数据，输出炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的预测结果；
所述MDOS-ELM校正模块，输入数据处理后的实测数据与TimeGAN-TCN-GRU预测模块的预测结果，对预测结果进行校正，输出最终的预测结果。
2.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述给煤量数据处理模块实现过程如下：
利用重力传感器采集物料进口的管道中送入煤炭的重量数据样本；进行在线微聚类阶段，通过k-means算法对重量数据样本进行处理，生成l个初始化微簇；对在线阶段不断流入的数据进行实时聚类处理，对于新流入的数据xi，首先计算xi与各个微簇中心的欧式距离，通过距离大小找到最近的微簇Ua；判断xi与微簇Ua中心距离是否超过设定的边界值，如果在边界范围内，则将xi加入到微簇Ua中；若不在边界范围内，则创建一个新的微簇，以xi为中心；将距离最近的两个微簇合并成一个微簇，并且删除最近一段时间内没有新数据点加入的老旧微簇，来保持微簇个数；进行离线宏聚类阶段，通过k-means算法对金字塔时间帧内存储的微簇信息进行最终聚类。
3.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述固定碳燃烧度模块实现过程如下：
将固定碳燃烧度作为状态变量，传感器量测到的压力作为观测变量；
建立固定碳燃烧动力学模型和观测模型：
Dv＝f(Dv-1,v-1)+mv-1
Gv＝h(Dv,v)+nv
式中，Dv表示固定碳燃烧动力学模型，Gv表示观测模型，f(·)和h(·)反应了状态变量和观测变量之间的映射关系，mv-1和nv为相互独立且服从高斯分布的白噪声；
选择初始状态估计和协方差矩阵/>通过状态转移方程进行状态预测，得到先验状态估计值/>误差协方差矩阵P*、状态噪声协方差矩阵R*和量测噪声协方差矩阵Q*；利用雅可比矩阵A和离散过程激励噪声矩阵Ql计算得出离散时刻η的误差协方差矩阵Pη；按照误差协方差矩阵Pη和噪声协方差矩阵R*计算扩展卡尔曼增益K；利用扩展卡尔曼增益K计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值/>中，得到后验状态估计值将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤；通过不断迭代，实现连续的固定碳燃烧度的更新过程。
4.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述风量比数据处理模块实现过程如下：
将风量比作为状态变量，传感器量测到的风速作为观测变量；建立动力学模型和观测模型；选择初始状态估计和协方差矩阵/>通过状态转移方程进行状态预测，得到先验状态估计值/>误差协方差矩阵T*、状态噪声协方差矩阵Z*和量测噪声协方差矩阵O*；利用雅可比矩阵A和离散过程激励噪声矩阵Of计算得出离散时刻φ的误差协方差矩阵Tφ；按照误差协方差矩阵Tφ和噪声协方差矩阵Z*计算扩展卡尔曼增益H；利用扩展卡尔曼增益H计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值/>中，得到后验状态估计值/>将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤；通过不断迭代，实现连续的风量比的更新过程。
5.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述偏自相关函数模块实现过程如下：
将阶数为k的自然回归模型表示为：
式中，是k阶自然回归过程中第j个回归系数，即滞后阶数为j(的函数，/>为最后一个回归系数，数据集/>为偏自相关函数；
用表征Yule-Walker方程/>得出：
当j＝1,2,…,k时，将上式展开，得到：
当F1,F2,…,Fk已知时，求出回归系数，即得到了PACF值判定PACF的值是否大于等于阈值，若满足条件，则表明滞后阶数之间存在显著相关性，选定PACF值大于等于阈值时的滞后阶数/>
6.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述互相关函数模块实现过程如下：
输入两个离散信号采集数据值Xg(m)和历史数据值Yq(n)；g＝1,2,3分别表示输入的给煤量、固定碳燃烧度和风量比的数据，q＝1,2,3,4分别表示输入的炉内温度、发电负荷、含氧量和一氧化碳排放量历史数据；
对信号进行零均值化，消除直流分量的影响，其表达式如下所示：
X'g(m)＝Xg(m)-meang(X)
Yq'(n)＝Yq(n)-meanq(Y)
式中，meang(X)表示第g组数据中输入信号X的均值，meanq(Y)表示第q组数据中输入信号Y的均值；
计算输入数组之间的互相关系数，判定输入信号Xg(m)与输入信号Yq(n)之江的相关性，选择相关性较大的D组数据作为TimeGAN-TCN-GRU预测模块的输入，计算公式如下所示：
式中，表示在滞后阶数为/>的位置上的互相关函数值，/>的值越大，互相关性越强。
7.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述TimeGAN-TCN-GRU预测模块实现过程如下：
在计算过相关性后，将相关性较大的给煤量数据、固定碳燃度数据和风量比数据输入进入TimeGAN的对抗模块中的判别器，并与随机噪声进入生成器生成的数据不断对比，优化生成数据质量，其中评估生成器和判别器的价值函数表达式为：
式中，σ为生成的随机噪声数据，ζ1:c为计算过相关性后输入的相关性较大的给煤量数据、固定碳燃度数据和风量比数据，为生成的随机噪声数据的重构形式，/>为计算过相关性后输入的相关性较大的给煤量等采集数据集的重构形式，u为原始数据对应的条件分布；
将相关性较大的给给煤量数据、固定碳燃度数据和风量比数据输入进入TimeGAN的自编码模块中的内嵌函数，再通过隐藏函数将数据转化，之后输入给判别器进行数据选择，再由恢复函数进行恢复变换，最终输出增强后的数据，其中，评估内嵌函数和恢复函数的判别式如下所示：
式中r是恢复函数，e是内嵌函数；
输入炉内温度等历史数据进入TCN残差块，再将TCN残差块输出的结果与TimeGAN数据增强后的给煤量等数据一并输入给GRU神经网络进行预测，得到炉内温度、发电负荷、炉内含氧量与一氧化碳排放量。
8.根据权利要求7所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述TCN残差块单元实现过程如下：
将炉内温度等历史数据添加到输出f(x)：
f(x)＝h(x)-x
在第一个卷积单元中进行一维扩张因果卷积，调整扩张系数改变采样间隔，扩大网络记忆历史信息长度，其表达式如下：
式中，x为输入炉内温度等历史数据的时间序列，f为过滤器，d为扩张系数，k为卷积核大小，s-di确保只能对过去的输入做卷积操作；
对权重进行归一化处理；使用ReLU函数作为激活函数；采用Dropout操作，按照一定概率随机丢失神经元，防止过拟合；加入非线性映射，在残差单元输入和输出具有不同维度时，对高维度数据进行降维。
9.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述MDOS-ELM校正模块实现过程如下：
进行初始阶段，确定MDOS-ELM校正模块的输入为TimeGAN-TCN-GRU预测模块输出的预测结果和数据处理后的给煤量等采集数据，并将输入按照时间序列分为z个样本块；输入第一个样本块S1进入MDOS-ELM初始模型，输出权重向量在线更新阶段，加入训练模型样本S2后，计算隐含层输出矩阵H1，引入记忆因子后计算输出权重向量/>并更新MDOS-ELM校正模块；在输入z个样本块后，计算输出矩阵，即校正后炉内温度、发电符合、炉内含氧量和一氧化碳排放量的预测值。
CN202310868119.XA 2023-07-13 2023-07-13 一种针对化工企业流化床反应器的多变量预测系统 Active CN117059186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310868119.XA CN117059186B (zh) 2023-07-13 2023-07-13 一种针对化工企业流化床反应器的多变量预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310868119.XA CN117059186B (zh) 2023-07-13 2023-07-13 一种针对化工企业流化床反应器的多变量预测系统

Publications (2)

Publication Number Publication Date
CN117059186A true CN117059186A (zh) 2023-11-14
CN117059186B CN117059186B (zh) 2024-07-05

Family

ID=88657962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310868119.XA Active CN117059186B (zh) 2023-07-13 2023-07-13 一种针对化工企业流化床反应器的多变量预测系统

Country Status (1)

Country Link
CN (1) CN117059186B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457096A (zh) * 2023-12-26 2024-01-26 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 模拟海洋酸化装置中二氧化碳溶解量动态监测与调整系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08114506A (ja) * 1994-10-17 1996-05-07 Kawasaki Heavy Ind Ltd ガス温度推定方法および装置
CA2178238A1 (en) * 1996-06-05 1997-12-06 Apostolos Kantzas Gamma ray densitometry in olefin polymerization reactors
JPH1122904A (ja) * 1997-07-07 1999-01-26 Electric Power Dev Co Ltd 火力発電用流動床ボイラ制御方法および装置
CN104932273A (zh) * 2015-06-09 2015-09-23 惠德时代能源科技(北京)有限公司 一种基于改进型Smith预估补偿器的变参数自适应控制方法
CN107038334A (zh) * 2017-02-27 2017-08-11 浙江大学 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法
CN110687315A (zh) * 2019-10-31 2020-01-14 华中科技大学 一种自适应调整时间间隔的流场速度测量系统
CN114186708A (zh) * 2021-10-13 2022-03-15 华北电力大学 基于pso-elm循环流化床机组so2浓度预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08114506A (ja) * 1994-10-17 1996-05-07 Kawasaki Heavy Ind Ltd ガス温度推定方法および装置
CA2178238A1 (en) * 1996-06-05 1997-12-06 Apostolos Kantzas Gamma ray densitometry in olefin polymerization reactors
JPH1122904A (ja) * 1997-07-07 1999-01-26 Electric Power Dev Co Ltd 火力発電用流動床ボイラ制御方法および装置
CN104932273A (zh) * 2015-06-09 2015-09-23 惠德时代能源科技(北京)有限公司 一种基于改进型Smith预估补偿器的变参数自适应控制方法
CN107038334A (zh) * 2017-02-27 2017-08-11 浙江大学 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法
CN110687315A (zh) * 2019-10-31 2020-01-14 华中科技大学 一种自适应调整时间间隔的流场速度测量系统
CN114186708A (zh) * 2021-10-13 2022-03-15 华北电力大学 基于pso-elm循环流化床机组so2浓度预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUN, JY, 等: "Non-intrusive characterisation of particle cluster behaviours in a riser through electrostatic and vibration sensing", CHEMICAL ENGINEERING JOURNAL, vol. 323, 20 June 2017 (2017-06-20), pages 381 - 395, XP085024737, DOI: 10.1016/j.cej.2017.04.082 *
李梦宁: "循环流化床锅炉燃烧过程无模型控制研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 01, 15 January 2017 (2017-01-15), pages 039 - 18 *
谭满春;李英俊;徐建闽;: "基于小波消噪的ARIMA与SVM组合交通流预测", 公路交通科技, vol. 26, no. 07, 15 July 2009 (2009-07-15), pages 128 - 138 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457096A (zh) * 2023-12-26 2024-01-26 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 模拟海洋酸化装置中二氧化碳溶解量动态监测与调整系统
CN117457096B (zh) * 2023-12-26 2024-03-22 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 模拟海洋酸化装置中二氧化碳溶解量动态监测与调整系统

Also Published As

Publication number Publication date
CN117059186B (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN117059186B (zh) 一种针对化工企业流化床反应器的多变量预测系统
CN112036089A (zh) 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
Song et al. SFNet: A slow feature extraction network for parallel linear and nonlinear dynamic process monitoring
CN109710661A (zh) 基于遗传模拟退火算法对高压加热器状态分析的方法
CN111260138A (zh) 加权和自适应并行关联规则的火电机组能耗动态优化方法
CN115034129B (zh) 一种面向火电厂脱硝装置的NOx排放浓度软测量方法
Tang et al. A deep learning model for measuring oxygen content of boiler flue gas
CN111639304B (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN114757269A (zh) 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN114326486B (zh) 一种基于概率慢特征分析和弹性权重巩固的过程监控方法
CN115047839A (zh) 一种甲醇制烯烃工业过程的故障监测方法和系统
CN112801426B (zh) 一种基于关联参数挖掘的工业过程故障融合预测方法
Agarwal et al. Hierarchical deep recurrent neural network based method for fault detection and diagnosis
Shang et al. Fault detection and identification based on explicit polynomial mapping and combined statistic in nonlinear dynamic processes
Li et al. Data cleaning method for the process of acid production with flue gas based on improved random forest
CN116821695B (zh) 一种半监督神经网络软测量建模方法
CN111913463B (zh) 一种核电厂化学容积控制系统状态监测方法
Ding et al. Deep Forest‐Based Fault Diagnosis Method for Chemical Process
Hua et al. A novel sampled-data asynchronous CatBoost model with knowledge-based guidance for product quality estimation in the industrial processes
CN112580692B (zh) 一种基于插值算法的虚拟样本生成方法
Yang et al. A novel decentralized weighted ReliefF-PCA method for fault detection
Yu et al. Intrinsic Causality Embedded Concurrent Quality and Process Monitoring Strategy
Zhu et al. A Model Transfer Learning Based Fault Diagnosis Method for Chemical Processes With Small Samples

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
GR01 Patent grant
GR01 Patent grant