基于多物理特征的磨煤機(jī)出磨溫度預(yù)測模型

楊魯江，王得磊，魯乾鵬，周 曼，劉志勇

（浙江中控技術(shù)股份有限公司，杭州310053）

磨煤機(jī)在水泥生產(chǎn)過程中承擔(dān)著為鍋爐提供燃料和干燥煤粉的關(guān)鍵任務(wù)，其中出磨溫度對(duì)煤粉生產(chǎn)質(zhì)量有著很大影響，并且出磨溫度過高容易引發(fā)爆炸。對(duì)出磨溫度進(jìn)行準(zhǔn)確預(yù)測，可以及時(shí)對(duì)磨煤機(jī)進(jìn)行調(diào)整控制，防止事故發(fā)生，提高生產(chǎn)效益。在早期的研究工作中提出了磨煤機(jī)出磨溫度的一些機(jī)理性模型，文獻(xiàn)[1]將出磨溫度模型視為一階微分模型，文獻(xiàn)[2]通過各種平衡方程建立模型，并對(duì)出磨溫度加入滯后補(bǔ)償環(huán)節(jié)，使出口溫度變化符合實(shí)際物理過程特性。

本文基于XGBoost[3]建立磨煤機(jī)出磨溫度預(yù)測模型，并比較常用機(jī)器學(xué)習(xí)算法在磨煤機(jī)上的性能，包括K-最近鄰[4]（K-nearest neighbors，KNN），支持向量回歸[5]（support vector regression，SVR）等。并且，分析單物理特征對(duì)預(yù)測出磨溫度性能的影響。針對(duì)某水泥廠所采集的數(shù)據(jù)，基于XGBoost 的磨煤機(jī)出磨溫度預(yù)測方案其預(yù)測精度達(dá)到預(yù)測4 min 偏差小于1 ℃，其平均相對(duì)誤差0.45%的精度需求。

1 磨煤機(jī)出磨溫度預(yù)測方案

圖1 所示為磨煤機(jī)預(yù)測出磨溫度整體試驗(yàn)流程。磨煤機(jī)工藝流程主要是給煤機(jī)將原煤送入磨煤機(jī)，經(jīng)過磨煤機(jī)研磨和干燥，最終得到煤粉。整個(gè)生產(chǎn)通過DCS、ECS 設(shè)備進(jìn)行監(jiān)測和控制。本文通過數(shù)據(jù)采集接口，采集所需多物理特征數(shù)據(jù)，其中包括給煤機(jī)流量HL（t）、入磨溫度TEI（t）、入磨壓力PTI（t）、出磨溫度TEO（t）、出磨壓力PTO（t）、煤磨電流MEIMO_VALUE（t）、煤磨進(jìn)出口壓差PT_VALUE（t）?？梢暬卣?，得出磨煤機(jī)特征隨時(shí)間有抖動(dòng)特點(diǎn)，因此對(duì)數(shù)據(jù)進(jìn)行平滑操作，本文對(duì)磨煤機(jī)特征數(shù)據(jù)每30 s 做平均，其出磨溫度的效果如圖2 所示。

圖1 磨煤機(jī)溫度預(yù)測整體方案Fig.1 Overall scheme for temperature prediction of coal pulverizer

圖2 磨煤機(jī)出磨溫度曲線Fig.2 Temperature curve of coal mill outlet

1.1 KNN 法

KNN 預(yù)測，首先，待預(yù)測磨煤機(jī)樣本特征與訓(xùn)練集樣本特征歐式距離計(jì)算，得到距離最近的前k個(gè)樣本，將前k 個(gè)樣本預(yù)測4 min 的出磨溫度值做平均操作，即得到待預(yù)測磨煤機(jī)樣本預(yù)測4 min 的出磨溫度值。

1.2 SVR 法

SVR 預(yù)測，其預(yù)測公式如下：

式中：wT，b 分別為磨煤機(jī)SVR 模型權(quán)重值和偏置值；Xj為磨煤機(jī)樣本；yj為磨煤機(jī)4 min 出磨溫度預(yù)測值。

磨煤機(jī)SVR 訓(xùn)練目標(biāo)公式如下：

1.3 XGBoost 法

本文采用的XGBoost 預(yù)測公式如下所示：

式中：k 為決策樹的數(shù)量；Γ 為決策樹的權(quán)值集合；fk（Xj）為樣本Xj在第k 棵樹葉子上的權(quán)值；y?j為間隔為30 s 情況下，采用XGBoost 對(duì)第j 個(gè)樣本預(yù)測的4 min 的溫度向量；Φ（Xj）為磨煤機(jī)預(yù)測表達(dá)式。

XGBoost 訓(xùn)練優(yōu)化的目標(biāo)公式如下：

XGBoost 在進(jìn)行多次迭代訓(xùn)練之后，得到k 棵樹，k 棵樹累加值即為此樣本的預(yù)測值，也就是出磨溫度預(yù)測模型yj=Φ（Xj）。

2 實(shí)驗(yàn)結(jié)果與分析

本文使用某水泥廠燒成車間磨煤機(jī)8 天總計(jì)2073501 項(xiàng)的工作數(shù)據(jù)，選用前5 天的數(shù)據(jù)作為訓(xùn)練集，后3 天的數(shù)據(jù)作為測試集，訓(xùn)練得到磨煤機(jī)出磨溫度模型。利用訓(xùn)練得到的模型再對(duì)磨煤機(jī)出磨溫度預(yù)測分析。

2.1 不同出磨預(yù)測模型比較與分析

KNN、SVR、XGBoost 均是常用的機(jī)器學(xué)習(xí)預(yù)測模型，不同模型在不同場景下存在一定的表現(xiàn)差異，因此，本文通過對(duì)比不同預(yù)測模型，其中，KNN 模型中選用K 值為5，近鄰樣本視為等權(quán)重，樣本間使用歐式距離度量；SVR 選用RBF 內(nèi)核，多項(xiàng)式核函數(shù)次數(shù)選用3；XGBoost 選用學(xué)習(xí)率為0.05，樹最大深度為8，每棵樹的樣本采樣率為0.7。得到如圖3 所示的磨煤機(jī)4 min 出口溫度最大誤差值和平均誤差值圖。

圖3 預(yù)測0～270 s 出磨溫度的最大誤差和平均誤差Fig.3 Prediction of the maximum and average error of the grinding temperature from 0～270 s

根據(jù)兩種統(tǒng)計(jì)測試指標(biāo)，可以表明，XGBoost 相比于其他模型，預(yù)測4 min 出磨溫度的平均誤差與最大誤差都優(yōu)于其他模型。

圖4 中為在磨煤機(jī)出磨溫度存在慢時(shí)變、間歇性抖動(dòng)的情況下，XGBoost 預(yù)測溫度與真實(shí)出口溫度趨勢(shì)非常接近，兩者的溫度隨時(shí)刻變化平均誤差在0.01%～0.12%，最大誤差在5.26%～5.5%，預(yù)測4 min 磨煤機(jī)出磨溫度誤差小于1 ℃，預(yù)測精度滿足方案設(shè)計(jì)要求。

圖4 本文方案的出磨溫度預(yù)測Fig.4 Prediction of grinding temperature in this project

2.2 不同特征對(duì)預(yù)測模型性能影響

基于給煤機(jī)流量、入磨溫度、出磨溫度、煤磨電流等基本物理特征構(gòu)造其速度特征作為模型的輸入特征。通過缺失某一速度特征，研究該特征對(duì)預(yù)測模型性能的影響。圖5 是缺失某一特征后基于XGBoost 出磨溫度預(yù)測模型隨時(shí)間變化的結(jié)果（圖中：HL 為給煤機(jī)流量；MEIMO_VALUE 為煤磨電流；TEO 為出磨溫度；TEI 為入磨溫度）。

圖5 預(yù)測0～270 s 溫度的最大誤差、均值誤差及均方根誤差Fig.5 Maximum error，mean error and root mean square error of temperature prediction from 0～270 s

研究發(fā)現(xiàn)，缺失某一物理特征對(duì)模型的預(yù)測影響不大，缺失某一特征后的模型對(duì)出磨溫度預(yù)測誤差相較于缺失其他特征，未產(chǎn)生顯著偏差。相較之下，出磨溫度特征產(chǎn)生模型偏差的影響最大。說明其余特征對(duì)磨煤機(jī)出磨溫度預(yù)測相關(guān)性低于出磨溫度的相關(guān)性。

3 結(jié)語

本文利用機(jī)器學(xué)習(xí)方式建立磨煤機(jī)出模溫度預(yù)測模型，通過對(duì)比實(shí)驗(yàn)，基于XGBoost 的磨煤機(jī)出磨溫度預(yù)測方案預(yù)測4 min 的出磨溫度最優(yōu)。

多個(gè)物理特征對(duì)出磨溫度預(yù)測的影響，經(jīng)過對(duì)比發(fā)現(xiàn)，其中出磨溫度這個(gè)物理特征對(duì)溫度預(yù)測影響最大，對(duì)預(yù)測磨煤機(jī)出磨溫度準(zhǔn)確度有所提升。