基于多物理特征的磨煤機出磨溫度預測模型

楊魯江，王得磊，魯乾鵬，周 曼，劉志勇

（浙江中控技術股份有限公司，杭州310053）

磨煤機在水泥生產過程中承擔著為鍋爐提供燃料和干燥煤粉的關鍵任務，其中出磨溫度對煤粉生產質量有著很大影響，并且出磨溫度過高容易引發爆炸。對出磨溫度進行準確預測，可以及時對磨煤機進行調整控制，防止事故發生，提高生產效益。在早期的研究工作中提出了磨煤機出磨溫度的一些機理性模型，文獻[1]將出磨溫度模型視為一階微分模型，文獻[2]通過各種平衡方程建立模型，并對出磨溫度加入滯后補償環節，使出口溫度變化符合實際物理過程特性。

本文基于XGBoost[3]建立磨煤機出磨溫度預測模型，并比較常用機器學習算法在磨煤機上的性能，包括K-最近鄰[4]（K-nearest neighbors，KNN），支持向量回歸[5]（support vector regression，SVR）等。并且，分析單物理特征對預測出磨溫度性能的影響。針對某水泥廠所采集的數據，基于XGBoost 的磨煤機出磨溫度預測方案其預測精度達到預測4 min 偏差小于1 ℃，其平均相對誤差0.45%的精度需求。

1 磨煤機出磨溫度預測方案

圖1 所示為磨煤機預測出磨溫度整體試驗流程。磨煤機工藝流程主要是給煤機將原煤送入磨煤機，經過磨煤機研磨和干燥，最終得到煤粉。整個生產通過DCS、ECS 設備進行監測和控制。本文通過數據采集接口，采集所需多物理特征數據，其中包括給煤機流量HL（t）、入磨溫度TEI（t）、入磨壓力PTI（t）、出磨溫度TEO（t）、出磨壓力PTO（t）、煤磨電流MEIMO_VALUE（t）、煤磨進出口壓差PT_VALUE（t）。可視化特征，得出磨煤機特征隨時間有抖動特點，因此對數據進行平滑操作，本文對磨煤機特征數據每30 s 做平均，其出磨溫度的效果如圖2 所示。

圖1 磨煤機溫度預測整體方案Fig.1 Overall scheme for temperature prediction of coal pulverizer

圖2 磨煤機出磨溫度曲線Fig.2 Temperature curve of coal mill outlet

1.1 KNN 法

KNN 預測，首先，待預測磨煤機樣本特征與訓練集樣本特征歐式距離計算，得到距離最近的前k個樣本，將前k 個樣本預測4 min 的出磨溫度值做平均操作，即得到待預測磨煤機樣本預測4 min 的出磨溫度值。

1.2 SVR 法

SVR 預測，其預測公式如下：

式中：wT，b 分別為磨煤機SVR 模型權重值和偏置值；Xj為磨煤機樣本；yj為磨煤機4 min 出磨溫度預測值。

磨煤機SVR 訓練目標公式如下：

1.3 XGBoost 法

本文采用的XGBoost 預測公式如下所示：

式中：k 為決策樹的數量；Γ 為決策樹的權值集合；fk（Xj）為樣本Xj在第k 棵樹葉子上的權值；y?j為間隔為30 s 情況下，采用XGBoost 對第j 個樣本預測的4 min 的溫度向量；Φ（Xj）為磨煤機預測表達式。

XGBoost 訓練優化的目標公式如下：

XGBoost 在進行多次迭代訓練之后，得到k 棵樹，k 棵樹累加值即為此樣本的預測值，也就是出磨溫度預測模型yj=Φ（Xj）。

2 實驗結果與分析

本文使用某水泥廠燒成車間磨煤機8 天總計2073501 項的工作數據，選用前5 天的數據作為訓練集，后3 天的數據作為測試集，訓練得到磨煤機出磨溫度模型。利用訓練得到的模型再對磨煤機出磨溫度預測分析。

2.1 不同出磨預測模型比較與分析

KNN、SVR、XGBoost 均是常用的機器學習預測模型，不同模型在不同場景下存在一定的表現差異，因此，本文通過對比不同預測模型，其中，KNN 模型中選用K 值為5，近鄰樣本視為等權重，樣本間使用歐式距離度量；SVR 選用RBF 內核，多項式核函數次數選用3；XGBoost 選用學習率為0.05，樹最大深度為8，每棵樹的樣本采樣率為0.7。得到如圖3 所示的磨煤機4 min 出口溫度最大誤差值和平均誤差值圖。

圖3 預測0～270 s 出磨溫度的最大誤差和平均誤差Fig.3 Prediction of the maximum and average error of the grinding temperature from 0～270 s

根據兩種統計測試指標，可以表明，XGBoost 相比于其他模型，預測4 min 出磨溫度的平均誤差與最大誤差都優于其他模型。

圖4 中為在磨煤機出磨溫度存在慢時變、間歇性抖動的情況下，XGBoost 預測溫度與真實出口溫度趨勢非常接近，兩者的溫度隨時刻變化平均誤差在0.01%～0.12%，最大誤差在5.26%～5.5%，預測4 min 磨煤機出磨溫度誤差小于1 ℃，預測精度滿足方案設計要求。

圖4 本文方案的出磨溫度預測Fig.4 Prediction of grinding temperature in this project

2.2 不同特征對預測模型性能影響

基于給煤機流量、入磨溫度、出磨溫度、煤磨電流等基本物理特征構造其速度特征作為模型的輸入特征。通過缺失某一速度特征，研究該特征對預測模型性能的影響。圖5 是缺失某一特征后基于XGBoost 出磨溫度預測模型隨時間變化的結果（圖中：HL 為給煤機流量；MEIMO_VALUE 為煤磨電流；TEO 為出磨溫度；TEI 為入磨溫度）。

圖5 預測0～270 s 溫度的最大誤差、均值誤差及均方根誤差Fig.5 Maximum error，mean error and root mean square error of temperature prediction from 0～270 s

研究發現，缺失某一物理特征對模型的預測影響不大，缺失某一特征后的模型對出磨溫度預測誤差相較于缺失其他特征，未產生顯著偏差。相較之下，出磨溫度特征產生模型偏差的影響最大。說明其余特征對磨煤機出磨溫度預測相關性低于出磨溫度的相關性。

3 結語

本文利用機器學習方式建立磨煤機出模溫度預測模型，通過對比實驗，基于XGBoost 的磨煤機出磨溫度預測方案預測4 min 的出磨溫度最優。

多個物理特征對出磨溫度預測的影響，經過對比發現，其中出磨溫度這個物理特征對溫度預測影響最大，對預測磨煤機出磨溫度準確度有所提升。