CN117473661A - 基于改进生成式网络的双膛炉优化方法 - Google Patents
基于改进生成式网络的双膛炉优化方法 Download PDFInfo
- Publication number
- CN117473661A CN117473661A CN202311350423.1A CN202311350423A CN117473661A CN 117473661 A CN117473661 A CN 117473661A CN 202311350423 A CN202311350423 A CN 202311350423A CN 117473661 A CN117473661 A CN 117473661A
- Authority
- CN
- China
- Prior art keywords
- furnace
- breeze
- network
- gan
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title abstract description 39
- 238000013461 design Methods 0.000 claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 10
- 239000000779 smoke Substances 0.000 claims description 34
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 32
- 238000001354 calcination Methods 0.000 claims description 32
- 239000002699 waste material Substances 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 24
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 22
- 101100399296 Mus musculus Lime1 gene Proteins 0.000 claims description 22
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 22
- 239000004571 lime Substances 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 21
- 239000000428 dust Substances 0.000 claims description 20
- 239000000446 fuel Substances 0.000 claims description 18
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 16
- 239000001569 carbon dioxide Substances 0.000 claims description 16
- 235000019738 Limestone Nutrition 0.000 claims description 15
- 239000006028 limestone Substances 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 13
- 239000003546 flue gas Substances 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000003012 network analysis Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 239000007789 gas Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003500 flue dust Substances 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/045—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
- G06N3/0475—Generative networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24B—DOMESTIC STOVES OR RANGES FOR SOLID FUELS; IMPLEMENTS FOR USE IN CONNECTION WITH STOVES OR RANGES
- F24B1/00—Stoves or ranges
- F24B1/18—Stoves with open fires, e.g. fireplaces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进生成式网络的双膛炉优化方法，包括步骤：S1、双炉膛设计参数与结果输出数据表征；S2、改进双膛炉生成式网络数据集架构构建；S3、改进双膛炉产出性能及环保代价预测网络架构构建；S4、基于改进生成式网络的双膛炉优化网络架构部署与应用。本发明的基于改进生成式网络的双膛炉优化方法，采用的生成式对抗网络能够学习和模拟这些非线性关系，为参数调整和优化提供了更加准确和稳定的依据，在实际操作中能够更加准确地预测和控制双膛炉的运行状态，提高生产效率。
Description
技术领域
本发明属于双膛炉技术领域，具体涉及一种基于改进生成式网络的双膛炉优化方法。
背景技术
双膛炉广泛用于石灰生产，其工作原理主要基于两个主要炉膛的高温作用，实现石灰石的煅烧和产生活性石灰。在此过程中，优化操作条件和设备参数成为提高产出和减少能耗与排放的关键。
在现有的技术方案中，对双膛炉的优化主要集中在调整其内部的物理参数和操作条件。这些方案通过改进炉膛的设计参数，例如炉膛的尺寸、预热区和煅烧区的长度，以及操作条件如煅烧温度和炉内气流，来实现对石灰生产过程的优化。这些传统的优化方法虽然在一定程度上提高了石灰的活性度和减少了能耗，但它们往往忽略了一些潜在的、非线性的影响因素，导致优化效果有限，影响双膛炉运行效率的提高，能耗增加。
另一方面，随着数据科学和机器学习技术的发展，一些研究者开始探索数据驱动的双膛炉优化方法。这些方法侧重于收集和分析大量的实际运行数据，利用统计学和机器学习模型来揭示影响石灰活性度和环境排放的因素，从而实现对双膛炉的优化。这种方法的优势在于能够考虑多个因素的综合影响，但同时也面临数据质量和模型复杂性的挑战。
然而，在现有技术中，很少有研究涉及到使用生成式对抗网络(GAN)对双膛炉进行优化。特别是，未见有相关技术文献描述通过生成式网络生成具有不同可调参数的子网络，并通过再次过滤来提高数据可信度的方法。此外，虽然一些现有技术考虑了环保因素，但很少有技术方案将环保代价与产出性能一同考虑，并结合复杂的网络架构如BP网络和RNN网络进行综合预测和分析。
现有技术在双膛炉的优化上存在多个明显的缺点，首先，传统的物理参数调整和操作条件优化方法，往往仅仅关注线性和直观的影响因素，忽略了多个参数间可能存在的复杂非线性关系，导致优化的效果并不理想。例如，这些方法通常会忽略环境温度、湿度等外部条件与炉内气流、煅烧温度之间的交互影响，使得优化结果在不同的环境条件下表现不稳定。
其次，虽然一些数据驱动的优化方法能够考虑到多因素的综合影响，但这些方法通常面临着数据质量问题和模型复杂性问题。一方面，实际运行数据往往包含噪声和异常值，这些数据的质量直接影响到模型的准确性和可靠性。另一方面，构建复杂的机器学习模型需要大量的计算资源和技术专业知识，这在一定程度上限制了这些方法的普及和应用。
此外，现有的优化方法大多数没有充分考虑环保因素，缺乏对环保代价与产出性能之间平衡的全面分析和权衡。这导致了在实际应用中，为了追求产量和效率，往往牺牲了环境保护，造成了可持续发展的困难。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供一种基于改进生成式网络的双膛炉优化方法，目的是提高双膛炉的运行效率。
为了实现上述目的，本发明采取的技术方案为：基于改进生成式网络的双膛炉优化方法，包括步骤：
S1、双炉膛设计参数与结果输出数据表征；
S2、改进双膛炉生成式网络数据集架构构建；
S3、改进双膛炉产出性能及环保代价预测网络架构构建；
S4、基于改进生成式网络的双膛炉优化网络架构部署与应用。
所述步骤S1中，收集实际生产中的双膛炉运行数据，获取相关双膛炉的数据，并对收集到的数据进行预处理。
所述步骤S1中，需收集的双膛炉运行数据包括双炉膛设计参数和与之相关的结果输出数据，结果输出数据包括废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量。
所述步骤S2包括：
S201、FPG算子双膛炉设计参数分级；
S202、双膛炉各分级参数生成架构；
S203、双膛炉分级特征生成参数判定。
所述步骤S201中，提出一种FPG算子，FPG表示如下：t1，t2，t3＝class(xi)，i＝1，2，3，...，9，θj＝Concat(tj，x10，x11，x12，x13)，j＝1，2，3；其中，xi为设计特征，包括膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度，膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度分别对应着x1，x2，x3，x4，x5，x6，x7，x8，x9；class(xi)表示对设计特征按照可更改性特征进行分类，t1，t2，t3表示根据可更改性维度划分为三种类别对应值，x10，x11，x12，x13为对应膛炉设计参数的目标值即废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量，Concat(tj，x10，x11，x12，x13)表示为分类好的设计参数将其与对应双膛炉的设计目标值进行拼接形成一个信息的向量，θj为生成向量。
所述步骤S202中，通过GAN1、GAN2与GAN3分别对固定特征、可更改但困难性特征以及可实时更改特征进行分支子网络生成，提出采用一种基于经济成本的双膛炉子网络生成公式，具体可表示为：
Num(GAN2)＝2*Num(GAN3)；其中，Num(GAN1)、Num(GAN2)、Num(GAN3)分别代表着通过GAN1、GAN2与GAN3分别对固定特征、可更改但困难性特征以及可实时更改特征生成的数量，Cost(change(t1))，Cost(change(t2))，Cost(change(t3))表示在建造完成双膛炉后对固定特征、可更改但困难性特征以及可实时更改特征进行改造时所花费的平均经济成本。
所述步骤S203中，提出一种总体生成网络分支架构，利用总生成器GAN4进行数据生成，将总生成器生成数据全部舍弃，保留其总体判定器功能，利用该总体判定器对所述步骤S202中子生成网络生成拼接后的设计向量进行判定，仅保留置信度超过0.9的设计参数作为后续网络分析可用的数据集参数。
所述步骤S3中，采用两个并行网络分别预测在每条设计参数的产出性能，包括石灰活性度和残余的二氧化碳含量以及环保代价废烟温度、废烟粉尘含量，其中采用BP网络对废烟温度以及废烟粉尘含量进行预测。
所述步骤S3中，网络架构具体可表示为全连接层9*512，512*1024，1024*2，最终输出值为废烟温度以及废烟粉尘含量并与该具体生成特征参数进行同时保留，此外该分支网络架构的损失值为MSE损失。
本发明的基于改进生成式网络的双膛炉优化方法，采用的生成式对抗网络能够学习和模拟这些非线性关系，为参数调整和优化提供了更加准确和稳定的依据，在实际操作中能够更加准确地预测和控制双膛炉的运行状态，提高生产效率。
附图说明
本说明书包括以下附图，所示内容分别是：
图1是本发明基于改进生成式网络的双膛炉优化方法流程图；
图2是本发明基于改进生成式网络的双膛炉优化方法网络架构图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，目的是帮助本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解，并有助于其实施。
如图1所示，本发明提供了一种基于改进生成式网络的双膛炉优化方法，包括如下的步骤：
S1、双炉膛设计参数与结果输出数据表征；
S2、改进双膛炉生成式网络数据集架构构建；
S3、改进双膛炉产出性能及环保代价预测网络架构构建；
S4、基于改进生成式网络的双膛炉优化网络架构部署与应用。
具体地说，在上述步骤S1中，首先本申请预计收集实际生产中的双膛炉运行数据，获取相关双膛炉的数据，以确保模型训练的稳定性与准确性。这些数据将涵盖双炉膛设计参数，双炉膛设计参数包括膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度，同时也会记录与之相关的结果输出数据，结果输出数据包括废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量。此外对于收集到的数据，将实施一系列的预处理步骤，预处理步骤包括缺失值处理、异常值检测与剔除、数据归一化，以及对类别型数据环形通道直径进行独热编码。此外将数据集进行划分，即将70％的数据用于模型的训练，20％的数据用于模型的验证，以及10％的数据用于模型的测试，从而确保模型的泛化性能，并将所有的特征标签编码为一个1*13的向量。
如图2所示为本申请所提出的一种基于改进生成式网络的双膛炉优化方法网络架构图。
本次申请基于改进生成式网络的双膛炉优化方法，提出一种改进的双膛炉生成式网络架构构建，旨在通过对设计参数按照可更改性进行一个分类，进而去指导生成式网络对于各项设计参数的弥散强度。
上述步骤S2包括：
S201、FPG算子双膛炉设计参数分级；
S202、双膛炉各分级参数生成架构；
S203、双膛炉分级特征生成参数判定。
在上述步骤S201中，提出一种FPG算子，FPG表示如下：t1，t2，t3＝class(xi)，i＝1，2，3，...，9，θj＝Concat(tj，x10，x11，x12，x13)，j＝1，2，3；其中，xi为设计特征，包括膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度，膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度分别对应着x1，x2，x3，x4，x5，x6，x7，x8，x9；class(xi)表示对设计特征按照可更改性特征进行分类，t1，t2，t3表示根据可更改性维度划分为三种类别对应值，x10，x11，x12，x13为对应膛炉设计参数的目标值即废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量，Concat(tj，x10，x11，x12，x13)表示为分类好的设计参数将其与对应双膛炉的设计目标值进行拼接形成一个信息的向量，θj为生成向量。
本申请中，首次提出一种FPG算子，即根据双炉膛设计参数最终形成具体实际装置后的可更改性进行一个分类，具体表现为本次申请中8中设计特征参数膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度，其中膛炉直径、预热带长度、煅烧带长度、冷却带长度在设计建设确定后，几乎无法进行修改，修改会涉及到大规模的设备改造，因此将其分为类即固定参数特征，而环形通道直径、烟气管道直径为可更改但困难性特征，其后续更改通常涉及到一定的设备和结构调整，但相比于修改窑膛直径等来说相对经济代价较小，最后一种即可实时更改特征包括煅烧温度、燃料热值、石灰石块度，例如燃料热值，通过选择不同热值的燃料或调整燃料比例，操作人员可以实时或相对容易地调整燃料热值，以适应生产过程中的不同需求和条件。
通过步骤S201中的FPG算子，本申请中形成了三种不同可更改性的待生成向量，相较于传统的GAN网络，例如通过直接对所有的设计参数膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度直接进行生成，本申请中通过FPA算子分类后的子向量具备较小的参数空间和计算复杂度进而使得每个子生成器具备更高且更平稳的计算效率。在上述步骤S202中，通过GAN1、GAN2与GAN3分别对固定特征、可更改但困难性特征以及可实时更改特征进行分支子网络生成，提出采用一种基于经济成本的双膛炉子网络生成公式，具体可表示为：
Num(GAN2)＝2*Num(GAN3)；
其中，Num(GAN1)、Num(GAN2)、Num(GAN3)分别代表着通过GAN1、GAN2与GAN3分别对固定特征、可更改但困难性特征以及可实时更改特征生成的数量，Cost(change(t1))，Cost(change(t2))，Cost(change(t3))表示在建造完成双膛炉后对固定特征、可更改但困难性特征以及可实时更改特征进行改造时所花费的平均经济成本。
通过上述公式即可根据不同的数据特征类型，进而生成不同数量的不同类型的双膛炉设计参数，其中对于固定特征、可更改但困难性特征以及可实时更改特征生成的数量需要满足上述公式。
将上述生成的向量经过判定器进行判别，过滤掉子判定器判定为假的数据。最终对子生成网络的所有生成的固定特征、可更改但困难性特征以及可实时更改特征进行维度拼接。
具体示例可表示为，GAN1生成了1000条双膛炉固定特征参数，GAN2生成了200条双膛炉可更改但困难性特征参数，GAN3生成了80条双膛炉可实时更改特征参数，则将该1000条双膛炉固定特征参数与GAN2及GAN3的参数进行序列排列拼接组合，形成1000*200*80条1*13维数据特征，其中预测值即废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量直接将同一条GAN1、GAN2及GAN3的网络生成的参数进行累加求平均即可。
在上述步骤S203中，本步骤中首次提出了一种总生成器网络验证器对于步骤S202中子生成器生成的特征进行再次过滤，以增加其可信度，具体可表现为提出一种总体生成网络分支架构，利用总生成器GAN4进行数据生成，区别于以往生成器的作法，本次将总生成器生成数据全部舍弃，即舍弃同时对1*13维整体的双膛炉设计参数直接舍弃，由于该设计参数的维度较高，稳定性较差，但是保留其总体判定器功能，利用该总体判定器对上述步骤中子生成网络生成拼接后的设计向量进行判定，仅保留置信度超过0.9的设计参数作为本次申请后续网络分析可用的数据集参数。
由于双膛炉数据集是一种特定的工业设备，相比于通用领域，可获得的运行数据可能较为有限，且双膛炉涉及的工业过程涉及企业的核心技术和商业机密，其数据具体收集过程又涉及多个参数和过程，需要从多个源头收集数据，因此获取充足的双膛炉数据集是较为困难的，所有在步骤S2中，本申请首次提出了一种改进双膛炉生成式网络数据集架构，用来生成足量的双膛炉设计参数。本步骤S3中，则根据该数据进行输出值即废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量的判定。
在上述步骤S3中，提出一种双膛炉产出性能及环保代价预测网络架构构建，即采用两个并行网络分别预测在每条设计参数的产出性能包括石灰活性度和残余的二氧化碳含量以及环保代价废烟温度、废烟粉尘含量，其中采用BP网络对废烟温度以及废烟粉尘含量进行预测，其中网络架构具体可表示为全连接层9*512,512*1024,1024*2，最终输出值为废烟温度以及废烟粉尘含量并与该具体生成特征参数进行同时保留，此外该分支网络架构的损失值为MSE损失。
对于产出性能即石灰活性度和残余的二氧化碳含量，由于双膛炉的产品产出跟整个流程呈现较强的时序相关性，因此本次申请采用RNN网络进行预测，具体网络架构为三层单向循环的RNN，BatchNormal，ReLU，将所有的输出值打上标签进行保留，其中该网络损失值也为均方差MSE损失值。
当所有的生成网络的数据值均判定完成后，即所有数据集均训练完成后，两个分值预测网络的损失值降低到0.05以下，表明本申请所提出的基于改进生成式网络的双膛炉优化网络架构构建完成。
在上述步骤S4中，在上述步骤中完成了网络架构的构建，本申请中则将其进行具体的部署与应用，在实际应用过程中预热带长度、煅烧带长度、冷却带长度、煅烧温度、燃料热值及石灰石块度特征均是较为容易设计的，及较为容易根据生产要求工业环境进行限定，当时膛炉直径、环形通道直径、烟气管道直径确实较难选定的，即主要是预热带长度、煅烧带长度、冷却带长度、煅烧温度、燃料热值及石灰石块度改变时，燃料流量改变，废气量也发生变化，原有尺寸内气流流速也发生剧烈变化，导致生产工况发生变化，使得在标准窑体内难以生产达标生产活性石灰，因此本申请中在确定了预热带长度、煅烧带长度、冷却带长度、煅烧温度、燃料热值及石灰石块度特征参数后，首先采用GAN1、GAN2生成大量的膛炉直径、环形通道直径、烟气管道直径数据，进而与之前确定好的预热带长度、煅烧带长度、冷却带长度、煅烧温度、燃料热值及石灰石块度特征参数拼接后形成完成的设计参数，然后对于每一组生成的参数，将其输入到预训练好的双膛炉网络中，预测相应的环保代价(废烟温度、废烟粉尘含量)和产品性能(石灰活性度和残余的二氧化碳含量)，并采用双膛炉优化目标函数进行分析平衡产出性能和环保代价。
其中，优化目标函数可表示为：
F(x)＝δ*P(x)+ε*E(x) (1)
其中，F(x)是总体目标函数，x是最终生成的设计参数，P(x)是产出性能的评价函数，E(x)是环保代价的评价函数，δ是产品性能因子，ε是环保代价引资，At和Ct是石灰活性度和残余二氧化碳含量的目标值，Ct，Cp(x)是模型预测的石灰活性度和残余二氧化碳含量，Ta，Da是废烟温度和废烟粉尘含量的允许最大值，Tp(x)，Dp(x)是模型预测的废烟温度和废烟粉尘含量，分别为石灰活性度、残余二氧化碳含量、废烟温度和废烟粉尘含量的相对占比参数。
当所有的参数经过上述网络预测完毕，选择最小的总体目标函数，即可完成双膛炉现有环境下的最优参数设计，即使得在给定一部分参数的情况下，生成并选择最优的设计参数，从而实现产出性能和环保代价的平衡优化，实现双膛炉的高效、环保和经济运行，为企业带来实际效益。
本申请的技术方案通过结合生成式对抗网络、复杂网络架构以及多目标优化策略，针对现有技术中存在的多个问题提供了创新性的解决途径，具有如下的优点：
(1)处理非线性关系：现有技术往往忽视了参数间的复杂非线性关系，仅仅关注直观的因素。与之不同的是，本申请采用的生成式对抗网络能够学习和模拟这些非线性关系，为参数调整和优化提供了更加准确和稳定的依据。这意味着在实际操作中，本技术方案能够更加准确地预测和控制双膛炉的运行状态，提高生产效率；
(2)解决数据质量问题：本申请通过采用复杂网络架构来处理实际运行数据中的噪声和异常值，从而确保模型的准确性和可靠性。这解决了现有技术中数据驱动方法常常面临的数据质量问题，使得本优化方法更加实用和可靠；
(3)降低模型复杂性：现有的数据驱动优化方法需要大量的计算资源和专业知识，模型复杂性较高。本申请通过采用创新性的网络结构和算法，降低了模型的复杂性，减少了计算资源的需求，使得该方法更易于推广和应用；
(4)实现环保与产出之间的平衡：现有方法在追求产量和效率时往往牺牲环境保护，造成可持续发展的困难。本申请通过多目标优化策略，充分考虑了环保因素，实现了环保与产出之间的平衡。这将有助于提高双膛炉的可持续发展能力，同时也是对环境保护和企业利益之间的权衡；
(5)提高优化的稳定性和可靠性：通过全面分析和挖掘多个影响因素之间的非线性关系，本申请的技术方案提高了优化的稳定性和可靠性。这意味着该方案在不同的环境条件下都能够实现稳定、可靠的优化效果，满足了实际生产的需求。
上述基于改进生成式网络的双膛炉优化方法，具有如下的特点：
1、分级生成与过滤；
FPG算子：通过FPG算子，方案实现了对不同可更改性的特征参数进行分类和分级生成，减小了参数空间和计算复杂度，提高了计算效率和模型稳定性。
子生成器与总生成器的结合：子生成器专注于生成特定类别的特征参数，而总生成器则进行综合判定和过滤，确保生成数据的可信度。
2、多网络架构与并行预测；
并行预测网络：方案采用了BP网络和RNN网络并行预测不同类别的输出值(环保代价和产出性能)，满足了时序性和非时序性数据的需求，提高了预测准确性。
多层次的网络验证：通过子生成器、总生成器和多个预测网络的结合，方案实现了多层次的网络验证和数据过滤，提高了数据的可信度和模型的鲁棒性。
3、实时调整与优化；
实时特征调整：通过区分固定特征、可更改但困难性特征以及可实时更改特征，方案能够根据生产需求和条件实时调整特征参数，增强了模型的实用性和灵活性。
双膛炉优化目标函数：通过分析平衡产出性能和环保代价，实现了对双膛炉的实时优化，提高了产出质量和环境友好性。
4、大量数据生成与应用；
大量数据生成：通过GANs生成大量的设计参数数据，丰富了数据集，提高了模型训练的稳定性和准确性。
实际应用与验证：方案不仅仅停留在理论和模型构建层面，而是进一步将其部署和应用到实际的双膛炉生产中，验证了模型的实用性和有效性。
5、综合特征分析与编码；
特征分析与编码：通过对双膛炉的各种特征参数进行详细分析和编码，方案实现了对复杂系统的有效描述和建模。
维度拼接与组合：将不同生成器生成的特征参数进行维度拼接和组合，实现了多维度特征的综合分析和应用。
综上所述，该方案通过一系列的创新技术点和方法，实现了对双膛炉性能的优化和提升，具有很高的实用价值和创新性。
以上结合附图对本发明进行了示例性描述。显然，本发明具体实现并不受上述方式的限制。只要是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或未经改进，将本发明的上述构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (9)
1.基于改进生成式网络的双膛炉优化方法，其特征在于，包括步骤：
S1、双炉膛设计参数与结果输出数据表征；
S2、改进双膛炉生成式网络数据集架构构建；
S3、改进双膛炉产出性能及环保代价预测网络架构构建；
S4、基于改进生成式网络的双膛炉优化网络架构部署与应用。
2.根据权利要求1所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S1中，收集实际生产中的双膛炉运行数据，获取相关双膛炉的数据，并对收集到的数据进行预处理。
3.根据权利要求2所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S1中，需收集的双膛炉运行数据包括双炉膛设计参数和与之相关的结果输出数据，结果输出数据包括废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量。
4.根据权利要求1至3任一所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S2包括：
S201、FPG算子双膛炉设计参数分级；
S202、双膛炉各分级参数生成架构；
S203、双膛炉分级特征生成参数判定。
5.根据权利要求4所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S201中，提出一种FPG算子，FPG表示如下：t1，t2，t3＝class(xi)，i＝1，2，3，...，9，θj＝Concat(tj，x10，x11，x12，x13)，j＝1，2，3；其中，xi为设计特征，包括膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度，膛炉直径、预热带长度、煅烧带长度、冷却带长度、煅烧温度、环形通道直径、烟气管道直径、燃料热值及石灰石块度分别对应着x1，x2，x3，x4，x5，x6，x7，x8，x9；class(xi)表示对设计特征按照可更改性特征进行分类，t1，t2，t3表示根据可更改性维度划分为三种类别对应值，x10，x11，x12，x13为对应膛炉设计参数的目标值即废烟温度、废烟粉尘含量、石灰活性度和残余的二氧化碳含量，Concat(tj，x10，x11，x12，x13)表示为分类好的设计参数将其与对应双膛炉的设计目标值进行拼接形成一个信息的向量，θj为生成向量。
6.根据权利要求4所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S202中，通过GAN1、GAN2与GAN3分别对固定特征、可更改但困难性特征以及可实时更改特征进行分支子网络生成，提出采用一种基于经济成本的双膛炉子网络生成公式，具体可表示为：
Num(GAN2)＝2*Num(GAN3)；其中，Num(GAN1)、Num(GAN2)、Num(GAN3)分别代表着通过GAN1、GAN2与GAN3分别对固定特征、可更改但困难性特征以及可实时更改特征生成的数量，Cost(change(t1))，Cost(change(t2))，Cost(change(t3))表示在建造完成双膛炉后对固定特征、可更改但困难性特征以及可实时更改特征进行改造时所花费的平均经济成本。
7.根据权利要求4所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S203中，提出一种总体生成网络分支架构，利用总生成器GAN4进行数据生成，将总生成器生成数据全部舍弃，保留其总体判定器功能，利用该总体判定器对所述步骤S202中子生成网络生成拼接后的设计向量进行判定，仅保留置信度超过0.9的设计参数作为后续网络分析可用的数据集参数。
8.根据权利要求1至7任一所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S3中，采用两个并行网络分别预测在每条设计参数的产出性能，包括石灰活性度和残余的二氧化碳含量以及环保代价废烟温度、废烟粉尘含量，其中采用BP网络对废烟温度以及废烟粉尘含量进行预测。
9.根据权利要求8所述的基于改进生成式网络的双膛炉优化方法，其特征在于，所述步骤S3中，网络架构具体可表示为全连接层9*512，512*1024，1024*2，最终输出值为废烟温度以及废烟粉尘含量并与该具体生成特征参数进行同时保留，此外该分支网络架构的损失值为MSE损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311350423.1A CN117473661A (zh) | 2023-10-18 | 2023-10-18 | 基于改进生成式网络的双膛炉优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311350423.1A CN117473661A (zh) | 2023-10-18 | 2023-10-18 | 基于改进生成式网络的双膛炉优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117473661A true CN117473661A (zh) | 2024-01-30 |
Family
ID=89638872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311350423.1A Pending CN117473661A (zh) | 2023-10-18 | 2023-10-18 | 基于改进生成式网络的双膛炉优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117473661A (zh) |
-
2023
- 2023-10-18 CN CN202311350423.1A patent/CN117473661A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | A comparative study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler | |
| CN111651931B (zh) | 基于深度神经网络的高炉故障诊断规则导出方法 | |
| Yan et al. | Data‐driven modelling methods in sintering process: Current research status and perspectives | |
| Ma et al. | Edge-cloud cooperation-driven smart and sustainable production for energy-intensive manufacturing industries | |
| CN102175345A (zh) | 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 | |
| Niu et al. | Case-based reasoning based on grey-relational theory for the optimization of boiler combustion systems | |
| Yin et al. | Dynamic real–time abnormal energy consumption detection and energy efficiency optimization analysis considering uncertainty | |
| Yuan et al. | Spatiotemporal attention mechanism-based deep network for critical parameters prediction in chemical process | |
| Gao et al. | How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method | |
| Xu et al. | A novel online combustion optimization method for boiler combining dynamic modeling, multi-objective optimization and improved case-based reasoning | |
| Mian et al. | A literature review of fault diagnosis based on ensemble learning | |
| Yu et al. | A framework based on historical evolution learning for dynamic multiobjective optimization | |
| Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
| Dong et al. | Evaluation of TPGU using entropy-improved TOPSIS-GRA method in China | |
| CN117473661A (zh) | 基于改进生成式网络的双膛炉优化方法 | |
| CN116504329A (zh) | 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 | |
| Zhao et al. | Improving stability and performance of spiking neural networks through enhancing temporal consistency | |
| Ye et al. | Comprehensive evaluation of cleaner production in thermal power plants based on an improved least squares support vector machine model | |
| Jie et al. | Incremental learning algorithm of data complexity based on KNN classifier | |
| Nie et al. | Indicator system to evaluate the effectiveness and efficiency of China clean power systems | |
| Sun et al. | Performance prediction and multi-objective optimization for the Atkinson cycle engine using eXtreme Gradient Boosting | |
| Li et al. | Fraud Detection with Binding Global and Local Relational Interaction | |
| Qiu et al. | The Analysis of Environmental Cost Control of Manufacturing Enterprises Using Deep Learning Optimization Algorithm and Internet of Things | |
| Xie et al. | Webshell Detection Based on Explicit Duration Recurrent Network | |
| Wang | An Improved ELM Wireless Sensor Network Intrusion Detection Model Based on an Optimization Algorithm |
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 |