[发明专利]基于卷积长短期记忆网络的加热炉温度场实时预测方法

说明书

一种基于卷积长短期记忆网络的加热炉温度场实时预测方法，包括：搭建温度场实时预测网络；对温度场实时预测网络进行训练；对工业加热炉各数据分别进行归一化处理；对工业加热炉各数据进行三维扩展；将扩展后的数据送入训练好的温度场实时预测网络得到三维温度场预测结果；通过保留的三维温度场每个点对应的管壁温度场的空间坐标，将得到的三维温度场预测结果还原为管壁温度场。本发明可以快速得到预测温度场，相比于计算流体力学方法计算一次温度场需要数天的时间，本发明的方法只需要数秒就可以得到预测温度场，效率提升显著，同时预测误差很小。

技术领域

本发明涉及一种工业加热炉温度场预测方法。特别是涉及一种基于基于卷积长短期记忆网络的加热炉温度场实时预测方法。

背景技术

工业加热炉是工业炼化装置的重要设备，是否安全运行直接影响到装置的使用寿命、生产能力和经济效益。工业加热炉燃烧过程不稳定，在运行过程中，可能会在随机位置出现局部超温。而工业加热炉的炉管多由易结焦工艺介质构成，若加热炉的某局部位置长时间运行在超温状态，会导致炉管损耗和破坏，因此必须采取措施优化加热炉温度场的燃烧状况。但加热炉设备庞大、环境恶劣，因此难以对有关物理量参数进行在线测量，导致燃烧调整得不到可靠的依据，燃烧优化运行难以实现。因此只能采取软测量的方案以获得工业加热炉温度场。

软测量指的是在工业生产中通过已经得到的测量量，结合计算机等应用技术，对难以测量和不能测量的变量进行数学推断，从而得到不能直接测量的重要变量的值。软测量具有动态响应迅速的优势，软测量可以连续给出工业过程中的重要变量的值。

软测量模型可以划分为基于原理的软测量模型(Model-Driven Models，简称MDM)以及基于数据的软测量模型(Data-Driven Models，简称DDM)[4]，又称之为数据驱动的软测量模型。

MDM基于工业过程运作机制的先验知识以及工业过程中所涉及的复杂物理化学等有关理论知识，原理模型通常数值计算精度较高、可解释性强。但是基于机理的传统模型往往由大量代数方程组组成，计算量大、收敛慢，难以满足软测量实时性的要求。

CFD是计算流体力学(Computational Fluid Dynamics)的缩写，CFD也是MDM的一种。CFD利用数值分析的方法，解决涉及流体流动的问题。工业加热炉温度、流量等工况数据可以作为CFD计算的依据，从而可以得到工业加热炉内部的一系列点的温度计算值。CFD可以计算出十分详尽丰富的工业加热炉三维温度场数据。但CFD也摆脱不了MDM计算量大，难以获得实时温度场。

基于深度学习的软测量建模方法属于DDM，它运用到深度神经网络(Deep NeuralNetwork，简称DNN)。相比于传统的神经网络，DNN网络层深度更高并且收敛方法更先进，因此具有更强的近似和收敛能力。对于工业过程中复杂的高度非线性过程，DNN表现出很好的性能。

而且在计

循环神经网络(Recurrent Neural Network，简称RNN)及其改进版本长期短期记忆(Long Short Term Memory，简称LSTM)网络，这两种网路早在上世纪就已经在机器学习领域中被提出，目前已得到广泛应用。在实际工业过程中，当前系统状态和输出与先前的一个或多个状态密切相关。因此RNN非常适合处理工业生产过程中的时间序列问题。LSTM包含记忆和遗忘结构。与传统的RNN相比，LSTM可以解决原始RNN中梯度消失和梯度爆炸的问题，LSTM已经被应用到自然语言处理和语音识别等领域，并在软测量领域也得到了应用，其在处理工业过程的时间序列问题上性能优良。而且在训练完成后，该方法的计算时间短，可以满足实时性的需求。

发明内容

本发明所要解决的技术问题是，提供一种能够实现工业加热炉温度场的软测量的基于卷积长短期记忆网络的加热炉温度场实时预测方法。