CN116611017B - 一种低氮燃烧加热炉的氮氧化物排放检测方法 - Google Patents
一种低氮燃烧加热炉的氮氧化物排放检测方法 Download PDFInfo
- Publication number
- CN116611017B CN116611017B CN202310868188.0A CN202310868188A CN116611017B CN 116611017 B CN116611017 B CN 116611017B CN 202310868188 A CN202310868188 A CN 202310868188A CN 116611017 B CN116611017 B CN 116611017B
- Authority
- CN
- China
- Prior art keywords
- data
- concentration
- temperature
- data point
- excess air
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 title claims abstract description 105
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 69
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 67
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 52
- 238000010438 heat treatment Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims description 36
- 229910052760 oxygen Inorganic materials 0.000 claims description 22
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 19
- 239000001301 oxygen Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 19
- 230000002159 abnormal effect Effects 0.000 description 14
- 239000000446 fuel Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012888 cubic function Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 125000004430 oxygen atom Chemical group O* 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Combustion & Propulsion (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种低氮燃烧加热炉的氮氧化物排放检测方法,属于数据处理技术领域,该方法包括:本实施例通过上述方案,将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得NOx浓度数据序列、温度数据序列以及过量空气系数数据序列;基于相关数据序列的温度异常因子、过量空气系数异常因子计算浓度异常因子;基于所述浓度异常因子确定用于校正LOF算法中局部离群因子的权重系数,获得异常浓度点。如此,基于温度数据、浓度数据以及过量空气系数数据之间的关联程度来确定浓度异常因子,基于浓度异常因子对LOF算法的局部离群因子进行校正从而获得浓度异常数据点,极大地提高了低氮燃烧加热炉的氮氧化物排放检测结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种低氮燃烧加热炉的氮氧化物排放检测方法。
背景技术
低氮燃烧加热炉是一种将燃烧产生的热能转化为热量的设备,并以其高效、环保、清洁的特点被广泛应用于钢铁、化工、电力、环保等行业的高温燃烧工作。但是在低氮燃烧加热炉的运行过程中,会出现因设备老化、维护不当以及机械故障等原因而导致出现(氮氧化物)排放异常的问题,因此为了及早发现和解决排放异常问题,保证低氮燃烧加热炉的正常运行,需要对的排放浓度数据进行监测。
局部异常因子(Local Outlier Factor, LOF)算法是一种基于密度的异常检测算法,对于一般的非线性分布的数据具有较好的检测效果,但是LOF算法在检测时依赖于被检测数据周围的数据信息,对于的排放浓度这种存在部分异常数据与正常数据紧密相连的数据,使用LOF算法对其进行异常检测时可能会出现误检的问题,使得检测结果的准确性不够高。
发明内容
本发明提供一种低氮燃烧加热炉的氮氧化物排放检测方法,旨在提高氮氧化物排放检测的准确性。
为实现上述目的,本发明提供一种低氮燃烧加热炉的氮氧化物排放检测方法,所述方法包括:
将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得浓度数据序列、温度数据序列以及过量空气系数数据序列;
基于所述温度数据序列与浓度数据序列中相同时刻的第一数据点获得第一拟合曲线;
基于所述第一数据点和所述第一拟合曲线确定各个第一数据点的温度异常因子;
基于过量空气系数数据序列和浓度数据序列中相同时刻的第二数据点构建过量空气系数-浓度坐标系;
基于所述过量空气系数-浓度坐标系确定各个第二数据点的过量空气异常因子;
基于各个第一数据点的温度异常因子、各个第二数据点的过量空气系数异常因子以及相关关联度计算浓度数据序列中每个时刻数据点的浓度异常因子;
基于所述浓度异常因子确定用于校正LOF算法中局部离群因子的权重系数,基于所述权重系数获得异常浓度点,将所述异常浓度点及异常浓度点对应的时刻确定为低氮燃烧加热炉的氮氧化物排放检测结果。
可选地,所述将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得浓度数据序列、温度数据序列以及过量空气系数数据序列包括:
通过传感器采集低氮燃烧加热炉排气口的浓度数据、氧气浓度数据,以及燃烧室内的温度数据,分别保存为浓度数据序列、氧气浓度数据序列以及温度数据序列;
分别将所述浓度数据序列和所述温度数据序列进行归一化处理,获得浓度数据序列和温度数据序列;
基于过量空气系数计算公式计算所述氧气浓度数据序列对应的过量空气系数数据序列。
可选地,所述基于所述温度数据序列与浓度数据序列中相同时刻的第一数据点获得第一拟合曲线包括:
将所述温度数据序列与浓度数据序列中相同时刻的值确定为序数对;
将所述序数对作为构建温度-浓度坐标系的第一数据点;
基于最小二乘法对所述第一数据点进行曲线拟合,获得第一拟合曲线。
可选地,所述基于所述第一数据点和所述第一拟合曲线确定各个第一数据点的温度异常因子包括:
基于所述第一数据点和所述第一拟合曲线确定每个第一数据点的第一拟合距离和第一标准拟合距离;
计算所述第一拟合距离与所述第一标准拟合距离的第一标准差;
基于所述第一标准拟合距离、各个第一数据点的第一拟合距离以及所述第一标准差确定温度-浓度坐标系中各个第一数据点的温度异常因子。
可选地,所述基于所述第一数据点和所述第一拟合曲线确定每个第一数据点的第一拟合距离和第一标准拟合距离包括:
计算每个第一数据点至所述第一拟合曲线的第一拟合距离;
对各个第一数据点基于温度值进行分组,将温度值相同的数据的确定为同一个温度值数据组,计算各个温度值数据组的第一拟合距离均值;
基于所述第一拟合距离、所述第一拟合距离均值和所述第一数据点的个数确定各个温度对应的第一数据点的密集程度;
基于所述第一数据点的密集程度,所述第一拟合距离均值计算各个第一数据点的第一标准拟合距离。
可选地,所述基于所述过量空气系数-浓度坐标系确定各个第二数据点的过量空气异常因子包括:
基于所述过量空气系数-浓度坐标系确定各个第二数据点的局部密度、第二拟合曲线;
计算各个第二数据点至所述第二拟合曲线的第二拟合距离,基于所述第二数据点的第二拟合距离和局部密度计算所述第二数据点的第二标准拟合距离;
计算所述第二拟合距离与所述第二标准拟合距离的第二标准差;
基于第二拟合距离、第二标准拟合距离、第二标准差确定各个第二数据点的过量空气异常因子。
可选地,所述基于所述过量空气系数-浓度坐标系确定各个第二数据点的局部密度、第二拟合曲线包括:
在过量空气系数-浓度坐标系中分别以各个第二数据点为中心设置预设大小的窗口,基于窗口大小、窗口内第二数据点的个数计算各个第二数据点的局部密度;
将过量空气系数值相同的第二数据点进行分组,获得多个过量空气系数值分组;
将每个过量空气系数值分组中局部密度最大值对应的第二数据点确定为标记数据点;
利用三次样条差值法对所述标记数据点进行拟合,获得第二拟合曲线。
可选地,所述基于各个第一数据点的温度异常因子、各个第二数据点的过量空气系数异常因子以及相关关联度计算浓度数据序列中每个时刻数据点的浓度异常因子包括:
基于浓度数据序列、温度数据序列以及过量空气系数数据序列,使用灰色关联分析获取温度对浓度的第一关联度温度对过量空气系数的第二关联度;
计算所述第一关联度与第一数据点的温度异常因子的第一乘积,计算第一关联度与第二数据点的过量空气系数异常因子第二乘积;
将所述第一乘积与所述第二乘积之和的归一化值确定为对应时刻数据点的浓度异常因子。
相比现有技术,本发明提出的一种低氮燃烧加热炉的氮氧化物排放检测方法,该方法包括:将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得浓度数据序列、温度数据序列以及过量空气系数数据序列;基于所述温度数据序列与浓度数据序列中相同时刻的第一数据点获得第一拟合曲线;基于所述第一数据点和所述第一拟合曲线确定各个第一数据点的温度异常因子;基于过量空气系数数据序列和浓度数据序列中相同时刻的第二数据点构建过量空气系数-浓度坐标系;基于所述过量空气系数-浓度坐标系确定各个第二数据点的过量空气异常因子;基于各个第一数据点的温度异常因子、各个第二数据点的过量空气系数异常因子以及相关关联度计算浓度数据序列中每个时刻数据点的浓度异常因子;基于所述浓度异常因子确定用于校正LOF算法中局部离群因子的权重系数,基于所述权重系数获得异常浓度点,将所述异常浓度点及异常浓度点对应的时刻确定为低氮燃烧加热炉的氮氧化物排放检测结果。如此,基于温度数据、浓度数据以及过量空气系数数据之间的关联程度来确定浓度异常因子,基于浓度异常因子对LOF算法的局部离群因子进行校正从而获得浓度异常数据点,极大地提高了低氮燃烧加热炉的氮氧化物排放检测结果的准确性。
附图说明
图1是本发明低氮燃烧加热炉的氮氧化物排放检测方法一实施例的流程示意图;
图2是本发明低氮燃烧加热炉的氮氧化物排放检测方法一实施例的第一细化流程示意图;
图3是本发明低氮燃烧加热炉的氮氧化物排放检测方法一实施例的第二细化流程示意图;
图4是本发明低氮燃烧加热炉的氮氧化物排放检测方法一实施例的第三细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明低氮燃烧加热炉的氮氧化物排放检测方法第一实施例的流程示意图。
如图1所示,本发明第一实施例提出一种低氮燃烧加热炉的氮氧化物排放检测方法,所述方法包括:
步骤S101,将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得浓度数据序列、温度数据序列以及过量空气系数数据序列P;
的生成机理包括热力型、燃料型、快速型。由于低氮燃烧加热炉通常使用天然气、液化气、生物质气、轻柴油等清洁燃料作为燃料,而这些燃料产生的主要是热力型,一般可达总生成量的以上。在燃烧温度低于1000时,排放量极低,而当燃烧温度超过1000时,排放量会显著增加。本实施例检测的是使用天然气、液化气、生物质气等清洁燃料的低氮燃烧加热炉,并且是用于金属、玻璃等材料的高温加工处理的场景。
参照图2,图2是本发明低氮燃烧加热炉的氮氧化物排放检测方法一实施例的第一细化流程示意图,如图2所示,所示步骤S101包括:
步骤S1011,通过传感器采集低氮燃烧加热炉排气口的浓度数据、氧气浓度数据,以及燃烧室内的温度数据,分别保存为浓度数据序列A、氧气浓度数据序列B以及温度数据序列C;
低氮燃烧加热炉的排气口处设置有气体传感器和氧气传感器,燃烧室内设置有电偶传感器,通过气体传感器来采集排气口处的浓度数据,通过氧气传感器采集排气口处的氧气浓度数据,通过电偶传感器来采集燃烧室内的温度数据。本实施例使用低氮燃烧加热炉预热阶段结束后的正式燃烧阶段的运行数据,正式运行阶段的数据准确具有代表性。本实施例中的每个传感器采集的数据量记为,相邻两次采集的时间间隔记为。共采集个数据,每个传感器采集的数据量以及间隔由根据需要设置,本实施例可以设置为,。
本实施例将获得的数据分别保存为浓度数据序列、氧气浓度数据序列以及温度数据序列。
步骤S1012,分别将所述浓度数据序列A和所述温度数据序列C进行归一化处理,获得浓度数据序列和温度数据序列;
由于浓度数据序列A和所述温度数据序列C具有不同的量纲,为了便于后续处理,分别对浓度数据序列A和所述温度数据序列C进行归一化的去量纲处理,将处理后的数据分别保存为浓度数据序列和温度数据序列。其中归一化的去量纲方法为现有公知技术,本实施例不再赘述。
步骤S1013,基于过量空气系数计算公式计算所述氧气浓度数据序列B对应的过量空气系数数据序列P。
过量空气系数指实际供给燃料燃烧的空气量与理论空气量之比。是反映燃料与空气配合比的一个重要参数。过量空气系数计算公式是:
如此,基于所述氧气浓度数据序列B中的各个氧气浓度数据获得对应的过量空气系数,从而得到过量空气系数数据序列P。
步骤S102,基于所述温度数据序列与浓度数据序列中相同时刻的第一数据点获得第一拟合曲线;
具体地,将所述温度数据序列与浓度数据序列中相同时刻的值确定为序数对;将所述序数对作为构建温度-浓度坐标系的第一数据点;基于最小二乘法对所述第一数据点进行曲线拟合,获得第一拟合曲线。
温度数据序列与浓度数据序列中的数据都是按时刻采集的,因此从温度数据序列与浓度数据序列中挑选出相同时刻的数据作为数据对。本实施例中将温度数据序列中的温度数据作为x轴坐标值(表示为),将浓度数据序列中的数据作为y轴坐标值(表示为),如此可以获得n个序数对。将获得的n个序数对作为构建温度-浓度坐标系的第一数据点,将各个序数对对应的坐标值标记在温度-浓度坐标中,如此温度-浓度坐标系中就有了n个第一数据点。
通过最小二乘法将n个第一数据点进行曲线拟合,获得第一拟合曲线,本实施例将第一拟合曲线表示为:
其中,、分别表示温度值和浓度值;、、表示拟合系数。则可将得到的第一拟合曲线来表示温度-浓度坐标系中第一数据点的整体变化趋势。
步骤S103,基于所述第一数据点和所述第一拟合曲线确定各个第一数据点的温度异常因子;
参照图3,图3是本发明低氮燃烧加热炉的氮氧化物排放检测方法一实施例的第二细化流程示意图,如图3所示,所示步骤S103包括:
步骤S1031,基于所述第一数据点和所述第一拟合曲线确定每个第一数据点的第一拟合距离和第一标准拟合距离;
具体地,首先,计算每个第一数据点至所述第一拟合曲线的第一拟合距离;本实施例将第一数据点与所述第一拟合曲线的欧式距离确定为第一拟合距离,将所述第一拟合距离表示为。
对各个第一数据点基于温度值进行分组,将温度值相同的数据的确定为同一个温度值数据组,计算各个温度值数据组的第一拟合距离均值;不同时刻往往存在相同的温度值,因此基于温度值对第一数据点中进行分组,并计算分组后的温度值数据组的第一拟合距离均值。
基于所述第一拟合距离、第一拟合距离均值和所述第一数据点的个数确定各个温度对应的第一数据点的密集程度;将温度c对应的第一数据点的密集程度表示为,则:
其中,表示温度值为的第一数据点的密集程度;表示温度值为的数据点的个数;表示第个第一数据点的第一拟合距离;表示这个第一数据点的第一拟合距离均值。各个第一数据点之间的第一拟合距离的差异越小,则这些第一数据点之间的密集程度的值越大。
然后再基于所述第一数据点的密集程度,所述第一拟合距离均值计算各个第一数据点的第一标准拟合距离。
分别计算各个温度值c对应的第一数据的密集程度,将第i个温度值的第一数据的密集程度表示为,将第一标准拟合距离表示为,则:
其中,表示温度-浓度坐标图中所有第一数据点中温度值的个数;表示这个温度值中第个温度值的温度值;表示温度值为的所有第一数据点的第一拟合距离均值;表示温度值为的所有第一数据点之间的密集程度;表示归一化函数,作用为对括号内的数值进行归一化。对应的密集程度越大,则所占的比重越大。
步骤S1032,计算所述第一拟合距离与所述第一标准拟合距离的第一标准差;
标准差(Standard Deviation)是离均差平方的算术平均数(即:方差)的算术平方根,本实施例通过公知的标准差计算公式计算第一标准差,此处不再赘述。
步骤S1033,基于所述第一标准拟合距离、各个第一数据点的第一拟合距离以及所述第一标准差确定温度-浓度坐标系中各个第一数据点的温度异常因子。将温度异常因子,则:
其中,表示温度-浓度坐标系中第一数据点的温度异常因子;表示第一数据点的第一拟合距离;表示第一标准拟合距离;表示温度-浓度坐标系中所有第一数据点的第一拟合距离与第一标准拟合距离之间的第一标准差;表示温度-浓度坐标系中正常数据点的偏离程度,取经验值为2;表示第一拟合距离偏离第一标准拟合距离的程度;表示取最大值。其中,第一拟合距离的偏离程度大于的数据点疑似为异常数据点,并且偏离程度越大表示该第一数据点的疑似程度越大,即该第一数据点的温度异常因子的值越大。
低氮燃烧加热炉的过量空气系数与其的生成量之间呈现一个“倒U型”的关系,具体的,当过量空气系数时,随着过量空气系数的增大,燃烧室中空气的氧气浓度也会增加,在高温条件下,会使得氧分子分解得到的氧原子浓度增加,因此热力型的生成量增加;当过量空气系数时,随着过量空气系数的增大,空气中的氧气浓度也会增加,而这会稀释,并使得燃烧室的燃烧温度降低,进一步使得的生成量降低,并且这种降低要比氧浓度增加使的生成量增加的影响大,所以这时总的的生成量是减少的。即在和过量空气系数的关系曲线上,时的的浓度最大,或者,的浓度都会降低。因此需要根据浓度数据和过量空气系数数据的关系来获取浓度数据的过量空气系数异常因子。
步骤S104,基于过量空气系数数据序列和浓度数据序列中相同时刻的第二数据点构建过量空气系数-浓度坐标系;
将过量空气系数数据序列和浓度数据序列中各个相同时刻数据点的值分别作为横坐标和纵坐标,得到个序数对。利用得到的个序数对作为第二数据点来建立过量空气系数-浓度坐标系,其中坐标系中的每个第二数据点均表示同一时刻的过量空气系数和浓度值,并在过量空气系数-浓度坐标图中标记出每个第二数据点所对应的时刻。
步骤S105,基于所述过量空气系数-浓度坐标系确定各个第二数据点的过量空气异常因子;
参照图4,图4是本发明低氮燃烧加热炉的氮氧化物排放检测方法一实施例的第三细化流程示意图,如图4所示,所示步骤S105包括:
步骤S1051,基于所述过量空气系数-浓度坐标系确定各个第二数据点的局部密度、第二拟合曲线;
首先,在所述过量空气系数-浓度坐标系中分别以各个第二数据点为中心设置预设大小的窗口,基于窗口大小、窗口内第二数据点的个数计算各个第二数据点的局部密度;本实施例预设大小的窗口设置一个大小的窗口,取经验值为3,即3个单位长度的横坐标长度和纵坐标长度。进一步得到过量空气系数-浓度坐标系每个第二数据点的局部密度,将第二数据点的局部密度表示为,则:
其中,表示以该第二数据点为中心的窗口中第二数据点的个数;为窗口的大小。该第二数据点所在窗口中第二数据点的个数越多,表示该数据点的局部密度的值越大。
然后,将过量空气系数值相同的第二数据点进行分组,获得多个过量空气系数值分组;获取空气系数-浓度坐标图上所有第二数据点中过量空气系数的不同取值的个数及其数值,将相同数值的第二数据点确定为一组,获得多个过量空气系数值分组。
再将每个过量空气系数值分组中局部密度最大值对应的第二数据点确定为标记数据点;标记出每个过量空气系数的值为的第二数据点中局部密度最大值的第二数据点。若过量空气系数的值为的第二数据点中局部密度最大的第二数据点有多个,则计算出这些第二数据点对应的浓度的均值。由于正常的第二数据点较为集中,则得到的第二数据点都疑似为正常数据点,并且其中过量空气系数的第二数据点的浓度值会随着过量空气系数的增大而增大,过量空气系数的第二数据点的浓度值会随着过量空气系数的增大而减小,对于不满足这个关系的个别第二数据点,使用相邻的且满足这个关系的第二数据点的均值来代替该第二数据点,并在该坐标图中标记出这些被均值代替的第二数据点。如此标记出来标记数据点包括局部密度最大值对应的第二数据点,以及不满足上述关系被代替的第二数据点。
最后,利用三次样条差值法对所述标记数据点进行拟合,获得第二拟合曲线。
利用三次样条插值法对该坐标图中被标记的数据点进行曲线拟合,其中三次样条插值法为公知技术,不再赘述,得到的第二拟合曲线,即分段三次函数,其中分段三次函数中的第个三次函数为:
其中,,分别表示浓度值和过量空气系数;、、、表示拟合系数。则可用得到的拟合曲线来表示过量空气系数-浓度坐标图中第二数据点的整体变化趋势。
步骤S1052,计算各个第二数据点至所述第二拟合曲线的第二拟合距离,基于所述第二数据点的第二拟合距离和局部密度计算所述第二数据点的第二标准拟合距离;
将第二数据点与所述第二拟合曲线的欧式距离确定为第二拟合距离,将所述第二拟合距离表示为。
第二标准拟合距离的计算方法同上述第一标准拟合距离的计算方法。
步骤S1053,计算所述第二拟合距离与所述第二标准拟合距离的第二标准差;本实施例采用标准差的公知算法计算第二标准差。
步骤S1054,基于第二拟合距离、第二标准拟合距离、第二标准差确定各个第二数据点的过量空气异常因子。将第二数据点的过量空气异常因子表示为,则:
其中,表示过量空气系数-浓度坐标图中第二数据点的过量空气系数异常因子;表示第二数据点的第二拟合距离;表示过量空气系数-浓度坐标图中的第二标准拟合距离;表示过量空气系数-浓度坐标图中所有第二数据点的第二拟合距离与第二标准拟合距离之间的第二标准差;表示过量空气系数-浓度坐标图中正常第二数据点的偏离程度,取经验值为1.5;表示第二拟合距离偏离第二标准拟合距离的程度;表示取最大值。其中拟合距离的偏离程度大于的数据点疑似为异常数据点,并且偏离程度越大表示该数据点的疑似程度越大,即该数据点的过量空气系数异常因子的值越大。
步骤S106,基于各个第一数据点的温度异常因子、各个第二数据点的过量空气系数异常因子以及相关关联度计算浓度数据序列中每个时刻数据点的浓度异常因子;其中,所述相关关联度包括温度对浓度的第一关联度和温度对过量空气系数的第二关联度。
基于浓度数据序列、温度数据序列以及过量空气系数数据序列,使用灰色关联分析(Grey relational analysis,GRA)获取温度对浓度的第一关联度温度对过量空气系数的第二关联度;计算所述第一关联度与第一数据点的温度异常因子的第一乘积,计算第一关联度与第二数据点的过量空气系数异常因子第二乘积;将所述第一乘积与所述第二乘积之和的归一化值确定为对应时刻数据点的浓度异常因子。本实施例基于灰色关联分析GRA中的公知步骤确定第一关联度和第二关联度,此处不再赘述。
将浓度异常因子表示为,则有:
其中,表示浓度数据序列中第个时刻的刻数据点的浓度异常因子;表示归一化函数,作用为对括号内的数值进行归一化;表示温度-浓度坐标图中的第一数据点对应的第个时刻数据的温度异常因子,即浓度数据序列中第个时刻数据的温度异常因子;表示过量空气系数-浓度坐标图中的第二数据点对应的第个时刻数据的过量空气系数异常因子,即浓度数据序列中第个时刻数据的温度异常因子;分别表示温度异常因子、过量空气系数异常因子的关联度。浓度数据序列中某一时刻的数据点对应的温度异常因子、过量空气系数异常因子和它们对应的关联度的值越大,表示该数据点越异常,则浓度异常因子的值越大。
步骤S107,基于所述浓度异常因子确定用于校正LOF算法中局部离群因子的权重系数,基于所述权重系数获得异常浓度点,将所述异常浓度点及异常浓度点对应的时刻确定为低氮燃烧加热炉的氮氧化物排放检测结果。
基于LOF算法确定浓度数据序列中各个浓度数据的局部可达密以及局部离群因子,具体的获取方式如下:
确定浓度数据序列中各个浓度数据点的k-邻近距离,基于所述k-邻近距离确定各个浓度数据点的k-距离邻域;其中,k-邻近距离可以是汉明距离、欧式距离或马氏距离。本实施例可以将欧式距离确定为k-邻近距离。将浓度数据点P的k-邻近距离表示为(P),则:
其中,d(P, O)表示浓度数据点P与浓度数据点O之间的k-邻近距离。
给定浓度数据点P的k-邻近距离,浓度数据点P的k-距离邻域包含与浓度数据点P的距离不大于k-邻近距离的每个对象浓度数据点Q,这些对象浓度数据点Q称为P的k个近邻,简化表示为Nk(p)。以浓度数据点P为圆心,以k邻近距离dk(p)为半径画圆,这个圆以内的范围就是k-距离邻域,公式如下:
根据所述k-距离邻域计算各个浓度数据点的可达距离;
可达距离的定义跟K-邻近距离是相关的,给定参数k时,浓度数据点P到浓度数据点O的可达距离reach_distk(P, O)为数据点O的k-邻近距离和浓度数据点P与浓度数据点O之间的直接距离的最大值。
再基于所述可达距离、k-距离邻域计算各个浓度数据点的局部可达密度。
浓度数据点P的局部可达密度是基于浓度数据点P的最近邻的平均可达距离的倒数,距离越大,密度越小。简单理解就是浓度数据点P的K个邻居到浓度数据点P的距离的平均值,将浓度数据点P的局部可达密度表示为,则:
其中,reach_distk(P,O)表示数据点P与数据点O的可达距离。
再基于所述局部可达密度确定局部异常因子,浓度数据点P的局部相对密度(局部异常因子)为浓度数据点P邻域内点的平均局部可达密度与浓度数据点P的局部可达密度的比值,将局部异常因子表示为,则:
基于所述浓度异常因子确定用于校正LOF算法中局部离群因子的权重系数,基于所述权重系数获得异常浓度点,将所述异常浓度点及异常浓度点对应的时刻确定为低氮燃烧加热炉的氮氧化物排放检测结果。
将+1作为局部异常因子的权重系数,获得校正后的异常因子:
本实施例将异常因子与阈值进行对比,取经验值为1.3,将的浓度数据点为异常浓度数据点。再确定异常浓度数据的对应的时刻,异常浓度数据点及异常浓度点对应的时刻确定为低氮燃烧加热炉的氮氧化物排放检测结果。
本实施例通过上述方案,将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得浓度数据序列、温度数据序列以及过量空气系数数据序列;基于所述温度数据序列与浓度数据序列中相同时刻的第一数据点获得第一拟合曲线;基于所述第一数据点和所述第一拟合曲线确定各个第一数据点的温度异常因子;基于过量空气系数数据序列和浓度数据序列中相同时刻的第二数据点构建过量空气系数-浓度坐标系;基于所述过量空气系数-浓度坐标系确定各个第二数据点的过量空气异常因子;基于各个第一数据点的温度异常因子、各个第二数据点的过量空气系数异常因子以及相关关联度计算浓度数据序列中每个时刻数据点的浓度异常因子;基于所述浓度异常因子确定用于校正LOF算法中局部离群因子的权重系数,基于所述权重系数获得异常浓度点,将所述异常浓度点及异常浓度点对应的时刻确定为低氮燃烧加热炉的氮氧化物排放检测结果。如此,基于温度数据、浓度数据以及过量空气系数数据之间的关联程度来确定浓度异常因子,基于浓度异常因子对LOF算法的局部离群因子进行校正从而获得浓度异常数据点,极大地提高了低氮燃烧加热炉的氮氧化物排放检测结果的准确性。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种低氮燃烧加热炉的氮氧化物排放检测方法,其特征在于,所述方法包括:
将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得浓度数据序列、温度数据序列以及过量空气系数数据序列;
基于所述温度数据序列与浓度数据序列中相同时刻的第一数据点获得第一拟合曲线;
基于所述第一数据点和所述第一拟合曲线确定各个第一数据点的温度异常因子;
基于过量空气系数数据序列和浓度数据序列中相同时刻的第二数据点构建过量空气系数-浓度坐标系;
基于所述过量空气系数-浓度坐标系确定各个第二数据点的过量空气异常因子;
基于各个第一数据点的温度异常因子、各个第二数据点的过量空气系数异常因子以及相关关联度计算浓度数据序列中每个时刻数据点的浓度异常因子;
基于所述浓度异常因子确定用于校正LOF算法中局部离群因子的权重系数,基于所述权重系数获得异常浓度点,将所述异常浓度点及异常浓度点对应的时刻确定为低氮燃烧加热炉的氮氧化物排放检测结果;
所述基于各个第一数据点的温度异常因子、各个第二数据点的过量空气系数异常因子以及相关关联度计算浓度数据序列中每个时刻数据点的浓度异常因子包括:
基于浓度数据序列、温度数据序列以及过量空气系数数据序列,使用灰色关联分析获取温度对浓度的第一关联度温度对过量空气系数的第二关联度;
计算所述第一关联度与第一数据点的温度异常因子的第一乘积,计算第一关联度与第二数据点的过量空气系数异常因子第二乘积;
将所述第一乘积与所述第二乘积之和的归一化值确定为对应时刻数据点的浓度异常因子。
2.根据权利要求1所述的一种低氮燃烧加热炉的氮氧化物排放检测方法,其特征在于,所述将设置在低氮燃烧加热炉内的传感器采集的数据进行预处理,获得浓度数据序列、温度数据序列以及过量空气系数数据序列包括:
通过传感器采集低氮燃烧加热炉排气口的浓度数据、氧气浓度数据,以及燃烧室内的温度数据,分别保存为浓度数据序列、氧气浓度数据序列以及温度数据序列;
分别将所述浓度数据序列和所述温度数据序列进行归一化处理,获得浓度数据序列和温度数据序列;
基于过量空气系数计算公式计算所述氧气浓度数据序列对应的过量空气系数数据序列。
3.根据权利要求1所述的一种低氮燃烧加热炉的氮氧化物排放检测方法,其特征在于,所述基于所述温度数据序列与浓度数据序列中相同时刻的第一数据点获得第一拟合曲线包括:
将所述温度数据序列与浓度数据序列中相同时刻的值确定为序数对;
将所述序数对作为构建温度-浓度坐标系的第一数据点;
基于最小二乘法对所述第一数据点进行曲线拟合,获得第一拟合曲线。
4.根据权利要求1所述的一种低氮燃烧加热炉的氮氧化物排放检测方法,其特征在于,所述基于所述第一数据点和所述第一拟合曲线确定各个第一数据点的温度异常因子包括:
基于所述第一数据点和所述第一拟合曲线确定每个第一数据点的第一拟合距离和第一标准拟合距离;
计算所述第一拟合距离与所述第一标准拟合距离的第一标准差;
基于所述第一标准拟合距离、各个第一数据点的第一拟合距离以及所述第一标准差确定温度-浓度坐标系中各个第一数据点的温度异常因子。
5.根据权利要求4所述的一种低氮燃烧加热炉的氮氧化物排放检测方法,其特征在于,所述基于所述第一数据点和所述第一拟合曲线确定每个第一数据点的第一拟合距离和第一标准拟合距离包括:
计算每个第一数据点至所述第一拟合曲线的第一拟合距离;
对各个第一数据点基于温度值进行分组,将温度值相同的数据的确定为同一个温度值数据组,计算各个温度值数据组的第一拟合距离均值;
基于所述第一拟合距离、所述第一拟合距离均值和所述第一数据点的个数确定各个温度对应的第一数据点的密集程度;
基于所述第一数据点的密集程度,所述第一拟合距离均值计算各个第一数据点的第一标准拟合距离。
6.根据权利要求1所述的一种低氮燃烧加热炉的氮氧化物排放检测方法,其特征在于,所述基于所述过量空气系数-浓度坐标系确定各个第二数据点的过量空气异常因子包括:
基于所述过量空气系数-浓度坐标系确定各个第二数据点的局部密度、第二拟合曲线;
计算各个第二数据点至所述第二拟合曲线的第二拟合距离,基于所述第二数据点的第二拟合距离和局部密度计算所述第二数据点的第二标准拟合距离;
计算所述第二拟合距离与所述第二标准拟合距离的第二标准差;
基于第二拟合距离、第二标准拟合距离、第二标准差确定各个第二数据点的过量空气异常因子。
7.根据权利要求6所述的一种低氮燃烧加热炉的氮氧化物排放检测方法,其特征在于,所述基于所述过量空气系数-浓度坐标系确定各个第二数据点的局部密度、第二拟合曲线包括:
在过量空气系数-浓度坐标系中分别以各个第二数据点为中心设置预设大小的窗口,基于窗口大小、窗口内第二数据点的个数计算各个第二数据点的局部密度;
将过量空气系数值相同的第二数据点进行分组,获得多个过量空气系数值分组;
将每个过量空气系数值分组中局部密度最大值对应的第二数据点确定为标记数据点;
利用三次样条差值法对所述标记数据点进行拟合,获得第二拟合曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868188.0A CN116611017B (zh) | 2023-07-17 | 2023-07-17 | 一种低氮燃烧加热炉的氮氧化物排放检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868188.0A CN116611017B (zh) | 2023-07-17 | 2023-07-17 | 一种低氮燃烧加热炉的氮氧化物排放检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611017A CN116611017A (zh) | 2023-08-18 |
CN116611017B true CN116611017B (zh) | 2023-09-19 |
Family
ID=87678537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868188.0A Active CN116611017B (zh) | 2023-07-17 | 2023-07-17 | 一种低氮燃烧加热炉的氮氧化物排放检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611017B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805065B (zh) * | 2023-08-25 | 2023-11-14 | 山东荣信集团有限公司 | 一种煤粉加热炉燃烧器监测数据智能管理方法 |
CN117171685B (zh) * | 2023-09-01 | 2024-02-09 | 武汉中核仪表有限公司 | 一种浊度测量系统运行监测方法 |
CN116955737B (zh) * | 2023-09-19 | 2023-11-28 | 源康(东阿)健康科技有限公司 | 一种用于明胶生产过程中异常特征检索方法 |
CN117251744B (zh) * | 2023-11-16 | 2024-03-15 | 苏州科恩新能科技股份有限公司 | 基于人工智能的窑炉运行异常状态检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2043551A1 (en) * | 1990-07-25 | 1992-01-26 | Daniel Reed Clark | Method and apparatus for optimizing fuel-to-air ratio in the combustible gas supply of a radiant burner |
CN107741945A (zh) * | 2017-08-25 | 2018-02-27 | 国网吉林省电力有限公司 | 一种基于密度的离群点检测的cems系统故障分析方法 |
WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
CN112232571A (zh) * | 2020-10-19 | 2021-01-15 | 广东长天思源环保科技股份有限公司 | 一种废气主要污染物浓度的预测方法 |
CN112267998A (zh) * | 2020-11-26 | 2021-01-26 | 长安大学 | 一种多缸柴油机缸内最高温度及各缸不均匀性测试方法 |
CN115267066A (zh) * | 2022-07-21 | 2022-11-01 | 中国矿业大学 | 基于卫星观测污染气体浓度的化石燃料二氧化碳排放计算方法 |
CN115963041A (zh) * | 2022-12-26 | 2023-04-14 | 北京石油化工学院 | 一种大气环境中细颗粒物浓度与碳排放量之间关系的评价方法 |
CN116340795A (zh) * | 2023-05-29 | 2023-06-27 | 山东一然环保科技有限公司 | 一种用于纯氧燃烧加热炉运行数据处理方法 |
CN116413395A (zh) * | 2023-06-08 | 2023-07-11 | 山东瑞程数据科技有限公司 | 一种环境异常智能检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10387445B2 (en) * | 2016-01-06 | 2019-08-20 | International Business Machines Corporation | Hybrid method for anomaly classification |
-
2023
- 2023-07-17 CN CN202310868188.0A patent/CN116611017B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2043551A1 (en) * | 1990-07-25 | 1992-01-26 | Daniel Reed Clark | Method and apparatus for optimizing fuel-to-air ratio in the combustible gas supply of a radiant burner |
CN107741945A (zh) * | 2017-08-25 | 2018-02-27 | 国网吉林省电力有限公司 | 一种基于密度的离群点检测的cems系统故障分析方法 |
WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
CN112232571A (zh) * | 2020-10-19 | 2021-01-15 | 广东长天思源环保科技股份有限公司 | 一种废气主要污染物浓度的预测方法 |
CN112267998A (zh) * | 2020-11-26 | 2021-01-26 | 长安大学 | 一种多缸柴油机缸内最高温度及各缸不均匀性测试方法 |
CN115267066A (zh) * | 2022-07-21 | 2022-11-01 | 中国矿业大学 | 基于卫星观测污染气体浓度的化石燃料二氧化碳排放计算方法 |
CN115963041A (zh) * | 2022-12-26 | 2023-04-14 | 北京石油化工学院 | 一种大气环境中细颗粒物浓度与碳排放量之间关系的评价方法 |
CN116340795A (zh) * | 2023-05-29 | 2023-06-27 | 山东一然环保科技有限公司 | 一种用于纯氧燃烧加热炉运行数据处理方法 |
CN116413395A (zh) * | 2023-06-08 | 2023-07-11 | 山东瑞程数据科技有限公司 | 一种环境异常智能检测方法 |
Non-Patent Citations (2)
Title |
---|
煤粉工业锅炉空气深度分级数值模拟研究;王鹏涛;王乃继;程晓磊;王永英;梁兴;;洁净煤技术(第05期);全文 * |
钢铁企业高炉煤气发生量异常数据检测;王红君;白鹏;赵辉;岳有军;;化工自动化及仪表(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116611017A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116611017B (zh) | 一种低氮燃烧加热炉的氮氧化物排放检测方法 | |
CN116340795B (zh) | 一种用于纯氧燃烧加热炉运行数据处理方法 | |
JP6116466B2 (ja) | プラントの診断装置及び診断方法 | |
CN105971738B (zh) | 一种燃气轮机组烟气流量在线监测的方法 | |
CN109492319B (zh) | 一种火电厂锅炉烟气含氧量软测量方法 | |
CN1877193A (zh) | 锅炉过热器再热器炉内壁温在线监测方法及装置 | |
CN112418306B (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN105241669B (zh) | 基于比较编码的燃气轮机燃烧系统在线监测方法 | |
CN117056644B (zh) | 基于机器学习的工业窑炉温度预测方法及系统 | |
CN112685964B (zh) | 一种基于卷积神经网络的锅炉受热面管壁泄漏预测方法 | |
CN112989694A (zh) | 受热面灰污区段化监测系统及方法 | |
CN116825243A (zh) | 一种基于多源数据的热障涂层服役寿命预测方法及系统 | |
CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN116805065B (zh) | 一种煤粉加热炉燃烧器监测数据智能管理方法 | |
CN109521735B (zh) | 锅炉高温受热面使用状态风险在线评估方法 | |
CN111859822B (zh) | 一种玻璃熔窑中氮氧化物生成量的预测方法 | |
CN117251744B (zh) | 基于人工智能的窑炉运行异常状态检测方法 | |
CN117494531B (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
CN117078023A (zh) | 基于大数据分析的窑炉故障风险评估方法 | |
CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 | |
CN108730943B (zh) | 一种烟气动态温度评价方法 | |
CN116429269A (zh) | 一种乙烯裂解炉炉管红外智能分析系统 | |
CN114534466B (zh) | 控制系统控制氮氧化物排放的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |