CN117870355B - 一种耐火材料烧成隧道窑燃烧参数优化方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种耐火材料烧成隧道窑燃烧参数优化方法及系统，具体包括：采集隧道窑的燃烧段各烧成品组的温度数据，通过温度异常情况以及燃烧段位置差异区分出燃烧效果常规烧成品组、燃烧效果次常规烧成品组及燃烧效果强异常烧成品组，通过分配不同权重得到燃烧参数适配度；通过各时刻燃烧参数适配度及ARIMA算法、BP神经网络获得下一时刻的最优燃烧能源消耗参数，对隧道窑燃烧系统进行调节。从而实现隧道窑燃烧参数优化，解决了传统隧道窑对燃烧段中烧成品温度监测时容易忽略烧成品所处位置的环境因素对燃烧效果产生影响的问题，进而提升了隧道窑燃烧系统参数的优化调节的精确度。

Description

一种耐火材料烧成隧道窑燃烧参数优化方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种耐火材料烧成隧道窑燃烧参数优化方法及系统。

背景技术

随着煅烧技术的不断发展，隧道窑逐渐替代了传统的旧式倒焰窑，隧道窑主要包括以下几个部分：窑体、窑车、窑具、燃烧系统以及通风设备在隧道窑的燃烧流程中扮演不同的角色。隧道窑通常为一条直线形隧道，其两侧即顶部有固定的墙壁及拱顶，底部铺设轨道运行窑车，燃烧设备在隧道窑的中部两侧，构建成高温带即烧成带，燃烧产生的高温烟气在通风设备的引导下，沿着隧道向窑头的方向流动，形成预热带，在隧道窑的尾部鼓入冷风，形成冷却带。新式的隧道窑不仅生产可连续化，生产周期短、产量大质量高，且可节省许多能源以及劳动力，被广泛应用于耐火材料、陶瓷、红砖等材料的煅烧流程中。

由于隧道窑的工作流程分为预热、燃烧、保温、冷却，通常情况下在隧道窑开始工作时，各项工作参数即设置完毕，隧道窑各个区域会根据预设的相关参数进行工作，但由于耐火材料的烧成影响因素较多，并且窑内状态以及耐火材料的当前烧成状态不一，若仅依照预设参数进行生产，可能会产生较大的残次率，为了能够提高耐火材料烧成的成品质量，通常会根据当前耐火材料的状态，对这四个流程的控制参数进行一定的优化调节。其中燃烧效果的好坏在较大程度上影响成品的质量，所以通常会采用多种检测手段对隧道窑内燃烧段的烧成品进行燃烧效果的监测，并根据燃烧效果对燃烧系统的能源消耗参数进行优化调整。然而传统的温度监测手段仅能从温度变化数据中进行异常判断，而容易忽略隧道窑中烧成品燃烧环境的影响，进而导致对当前燃烧状态的判断出现误差。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种耐火材料烧成隧道窑燃烧参数优化方法及系统，所采用的技术方案具体如下：

第一方面，本发明实施例提供了一种耐火材料烧成隧道窑燃烧参数优化方法，该方法包括以下步骤：

采集每个烧成品组各时刻温度数据，根据各烧成品组在隧道窑中位置得到每个烧成品组的位置编号；

对于各烧成品组，将所有时刻温度数据组成的序列作为温度数据序列；根据温度数据序列中温度数据突变情况得到各温度递变序列；根据各温度递变序列中数据差异得到各温度递变序列的温变特征指数，根据不同烧成品组的温度变化及温变特征指数得到各烧成品组的燃烧升温进程异化指数；根据不同烧成品组温度突变差异及燃烧升温进程异化指数得到各烧成品组的燃烧效果同步指数，结合聚类算法得到燃烧效果常规烧成品组和燃烧效果异常烧成品组；根据燃烧效果同步指数及位置编号得到各燃烧效果异常烧成品组的燃烧异常同类指数；根据温度数据序列变化趋势得到各燃烧效果异常烧成品组的升温曲线变动差别系数；根据燃烧异常同类指数、升温曲线变动差别系数及温度数据得到最新时刻各燃烧效果异常烧成品组的燃烧效果非异系数；根据燃烧效果非异系数及燃烧效果常规烧成品组结合阈值分割算法得到最新时刻的燃烧参数适配度；通过最新时刻的燃烧参数适配度的获取方式得到各历史时刻的燃烧参数适配度；

根据燃烧参数适配度及ARIMA预测算法对未来时刻的燃烧参数适配度进行预测，结合BP神经网络算法得到未来时刻的最优燃烧能源消耗参数；将最优燃烧能源消耗参数输入隧道窑燃烧能源消耗参数智能调节系统进行燃烧状态预调整。

优选的，所述根据温度数据序列中温度数据突变情况得到各温度递变序列，具体为：

将温度数据序列中所有数据的一阶差分值组成的序列作为温度一阶差分序列；

通过Pettitt突变点检验算法获取温度一阶差分序列中各突变点；

将各突变点在温度数据序列中对应的温度数据确定为突变温度节点，将温度数据序列中首个和最后一个温度数据记为突变温度节点；将温度数据序列中每相邻两个突变温度节点之间的数据组成的序列作为各温度递变序列。

优选的，所述根据各温度递变序列中数据差异得到各温度递变序列的温变特征指数，根据不同烧成品组的温度变化及温变特征指数得到各烧成品组的燃烧升温进程异化指数，具体包括：

对于各温度递变序列，计算温度递变序列中温度最大值与温度最小值之间的差值；计算温度递变序列中每相邻两个温度数据之间的差值绝对值；计算所有所述差值绝对值的和值；计算所述和值与温度递变序列经过的时刻总数之间的比值；将所述比值与所述差值之间的乘积作为温度递变序列的温变特征指数；

通过动态时间规整算法计算第m个烧成品组与第M个烧成品组的第N个温度递变序列之间的dtw距离；计算第m个烧成品组与第M个烧成品组的第N个温度递变序列温变特征指数之间的比值；计算1与所述比值之间的差值绝对值；计算所述dtw距离与所述差值绝对值的乘积；计算关于第m个烧成品组与第M个烧成品组的所有所述乘积的和值；计算关于第m个烧成品组的所有所述和值的平均值；将所述平均值作为第m个烧成品组的燃烧升温进程异化指数。

优选的，所述根据不同烧成品组温度突变差异及燃烧升温进程异化指数得到各烧成品组的燃烧效果同步指数，结合聚类算法得到燃烧效果常规烧成品组和燃烧效果异常烧成品组，具体包括：

各烧成品组的燃烧效果同步指数的表达式为：

式中，为第m个烧成品组的燃烧效果同步指数，/>为以e为底的指数函数，/>和分别为第m个和第M个烧成品组温度一阶差分序列中的突变点总数，/>为取最小值函数，/>为从/>和/>中取最小值，/>和/>分别为第m个烧成品组和第M个烧成品组的温度递变序列中的第G个突变温度节点，/>为获取突变温度节点对应的时刻数据，/>和/>分别为获取第m个烧成品组和第M个烧成品组的第G个突变温度节点对应的时刻数据；

通过K-means聚类算法基于燃烧效果同步指数对所有烧成品组进行聚类，得到各聚类簇；计算各聚类簇内所有烧成品组的燃烧效果同步指数的均值；将所有所述均值的最大值对应的聚类簇中的烧成品组作为燃烧效果常规烧成品组；将所有所述均值的最小值对应的聚类簇中的烧成品组作为燃烧效果异常烧成品组。

优选的，所述根据燃烧效果同步指数及位置编号得到各燃烧效果异常烧成品组的燃烧异常同类指数，表达式为：

式中，为第j个燃烧效果异常烧成品组的燃烧异常同类指数，r为燃烧效果异常烧成品组总数，/>为以e为底的指数函数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组的燃烧效果同步指数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组的位置编号，MID为同批次烧成品组的位置编号的中位数。

优选的，所述根据温度数据序列变化趋势得到各燃烧效果异常烧成品组的升温曲线变动差别系数，具体包括：

通过时间序列分解算法获取各燃烧效果异常烧成品组温度数据序列的趋势项序列；通过时间序列分解算法中趋势强度的计算公式获取各趋势项序列的趋势强度；通过最小二乘法曲线拟合算法获取各燃烧效果异常烧成品组温度数据序列的拟合曲线，作为各燃烧效果异常烧成品组的温度曲线；获取各温度曲线上每个数据点处的斜率；

各燃烧效果异常烧成品组的升温曲线变动差别系数的表达式为：

为第j个燃烧效果异常烧成品组的升温曲线变动差别系数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组温度数据序列的趋势项序列的趋势强度，r为燃烧效果异常烧成品组总数，/>和/>分别为第j个燃烧效果异常烧成品组温度曲线中第/>个和第个数据点处的斜率，/>和/>分别为第k个燃烧效果异常烧成品组温度曲线中第/>个和第/>个数据点处的斜率，/>为防止分母为零的参数。

优选的，所述根据燃烧异常同类指数、升温曲线变动差别系数及温度数据得到最新时刻各燃烧效果异常烧成品组的燃烧效果非异系数，具体包括：

计算各燃烧效果异常烧成品组的升温曲线变动差别系数与预设参数的和值；计算各燃烧效果异常烧成品组的燃烧异常同类指数与所述和值的比值；计算最新时刻所有烧成品组的温度数据均值；计算最新时刻各燃烧效果异常烧成品组的温度数据与所述温度数据均值之间的差值绝对值；计算以自然常数为底数、以所述差值绝对值的相反数为指数的指数函数的计算结果；将所述比值与所述计算结果的乘积作为各燃烧效果异常烧成品组的燃烧效果非异系数。

优选的，所述根据燃烧效果非异系数及燃烧效果常规烧成品组结合阈值分割算法得到最新时刻的燃烧参数适配度，具体为：

采用大津阈值法获取最新时刻所有燃烧效果异常烧成品组的燃烧效果非异系数的分割阈值；将燃烧效果非异系数大于等于分割阈值的燃烧效果异常烧成品组作为燃烧效果次常规烧成品组，反之，作为燃烧效果强异常烧成品组；

将燃烧效果常规烧成品组的燃烧效果权重设定为3，燃烧效果次常规烧成品组的燃烧效果权重设定为2，燃烧效果强异常烧成品组的燃烧效果权重设定为1；计算最新时刻的所有烧成品组对应的燃烧效果权重的和值；将所述和值的归一化值作为最新时刻的燃烧参数适配度。

优选的，所述根据燃烧参数适配度及ARIMA预测算法对未来时刻的燃烧参数适配度进行预测，结合BP神经网络算法得到未来时刻的最优燃烧能源消耗参数，具体为：

将所有时刻的燃烧参数适配度组成的序列记为燃烧参数适配度数据序列，作为ARIMA预测算法的输入，输出为未来时刻的燃烧参数适配度的预测值；将预测值加入燃烧参数适配度数据序列中得到新的燃烧参数适配度数据序列，作为BP神经网络的输入，BP神经网络的输出为未来时刻的最优燃烧能源消耗参数。

第二方面，本发明实施例还提供了一种耐火材料烧成隧道窑燃烧参数优化系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

本发明实施例至少具有如下有益效果：

本发明通过采集隧道窑的燃烧段各烧成品组的温度数据，针对隧道窑中窑车首尾位置烧成品受热情况不均的情况进行分析，根据烧成品温度数据序列中温度数据的异常情况得到烧成品的温度递变序列，构建烧成品燃烧效果同步指数，区分出燃烧效果常规烧成品组和燃烧效果异常烧成品组；根据烧成品组在燃烧段中不同位置的差异及温度数据序列变化的相近程度，结合燃烧效果同步指数构建燃烧效果非异系数，将燃烧效果异常烧成品组区分出燃烧效果次常规烧成品组以及燃烧效果强异常烧成品组，通过设置不同权重构建燃烧参数适配度；通过各时刻燃烧参数适配度及ARIMA算法、BP神经网络获得下一时刻的最优燃烧能源消耗参数，对隧道窑燃烧系统进行调节；解决了传统隧道窑对燃烧段中烧成品温度监测时容易忽略烧成品所处位置的环境因素对燃烧效果产生影响的问题，进而提升了隧道窑燃烧系统参数的优化调节的精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的一种耐火材料烧成隧道窑燃烧参数优化方法的步骤流程图；

图2为耐火材料烧成隧道窑燃烧参数优化方法的具体步骤示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种耐火材料烧成隧道窑燃烧参数优化方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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

下面结合附图具体的说明本发明所提供的一种耐火材料烧成隧道窑燃烧参数优化方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种耐火材料烧成隧道窑燃烧参数优化方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集隧道窑的燃烧段各烧成品组的温度数据。

在窑车上同一批烧成品是按照组别顺序，水平放置在窑车上进行运输的，将B型铂铑30-铂铑6热电偶温度传感器设置在每一组烧成品的中心区域，对每一组烧成品中心区域的温度进行持续采集，采样间隔时间为T，将所有时刻采集的温度数据再按照时间顺序升序排序，将组成的序列作为每个烧成品组的温度数据序列。获取隧道窑的燃烧段中同一批次的各个烧成品组的温度数据序列，将每个烧成品组按照其在燃烧段中的前后位置进行编号，将该编号记为位置编号，用表示第m个烧成品组的位置编号，其中m越小，第m个烧成品组在隧道窑中的位置越靠前，反之，位置越靠后。则将每个烧成品组的温度数据序列用表示，其中/>的含义为燃烧段中第m个烧成品组在第n时刻的温度数据，第n时刻为数据采集的最新时刻。需要说明的是，T的值实施者可自行设定，本实施例将T的值设定为0.5秒。

步骤S002，通过温度异常情况以及燃烧段位置差异区分出燃烧效果常规烧成品组、燃烧效果次常规烧成品组及燃烧效果强异常烧成品组，通过分配不同权重得到燃烧参数适配度。

隧道窑的一大特点即是烧成品是在窑车上按照加工顺序逐步进行预热、煅烧、保温、冷却的，但每一组的烧成品在各个阶段存在一定的处理效果差异，所以在检测燃烧状态的过程中，每一组的烧成品升温的速度各有差异，想要判断当前批次的燃烧完成状态，还需要分析各组烧成品的燃烧状态情况。

具体的，当隧道窑燃烧段的燃烧设备工作正常时，通常情况下各组烧成品的燃烧升温效果相近，即其升温速度也较为相似，开始时升温速度较快，待升温一段时间后升温速度开始下降。获取每组烧成品的温度数据序列中每个数据的一阶差分值，将每组烧成品的温度数据序列中所有数据的一阶差分值按时间顺序组成的序列作为温度一阶差分序列，将每组烧成品的温度一阶差分数据序列分别作为Pettitt突变点检验算法的输入，输出分别为每组烧成品温度一阶差分数据序列中的所有突变点。其中Pettitt突变点检验算法为公知技术，本实施例不再赘述其过程。

将每个突变点在温度数据序列中对应的温度数据确定为突变温度节点，另外将温度数据序列中第一个和最后一个温度数据也确定为突变温度节点，将温度数据序列中每相邻的两个突变温度节点之间的温度数据组成的序列作为各温度递变序列，并将温度递变序列记录为，其中/>的含义为第m个烧成品组的第N个温度递变序列。构建第m个烧成品组燃烧效果同步指数（C）：

式中，为第m个烧成品组的第N个温度递变序列的温变特征指数，/>分别为第m个烧成品组的第N个温度递变序列中的温度最大值和最小值，d为第m个烧成品组的第N个温度递变序列中的温度数据个数，/>和/>分别为第N个温度递变序列中第i个和第i-1温度数据，t为第N个温度递变序列经过的时刻总数；

为第m个烧成品组的燃烧升温进程异化指数，L为与第m个烧成品组同批次的烧成品组个数，/>为第m个烧成品组和第M个烧成品组的温度递变序列个数中的最小值，/>和/>分别为第m个烧成品组和第M个烧成品组的第N个温度递变序列，/>为通过动态时间规整算法计算dtw距离的函数，/>为第m个烧成品组和第M个烧成品组的第N个温度递变序列之间的dtw距离，/>为第M个烧成品组中第N个温度递变序列的温变特征指数；

为第m个烧成品组的燃烧效果同步指数，/>为以e为底的指数函数，/>和/>分别为第m个和第M个烧成品组温度一阶差分序列中的突变点总数，/>为取最小值函数，为从/>和/>中取最小值，/>和/>分别为第m个烧成品组和第M个烧成品组的温度递变序列中的第G个突变温度节点，/>为获取突变温度节点对应的时刻数据，和/>分别为获取第m个烧成品组和第M个烧成品组的第G个突变温度节点对应的时刻数据。

当第m个烧成品组中第N个温度递变序列的温度极差越大，且每次温度变化的差异越大，的值越大，说明该烧成品组温度变化程度的特征越明显。而当第m个烧成品组中的每一个温度递变序列与其余烧成品中的每一个温度递变序列的dtw距离越大，/>越大，且不同烧成品组的温度递变序列之间的温变特征指数差异越大，/>的值越大，说明第m个烧成品组在燃烧过程中温度变化特征与其余烧成品的温度变化特征差异越大，即/>越大。当第m个烧成品组温度燃烧升温进程异化指数越小，并且第m个烧成品组温度递变序列与其余烧成品组温度递变序列中的温度突变时刻差异越小，/>的值越大，说明该烧成品组燃烧效果与其余烧成品的同步程度越高，即/>越大。

至此，获得每一个烧成品组的燃烧效果同步指数C。

将所有烧成品组的燃烧效果同步指数作为K-means聚类算法的输入，设定聚类簇的数量，需要说明的是，聚类簇的数量实施者可自行设定，本实施例将聚类簇的数量设定为2，度量距离为烧成品组的燃烧效果同步指数之间的差值的绝对值，输出为两个聚类簇。其中K-means聚类算法为公知技术，本实施例不再赘述其过程。计算每个聚类簇内的燃烧效果同步指数均值作为该聚类簇的同步指数代表值，将同步指数代表值最大的聚类簇作为燃烧效果常规聚类簇，并将其中的烧成品组作为燃烧效果常规烧成品组，将同步指数代表值最小的聚类簇作为燃烧效果异常聚类簇，并将燃烧效果异常聚类簇中所有烧成品组作为燃烧效果异常烧成品组。燃烧效果异常的烧成品组越多，说明当前隧道窑的燃烧段燃烧能源消耗参数可能需要进行一定的调整。

由于烧成品是被窑车一批批运进燃烧段的，窑车头部即是隧道窑燃烧段的出口，即保温段，相对与燃烧段而言温度较低，而窑车尾部则是上一阶段的预热段，温度也相对较低，所以在燃烧段中的不同位置的烧成品组冷却效果略有不同，在窑车头部和尾部的烧成品组可能燃烧效果较差，需要的时间更长，所以燃烧效果异常的烧成品组也可能并非是当前燃烧段燃烧设备参数不适配而导致的燃烧效果异常，因此还需要进一步的分析。

具体的，通常窑车运输一批烧成品组数量较多，受到隧道窑燃烧段首尾影响时，通常不只有首部和尾部的一个烧成品组受到影响，邻近窑车首尾部的多个烧成品组的燃烧效果均可能会受到影响，并且影响的程度以及影响的时刻较为相近。将每个燃烧效果异常烧成品组温度数据序列作为STL时间序列分解算法的输入，进行时间序列分解，输出为每个燃烧效果异常烧成品组温度数据序列的残差项序列、周期项序列和趋势项序列，并利用算法中趋势强度的计算公式，计算每个燃烧效果异常烧成品组温度数据序列的趋势项序列的趋势强度，并将其记录为，其中/>的含义为第j个燃烧效果异常烧成品组温度数据序列的趋势项序列的趋势强度。

再将每个燃烧效果异常烧成品组温度数据序列中所有温度数据作为最小二乘法曲线拟合算法的输入，输出为每个燃烧效果异常烧成品组的所有温度数据的拟合曲线，记为温度曲线，并计算每个温度曲线上各数据点处的斜率。其中STL算法、最小二乘法曲线拟合算法及曲线斜率计算均为公知技术，本实施例不再赘述其过程。

构建每个烧成品组的燃烧效果非异系数（S）：

式中，为第j个燃烧效果异常烧成品组的燃烧异常同类指数，r为燃烧效果异常烧成品组总数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组的燃烧效果同步指数，和/>分别为第j个和第k个燃烧效果异常烧成品组的位置编号，MID为该批次烧成品组的位置编号的中位数，/>为以e为底的指数函数；

为第j个燃烧效果异常烧成品组的升温曲线变动差别系数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组温度数据序列的趋势项序列的趋势强度，/>和/>分别为第j个燃烧效果异常烧成品组温度曲线中第/>个和第/>个数据点处的斜率，/>和分别为第k个燃烧效果异常烧成品组温度曲线中第/>个和第/>个数据点处的斜率，为防止分母为零的参数，/>的值实施者可自行设定，本实施例中将/>的值设定为0.001；

为第j个燃烧效果异常烧成品组的燃烧效果非异系数，/>为第j个燃烧效果异常烧成品组在第n时刻的温度数据，/>为该批次所有烧成品组在第n时刻的温度数据均值，为防止分母为0的参数，/>的值实施者可自行设定，本实施例中将/>的值设定为0.001。

当第j个燃烧效果异常烧成品组与其余燃烧效果异常烧成品组燃烧效果同步指数差距越小，且距离该批次烧成品组中部越远，越大，说明该燃烧效果异常烧成品组与其余燃烧效果异常烧成品组的当前燃烧效果差距越小，且分布在窑车的首尾部分。当第j个燃烧效果异常烧成品组与其余燃烧效果异常烧成品组的趋势强度差距越小，且温度曲线上的每个数据点的斜率差距越小，的值越小，说明该燃烧效果异常烧成品组燃烧效果与其余燃烧效果异常烧成品组在燃烧时温度变化情况更为相似，越可能是在窑车首尾两端受到位置干扰的烧成品。当最新时刻第j个燃烧效果异常烧成品组的温度与所有烧成品组的温度均值之间的差距越大，且与其它燃烧效果异常的烧成品组相比温度数据变化越相同，升温情况差别越小，/>的值越大，说明该燃烧效果异常的烧成品组并非真正的发生异常，更可能是因为其所处窑车位置导致的燃烧效果出现差异，即/>越大。

至此，获得每一个燃烧效果异常烧成品组在第n时刻的燃烧效果非异系数S。将所有燃烧效果非异系数作为大津阈值法的输入，输出为燃烧效果非异系数的分割阈值Z，若燃烧效果非异系数大于等于阈值Z，则将燃烧效果异常烧成品组作为燃烧效果次常规烧成品组；若将燃烧效果非异系数小于阈值Z，则将燃烧效果异常烧成品组作为燃烧效果强异常烧成品组。其中大津阈值法为公知技术，本实施例不再赘述其过程。

至此，将第n时刻在燃烧段燃烧的烧成品组分为燃烧效果常规烧成品组、燃烧效果次常规烧成品组、燃烧效果强异常烧成品组。构建第n时刻的燃烧系统参数适配度（X）：

式中，为第i个烧成品组的燃烧效果权重，/>为第n时刻燃烧系统的燃烧参数适配度，L为该批次烧成品组个数。

第n时刻各个烧成品组的燃烧效果越好，说明第n时刻燃烧系统的燃烧参数适配度越高，即X越大，不需要对当前燃烧系统的燃烧能源消耗参数进行修改。反之，第n时刻各个烧成品组的燃烧效果越差，说明当前的燃烧系统的燃烧参数适配度较低，即X越小，需要对当前燃烧系统的能源消耗参数进行一定的优化调整。

根据其他每个历史时刻为最新时刻时已采集的温度数据，结合第n时刻为最新时刻时获取燃烧参数适配度的方式，得到每个历史时刻的燃烧参数适配度。

至此，可计算出每个时刻的燃烧参数适配度X。

步骤S003，通过各时刻燃烧参数适配度及ARIMA算法、BP神经网络获得下一时刻的最优燃烧能源消耗参数，对隧道窑燃烧系统进行调节。

将每个时刻的燃烧参数适配度按时间升序排列，构建燃烧参数适配度数据序列，并将其记录为，其中/>的含义为第n时刻燃烧系统的燃烧参数适配度。将燃烧参数适配度数据序列作为ARIMA预测算法的输入，输出为第n+1时刻的燃烧参数适配度的预测值/>。其中ARIMA预测算法为公知技术，本实施例不再赘述其过程。第n+1时刻为未来时刻。

将第n+1时刻的燃烧参数适配度的预测值加入至燃烧参数适配度数据序列中，组成新的燃烧参数适配度数据序列，并将其作为BP神经网络的输入，BP神经网络的优化算法为SGD算法，损失函数为均方差，输出为第n+1时刻的最优燃烧能源消耗参数。BP神经网络的训练过程为公知技术，具体过程不再赘述。

将第n+1时刻的最优燃烧能源消耗参数输入至隧道窑燃烧能源消耗参数智能调节系统中，智能调节系统根据最优燃烧能源消耗参数对隧道窑燃烧系统的能源消耗参数进行调整，进而对燃烧状态进行预调整，以提升隧道窑燃烧段中的烧成品燃烧质量。其中BP神经网络为公知技术，本实施例不再赘述其过程。上述方法的具体步骤示意图如图2所示。

基于与上述方法相同的发明构思，本发明实施例还提供了一种耐火材料烧成隧道窑燃烧参数优化系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种耐火材料烧成隧道窑燃烧参数优化方法中任意一项所述方法的步骤。

综上所述，本发明实施例提供了一种耐火材料烧成隧道窑燃烧参数优化方法，通过采集隧道窑的燃烧段各烧成品组的温度数据，针对隧道窑中窑车首尾位置烧成品受热情况不均的情况进行分析，根据烧成品温度数据序列中温度数据的异常情况得到烧成品的温度递变序列，构建烧成品燃烧效果同步指数，区分出燃烧效果常规烧成品组和燃烧效果异常烧成品组；根据烧成品组在燃烧段中不同位置的差异及温度数据序列变化的相近程度，结合燃烧效果同步指数构建燃烧效果非异系数，将燃烧效果异常烧成品组区分出燃烧效果次常规烧成品组以及燃烧效果强异常烧成品组，通过设置不同权重构建燃烧参数适配度；通过各时刻燃烧参数适配度及ARIMA算法、BP神经网络获得下一时刻的最优燃烧能源消耗参数，对隧道窑燃烧系统进行调节；解决了传统隧道窑对燃烧段中烧成品温度监测时容易忽略烧成品所处位置的环境因素对燃烧效果产生影响的问题，进而提升了隧道窑燃烧系统参数的优化调节的精确度。

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

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

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种耐火材料烧成隧道窑燃烧参数优化方法，其特征在于，该方法包括以下步骤：

采集隧道窑的燃烧段各烧成品组的温度数据，采集每个烧成品组各时刻温度数据，根据各烧成品组在隧道窑中位置得到每个烧成品组的位置编号；

对于各烧成品组，将所有时刻温度数据组成的序列作为温度数据序列；根据温度数据序列中温度数据突变情况得到各温度递变序列；根据各温度递变序列中数据差异得到各温度递变序列的温变特征指数，根据不同烧成品组的温度变化及温变特征指数得到各烧成品组的燃烧升温进程异化指数；根据不同烧成品组温度突变差异及燃烧升温进程异化指数得到各烧成品组的燃烧效果同步指数，结合聚类算法得到燃烧效果常规烧成品组和燃烧效果异常烧成品组；根据燃烧效果同步指数及位置编号得到各燃烧效果异常烧成品组的燃烧异常同类指数；根据温度数据序列变化趋势得到各燃烧效果异常烧成品组的升温曲线变动差别系数；根据燃烧异常同类指数、升温曲线变动差别系数及温度数据得到最新时刻各燃烧效果异常烧成品组的燃烧效果非异系数；根据燃烧效果非异系数及燃烧效果常规烧成品组结合阈值分割算法得到最新时刻的燃烧参数适配度；通过最新时刻的燃烧参数适配度的获取方式得到各历史时刻的燃烧参数适配度；

根据燃烧参数适配度及ARIMA预测算法对未来时刻的燃烧参数适配度进行预测，结合BP神经网络算法得到未来时刻的最优燃烧能源消耗参数；将最优燃烧能源消耗参数输入隧道窑燃烧能源消耗参数智能调节系统进行燃烧状态预调整；

所述根据温度数据序列中温度数据突变情况得到各温度递变序列，具体为：

将温度数据序列中所有数据的一阶差分值组成的序列作为温度一阶差分序列；

通过Pettitt突变点检验算法获取温度一阶差分序列中各突变点；

将各突变点在温度数据序列中对应的温度数据确定为突变温度节点，将温度数据序列中首个和最后一个温度数据记为突变温度节点；将温度数据序列中每相邻两个突变温度节点之间的数据组成的序列作为各温度递变序列；

所述根据各温度递变序列中数据差异得到各温度递变序列的温变特征指数，根据不同烧成品组的温度变化及温变特征指数得到各烧成品组的燃烧升温进程异化指数，具体包括：

式中，为第m个烧成品组的第N个温度递变序列的温变特征指数，/>分别为第m个烧成品组的第N个温度递变序列中的温度最大值和最小值，d为第m个烧成品组的第N个温度递变序列中的温度数据个数，/>和/>分别为第N个温度递变序列中第i个和第i-1温度数据，t为第N个温度递变序列经过的时刻总数；/>为第m个烧成品组的燃烧升温进程异化指数，L为与第m个烧成品组同批次的烧成品组个数，/>为第m个烧成品组和第M个烧成品组的温度递变序列个数中的最小值，/>和/>分别为第m个烧成品组和第M个烧成品组的第N个温度递变序列，/>为第m个烧成品组和第M个烧成品组的第N个温度递变序列之间的dtw距离，/>为第M个烧成品组中第N个温度递变序列的温变特征指数；

所述根据不同烧成品组温度突变差异及燃烧升温进程异化指数得到各烧成品组的燃烧效果同步指数，结合聚类算法得到燃烧效果常规烧成品组和燃烧效果异常烧成品组，具体包括：

各烧成品组的燃烧效果同步指数的表达式为：

式中，为第m个烧成品组的燃烧效果同步指数，/>为自然常数，/>和/>分别为第m个和第M个烧成品组温度一阶差分序列中的突变点总数，/>为从/>和/>中取最小值，/>和/>分别为第m个烧成品组和第M个烧成品组的温度递变序列中的第G个突变温度节点，/>和/>分别为获取第m个烧成品组和第M个烧成品组的第G个突变温度节点对应的时刻数据；

通过K-means聚类算法基于燃烧效果同步指数对所有烧成品组进行聚类，得到各聚类簇；计算各聚类簇内所有烧成品组的燃烧效果同步指数的均值；将所有所述均值的最大值对应的聚类簇中的烧成品组作为燃烧效果常规烧成品组；将所有所述均值的最小值对应的聚类簇中的烧成品组作为燃烧效果异常烧成品组；

所述根据燃烧效果同步指数及位置编号得到各燃烧效果异常烧成品组的燃烧异常同类指数，表达式为：

式中，为第j个燃烧效果异常烧成品组的燃烧异常同类指数，r为燃烧效果异常烧成品组总数，/>为自然常数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组的燃烧效果同步指数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组的位置编号，MID为同批次烧成品组的位置编号的中位数；

所述根据温度数据序列变化趋势得到各燃烧效果异常烧成品组的升温曲线变动差别系数，具体包括：

通过时间序列分解算法获取各燃烧效果异常烧成品组温度数据序列的趋势项序列；通过时间序列分解算法中趋势强度的计算公式获取各趋势项序列的趋势强度；通过最小二乘法曲线拟合算法获取各燃烧效果异常烧成品组温度数据序列的拟合曲线，作为各燃烧效果异常烧成品组的温度曲线；获取各温度曲线上每个数据点处的斜率；

各燃烧效果异常烧成品组的升温曲线变动差别系数的表达式为：

为第j个燃烧效果异常烧成品组的升温曲线变动差别系数，/>和/>分别为第j个和第k个燃烧效果异常烧成品组温度数据序列的趋势项序列的趋势强度，r为燃烧效果异常烧成品组总数，/>和/>分别为第j个燃烧效果异常烧成品组温度曲线中第/>个和第个数据点处的斜率，/>和/>分别为第k个燃烧效果异常烧成品组温度曲线中第个和第/>个数据点处的斜率，/>为防止分母为零的参数；

所述根据燃烧异常同类指数、升温曲线变动差别系数及温度数据得到最新时刻各燃烧效果异常烧成品组的燃烧效果非异系数，具体包括：

计算各燃烧效果异常烧成品组的升温曲线变动差别系数与预设参数的和值；计算各燃烧效果异常烧成品组的燃烧异常同类指数与所述和值的比值；计算最新时刻所有烧成品组的温度数据均值；计算最新时刻各燃烧效果异常烧成品组的温度数据与所述温度数据均值之间的差值绝对值；计算以自然常数为底数、以所述差值绝对值的相反数为指数的指数函数的计算结果；将所述比值与所述计算结果的乘积作为各燃烧效果异常烧成品组的燃烧效果非异系数；

所述根据燃烧效果非异系数及燃烧效果常规烧成品组结合阈值分割算法得到最新时刻的燃烧参数适配度，具体为：

采用大津阈值法获取最新时刻所有燃烧效果异常烧成品组的燃烧效果非异系数的分割阈值；将燃烧效果非异系数大于等于分割阈值的燃烧效果异常烧成品组作为燃烧效果次常规烧成品组，反之，作为燃烧效果强异常烧成品组；

将燃烧效果常规烧成品组的燃烧效果权重设定为3，燃烧效果次常规烧成品组的燃烧效果权重设定为2，燃烧效果强异常烧成品组的燃烧效果权重设定为1；计算最新时刻的所有烧成品组对应的燃烧效果权重的和值；将所述最新时刻的所有烧成品组对应的燃烧效果权重的和值的归一化值作为最新时刻的燃烧参数适配度。

2.如权利要求1所述的一种耐火材料烧成隧道窑燃烧参数优化方法，其特征在于，所述根据燃烧参数适配度及ARIMA预测算法对未来时刻的燃烧参数适配度进行预测，结合BP神经网络算法得到未来时刻的最优燃烧能源消耗参数，具体为：

将所有时刻的燃烧参数适配度组成的序列记为燃烧参数适配度数据序列，作为ARIMA预测算法的输入，输出为未来时刻的燃烧参数适配度的预测值；将预测值加入燃烧参数适配度数据序列中得到新的燃烧参数适配度数据序列，作为BP神经网络的输入，BP神经网络的输出为未来时刻的最优燃烧能源消耗参数。

3.一种耐火材料烧成隧道窑燃烧参数优化系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-2任意一项方法的步骤。