[发明专利]一种基于机器学习算法的烟气脱硫氧化系统故障预测方法

权利要求书

1.一种基于机器学习算法的烟气脱硫氧化系统故障预测方法，其特征在于：包括以下步骤：

S1：采集烟气脱硫装置历史运行数据作为样本集数据；

S2：把S1中采集的样本集数据整理成机器学习需要的类型和格式，通过数据清洗形成机器学习的样本数据；

S2-1：删除样本集中的缺失值，并从小到大进行排序，得到各参数的序列{X1,X2,X3,……Xn}；

S2-2：令Q_L＝X_(n/4),Q_U＝X_(3n/4),IQR＝Q_U-Q_L；n/4、3n/4四舍五入取整数；

Q_L为下四分位数；Q_U为上四分位数；IQR为四分位距；

X_(n/4)、X_(3n/4)均为数列{X1,X2,X3,……Xn}对应的值；

S2-3：去除S2-1序列中大于Q_U+1.5IQR和小于Q_L-1.5IQR的值，生锈的数据构成新的新的数据样本供机器学习使用；

S3：建立机器学习算法模型：

S3-1：通过S2清洗后的样本数据建立的样本氧化风机电流为因变量Yi，以氧化槽液位、氧化液密度、氧化空气流量、压力为自变量，建立线性算法模型：

Y_i＝β₀+β₁X_i1+β₂X_i2+...+β_pX_ip+ε_i，i＝1，...，n.

S3-2：建立样本的矩阵：

Y＝Xβ+ε；

其中Y是指一个包括了观测值Y₁，...，Y_n的列向量；ε包括了为观测的随机成分ε₁，...，ε_n,以及回归量的观测值矩阵X；

S3-3：用最小二乘法对线性回归方程求解β、ε；

S4：利用S2中的样本数据训练S3中建立的算法模型；通过测试调整算法模型参数，提高结果的准确性和精度；

S5：输入实时运行数据，利用S4获得的调整后的算法模型预测氧化风机特征电流；

S6：对S5得到的预测氧化风机特征电流进行判断；

若超出设定值则输出一个报警事件，并保存算法模型进入下一次预测；若未超设定值则与实测值进行对比；

S7：若实测值与预测值相符，则保存算法模型进入下一次预测；若实测值与预测值不相符，则该组运行数据进入历史数据库，重新进行算法模型训练、测试，迭代后的算法模型用于S5氧化风机特征电流的预测；

训练、测试是指重复本S3、S4步骤所述工作内容；

迭代是指利用S7规则构成历史数据库并重复S2～S4步骤得到新的算法模型来替换原算法模型的过程。

2.如权利要求1所述的一种基于机器学习算法的烟气脱硫氧化系统故障预测方法，其特征在于：所述S1中采集的湿法烟气脱硫装置历史运行数据包括氧化液的温度、液位、密度、PH值、氧化率、成分；氧化空气的流量、压力、温度、成分；氧化风机的流量、全压、电流。

3.如权利要求1所述的一种基于机器学习算法的烟气脱硫氧化系统故障预测方法，其特征在于：所述S2中数据清洗的方法包括基于数据的方式和基于规则的方式两种方法；所述基于数据的方式包括分类法、近邻法、聚类法、统计法；所述基于规则的方式包括数据长时间不变、数据变化太大、测量值超过量程以及数据超出阈值。

4.如权利要求1所述的一种基于机器学习算法的烟气脱硫氧化系统故障预测方法，其特征在于：所述S3中建立机器学习算法模型的方法采用线性回归OLS机器学习算法模型；。