阿里云首页 工业大脑开放平台

滚动优化

1.组件说明

场景介绍

因为设备性能,物料和环境等不可控制的改变,工业生产的工艺参数往往是不断变化的。为了达到提升产品质量或者节能降耗的目标,工艺人员需要根据实际情况对这些参数进行优化。对于工艺参数优化方向明确,工艺参数执行存在一定波动,机理无法解释的场景,本组件提供了一种工艺优化的方案。以水泥生产的篦冷机为例。篦冷机是水泥熟料的冷却设备,同时也是重要的热回收设备。生产过程中需要经常调节篦室压力,来保证窑前温度,提升二次风温。在这个案例中,篦室压力的优化方向为提升二次风温。由于水泥生产波动较大,篦室压力在实际过程中会不断受扰动而变化。同时,目前没有机理模型能够仿真出篦室压力和二次风温的关系。因此,可以使用本组件进行优化。

组件原理说明

通过定期对历史运行数据,统计分析目标与变量的对应关系,找出最佳变量值,作为生产的工艺参数或控制目标,从而实现目标的优化。

组件首先需确定【目标变量】和【推荐变量】。以篦冷机为例,目标变量是二次风温,推荐变量是篦室压力。组件按照设定的运行周期,在每个周期将从数据库中读取最新的【分析历史数据时长】的数据。下面说明了算法的步骤:

1)  统计历史数据中不同推荐变量实际值出现的频度直方图,以及不同推荐变量值对应目标变量平均值的目标直方图;

频度直方图统计方式:例如历史数据有5条数据1、2、1、1、2,则变量值为1的频度为3,变量值为2的频度为2。

2)  计算频度直方图在一定【窗口大小】上的滑动平均频度直方图,以及目标直方图在对应窗口上的滑动平均目标直方图,降低推荐变量实际值偶然的波动性。

3)  根据【优化方向】,比较不同滑动平均目标直方图中对应最优目标变量的候选推荐值,同时推荐值在合理【上限】和【下限】范围内,且对应滑动平均频度直方图中的频度大于一定【阈值】,即该推荐值在最近的一段时间里出现的次数不低,不是偶然现象导致该推荐值达到优化目标,则输出该候选推荐值。

2.参数说明

参数名称

是否必填

帮助信息

分析历史数据时长

每次运行统计分析的历史数据时长,单位:小时。

窗口大小

数据滑动窗口大小。用于数据分析时对推荐变量频度及目标变量做窗口均值处理。例如:若设置3,则取前一个值、当前值、后一个值共3个值作为一个窗口。

优化方向

目标优化方向。升高表示目标越大越优;降低表示目标越小越优。

有效间隔

实际数据本身可能存在噪声的影响,实际精度和数据有效数字不匹配。使用“有效间隔”参数对实际数据进行类似“四舍五入”的处理,形成固定步长的数据。推荐变量的数据将会使用有效间隔进行数据处理。例如:有效间隔为2时,算法会将推荐变量的值处理成间隔为2的有效数据。

阈值

推荐变量频度有效阈值,不同推荐变量出现的最小有效频度。

3.使用示例

以篦冷机为例,目标变量是二次风温,推荐变量是篦下压力。

设置参数:

  • 推荐变量下限:3

  • 推荐变量上限:10

  • 有效间隔:2

  • 阈值:3

  • 优化方向:升高

  • 窗口大小:3

组件运行逻辑:

1.原始数据

p1

2.按照“有效间隔”处理后

p2

3.计算不同篦下压力频度,及二次风温均值

统计不同篦下压力在历史数据中出现的次数,得到该篦下压力的频度。

p3

4.根据“窗口大小”计算“频度”和“二次风温均值”的滑动窗口均值

考虑到数据存在异常值,可以选择按照篦下压力大小为序,对二次风温做窗口均值。

p4

5.根据“上限”、“下限”、“阈值”筛选出满足条件的篦下压力

最终推荐的篦下压力必须满足上下限范围内且对应的频度满足阈值

p5

6.由于优化方向为升高,即二次风温越大越优,故组件最终输出的“推荐变量推荐值”为6。