[发明专利]监测水泥厂预热器状态变化的辅助方法

说明书

本发明提供了一种监测水泥厂预热器状态变化的辅助方法，包括如下步骤：选择机器学习的特征和预测目标：选择预热器运行的参数作为机器学习的特征，选择预热器中压力差的未来值作为预测目标；选择机器学习的方法：选择完机器学习的特征和预测目标之后，选择多特征时间序列输入并给出预测目标时间序列的机器学习方法；模型训练：选择完机器学习方法之后，进行模型训练；异常判据选择：模型训练完成之后，建立异常判断准则；布署和运行：在隔离环境中布署模型，获取数据之后进行计算，不影响设施正常运行。通过采用本发明方法，建立了对水泥厂预热器工作状态变化监测的一种辅助手段，方便了操作人员对预热器状态进行判断。

技术领域

本发明涉及预热器监测技术领域，具体地，涉及一种监测水泥厂预热器状态变化的辅助方法。

背景技术

目前，水泥厂预热器通常采用旋风预热器，而旋风预热器系统主要由回转窑及窑后的旋风器组成，该系统的工作过程由多级预热器在一起协同合作完成的，预热的方式是通过鼓风的形式是原料得到加热处理。但是在预热器运行过程中，传统做法都是采用人工监测，对预热器温度、湿度、投料量等参数进行设置及人工监控，没有应用于水泥厂预热器状态的辅助监测自动控制方法。

经过检索，专利文献CN109631075A公开了一种空气预热器防堵灰风量调节方法及运行监测装置，该现有技术公开的是防堵灰风量调节方法，为空气预热器防堵灰风量的调节提供直接的依据，确定最合适的风量，提高空气预热器防堵灰系统运行的经济性，保证防堵灰效果。但是该专利描述的技术没有采用机器学习方法，而且需要安装额外的监测设备，成本较高。

经过检索，专利文献CN110779745A公开了一种基于BP神经网络的换热器早期故障诊断方法，包括步骤：A)采集换热器正常工作状态下的关键参数；B)将采集到的关键参数划分为训练集、验证集和测试集；C)构建BP神经网络模型；D)获得测试输出误差的均值μ和标准差σ；E)利用已训练好的BP神经网络模型对换热器出口数据进行预测，获得换热器出口数据的预测输出；F)进行故障诊断。该专利描述的技术仅用于换热器，算法限于BP神经网络，且结果呈现对操作人员而言不直观。

因此，针对水泥厂预热器状态的辅助监测方法亟需得到解决，从而能够建立起对水泥厂预热器工作状态变化监测的一种辅助手段，以方便操作人员对预测器状态进行判断。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种监测水泥厂预热器状态变化的辅助方法和系统。对水泥厂某一级预热器处于正常状态时的模型进行学习，通过对比模型预测值与实际值的长期偏差变化趋势，由操作员结合运行经验判断预热器的状态变化，辅助操作人员对预热器状态劣化情况进行判断。

根据本发明提供的一种监测水泥厂预热器状态变化的辅助方法，利用机器学习方法学习预热器的模型特性，将训练好的模型用于目标特征的预测，根据预测值与真实值的偏差变化趋势，结合操作人员经验判断预热器状态的变化，包括如下步骤：

步骤1，选择机器学习的特征和预测目标：选择预热器运行的参数作为机器学习的特征，选择预热器中压力差的未来值作为预测目标；

步骤2，选择机器学习的方法：选择完机器学习的特征和预测目标之后，选择多特征时间序列输入并给出预测目标时间序列的机器学习方法；

步骤3，模型训练：选择完机器学习方法之后，进行模型训练；

步骤4，异常判据选择：模型训练完成之后，建立异常判断准则；

步骤5，布署和运行：在隔离环境中布署模型，获取数据之后进行计算，不影响设施正常运行。

优选地，步骤1中选择了预热器中的温度、温度差、投料量和压力差的历史值作为机器学习的特征。

优选地，步骤1中所有的特征数据均来自已有的传感器和DCS设备，无须增加额外硬件。