一种氧氮液化装置的背压预测优化方法及系统与流程

本技术涉及空分液化装置背压预测，具体地，涉及一种氧氮液化装置的背压预测优化方法及系统。

背景技术：

1、钢铁冶金行业中，空分装置配套氧氮液化装置联合生产模式被广泛应用，空分装置产出的氧气、氮气输送至氧氮液化装置完成液化处理，液化装置的压缩机背压是直接影响装置能耗、产品产量以及设备运行安全的关键工艺参数。背压波动异常不仅会造成空分侧氮氧气体放空逸散，增加生产损耗，还会使液化装置处于高成本工况运行，严重时会引发设备运行故障。

2、现有生产现场大多采用传统监控平台对氧氮液化装置进行监视，该类平台仅能够实现对设备工艺参数曲线的展示以及参数越限后的超限报警功能，只有当工艺参数已经偏离允许范围之后才会触发报警，无法实现故障提前预警，也不能识别装置的性能劣化发展趋势。操作人员只能在报警发生后被动处置故障，往往错过工况调整与故障干预的最佳时机，容易出现空分装置大量氮氧气体逸散、液化装置长期高能耗运行等问题，难以满足钢铁行业空分-液化联合系统高效、低成本的生产管控需求。

3、此外，现有技术缺少将过程统计分析与智能预测算法结合对液化装置背压开展趋势研判、预测推优的技术方案，难以提前预判背压的后续变化，无法主动给出适配当前工况的背压优化调度方案，依靠人工经验进行负荷调节，调节滞后性强，制约了氧氮液化装置生产效率与经济运行水平的进一步提升。

4、因此，亟需一种能够识别装置劣化趋势、实现背压预测与推优预警的技术方案。

技术实现思路

1、针对现有技术中的缺陷，本技术的目的是提供一种氧氮液化装置的背压预测优化方法及系统，结合spc统计过程控制理论与bp神经网络背压预测模型，可识别装置运行劣化趋势，实现背压预测、推优及异常预警，减少氮氧气体放空逸散，降低氧氮液化装置运行成本，提升生产管控效率。

2、为解决上述技术问题，本技术提供以下技术方案：

3、根据本技术实施例的第一方面，提供一种氧氮液化装置的背压预测优化方法，所述方法包括：

4、步骤s1：获取目标时段内空分装置与氮氧液化装置的实时运行参数，以及对应时段的环境气温参数；

5、步骤s2：对所述实时运行参数与所述环境气温参数进行数据预处理，提取统计特征并生成标准化特征样本；

6、步骤s3：基于spc统计过程控制理论，对所述标准化特征样本进行过程稳定性判定与劣化趋势识别，输出装置运行状态结果；

7、步骤s4：将所述标准化特征样本与所述装置运行状态结果输入预训练的bp神经网络背压预测模型，输出下一时段所述氧氮液化装置的背压预测值；

8、步骤s5：基于所述背压预测值，结合预设的氧氮配比工艺规则与空分负荷调度逻辑，生成背压优化调整方案及异常预警信息。

9、进一步地，所述实时运行参数包括目标空分装置参数、其他空分装置参数以及液化装置参数；

10、所述目标空分装置参数包括氧气小时产量、氮气小时产量、氧放空开度、氮放空开度、空压机电功率、空压机小时电量、增压机电功率和氮气是否达到目标值状态；

11、所述其他空分装置参数包括所述氧气小时产量、所述氮气小时产量、所述氧放空开度、所述氮放空开度、所述空压机电功率和所述空压机小时电量；

12、所述液化装置参数包括液氧小时产量、液氮小时产量、压缩机功率和压缩机背压历史值；

13、所述环境气温参数用于划分氮氧产量分界阈值，作为所述空分负荷调度逻辑的判定依据；

14、其中，所述目标空分装置参数为目标空分装置对应的运行参数，所述其他空分装置参数为除所述目标空分装置以外运行的空分装置对应的运行参数。

15、进一步地，所述步骤s2具体包括：

16、对所述步骤s1获取的所述实时运行参数和所述环境气温参数分别执行异常值检测与缺失值处理，剔除所述实时运行参数中属于跳机和调试的非正常工况参数，并且同步舍弃与该部分所述非正常工况参数同一时刻对应的所述环境气温参数；

17、针对完成所述异常值检测、所述缺失值处理及所述非正常工况参数剔除后的所述实时运行参数提取所述统计特征，并根据不同参数类型调整样本统计时长，生成不同时间粒度的特征样本；

18、将所述特征样本连同完成所述异常值检测及所述缺失值处理后的所述环境气温参数一并进行标准化处理，得到所述标准化特征样本。

19、进一步地，所述针对完成所述异常值检测、所述缺失值处理及所述非正常工况参数剔除后的所述实时运行参数提取所述统计特征，具体包括：

20、针对完成所述异常值检测、所述缺失值处理及所述非正常工况参数剔除后的存在超限异常的所述实时运行参数提取时段均值特征，并针对完成所述异常值检测、所述缺失值处理及所述非正常工况参数剔除后的存在波动异常的所述实时运行参数提取时段标准差特征。

21、进一步地，所述步骤s3中的过程稳定性判定采用spc八大判异准则，具体包括：

22、准则1：单个样本点落在控制界限a区以外；

23、准则2：连续9个样本点落在中心线同一侧；

24、准则3：连续6个样本点递增或递减；

25、准则4：连续14个样本点中相邻点交替上下波动；

26、准则5：连续3个样本点中有2个落在中心线同一侧的b区以外；

27、准则6：连续5个样本点中有4个落在中心线同一侧的c区以外；

28、准则7：连续15个样本点落在中心线两侧的c区以内；

29、准则8：连续8个样本点落在中心线两侧且无一点位于c区内。

30、进一步地，所述步骤s3在采用所述spc八大判异准则开展过程稳定性判定的基础上，还执行工艺上下限约束校验，并根据不同工艺参数的变化速率调整单一样本的采集统计粒度。

31、进一步地，所述步骤s5具体包括：

32、根据所述环境气温参数划分所述氮氧产量分界阈值；所述环境气温参数大于预设温度时以第一氧气产量为分界点，所述环境气温参数小于或等于所述预设温度时以第二氧气产量为分界点；

33、结合氧放空状态、氮放空状态以及所述目标空分装置和所述其他空分装置各自的氧氮配比特性，计算对应空分装置的负荷增量；

34、基于计算得到的所述负荷增量，确定对所述目标空分装置和/或所述其他空分装置的出力调整策略，以将所述氧氮液化装置的背压匹配至最优运行区间，并据此生成所述背压优化调整方案；

35、当所述背压预测值偏离预设安全边界时，生成并输出对应等级的所述异常预警信息；

36、其中，所述第一氧气产量小于所述第二氧气产量；所述氧氮配比特性基于所述氧氮配比工艺规则确定。

37、进一步地，所述步骤s4中的所述预训练的bp神经网络背压预测模型为三层前馈神经网络结构，包括输入层、隐藏层与输出层，相邻层神经元全连接且同层神经元无连接，并采用有监督学习模式；所述预训练的bp神经网络背压预测模型的超参数配置为学习速率和附加动量因子，训练过程采用误差反向传播算法迭代优化各层连接权值与偏置。

38、进一步地，所述预训练的bp神经网络背压预测模型通过以下步骤训练得到：

39、获取所述氧氮液化装置正常运行工况下的历史运行数据与对应的背压真实值，构成原始样本集；

40、对所述原始样本集执行数据清洗、统计特征提取与标准化处理，得到标准化训练特征集；

41、将所述标准化训练特征集及对应的所述背压真实值划分为训练集与验证集；

42、将所述训练集输入初始bp神经网络模型，通过正向传播计算预测输出值，再通过误差反向传播调整各层连接权值与偏置，迭代降低预测误差；

43、当训练误差满足预设精度要求或达到迭代次数上限时停止训练，利用所述验证集对模型预测精度进行校验，校验通过后得到所述预训练的bp神经网络背压预测模型；

44、模型上线运行后，基于所述实时运行数据执行在线增量更新，适配装置性能漂移。

45、根据本技术实施例的第二方面，提供一种氧氮液化装置的背压预测优化系统，采用如上述任一所述的氧氮液化装置的背压预测优化方法实现，所述系统包括：

46、参数获取模块，用于获取目标时段内空分装置与氮氧液化装置的实时运行参数，以及对应时段的环境气温参数；

47、数据处理模块，用于对所述实时运行参数与所述环境气温参数进行数据预处理，提取统计特征并生成标准化特征样本；

48、数据判定模块，用于基于spc统计过程控制理论，对所述标准化特征样本进行过程稳定性判定与劣化趋势识别，输出装置运行状态结果；

49、背压预测模块，用于将所述标准化特征样本与所述装置运行状态结果输入预训练的bp神经网络背压预测模型，输出下一时段所述氧氮液化装置的背压预测值；

50、优化调整模块，用于基于所述背压预测值，结合预设的氧氮配比工艺规则与空分负荷调度逻辑，生成背压优化调整方案及异常预警信息。

51、与现有技术相比，本技术具有如下的有益效果：

52、（1）采用spc统计过程控制理论与bp神经网络背压预测模型相结合的技术方案，先完成装置过程稳定性判定与劣化趋势识别，再基于状态结果开展背压预测，最终输出优化方案与预警信息，突破传统监控平台仅能实现参数超限事后报警的局限，可提前识别工况劣化、预判背压变化，支撑操作人员提前干预调整。

53、（2）在spc八大判异准则的基础上，新增工艺上下限约束校验，可避免“统计过程稳定但参数已超出工艺合格区间”的误判；同时支持根据不同工艺参数的变化速率调整单一样本的采集统计粒度，适配不同参数的动态特性，有效降低误报率，提升过程稳定性与劣化趋势识别的精准度。

54、（3）针对实时运行参数与环境气温参数分别执行异常值检测与缺失值处理，同步剔除跳机、调试等非正常工况对应的整套样本；针对运行参数提取时段均值、时段标准差两类统计特征，支持调整样本统计时长生成多粒度特征，最终统一标准化输出，为后续spc分析与神经网络预测提供可靠、高质量的输入数据。

55、（4）将空分运行参数划分为目标空分装置参数与其他空分装置参数，匹配不同空分装置的配置差异与经济性能差异，为后续空分负荷调度提供分层、精准的数据依据，适配多台空分联合供料的生产场景。

56、（5）采用三层前馈结构的bp神经网络构建背压预测模型，以标准化特征样本叠加装置运行状态结果共同作为输入，预测维度更全面；模型采用离线训练+在线增量更新的模式，可适配装置长期运行产生的性能漂移，持续维持稳定的预测精度。

57、（6）基于环境气温阈值划分氮氧产量分界点，结合氧氮放空状态、不同空分的氧氮配比特性计算负荷增量，主动将背压匹配至最优运行区间并生成调整方案，同时在背压偏离安全边界时输出对应等级的预警，可有效减少氮氧气体放空逸散，降低装置运行能耗与生产成本，提升生产管控效率。

58、（7）整套方法可对应落地为模块化的背压预测优化系统，各模块功能边界清晰、流程衔接闭环，可直接对接现场生产控制系统，便于在空分-液化联合生产场景中部署应用。