TW202221564A - 硫氧化物的預測方法與燒結工廠 - Google Patents

硫氧化物的預測方法與燒結工廠 Download PDF

Info

Publication number
TW202221564A
TW202221564A TW109141358A TW109141358A TW202221564A TW 202221564 A TW202221564 A TW 202221564A TW 109141358 A TW109141358 A TW 109141358A TW 109141358 A TW109141358 A TW 109141358A TW 202221564 A TW202221564 A TW 202221564A
Authority
TW
Taiwan
Prior art keywords
data
sintering
desulfurization
machine learning
learning model
Prior art date
Application number
TW109141358A
Other languages
English (en)
Other versions
TWI735385B (zh
Inventor
吳偉信
江麒旭
程品捷
廖敏淳
Original Assignee
中國鋼鐵股份有限公司
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 中國鋼鐵股份有限公司 filed Critical 中國鋼鐵股份有限公司
Priority to TW109141358A priority Critical patent/TWI735385B/zh
Application granted granted Critical
Publication of TWI735385B publication Critical patent/TWI735385B/zh
Publication of TW202221564A publication Critical patent/TW202221564A/zh

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Treating Waste Gases (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本發明提出一種硫氧化物的預測方法，適用於燒結工廠。此預測方法包括：取得燒結機的多個燒結數據，並且取得脫硫塔的多個脫硫數據；以及根據燒結數據與脫硫數據訓練機器學習模型，藉此預測煙囪的硫氧化物排放濃度。

Description

硫氧化物的預測方法與燒結工廠
本揭露是關於燒結工廠中的硫氧化物預測方法。
燒結工廠以焦炭為燃料進行燒結製程，產生的煙氣含有硫氧化物，需經過脫硫塔脫除才能排放到大氣中。硫氧化物排放量的決定因子非常多，彼此相互影響，不容易進行預測與掌控，如何提出一種準確的硫氧化物預測方法，為此領域技術人員所關心的議題。
本發明的實施例提出一種硫氧化物的預測方法，適用於一燒結工廠，此燒結工廠包括燒結機、脫硫塔與煙囪。此預測方法包括：取得燒結機的多個燒結數據，並且取得脫硫塔的多個脫硫數據；以及根據燒結數據與脫硫數據訓練一機器學習模型，藉此預測煙囪的一硫氧化物排放濃度。
在一些實施例中，燒結數據包括燒結機速度、製程煙氣溫度、製程反應溫度、主風機電流與風機抽吸壓力。脫硫數據包括煙氣流量、循環水量、入口硫氧化物濃度、氧化槽進水量、氧化鎂消耗量、循環水酸鹼值、煙氣流速與增壓風機電流。
在一些實施例中，上述的預測方法更包括：根據取樣頻率來取得燒結數據與脫硫數據；根據第一時間點的硫氧化物排放濃度以及第二時間點的燒結數據與脫硫數據來訓練隨機森林模型，其中第一時間點與第二時間點之間相差一時間位移；以及逐步調整時間位移以重新訓練隨機森林模型，取得誤差最小的訓練結果與對應的時間位移，藉此將誤差最小的時間位移設定為一延遲時間。
在一些實施例中，在訓練機器學習模型以後，預測方法還包括：判斷機器學習模型的誤差是否大於一臨界值；以及如果機器學習模型的誤差大於臨界值，根據新資料重新訓練機器學習模型。
在一些實施例中，上述的機器學習模型為迴歸森林，此迴歸森林包括多棵迴歸樹。燒結數據與脫硫數據組成多個特徵向量。上述的預測方法更包括：在訓練階段求解以下數學式1所表示的目標函數。 [數學式1]
Figure 02_image001
其中
Figure 02_image003
表示根據第i個特徵向量所預測的硫氧化物排放濃度
Figure 02_image005
與真實數據
Figure 02_image007
之間的誤差。
Figure 02_image009
表示第k顆迴歸樹的複雜度，K為迴歸樹的個數。n為特徵向量的個數。
在一些實施例中，上述的預測方法更包括根據以下數學式2求解第t棵迴歸樹中第j個葉節點的權重
Figure 02_image011
。 [數學式2]
Figure 02_image013
Figure 02_image015
Figure 02_image017
Figure 02_image019
Figure 02_image021
其中
Figure 02_image023
表示前t-1棵迴歸樹所預測的數值，
Figure 02_image025
是尋訪第t顆迴歸樹以後走到第j個葉結點的特徵向量所形成的集合，
Figure 02_image027
為實數。
以另一個角度來說，本發明的實施例提出一種燒結工廠，包括燒結機、脫硫塔、煙囪與計算模組。計算模組用以取得燒結機的多個燒結數據，取得脫硫塔的多個脫硫數據，並且根據燒結數據與脫硫數據訓練一機器學習模型，藉此預測煙囪的硫氧化物排放濃度。
在上述的預測方法與燒結工廠中，是同時參考燒結數據與脫硫數據來預測硫氧化物排放濃度，能達到較高的準確率。
關於本文中所使用之「第一」、「第二」等，並非特別指次序或順位的意思，其僅為了區別以相同技術用語描述的元件或操作。
本揭露提出一種硫氧化物的預測方法，適用於一燒結工廠，圖1是根據一實施例繪示燒結工廠的示意圖。燒結工廠包括了儲存槽101、攪拌桶102、生料倉103、墊料倉104、燒結機105、風機106、脫硫塔107、循環幫補108、氧化槽109、氫氧化鎂儲存槽110、脫硝塔111、風機112、煙囪113與計算模組130。計算模組130可以為個人電腦、筆記型電腦、伺服器、工業電腦或具有計算能力的各種電子裝置等，其中可包括中央處理器、微處理器、微控制器、特殊應用積體電路等。
在此簡略燒結工廠的流程，首先儲存槽101中儲存有燒結的各種生料，例如粉鐵礦、助熔劑、細焦炭、無煙煤、燒石灰等等，本發明並不限制這些生料為何。上述的生料會送進攪拌桶102，經過攪拌以後送入生料倉103。這些生料與墊料倉104中的墊料會送至燒結機105，經過燒結後的廢氣經由風機106的抽吸而送進脫硫塔107。脫硫塔107搭配循環幫補108、氧化槽109、氫氧化鎂儲存槽110一起使用，其中循環幫補108用以提供水，氫氧化鎂儲存槽110用以提供氫氧化鎂以進行化學反應。脫硫塔107產生的煙氣會送進脫硝塔111，透過風機112的運作由煙囪113排放出。本發明通常知識者當可理燒結工廠的運作，在此不再詳細贅述。此外，圖1僅是燒結工廠的一範例，本揭露提出的預測方法也可適用於具有其他設置的燒結工廠。
在此實施例中，燒結工廠內設置有多個感測器，這些感測器可以設置在燒結工廠的任意一個位置，用以感測相關的數值，這些數值會傳送至計算模組130。在圖1中繪示了感測器121~127，這些感測器121~127的設置位置與數量僅是示意，每個繪示的感測器可包括多個不同種類的感測器，這些感測器的設置位置並不限於圖1所示的位置，或者感測器121~127也可以內建在相關的儀器設備當中。在此實施例中，感測器121設置在燒結機105內，用以感測燒結機105的製程反應速度與製程煙氣溫度，此外燒結機105也會將自身的速度(亦稱為燒結機速度)傳送至計算模組130。感測器122用以感測風機106的抽吸壓力(稱為風機抽吸壓力)與電流(稱為主風機電流)，也用以感測煙氣的溫度以及入口硫氧化物濃度。感測器123用以偵測煙氣流量與循環水酸鹼值。感測器124用以感測氧化鎂消耗量，感測器125用以感測循環水量與氧化槽進水量。感測器126用以感測風機112的電流(稱為增壓風機電流)。感測器127用以感測煙氣流速與硫氧化物排放濃度。為了簡化起見，圖1並未繪示出所有的感測器。
上述的數據可分為關於燒結機105的燒結數據以及關於脫硫塔107的脫硫數據。具體來說，燒結數據包括了燒結機速度、製程煙氣溫度、製程反應溫度、主風機電流與風機抽吸壓力等。脫硫數據則包括了煙氣流量、循環水量、入口硫氧化物濃度、氧化槽進水量、氧化鎂消耗量、循環水酸鹼值、煙氣流速與增壓風機電流等。然而，上述數據僅示範例，在其他實施例中也可以增加其他的燒結數據以及脫硫數據。計算模組130可以根據這些燒結數據與脫硫數據訓練機器學習模型，藉此預測位於煙囪113的硫氧化物排放濃度。在此所採用的機器學習模型可以是決策樹、隨機森林、多層次神經網路、卷積神經網路、支持向量機等等，本發明並不在此限。
圖2是根據一實施例繪示訓練機器學習的流程圖。請參照圖2，首先資料庫210中儲存有燒結數據、脫硫數據與硫氧化物排放濃度，這些數據屬於時間序列資料，例如每秒一筆數值。在此可先設定一個取樣頻率(例如為1小時)，計算每筆數據在每1小時內的平均以作為訓練樣本，這些訓練樣本組成資料集220。換言之，資料集220中包括多筆訓練樣本，每筆訓練樣本包括在某一時間點的燒結數據、脫硫數據與硫氧化物排放濃度。
接下來，在步驟230，刪除燒結機異常或停機資料。首先判斷燒結機是否異常或停機，在此採用杜凱圍牆技術(tukey fences)，在收集所有的燒結機速度以後計算由小排到大的第一個四分位數(first quartile)Q1、第三個四分位數Q3以及這兩者的差距Q3-Q1，稱為四分位間距(interquartile range，IQR)，如果某筆訓練樣本的燒結機速度大於Q3+1.5*IQR或是小於Q1-1.5*IQR，則判斷此訓練樣本異常，異常時間點的前後兩小時的資料都會捨棄。在其他實施例中也可以用平均值與標準差來刪除異常資料，本發明並不在此限。
在步驟240中，刪除硫氧化物排放異常資料。同樣的使用杜凱圍牆法，計算硫氧化物排放濃度的四分位數Q1、四分位數Q3與四分位間距IQR。如果某筆訓練資料的硫氧化物排放濃度大於Q3+1.5*IQR或小於等於0，則判斷為異常，刪除此訓練樣本。
在步驟250中，尋找延遲時間。由於燒結機、脫硫塔與煙囪出口的煙氣之間具有時間差，因此不能用相同時間的燒結數據、脫硫數據與硫氧化物排放濃度來訓練機器學習模型。圖3是根據一實施例繪示尋找延遲時間的示意圖。在此取得第一時間點T 1的硫氧化物排放濃度，然後取得第二時間點T 2的燒結數據與脫硫數據，根據這些資料來訓練一隨機森林模型，其中第一時間點T 1與第二時間點T 2之間相差一時間位移310。在一些實施例，可以將80%的訓練樣本用來訓練，另外20%的訓練樣本用來測試，本發明並不在此限。訓練完以後會得到一訓練結果，此訓練結果會包含一誤差，例如均方根誤差。在訓練完以後，可逐步調整時間位移310以重新訓練機器學習模型。在此以硫氧化物排放濃度為目標，因此可逐步增加或減少第二時間點T 2，不同的時間位移310會對應至不同的訓練結果。在訓練多次以後，取得誤差最小的訓練結果與對應的時間位移310，將此誤差最小的時間位移310設定為延遲時間。在一些實施例中，可以分鐘為單位來逐步調整時間位移310。如果延遲時間為60分鐘，這表示煙氣需要經過約60分鐘才能從燒結機108、脫硫塔107流到煙囪113。
在上述實施例中燒結數據與脫硫數據採用相同的第二時間點T 2，但在其他實施例中這兩筆數據也可以採用不同的時間點。舉例來說，請參照圖4，第三時間點T 3的燒結數據可搭配第二時間點T 2的脫硫數據與第一時間點T 1的硫氧化物排放濃度以訓練隨機森林模型，其中第三時間點T 3在第二時間點T 2之前，第二時間點T 2在第一時間點T 1之前。第一時間點T 1與第三時間點T 3之間具有時間位移320。在這樣的例子中，時間位移310、320都是變數。誤差最小的訓練結果所對應的時間位移310、320會作為上述的延遲時間。
參照迴圖2，在步驟260，以上述計算出的延遲時間重新整理資料集，藉此讓燒結數據與脫硫數據都配對至對應的硫氧化物排放濃度。舉例來說，如果延遲時間為60分鐘，則在第一時間點T 1的硫氧化物排放濃度會配對至時間點(T 1-60)的燒結數據與脫硫數據，藉此形成整理後的一份訓練樣本，這些整理後的訓練樣本組成整理後的資料集270。
整理後的資料集270可分成三份，分別是訓練集281、驗證集282與測試集283。訓練集281與驗證集282用來訓練機器學習模型290。在步驟291中，將測試集283輸入至訓練好的機器學習模型290以進行測試。在一實驗中，測試集283的均方根誤差為2.45，而判定係數R平方(R 2)為0.952。
圖5是根據一實施例繪示在推論階段的方法流程圖。請參照圖5，首先從燒結工廠的感測器510(如圖2的感測器121~127)取得燒結數據與脫硫數據520，然後將這些燒結數據與脫硫數據520輸入至上述訓練好的機器學習模型以進行預測(步驟530)。預測的硫氧化物排放濃度540則存放在資料庫550中，這些預測出的硫氧化物排放濃度540可用以控制其他製程，或用來調整燒結工廠中任意裝置的參數，本發明並不在此限。另外，當煙氣從煙囪113排放以後，從感測器510可以取得硫氧化物排放濃度的真實數據(ground truth)，這些真實數據也會存在資料庫550中。
在經過一段時間以後可從資料庫550選取特定長度區間(例如一個月)的資料，包括上述的真實數據與預測的硫氧化物排放濃度。接下來在步驟560中，根據真實數據與預測的硫氧化物排放濃度計算機器學習模型的誤差，例如為均方根誤差。在步驟570中，判斷此誤差是否大於等於一個臨界值(例如5)。如果步驟570的結果為否，則不需要重新訓練(步驟580)。如果步驟570的結果為是，則在步驟590中把新資料加入至資料集中重新訓練機器學習模型。
在一些實施例中，上述實施例所採用的機器學習模型是將多顆迴歸樹加總起來(稱為迴歸森林)，不同之處在於加入一逞罰項至目標函數中，使得複雜度降低。具體來說，假設有K棵樹，其中K為正整數，這K顆樹可以依照以下數學式1加總起來。 [數學式1]
Figure 02_image029
其中
Figure 02_image031
表示第i筆特徵向量，特徵向量可由上述的燒結數據與脫硫數據所組成。
Figure 02_image005
是根據第i筆特徵向量所預測的硫氧化物排放濃度。
Figure 02_image033
是第k顆迴歸樹。一顆迴歸樹具有一或多個中間節點，每個中間節點具有一個判斷式，用以判斷特徵向量中的某一個元素是否大於一特定數值，藉此繼續走向左子樹或是右子樹。迴歸樹的子節點則有一權重，即代表此迴歸樹的輸出。本領具有通常知識者當可理解迴歸樹，在此並不詳細贅述。
在訓練階段時，硫氧化物排放濃度的真實數據表示為
Figure 02_image007
，在此實施例中目標函數表示為以下數學式2。 [數學式2]
Figure 02_image001
其中n為所有特徵向量的個數。
Figure 02_image003
表示預測的硫氧化物排放濃度
Figure 02_image005
與真實數據
Figure 02_image007
之間的誤差，可採用平方差、絕對值差或其他合適的誤差，本發明並不在此限。
Figure 02_image009
表示第k顆迴歸樹的複雜度，例如為葉節點的數目，樹的深度等等。為了求解上述的目標函數，在此是一次求解一顆迴歸樹，進行多次循環以後得到迴歸森林，此循環可以表示為以下數學式3。 [數學式3]
Figure 02_image035
Figure 02_image037
Figure 02_image039
...
Figure 02_image041
其中
Figure 02_image043
表示第t棵迴歸樹所預測的數值。換言之，t次循環所預測的數值
Figure 02_image043
等於前t-1次循環所預測的數值
Figure 02_image045
再加上第t次循環所得到的迴歸樹
Figure 02_image047
所預測的數值。把數學式3代入至數學式2的目標函數，再透過泰勒展開式來近似函數
Figure 02_image043
以後可以得到在求解第t顆迴歸樹時的目標函數，如以下數學式4所示。 [數學式4]
Figure 02_image049
Figure 02_image019
Figure 02_image021
在上述數學式4中的泰勒展開式採用了兩個級數的近似值。在求解第t顆迴歸樹時，前t-1顆迴歸樹已經決定，因此數學式4的最後兩項為常數項，不影響目標函數的大小，可忽略不計。
在一些實施例中，迴歸樹的複雜度可由以下數學式5來計算。 [數學式5]
Figure 02_image051
其中
Figure 02_image053
為迴歸樹中葉結點的數目，
Figure 02_image055
是第j個葉節點的權重。
Figure 02_image057
與
Figure 02_image027
為使用者可自行定義的實數。把數學式5代入數學式4，再刪除常數項以後可得到以下數學式6。 [數學式6]
Figure 02_image059
其中
Figure 02_image025
表示在尋訪第t顆迴歸樹以後走到第j個葉結點的所有特徵向量所形成的集合。當求解第t顆迴歸樹時，權重
Figure 02_image061
是所要求解的變數，數學式6可視為權重
Figure 02_image061
的二次方程式，透過二次方程式的公式解可以求得最佳的權重
Figure 02_image011
與目標函數的值如以下數學式7所示。 [數學式7]
Figure 02_image013
Figure 02_image063
Figure 02_image015
Figure 02_image017
接下來說明如何決定迴歸樹的結構，從深度0開始，每次必須決定一個節點，也就是從特徵向量中找到一個元素以進行分割，分割後會產生左葉節點與右葉節點，訓練的目標在於分割後能夠使目標函數最小。在分割前與分割後的目標函數的值如以下數學式8所示。在此是尋找最佳的分割，使得數學式9中的增益Gain為最大。 [數學式8]
Figure 02_image065
Figure 02_image067
[數學式9]
Figure 02_image069
Figure 02_image071
其中
Figure 02_image073
在分割後的目標函數的值，
Figure 02_image075
為分割後所有葉節點的個數。
Figure 02_image077
是分割前的目標函數的值，
Figure 02_image079
是分割前所有葉節點的個數。搜尋最適當分割的演算法可參照以下表1所示的虛擬碼。 [表1]
Gain
Figure 02_image081
 0
Figure 02_image083
,
Figure 02_image085
for k=1 to m do
   
Figure 02_image087
,
Figure 02_image089
    for j in sorted(I, by
Figure 02_image091
) do        
Figure 02_image093
,
Figure 02_image095
       
Figure 02_image097
,
Figure 02_image099
       
Figure 02_image101
)     end end
Split with max score
表1的第5行是先把將所有的特徵向量中的第k個元素做排序，然後取排序後的第j個元素以測試分割後的結果。經過第5~8行的迴圈以後等於測試完特徵向量中的第k個元素，找到對於第k個元素來說最佳的分割點。經過第3~10的迴圈以後等於測試完特徵向量中所有的元素。在表1的第11行則以最大分數score所對應的分割點來對迴歸樹進行分割。
在上述的迴歸森林模型中，透過加入逞罰項(迴歸樹的複雜度)可以增加推論的準確度。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
101:儲存槽 102:攪拌桶 103:生料倉 104:墊料倉 105:燒結機 106:風機 107:脫硫塔 108:循環幫補 109:氧化槽 110:氫氧化鎂儲存槽 111:脫硝塔 112:風機 113:煙囪 121~127:感測器 130:計算模組 210:資料庫 220:資料集 270:整理後的資料集 281:訓練集 282:驗證集 283:測試集 290:機器學習模型 230,240,250,260,291,530,560,570,580,590:步驟 310,320:時間位移 T 1:第一時間點 T 2:第二時間點 T 3:第三時間點 510:感測器 520:燒結數據與脫硫數據 540:預測的硫氧化物排放濃度 550:資料庫
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。 [圖1]是根據一實施例繪示燒結工廠的示意圖。 [圖2]是根據一實施例繪示訓練機器學習的流程圖。 [圖3]是根據一實施例繪示尋找延遲時間的示意圖。 [圖4]是根據一實施例繪示尋找延遲時間的示意圖。 [圖5]是根據一實施例繪示在推論階段的方法流程圖。
210:資料庫
220:資料集
270:整理後的資料集
281:訓練集
282:驗證集
283:測試集
290:機器學習模型
230,240,250,260,291:步驟

Claims (10)

  1. 一種硫氧化物的預測方法，適用於一燒結工廠，該燒結工廠包括一燒結機、一脫硫塔與一煙囪，該預測方法包括： 取得該燒結機的多個燒結數據，並且取得該脫硫塔的多個脫硫數據；以及 根據該些燒結數據與該些脫硫數據訓練一機器學習模型，藉此預測該煙囪的硫氧化物排放濃度。
  2. 如請求項1所述之預測方法，其中該些燒結數據包括一燒結機速度、製程煙氣溫度、製程反應溫度、主風機電流與風機抽吸壓力， 其中該些脫硫數據包括煙氣流量、循環水量、入口硫氧化物濃度、氧化槽進水量、氧化鎂消耗量、循環水酸鹼值、煙氣流速與增壓風機電流。
  3. 如請求項1所述之預測方法，更包括： 根據一取樣頻率來取得該些燒結數據與該些脫硫數據； 根據第一時間點的該硫氧化物排放濃度以及第二時間點的該些燒結數據與該些脫硫數據來訓練一隨機森林模型，其中該第一時間點與該第二時間點之間相差一時間位移；以及 逐步調整該時間位移以重新訓練該隨機森林模型，取得誤差最小的訓練結果與對應的該時間位移，藉此將誤差最小的該時間位移設定為一延遲時間。
  4. 如請求項1所述之預測方法，其中在訓練該機器學習模型以後，該預測方法還包括： 判斷該機器學習模型的誤差是否大於一臨界值；以及 如果該機器學習模型的誤差大於該臨界值，根據新資料重新訓練該機器學習模型。
  5. 如請求項1所述之預測方法，其中該機器學習模型為一迴歸森林，該迴歸森林包括多棵迴歸樹，該些燒結數據與該些脫硫數據組成多個特徵向量，該預測方法更包括： 在訓練階段求解以下數學式1所表示的目標函數， [數學式1]
    Figure 03_image001
    其中
    Figure 03_image003
    表示根據第i個特徵向量所預測的硫氧化物排放濃度
    Figure 03_image005
    與真實數據
    Figure 03_image007
    之間的誤差，
    Figure 03_image009
    表示第k顆迴歸樹的複雜度，K為該些迴歸樹的個數，n為該些特徵向量的個數。
  6. 如請求項5所述之預測方法，更包括： 根據以下數學式2求解第t棵迴歸樹中第j個葉節點的權重
    Figure 03_image011
    ， [數學式2]
    Figure 03_image013
    Figure 03_image015
    Figure 03_image017
    Figure 03_image019
    Figure 03_image021
    其中
    Figure 03_image023
    表示前t-1棵迴歸樹所預測的數值，
    Figure 03_image025
    是尋訪該第t顆迴歸樹以後走到該第j個葉結點的該些特徵向量所形成的集合，
    Figure 03_image027
    為實數。
  7. 一種燒結工廠，包括： 一燒結機； 一脫硫塔； 一煙囪；以及 一計算模組，用以取得該燒結機的多個燒結數據，取得該脫硫塔的多個脫硫數據，並且根據該些燒結數據與該些脫硫數據訓練一機器學習模型，藉此預測該煙囪的硫氧化物排放濃度。
  8. 如請求項7所述之燒結工廠，其中該些燒結數據包括一燒結機速度、製程煙氣溫度、製程反應溫度、主風機電流與風機抽吸壓力， 其中該些脫硫數據包括煙氣流量、循環水量、入口硫氧化物濃度、氧化槽進水量、氧化鎂消耗量、循環水酸鹼值、煙氣流速與增壓風機電流。
  9. 如請求項7所述之燒結工廠，其中該計算模組更用以執行： 根據一取樣頻率來取得該些燒結數據與該些脫硫數據； 根據第一時間點的該硫氧化物排放濃度以及第二時間點的該些燒結數據與該些脫硫數據來訓練一隨機森林模型，其中該第一時間點與該第二時間點之間相差一時間位移；以及 逐步調整該時間位移以重新訓練該隨機森林模型，取得誤差最小的訓練結果與對應的該時間位移，藉此將誤差最小的該時間位移設定為一延遲時間。
  10. 如請求項7所述之燒結工廠，其中該計算模組更用以執行： 判斷該機器學習模型的誤差是否大於一臨界值；以及 如果該機器學習模型的誤差大於該臨界值，根據新資料重新訓練該機器學習模型。
TW109141358A 2020-11-25 2020-11-25 硫氧化物的預測方法與燒結工廠 TWI735385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109141358A TWI735385B (zh) 2020-11-25 2020-11-25 硫氧化物的預測方法與燒結工廠

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109141358A TWI735385B (zh) 2020-11-25 2020-11-25 硫氧化物的預測方法與燒結工廠

Publications (2)

Publication Number Publication Date
TWI735385B TWI735385B (zh) 2021-08-01
TW202221564A true TW202221564A (zh) 2022-06-01

Family

ID=78283055

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109141358A TWI735385B (zh) 2020-11-25 2020-11-25 硫氧化物的預測方法與燒結工廠

Country Status (1)

Country Link
TW (1) TWI735385B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI811167B (zh) * 2022-12-12 2023-08-01 中國鋼鐵股份有限公司 氮氧化物的預測方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022377B (zh) * 2016-05-20 2019-07-23 中南大学 一种铁矿烧结料层透气性状态的在线预测方法
CN109376500A (zh) * 2018-12-19 2019-02-22 中国地质大学（武汉） 基于预测模型的烧结过程综合焦比在线优化方法及系统
CN111798023B (zh) * 2020-05-11 2023-08-29 宁波大学 一种炼钢烧结生产中综合焦比预测的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI811167B (zh) * 2022-12-12 2023-08-01 中國鋼鐵股份有限公司 氮氧化物的預測方法

Also Published As

Publication number Publication date
TWI735385B (zh) 2021-08-01

Similar Documents

Publication Publication Date Title
Khodayar et al. Interval deep generative neural network for wind speed forecasting
Chen et al. Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and particle swarm optimization techniques
Benyounes et al. Gas turbine modeling based on fuzzy clustering algorithm using experimental data
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN113095550B (zh) 基于变分递归网络和自注意力机制的空气质量预测方法
Chen et al. Weighted fuzzy interpolative reasoning based on the slopes of fuzzy sets and particle swarm optimization techniques
CN112163376A (zh) 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN111612262A (zh) 一种基于分位数回归的风电功率概率预测方法
TWI735385B (zh) 硫氧化物的預測方法與燒結工廠
CN114239400A (zh) 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法
Devakumar et al. Critical measurement parameters estimation in liquid rocket engine using LSTM-based soft sensor
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
Korkmaz et al. Data driven modelling of centrifugal compressor maps for control and optimization applications
Peck et al. Genetic algorithm based input selection for a neural network function approximator with applications to SSME health monitoring
CN114896895A (zh) 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统
CN114038513A (zh) 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端
Tarik et al. Optimization of neural network hyperparameters for gas turbine modelling using Bayesian optimization
CN104021437B (zh) 一种基于有向图适应度评估的混合差分进化算法
US20160071006A1 (en) Computer-assisted Analysis of a Data Record from Observations
TWI811167B (zh) 氮氧化物的預測方法
Jiang et al. A trend prediction method based on fusion model and its application
Czabański Extraction of fuzzy rules using deterministic annealing integrated with ε-insensitive learning
CN114896860B (zh) 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法
Chen et al. Optimal design of hierarchical B-spline networks for nonlinear system identification
CN114417727A (zh) 一种面向二噁英检测的多目标混合优化虚拟样本生成方法