TWI811167B - 氮氧化物的預測方法 - Google Patents
氮氧化物的預測方法 Download PDFInfo
- Publication number
- TWI811167B TWI811167B TW111147575A TW111147575A TWI811167B TW I811167 B TWI811167 B TW I811167B TW 111147575 A TW111147575 A TW 111147575A TW 111147575 A TW111147575 A TW 111147575A TW I811167 B TWI811167 B TW I811167B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- sintering
- machine learning
- denitrification
- nitrogen oxides
- Prior art date
Links
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005245 sintering Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000010801 machine learning Methods 0.000 claims abstract description 49
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 37
- 239000003546 flue gas Substances 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 150000001412 amines Chemical class 0.000 claims description 8
- 239000003054 catalyst Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000007921 spray Substances 0.000 claims description 4
- 150000004767 nitrides Chemical class 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims 2
- 239000003344 environmental pollutant Substances 0.000 claims 1
- 229910052757 nitrogen Inorganic materials 0.000 claims 1
- 231100000719 pollutant Toxicity 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000006477 desulfuration reaction Methods 0.000 description 7
- 230000023556 desulfurization Effects 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 239000000571 coke Substances 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010531 catalytic reduction reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 1
- 239000003830 anthracite Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000012255 calcium oxide Nutrition 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 1
- 229910052815 sulfur oxide Inorganic materials 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本發明提出一種氮氧化物的預測方法,適用於燒結工廠。燒結工廠包括燒結機、脫硝塔與煙囪。氮氧化物的預測方法包括:取得燒結機的多個燒結數據,並且取得脫硝塔的多個脫硝數據;以及根據所述多個燒結數據與所述多個脫硝數據來訓練機器學習模型,藉此預測煙囪的氮氧化物排放濃度。
Description
本發明是關於一種氮氧化物的預測方法,且特別是關於一種適用於燒結工廠的氮氧化物的預測方法。
燒結工廠以焦炭為燃料進行燒結製程,產生的煙氣含有氮氧化物,需經過脫硝塔脫除才能排放到大氣中。然而,氮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。因此,如何提出一種準確的氮氧化物的預測方法,為此領域技術人員所關心的議題。
本發明之目的在於提出一種氮氧化物的預測方法,適用於燒結工廠。燒結工廠包括燒結機、脫硝塔與煙囪。氮氧化物的預測方法包括:取得燒結機的多個燒結數據,並且取得脫硝塔的多個脫硝數據;以及根據所述多個燒結數據與所述多個脫硝數據來訓練機器學習模型,藉此預測煙囪的氮氧化物排放濃度。透過設置於燒結工廠內的多個感測器來感測所述多個燒結數據與所述多個脫硝數據,燒結工廠還包括計算模組,計算模組為具有計算能力的電子裝置,計算模組用以取得所述多個燒結數據與所述多個脫硝數據,計算模組用以根據所述多個燒結數據與所述多個脫硝數據來訓練機器學習模型,計算模組藉由機器學習模型來預測煙囪的氮氧化物排放濃度。
在一些實施例中,所述多個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、風機抽吸壓力與增壓風機電流。所述多個脫硝數據包括煙氣流量、煙氣溫度、煙氣換熱器的冷熱端溫度與壓差溫度、脫硝觸媒壓差、噴胺數據、脫硝塔的加熱數據、脫硝塔的氧氣排放量。
在一些實施例中,所述多個感測器包括位於煙囪的出口處的氮化物偵測器,上述氮氧化物的預測方法更包括:藉由氮化物偵測器來取得煙囪的氮氧化物排放濃度量測值;以及在機器學習模型的訓練階段以氮氧化物排放濃度量測值作為機器學習模型的輸出。
在一些實施例中,上述計算模組更用以:根據取樣頻率來取得所述多個燒結數據與所述多個脫硝數據;根據第一時間點的氮氧化物排放濃度量測值以及第二時間點的所述多個燒結數據與所述多個脫硝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時間位移;逐步調整時間位移以重新訓練隨機森林模型,其中每次訓練隨機森林模型會得到訓練結果,訓練結果包含誤差;以及取得誤差最小的訓練結果以及其所對應的時間位移,藉此將時間位移設定為延遲時間。
在一些實施例中,上述計算模組更用以:將第一時間點的氮氧化物排放濃度量測值配對至第一時間點減去延遲時間的所述多個燒結數據與所述多個脫硝數據,藉以形成經整理後的訓練樣本。
在一些實施例中,上述計算模組更用以:藉由經整理後的訓練樣本組成經整理後的資料集;由資料集的訓練集與驗證集來再次訓練機器學習模型;以及由資料集的測試集來測試經再次訓練後的機器學習模型。
在一些實施例中,在訓練機器學習模型以後,上述計算模組更用以:判斷機器學習模型的誤差是否大於臨界值;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,上述計算模組更用以:採用杜凱圍牆法(tukey fences)來判斷燒結機速度是否為離群值。
在一些實施例中,上述計算模組更用以:採用杜凱圍牆法來判斷氮氧化物排放濃度量測值是否為離群值。
在一些實施例中,上述訓練結果所包含的誤差為均方根誤差,上述機器學習模型的誤差為均方根誤差。
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。
以下仔細討論本發明的實施例。然而,可以理解的是,實施例提供許多可應用的概念,其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明,並非用以限定本發明之範圍。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。
本發明提出一種氮氧化物的預測方法,適用於一燒結工廠,圖1係根據本發明的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、煙氣換熱器(gas gas heater,GGH)108、脫硝塔109、增壓風機110、煙囪111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。
在此配合圖1簡略地介紹燒結工廠的流程,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,經過燒結機105進行燒結後產生的煙氣經由風機106的抽吸而送進脫硫塔107,經過脫硫塔107後的煙氣會送進煙氣換熱器108以使煙氣溫度升高,而有利於後續脫硝的高溫反應,脫硝塔109接收升溫後的煙氣,並接著透過增壓風機110的運作將經過脫硫與脫硝處理後的煙氣由煙囪111排放出。具體而言,燒結產生的煙氣含有硫氧化物,需經過脫硫塔107脫除才能排放到大氣中,並且,燒結產生的煙氣還含有氮氧化物,需經過脫硝塔109脫除才能排放到大氣中。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,本發明提出的預測方法也可適用於具有其他設置的燒結工廠。
關於脫硝塔的脫硝製程,目前普遍使用兩種技術:選擇性非催化還原法(Selective Non-Catalytic Reduction,SNCR)與選擇性催化還原法(Selective Catalytic Reduction,SCR)。SNCR並沒有使用觸媒,需將煙氣加熱至800~1100攝氏度,才能與液胺進行還原降解,SCR則是使用觸媒進行催化,煙氣只需加熱至200~320攝氏度就可以進行降解,因此SCR較為環保減碳但機構造價較高。而本發明提出的氮氧化物的預測方法係使用機器學習模型進行塑模,無須探究化學反應式,因此可應用於SCR製程與SNCR製程。
在本發明的實施例中,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,計算模組130可以根據這些感測數值來訓練機器學習模型,以預測煙囪111的氮氧化物排放濃度。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。
在本發明的實施例中,感測器121設置在燒結機105處,用以感測燒結機105的製程反應溫度,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設置在風機106處,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(稱為製程煙氣溫度)。感測器123設置在脫硫塔107處,用以偵測煙氣的流量(稱為煙氣流量)與煙氣的溫度(稱為煙氣溫度)。感測器124設置在煙氣換熱器108處,用以感測煙氣換熱器108的冷熱端溫度與壓差溫度。感測器125設置在脫硝塔109處,用以偵測脫硝塔109的加熱數據(例如進行脫硝燃燒加熱之焦爐氣(coke oven gas,COG)壓力)與氧氣排放量,也用以偵測脫硝觸媒壓差與噴胺數據(例如胺氣壓力與胺氣流量)。感測器126設置在增壓風機110處,用以感測增壓風機110的電流(稱為增壓風機電流)。感測器127為位於煙囪111的出口處的氮化物偵測器,用以感測氮氧化物排放濃度(稱為氮氧化物排放濃度量測值)。為了簡化起見,圖1並未繪示出所有的感測器。
上述的數據可大致區分為關於燒結機105的燒結數據以及關於脫硝塔109的脫硝數據。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、風機抽吸壓力與增壓風機電流等。脫硝數據則包括了煙氣流量、煙氣溫度、煙氣換熱器108的冷熱端溫度與壓差溫度、脫硝觸媒壓差、噴胺數據、脫硝塔109的加熱數據與脫硝塔109的氧氣排放量等。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硝數據。計算模組130可以根據這些燒結數據與脫硝數據訓練機器學習模型,藉此預測煙囪111的氮氧化物排放濃度。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係根據本發明的實施例繪示計算模組130訓練機器學習模型的流程圖。請參照圖2,首先資料庫210中儲存有歷史數據,包括燒結數據、脫硝數據與氮氧化物排放濃度量測值,這些歷史數據屬於時間序列資料,例如每秒一筆數據。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、脫硝數據與氮氧化物排放濃度量測值。
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,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,此訓練樣本的燒結機速度為離群值(outlier),故判斷此訓練樣本異常,異常之訓練樣本所對應的該時間點稱為異常時間點,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,刪除氮氧化物排放異常資料。同樣的使用杜凱圍牆法,計算氮氧化物排放濃度量測值的四分位數Q1、四分位數Q3與四分位間距IQR。如果某筆訓練資料的氮氧化物排放濃度量測值大於Q3+1.5*IQR或小於等於0,此訓練樣本的氮氧化物排放濃度量測值為離群值,故判斷此訓練樣本異常,刪除此訓練樣本。
在步驟250中,尋找延遲時間。由於燒結機105、脫硝塔109與煙囪111的出口的煙氣之間具有時間差,因此不能採用相同時間的燒結數據、脫硝數據與氮氧化物排放濃度量測值來訓練機器學習模型。圖3係根據本發明的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的氮氧化物排放濃度量測值,然後取得第二時間點T
2的燒結數據與脫硝數據,根據這些資料來訓練一隨機森林(Random forest)模型,其中第二時間點T
2在第一時間點T
1之前,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(root-mean-square error,RMSE)。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。在此以氮氧化物排放濃度量測值為目標,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其對應的時間位移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105、脫硝塔109流到煙囪111。
在上述實施例中燒結數據與脫硝數據採用相同的第二時間點T
2,但在其他實施例中燒結數據與脫硝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的脫硝數據與第一時間點T
1的氮氧化物排放濃度量測值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與第二時間點T
2之間具有時間位移310,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。
參照回圖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硝數據都配對至對應的氮氧化物排放濃度量測值。舉例來說,如果延遲時間為60分鐘,則在第一時間點T
1的氮氧化物排放濃度量測值會配對至時間點(T
1-60)的燒結數據與脫硝數據,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的係數R平方(R
2)為0.87。
圖5係根據本發明的實施例繪示計算模組130在機器學習模型的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)取得燒結數據與脫硝數據520,然後將燒結數據與脫硝數據520輸入至上述訓練好的機器學習模型以進行預測(步驟530)。預測的氮氧化物排放濃度540則存放在資料庫550中,這些預測的氮氧化物排放濃度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111排放以後,從感測器510(如圖2的感測器127)可以取得氮氧化物排放濃度的真實數據(ground truth)(即氮氧化物排放濃度量測值),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氮氧化物排放濃度。接下來在步驟560中,根據真實數據(即氮氧化物排放濃度量測值)與預測的氮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(RMSE)。在步驟570中,判斷此誤差是否大於等於一個臨界值(例如RMSE≧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採用類神經網路進行塑模,例如透過將多顆迴歸樹加總起來(稱為迴歸森林),本發明並不在此限。另外,本領域具有通常知識者當可理解迴歸樹,在此並不詳細贅述。
綜合上述,本發明提出一種氮氧化物的預測方法,利用機器學習技術,先收集燒結數據、脫硝數據與氮氧化物排放濃度量測值來做為機器學習模型的訓練資料,再以氮氧化物排放濃度量測值為機器學習模型的訓練的目標,燒結數據與脫硝數據為機器學習模型的訓練的特徵,輸入機器學習模型進行塑模,藉以預測煙氣的氮氧化物排放濃度。同時,藉由遷移學習方式來進行重新訓練機制,可維持機器學習模型的預測準確度。另外,本發明提出的氮氧化物的預測方法係使用機器學習模型進行塑模,無須探究化學反應式,因此可應用於SCR製程與SNCR製程。
以上概述了數個實施例的特徵,因此熟習此技藝者可以更了解本發明的態樣。熟習此技藝者應了解到,其可輕易地把本發明當作基礎來設計或修改其他的製程與結構,藉此實現和在此所介紹的這些實施例相同的目標及/或達到相同的優點。熟習此技藝者也應可明白,這些等效的建構並未脫離本發明的精神與範圍,並且他們可以在不脫離本發明精神與範圍的前提下做各種的改變、替換與變動。
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 : 煙氣換熱器
109 : 脫硝塔
110 : 增壓風機
111 : 煙囪
121~127 : 感測器
130 : 計算模組
210 : 資料庫
220 : 資料集
230,240,250,260,291,530,560,570,580,590 : 步驟
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
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 : 燒結數據與脫硝數據
540 : 預測的氮氧化物排放濃度
550 : 資料庫
從以下結合所附圖式所做的詳細描述,可對本發明之態樣有更佳的了解。需注意的是,根據業界的標準實務,各特徵並未依比例繪示。事實上,為了使討論更為清楚,各特徵的尺寸都可任意地增加或減少。
[圖1]係根據本發明的實施例繪示燒結工廠的示意圖。
[圖2]係根據本發明的實施例繪示計算模組訓練機器學習模型的流程圖。
[圖3]係根據本發明的實施例繪示尋找延遲時間的示意圖。
[圖4]係根據本發明的實施例繪示尋找延遲時間的示意圖。
[圖5]係根據本發明的實施例繪示計算模組在機器學習模型的推論階段的方法流程圖。
210:資料庫
220:資料集
230,240,250,260,291:步驟
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
Claims (10)
- 一種氮氧化物的預測方法,適用於一燒結工廠,該燒結工廠包括一燒結機、一脫硝塔與一煙囪,該氮氧化物的預測方法包括:取得該燒結機的複數個燒結數據,並且取得該脫硝塔的複數個脫硝數據;以及根據該些燒結數據與該些脫硝數據來訓練一機器學習模型,藉此預測該煙囪的一氮氧化物排放濃度;其中透過設置於該燒結工廠內的複數個感測器來感測該些燒結數據與該些脫硝數據,其中該燒結工廠還包括一計算模組,其中該計算模組為具有計算能力的電子裝置,其中該計算模組用以取得該些燒結數據與該些脫硝數據,其中該計算模組用以根據該些燒結數據與該些脫硝數據來訓練該機器學習模型,其中該計算模組藉由該機器學習模型來預測該煙囪的該氮氧化物排放濃度;其中該燒結工廠更包括一煙氣換熱器;其中該些脫硝數據包括該煙氣換熱器的一冷熱端溫度與一壓差溫度、一脫硝觸媒壓差、一噴胺數據、該脫硝塔的一加熱數據與一氧氣排放量;其中該些感測器之其中一者設置於該煙氣換熱器處,以感測該煙氣換熱器的該冷熱端溫度與該壓差溫度;其中該些感測器之其中另一者設置於該脫硝塔處,以感測該脫硝觸媒壓差、該噴胺數據、該脫硝塔的該加熱數據與該氧氣排放量。
- 如請求項1所述之氮氧化物的預測方法,其中該些燒結數據包括一燒結機速度、一製程煙氣溫度、一製程反應溫度、一主風機電流、一風機抽吸壓力與一增壓風機電流;其中該些脫硝數據更包括一煙氣流量、一煙氣溫度。
- 如請求項1所述之氮氧化物的預測方法,其中該些感測器包括位於該煙囪的出口處的一氮化物偵測器,其中該氮氧化物的預測方法更包括:藉由該氮化物偵測器來取得該煙囪的一氮氧化物排放濃度量測值;以及在該機器學習模型的一訓練階段以該氮氧化物排放濃度量測值作為該機器學習模型的輸出。
- 如請求項3所述之氮氧化物的預測方法,其中該計算模組更用以:根據一取樣頻率來取得該些燒結數據與該些脫硝數據;根據一第一時間點的該氮氧化物排放濃度量測值以及一第二時間點的該些燒結數據與該些脫硝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;逐步調整該時間位移以重新訓練該隨機森林模型,其中每次訓練該隨機森林模型會得到一訓練結果,其中該訓練 結果包含一誤差;以及取得該誤差最小的該訓練結果以及其所對應的該時間位移,藉此將該時間位移設定為一延遲時間。
- 如請求項4所述之氮氧化物的預測方法,其中該計算模組更用以:將該第一時間點的該氮氧化物排放濃度量測值配對至該第一時間點減去該延遲時間的該些燒結數據與該些脫硝數據,藉以形成經整理後的一訓練樣本。
- 如請求項5所述之氮氧化物的預測方法,其中該計算模組更用以:藉由經整理後的該訓練樣本組成經整理後的一資料集;由該資料集的一訓練集與一驗證集來再次訓練該機器學習模型;以及由該資料集的一測試集來測試經再次訓練後的該機器學習模型。
- 如請求項4所述之氮氧化物的預測方法,其中在訓練該機器學習模型以後,該計算模組更用以:判斷該機器學習模型的一誤差是否大於一臨界值;以及如果該機器學習模型的該誤差大於該臨界值,根據新資料重新訓練該機器學習模型。
- 如請求項2所述之氮氧化物的預測方法,其中該計算模組更用以:採用一杜凱圍牆法(tukey fences)來判斷該燒結機速度是否為離群值。
- 如請求項3所述之氮氧化物的預測方法,其中該計算模組更用以:採用一杜凱圍牆法來判斷該氮氧化物排放濃度量測值是否為離群值。
- 如請求項4所述之氮氧化物的預測方法,其中該訓練結果所包含的該誤差為均方根誤差,其中該機器學習模型的該誤差為均方根誤差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111147575A TWI811167B (zh) | 2022-12-12 | 2022-12-12 | 氮氧化物的預測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111147575A TWI811167B (zh) | 2022-12-12 | 2022-12-12 | 氮氧化物的預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI811167B true TWI811167B (zh) | 2023-08-01 |
TW202424803A TW202424803A (zh) | 2024-06-16 |
Family
ID=88585494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111147575A TWI811167B (zh) | 2022-12-12 | 2022-12-12 | 氮氧化物的預測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI811167B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201624359A (zh) * | 2014-12-26 | 2016-07-01 | 財團法人工業技術研究院 | 連續性製程的預測系統及方法 |
TW202034051A (zh) * | 2018-08-15 | 2020-09-16 | 美商唯景公司 | 使用外部3d模型化及神經網路之控方法及系統 |
TW202107077A (zh) * | 2019-08-02 | 2021-02-16 | 財團法人工業技術研究院 | 智慧濃度測量系統、方法及智慧濃度分析模組 |
TW202204939A (zh) * | 2020-02-12 | 2022-02-01 | 美商唯景公司 | 用於可著色窗之預測模型化 |
TW202221564A (zh) * | 2020-11-25 | 2022-06-01 | 中國鋼鐵股份有限公司 | 硫氧化物的預測方法與燒結工廠 |
-
2022
- 2022-12-12 TW TW111147575A patent/TWI811167B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201624359A (zh) * | 2014-12-26 | 2016-07-01 | 財團法人工業技術研究院 | 連續性製程的預測系統及方法 |
TW202034051A (zh) * | 2018-08-15 | 2020-09-16 | 美商唯景公司 | 使用外部3d模型化及神經網路之控方法及系統 |
TW202107077A (zh) * | 2019-08-02 | 2021-02-16 | 財團法人工業技術研究院 | 智慧濃度測量系統、方法及智慧濃度分析模組 |
TW202204939A (zh) * | 2020-02-12 | 2022-02-01 | 美商唯景公司 | 用於可著色窗之預測模型化 |
TW202221564A (zh) * | 2020-11-25 | 2022-06-01 | 中國鋼鐵股份有限公司 | 硫氧化物的預測方法與燒結工廠 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7660639B2 (en) | Control system for control subject having combustion unit and control system for plant having boiler | |
US8214062B2 (en) | Plant control system and thermal power generation plant control system | |
Shakil et al. | Soft sensor for NOx and O2 using dynamic neural networks | |
US8355996B2 (en) | Plant control apparatus that uses a model to simulate the plant and a pattern base containing state information | |
US10954843B2 (en) | Control of combustion source with at least one pollution control device | |
CN112464544B (zh) | 一种城市固废焚烧过程二噁英排放浓度预测模型构建方法 | |
Si et al. | Development of predictive emissions monitoring system using open source machine learning library–keras: A case study on a cogeneration unit | |
JP2010537192A (ja) | ガス排出量の経験的アンサンブルに基づく仮想センシングのためのシステム及び方法 | |
JP2012128800A (ja) | プロセスの状態予測方法及びそれを用いたプロセス制御装置 | |
JP7417762B2 (ja) | フレアの排出量監視システム | |
CN113175678B (zh) | 垃圾焚烧的监控方法及装置 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
KR102337026B1 (ko) | 화력발전소의 질소산화물 함유 배가스 처리장치 및 화력발전소의 질소산화물 함유 배가스 처리방법 | |
Nemitallah et al. | Artificial intelligence for control and optimization of boilers’ performance and emissions: A review | |
CN114186708A (zh) | 基于pso-elm循环流化床机组so2浓度预测方法 | |
TWI811167B (zh) | 氮氧化物的預測方法 | |
TW202424803A (zh) | 氮氧化物的預測方法 | |
TWI735385B (zh) | 硫氧化物的預測方法與燒結工廠 | |
JP2009198137A (ja) | ボイラの制御装置及びボイラの制御方法 | |
Qiu et al. | An energy‐efficiency evaluation method for high‐sulfur natural gas purification system using artificial neural networks and particle swarm optimization | |
CN113780639B (zh) | 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法 | |
Saramud et al. | A new approach to multi-version decision-making to improve the reliability of environmental monitoring parameters | |
Šulc et al. | Control for ecological improvement of small biomass boilers | |
US10521716B2 (en) | Computer-assisted analysis of a data record from observations | |
CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 |