基于时序聚类和关联规则挖掘的气化炉操作参数优化方法

摘要：

煤气化过程的操作参数直接影响有效气体产率,操作参数优化有重要的经济价值.然而煤气化是一个长稳过程,具有大惯性、长期稳态、工况时间不等长、来料抽检频度低等特点,对机器学习算法提出了很多挑战.为此,本文基于Mean-variance的ChangePoint算法,对状态量、控制量和产出指标量分别进行时序切片,对不等长的子序列进行聚类,构建典型的多变量时序模式;同时,采用GMM算法对来料品质进行聚类.将操作参数优化分为离线静态优化和在线动态优化两个子问题,在给定的来料品质类别下,通过关联规则学习,获得给定状态下最佳的静态操作参数;在线动态优化建模为关联规则挖掘问题,即将来料品质、当前状态、产出效果、操作参数作为左条件,将未来一段时间的产出效果作为右条件,从而获得最佳的动态调整策略.通过3台气化炉27个月历史数据的实验,预估有效气体产率可提升1.38％,验证了基于多时序聚类和关联规则挖掘的数据驱动方式在煤气化操作参数优化中的可行性.

关键词：德士古气化炉、时序切片、序列规则挖掘、操作参数优化

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：2018年工业互联网创新发展工程平台方向工业互联网平台试验测试环境建设项目石油化工行业;国家重点研发计划项目

在线出版日期：2021-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：61-67,104