基于机器学习的工业窑炉能源数据监测处理系统及方法与流程

本发明涉及数据处理，具体为一种基于机器学习的工业窑炉能源数据监测处理系统及方法。

背景技术：

1、根据目前工业企业生产的现状，窑炉烧成工序的能耗占据窑炉烧制工艺链能耗的60%至70%左右，工业生产成本损耗增加。所以改造窑炉降低窑炉烧制工艺链能耗成了工业生产过程中的一项挑战。

2、现有中国申请专利cn110287642a，该发明通过与安装智能检测设备实时测量陶瓷窑炉的各项参数并保存，同时基于保存的参数数据构建一种调节空气系数的热工技术方案和计算模型；同时通过调节空气系数的热工技术方案和计算模型将陶瓷窑炉的空气系数调整为最佳值，并根据最佳值进行操作。但由于该发明只考虑调节空气系数的方式对陶瓷窑炉进行节能调节，节能效果不佳，且参考数据不足，具有一定的局限性。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于机器学习的工业窑炉能源数据监测处理系统及方法，具备准确、可靠、高效、节能等优点，解决了工业生产成本损耗增加的问题。

2、为解决上述工业生产成本损耗增加的技术问题，本发明提供如下技术方案：

3、本实施例公开一种基于机器学习的工业窑炉能源数据监测处理方法，具体包括以下步骤：

4、s1、在工业窑炉侧壁安装监测设备，通过安装的监测设备采集工业窑炉数据并进行预处理，得到预处理后的工业窑炉数据；

5、s2、基于得到的预处理后的工业窑炉数据进行工业窑炉三维建模，并通过支持向量机算法对工业窑炉三维建模过程进行预测，并计算工业窑炉三维建模过程中产生的误差，得到预测后的三维模型数据；

6、s3、基于得到的预测后的三维模型数据，通过工业窑炉改造节能量计算方法，初步建立工业窑炉节能评估体系；

7、s4、对得到的预测后的三维模型数据进行改造，得到改造后的三维模型数据；

8、s5、基于建立的工业窑炉节能评估体系，通过遗传算法对改造后的三维模型数据进行优化，得到最优的三维模型数据；

9、s6、根据得到的最优的三维模型数据修改工业窑炉并进行实时监测。

10、本发明通过在工业窑炉侧壁安装监测设备，同时通过安装的监测设备采集工业窑炉数据并进行预处理和三维建模，并通过支持向量机算法对工业窑炉三维建模过程进行预测，得到预测后的三维模型数据；基于得到的预测后的三维模型数据，通过工业窑炉改造节能量计算方法，初步建立工业窑炉节能评估体系，同时对得到的预测后的三维模型数据进行改造，得到改造后的三维模型数据，最后基于建立的工业窑炉节能评估体系，通过遗传算法对改造后的三维模型数据进行优化，并根据优化后三维模型数据生产工业窑炉并进行实时监测，提高了工业窑炉能源数据监测节能效果。

11、优选地，所述在工业窑炉侧壁安装监测设备，通过安装的监测设备采集工业窑炉数据并进行预处理，得到预处理后的工业窑炉数据包括以下步骤：

12、设定设备采集工业窑炉数据包括：工业窑炉图像数据和工业窑炉能源数据；

13、s11、在工业窑炉侧壁安装监测设备，通过安装的监测设备采集工业窑炉数据，设定采集的工业窑炉数据包括工业窑炉图像数据和工业窑炉能源数据；s12、对工业窑炉能源数据进行预处理，得到预处理后的工业窑炉能源数据；

14、s13、基于得到的预处理后的工业窑炉能源数据，对工业窑炉图像数据进行预处理，确定工业窑炉内各区域的温度情况；

15、设定得到的预处理后的工业窑炉能源数据和确定的工业窑炉内各区域的温度情况为预处理后的工业窑炉数据。

16、优选地，所述对工业窑炉能源数据进行预处理，得到预处理后的工业窑炉能源数据包括以下步骤：

17、设定工业窑炉能源数据包括温度数据和压强数据；

18、通过数据标准化方式对温度数据和压强数据进行标准化；

19、温度数据标准化处理公式如下：

20、；

21、其中，xα表示采集的温度数据，表示标准化处理后的温度数据；xα  max表示温度数据中的最大值；xα min表示温度数据中的最小值；

22、压强数据标准化处理公式如下：

23、；

24、其中，xβ表示采集的压强数据，表示标准化处理后的压强数据；xβ max表示压强数据中的最大值；xβ min表示压强数据中的最小值；

25、设定标准化处理后温度数据和压强数据的集合为预处理后的工业窑炉能源数据。

26、优选地，所述基于得到的预处理后的工业窑炉能源数据，对工业窑炉图像数据进行预处理，确定工业窑炉内各区域的温度情况包括以下步骤：

27、通过火焰外焰温度最高亮度最大，火焰中心点温度最低亮度最低判识原理，确定火点像元与非火点像元；

28、由于工业窑炉图像数据为工业窑炉热辐射图像数据，根据工业窑炉热辐射图像数据各区域的温度范围和亮度确定火点像元与非火点像元；

29、设定温度最高区域为火点像元边界，在温度最高区域下方为火点像元，在温度最高区域上方为非火点像元；

30、对收集的工业窑炉图像数据中火点像元与非火点像元的温差进行计算，计算公式如下：

31、；

32、；

33、；

34、其中，δti表示工业窑炉图像数据中像元通道i中火点像元与非火点像元的温差，timix表示工业窑炉图像数据中像元通道i中火点像元的温度，tib表示工业窑炉图像数据中像元通道i中非火点像元的温度，vi工业窑炉图像数据中像元通道i的波长，c2,c1为辐射常量，表示热辐射衰减程度，nimix工业窑炉图像数据中像元通道i火点像元的亮度，nib表示工业窑炉图像数据中像元通道i中非火点像元的亮度；

35、设定得到的预处理后的工业窑炉能源数据和确定的工业窑炉内各区域的温度情况为预处理后的工业窑炉数据。

36、本发明通过对工业窑炉能源数据进行标准化处理，并基于标准化处理后的工业窑炉能源数据，对工业窑炉图像数据进行预处理，确定工业窑炉内各区域的温度情况，实现对工业窑炉各项数据的监测和分析，提高了工业窑炉能源数据监测的准确性。

37、优选地，所述通过支持向量机算法对工业窑炉三维建模过程进行预测，并计算工业窑炉三维建模过程中产生的误差，得到预测后的三维模型数据包括以下步骤：

38、设定采集得到的工业窑炉数据为c，对应输出的三维建模为e；

39、支持向量机算法的数学表达式如下所示：

40、；

41、其中，w表示权值，b表示偏置值，表示低维到高维空间的一个非线性映射，f(c)表示预测值；

42、支持向量机算法的损失函数如下所示：

43、；

44、其中，ε表示损失函数，l(f(c),e,ε)表示f(c)、e以及ε之间的关系函数。

45、本发明通过基于得到的预处理后的工业窑炉数据进行工业窑炉三维建模，并基于得到的三维建模通过支持向量机算法的数学表达式，计算工业窑炉三维建模过程中产生的误差，并输出预测后的三维模型数据，保证了工业窑炉三维建模过程的可靠性。

46、优选地，所述基于得到的预测后的三维模型数据，通过工业窑炉改造节能量计算方法，初步建立工业窑炉节能评估体系包括以下步骤：

47、工业窑炉改造节能量计算公式如下所示：

48、；

49、其中，δe表示工业窑炉改造节能量，e0表示改造前的工业窑炉耗能量，e1表示改造后的工业窑炉耗能量，g0表示改造前的工业窑炉产量，g1表示改造后的工业窑炉产量，g表示改造前、后的工业窑炉产量的较小值；

50、基于计算得到的工业窑炉改造节能量设定工业窑炉改造节能量每个等级的阈值，同时基于设定的工业窑炉改造节能量每个等级的阈值建立工业窑炉节能评估体系。

51、本发明通过工业窑炉改造节能量计算方法，通过计算改造前后的工业窑炉耗能量以及改造前后的工业窑炉产量建立工业窑炉节能评估体系，并基于建立的工业窑炉节能评估体系计算工业窑炉改造节能量，提高了建立的工业窑炉节能评估体系的准确性。

52、优选地，所述对得到的预测后的三维模型数据进行改造，得到改造后的三维模型数据包括以下步骤：

53、设定对得到的预测后的三维模型数据的改造包括，修改预测后的三维模型数据的体积大小以及调节预测后的三维模型数据中通风口的位置；

54、设定每次改造完成后，保存改造后的三维模型数据。

55、优选地，所述基于建立的工业窑炉节能评估体系，通过遗传算法对改造后的三维模型数据进行优化，得到最优的三维模型数据包括以下步骤：

56、s51、设定遗传的种群规模、迭代次数以及染色体编码；

57、设定每个种群为n个改造后的三维模型数据；

58、s52、在各种群改造后的三维模型数据中随机选择a个三维模型数据产生初始种群sgen；

59、s53、将工业窑炉节能评估体系中的工业窑炉改造节能量计算公式作为遗传算法的适应度函数，并计算种群中各个个体的适应度；

60、设定每个个体表示一组改造后的三维模型数据的工业窑炉改造节能量；

61、各个个体的适应度计算公式如下：

62、；

63、其中，fit(k)表示第k个个体的适应度，δe表示工业窑炉改造节能量；

64、s54、基于轮盘赌的方式选取所有个体中的优良个体；

65、s55、通过顺序交叉的方式对选择的优良个体进行交叉，交叉后产生新种群；

66、s56、在种群中随机选择一个个体以设定的概率进行边缘，产生变异后的种群；

67、s57、比较初始种群与经过遗传算法交叉变异后的种群之间的适应度差值δfit；

68、当δfit＜0，表示变异后的种群适应度比初始种群高，接受该种群，当δfit≥0，表示变异后的种群适应度比初始种群低，拒绝接受该种群；

69、s58、根据算法的迭代次数判断是否到达最大迭代次数，当到达最大次数则输出最优解，当未到达最大迭代次数则继续执行步骤s52-s57；

70、设定输出的最优解为最优的三维模型数据。

71、优选地，所述基于轮盘赌的方式选取所有个体中的优良个体包括以下步骤：

72、轮盘赌的方式选取所有个体中的优良个体计算公式如下：

73、；

74、其中，p(k)表示第k个个体被选择的概率，k表示所述改造后的三维模型数据数量。

75、本发明通过根据建立的工业窑炉节能评估体系，通过遗传算法对改造后的三维模型数据进行优化，通过设定种群规模、迭代次数以及适应度函数，基于轮盘赌选取的方式、顺序交叉方式、随机变异方式寻找最优的节能三维模型数据，保证了工业窑炉能源数据监测高效性。

76、本实施例还公开一种基于机器学习的工业窑炉能源数据监测处理系统，包括：数据采集模块、数据处理模块、三维建模模块、节能评估模块以及三维模型优化模块；

77、所述数据采集模块用于采集工业窑炉数据，并将采集到的工业窑炉数据传输至数据处理模块；

78、所述数据处理模块用于对接收到的工业窑炉数据进行数据处理，并将处理后的工业窑炉数据传输至三维建模模块；

79、所述三维建模模块用于对接收到的处理后的工业窑炉数据进行三维建模并得到三维模型数据；

80、所述节能评估模块用于根据得到三维模型数据通过节能量计算方式建立工业窑炉节能评估体系；

81、所述三维模型优化模块用于根据建立工业窑炉节能评估体系通过遗传算法对改造后的三维模型数据进行优化。

82、有益效果

83、与现有技术相比，本发明提供了一种基于机器学习的工业窑炉能源数据监测处理系统及方法，具备以下有益效果：

84、1、该发明通过在工业窑炉侧壁安装监测设备，同时通过安装的监测设备采集工业窑炉数据并进行预处理和三维建模，并通过支持向量机算法对工业窑炉三维建模过程进行预测，得到预测后的三维模型数据；基于得到的预测后的三维模型数据，通过工业窑炉改造节能量计算方法，初步建立工业窑炉节能评估体系，同时对得到的预测后的三维模型数据进行改造，得到改造后的三维模型数据，最后基于建立的工业窑炉节能评估体系，通过遗传算法对改造后的三维模型数据进行优化，并根据优化后三维模型数据生产工业窑炉并进行实时监测，提高了工业窑炉能源数据监测节能效果。

85、2、该发明通过对工业窑炉能源数据进行标准化处理，并基于标准化处理后的工业窑炉能源数据，对工业窑炉图像数据进行预处理，确定工业窑炉内各区域的温度情况，实现对工业窑炉各项数据的监测和分析，提高了工业窑炉能源数据监测的准确性。

86、3、该发明通过基于得到的预处理后的工业窑炉数据进行工业窑炉三维建模，并基于得到的三维建模通过支持向量机算法的数学表达式，计算工业窑炉三维建模过程中产生的误差，并输出预测后的三维模型数据，保证了工业窑炉三维建模过程的可靠性。

87、4、该发明通过工业窑炉改造节能量计算方法，通过计算改造前后的工业窑炉耗能量以及改造前后的工业窑炉产量建立工业窑炉节能评估体系，并基于建立的工业窑炉节能评估体系计算工业窑炉改造节能量，提高了建立的工业窑炉节能评估体系的准确性。

88、5、该发明通过根据建立的工业窑炉节能评估体系，通过遗传算法对改造后的三维模型数据进行优化，通过设定种群规模、迭代次数以及适应度函数，基于轮盘赌选取的方式、顺序交叉方式、随机变异方式寻找最优的节能三维模型数据，保证了工业窑炉能源数据监测高效性。