面向燃煤锅炉流程对象的实时知识发现方法及系统技术方案

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。

Real-time Knowledge Discovery Method and System for Coal-fired Boiler Process Object

【技术实现步骤摘要】
面向燃煤锅炉流程对象的实时知识发现方法及系统
本公开涉及数据处理
，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。
技术介绍
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。
技术实现思路
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；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，对工业生产过程进行模拟，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系统，基于服务器实现，通过以下技术方案实现：包括：时序数据获得模块，被配置为：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；数据流聚类模块，被配置为：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；聚类结果比较模块，被配置为：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；各参数关联链模块，被配置为：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；参数预测模块，被配置为：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，对工业生产过程进行模拟，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，从而辅助调整生产流程参数。与现有技术相比，本公开的有益效果是：本公开根据蒸汽锅炉的这些特性对热电生产数据进行时序调整，并采用基于滑动窗口的数据流聚类的方法，对新增的数据流实时进行聚类，再通过关联链挖掘得到各个生产环节最新的影响关系与变化规律，最后通过柔性神经树对数据进行建模预测，得到测点数据的变化趋势公式，对工业生产过程进行模拟，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。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1本公开实施例子的初始模型建立的算法流程图；图2本公开实施例子的增量式模型更新的算法流程图；图3本公开实施例子的基于差分极值时序发现的算法流程图；图4本公开实施例子的滑动窗口模型效果图，随着数据的不断流入，最先流入的数据将移出窗口不再保存；图5本公开实施例子的环节关联度表的效果图，根据各个环节之间的关联度，生成关联链；图6本公开实施例子的关联链效果图，每个环节都依次作为首个环节，生成关联链；图7本公开实施例子的建模预测效果图，可以的观察下一数据流预测数据与实际生产数据的对比。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例子一该实施例公开了面向燃煤锅炉流程对象的实时知识发现方法，面向流程工业生产中产生的监测数据，利用数据预处理、基于滑动窗口的数据流聚类、关联链挖掘等算法，对流程工业生产的调控操作起到辅助优化的作用。本公开实施例中所涉及的环节即为燃煤锅炉生产状态参数。对采集到的锅炉的生产状态参数数据进行时序调整，找到正确的时间序列，得到正确的时序数据；并采用基于滑动窗口的数据流聚类方法，将这些生产状态数据，分成“正常”，“基本正常”，“异常”，“严重异常”四类，从而使数据的复杂度大大降低；并保存每次聚类中心结果，每次对比上次聚类结果，如果没有发现聚类结果有明显的变化，就不做任何操作，继续等待一个数据流的到来；如果发现聚类结果发生明显的变化时，说明整个锅炉的生产状态发生变化了，需要对变化趋势数学公式进行修改更新才能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，通过关联本文档来自技高网...

【技术保护点】
1.面向燃煤锅炉流程对象的实时知识发现方法，其特征是，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；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，对工业生产过程进行模拟，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，从而辅助调整生产流程参数。

【技术特征摘要】
1.面向燃煤锅炉流程对象的实时知识发现方法，其特征是，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；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，对工业生产过程进行模拟，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，从而辅助调整生产流程参数。2.如权利要求1所述的面向燃煤锅炉流程对象的实时知识发现方法，其特征是，基于采集的锅炉的生产状态参数数据建立一个初始的模型，即获得一个初始的变化趋势数学公式；当再次采集锅炉的生产状态参数时，对初始的模型进行动态的更新。3.如权利要求1所述的面向燃煤锅炉流程对象的实时知识发现方法，其特征是，对初始的模型进行动态的更新包括：数据预处理，基于滑动窗口数据流聚类，关联链挖掘，模型更新。4.如权利要求3所述的面向燃煤锅炉流程对象的实时知识发现方法，其特征是，数据预处理包括数据进行清洗、对数据出现缺失，错误，重复的进行修复。5.如权利要求4所述的面向燃煤锅炉流程对象的实时知识发现方法，其特征是，数据预处理后，对采集到的锅炉的生产状态参数数据进行时序调整：采用基于差分极值的方法进行时序发现，首先要计算每个参数数据的数据极值点，然后根据极值出现时间算计参数之间的时间间距，选定一个参数作为时间基准参数，其他参数与基准参数通过时间间距进行比较，得出参数之间的时间序列，也就是流程对象内部参数的具体工艺顺序。6.如权利要求3所述的面向燃煤锅炉流程对象的实时知识发现方法，其特征是，基于滑动窗口数据流聚类：在处理数据流中的数据时，开辟一块内存存储数据流中的最新数据，数据依次流入窗口相当于窗口逆向滑向数据流，随着数据的不断流入，最先流入的数据将移出窗口不再保存，只保留最近时间的数据状态。7.如...

【专利技术属性】
技术研发人员：杜韬，李国昌，曲守宁，许婧文，王玉栋，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东,37