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(chǎn)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(chǎn)質量有著很大影響，并且出磨溫度過高容易引發(fā)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(fā)生，提高生產(chǎn)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(huán)節(jié)，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(shù)據(jù)，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(jīng)過磨煤機研磨和干燥，最終得到煤粉。整個生產(chǎn)通過DCS、ECS 設備進行監(jiān)測和控制。本文通過數(shù)據(jù)采集接口，采集所需多物理特征數(shù)據(jù)，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）?？梢暬卣鳎贸瞿ッ簷C特征隨時間有抖動特點，因此對數(shù)據(jù)進行平滑操作，本文對磨煤機特征數(shù)據(jù)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(shù)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(yōu)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(shù)據(jù)，選用前5 天的數(shù)據(jù)作為訓練集，后3 天的數(shù)據(jù)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(xiàn)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(shù)次數(shù)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(jù)兩種統(tǒng)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(yōu)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(fā)現(xiàn)，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(chǎn)生顯著偏差。相較之下，出磨溫度特征產(chǎn)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(yōu)。

多個物理特征對出磨溫度預測的影響，經(jīng)過對比發(fā)現(xiàn)，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。