[发明专利]面向燃煤锅炉流程对象的实时知识发现方法及系统

说明书

本公开提出了面向燃煤锅炉流程对象的实时知识发现方法及系统，包括：对采集到的锅炉的生产状态参数数据进行时序调整，得到正确的时序数据；采用基于滑动窗口的数据流聚类方法，保存每次聚类中心结果，每次对比上次聚类结果，如果相邻两次聚类结果的差值在设定范围内，不做任何操作，继续等待下一个数据流；否则，对变化趋势数学公式进行修改更新适用于最新的生产状态；继续进行后续知识发现的过程获得新的公式，通过关联规则算法进行关联链挖掘，得到各个生产参数最新的影响关系与变化规律，生成各参数之间的关联链；最后通过柔性神经树对数据进行建模预测，输出数据的新的变化趋势数学公式，从而辅助调整生产流程参数。

技术领域

本公开涉及数据处理技术领域，特别是涉及面向燃煤锅炉流程对象的实时知识发现方法及系统。

背景技术

在流程工业分布式控制系统中，由于存在多个环节的数据，环节之间又具有一定的影响关系。从环节数据中挖掘出这种隐性的相关关系，以便人们更好地了解到生产状况以及是否发生了异常情况，具有很大的实用意义。

目前，DCS分布式控制系统广泛应用于流程工业生产中，该系统可以实时采集流程工业生产过程中各个环节的生产状态。流程工业控制系统采集得到的数据经过长时间的积累形成规模庞大的历史数据库。在这些数据中包含了可用于生产和管理的大量有价值的信息和知识，从中发现比传统查询和统计更重要的内容渐渐成为人们的研究热点。为了能够在过程检测、诊断、优化、调度等方面对流程工业的运行提供辅助决策支持，优化流程工业自动化控制系统的性能，需要一种可靠高效的分析工具，将隐藏在海量数据中的有用的深层次知识和信息挖掘出来，提取这些数据的整体特征、关联以及预测发展趋势等，以帮助决策者发现、分析并解决问题。基于流程工业的需要和数据性质以及所面临的问题，数据挖掘技术是解决流程工业的海量信息数据处理的关键技术。

数据流具有规模不断增长、对象实时更新、属性复杂多变、价值随时间衰减等特点，这就导致很难在数据流中选择具有全局代表性的样本数据，因此有监督的智能计算难以应用于数据流环境中。聚类分析是无监督的机器学习方法，在计算过程中，不需要规范化的样本数据，仅根据数据本身的属性特点就能够进行有效的数据划分，可以实现对海量原始数据的标签化工作，因此在金融分析、环境监测、工业控制等领域有着广泛的用途，与有监督的机器学习方法相比，更适应数据流的应用需求。

针对是热电蒸汽炉的生产环节，可以预测的生产状态参数有气包压力，主汽温度，料层温度,返料温度，烟气含氧量，炉膛差压，料层差压等,根据锅炉的工作特点，蒸汽系统由于设备较复杂、环节较多，因此参数的变化存在着较大的滞后性，但变化的趋势可以保持较长时间，所以在设备调节会采取“提前调节”和“稳定调节相”相结合的方法，但是实际生产中只能由一线工人凭借自己的经验进行调整，无法稳定高效的发现状态变化，生产故障，从而导致蒸汽锅炉工作效率的降低。

发明内容

本说明书实施方式的目的是提供面向燃煤锅炉流程对象的实时知识发现方法，基于当前生产状态的相关参数预测未来一段时间的生产状态，从而辅助指导企业调整生产流程参数。

本说明书实施方式提供面向燃煤锅炉流程对象的实时知识发现方法，基于服务器实现，通过以下技术方案实现：

包括：

对采集到的锅炉的生产状态参数数据进行时序调整，得到正确的时序数据；

采用基于滑动窗口的数据流聚类方法，将采集到的锅炉的生产状态参数数据，分成“正常”，“基本正常”，“异常”，“严重异常”四类；

保存每次聚类中心结果，每次对比上次聚类结果，如果相邻两次聚类结果的差值在设定范围内，不做任何操作，继续等待下一个数据流；否则，对变化趋势数学公式进行修改更新适用于最新的生产状态；

继续进行后续知识发现的过程获得新的公式，通过关联规则算法进行关联链挖掘，得到各个生产参数最新的影响关系与变化规律，生成各参数之间的关联链；