基于多物理特征的磨煤机出磨温度预测模型

杨鲁江，王得磊，鲁乾鹏，周 曼，刘志勇

（浙江中控技术股份有限公司，杭州310053）

磨煤机在水泥生产过程中承担着为锅炉提供燃料和干燥煤粉的关键任务，其中出磨温度对煤粉生产质量有着很大影响，并且出磨温度过高容易引发爆炸。对出磨温度进行准确预测，可以及时对磨煤机进行调整控制，防止事故发生，提高生产效益。在早期的研究工作中提出了磨煤机出磨温度的一些机理性模型，文献[1]将出磨温度模型视为一阶微分模型，文献[2]通过各种平衡方程建立模型，并对出磨温度加入滞后补偿环节，使出口温度变化符合实际物理过程特性。

本文基于XGBoost[3]建立磨煤机出磨温度预测模型，并比较常用机器学习算法在磨煤机上的性能，包括K-最近邻[4]（K-nearest neighbors，KNN），支持向量回归[5]（support vector regression，SVR）等。并且，分析单物理特征对预测出磨温度性能的影响。针对某水泥厂所采集的数据，基于XGBoost 的磨煤机出磨温度预测方案其预测精度达到预测4 min 偏差小于1 ℃，其平均相对误差0.45%的精度需求。

1 磨煤机出磨温度预测方案

图1 所示为磨煤机预测出磨温度整体试验流程。磨煤机工艺流程主要是给煤机将原煤送入磨煤机，经过磨煤机研磨和干燥，最终得到煤粉。整个生产通过DCS、ECS 设备进行监测和控制。本文通过数据采集接口，采集所需多物理特征数据，其中包括给煤机流量HL（t）、入磨温度TEI（t）、入磨压力PTI（t）、出磨温度TEO（t）、出磨压力PTO（t）、煤磨电流MEIMO_VALUE（t）、煤磨进出口压差PT_VALUE（t）。可视化特征，得出磨煤机特征随时间有抖动特点，因此对数据进行平滑操作，本文对磨煤机特征数据每30 s 做平均，其出磨温度的效果如图2 所示。

图1 磨煤机温度预测整体方案Fig.1 Overall scheme for temperature prediction of coal pulverizer

图2 磨煤机出磨温度曲线Fig.2 Temperature curve of coal mill outlet

1.1 KNN 法

KNN 预测，首先，待预测磨煤机样本特征与训练集样本特征欧式距离计算，得到距离最近的前k个样本，将前k 个样本预测4 min 的出磨温度值做平均操作，即得到待预测磨煤机样本预测4 min 的出磨温度值。

1.2 SVR 法

SVR 预测，其预测公式如下：

式中：wT，b 分别为磨煤机SVR 模型权重值和偏置值；Xj为磨煤机样本；yj为磨煤机4 min 出磨温度预测值。

磨煤机SVR 训练目标公式如下：

1.3 XGBoost 法

本文采用的XGBoost 预测公式如下所示：

式中：k 为决策树的数量；Γ 为决策树的权值集合；fk（Xj）为样本Xj在第k 棵树叶子上的权值；y˜j为间隔为30 s 情况下，采用XGBoost 对第j 个样本预测的4 min 的温度向量；Φ（Xj）为磨煤机预测表达式。

XGBoost 训练优化的目标公式如下：

XGBoost 在进行多次迭代训练之后，得到k 棵树，k 棵树累加值即为此样本的预测值，也就是出磨温度预测模型yj=Φ（Xj）。

2 实验结果与分析

本文使用某水泥厂烧成车间磨煤机8 天总计2073501 项的工作数据，选用前5 天的数据作为训练集，后3 天的数据作为测试集，训练得到磨煤机出磨温度模型。利用训练得到的模型再对磨煤机出磨温度预测分析。

2.1 不同出磨预测模型比较与分析

KNN、SVR、XGBoost 均是常用的机器学习预测模型，不同模型在不同场景下存在一定的表现差异，因此，本文通过对比不同预测模型，其中，KNN 模型中选用K 值为5，近邻样本视为等权重，样本间使用欧式距离度量；SVR 选用RBF 内核，多项式核函数次数选用3；XGBoost 选用学习率为0.05，树最大深度为8，每棵树的样本采样率为0.7。得到如图3 所示的磨煤机4 min 出口温度最大误差值和平均误差值图。

图3 预测0～270 s 出磨温度的最大误差和平均误差Fig.3 Prediction of the maximum and average error of the grinding temperature from 0～270 s

根据两种统计测试指标，可以表明，XGBoost 相比于其他模型，预测4 min 出磨温度的平均误差与最大误差都优于其他模型。

图4 中为在磨煤机出磨温度存在慢时变、间歇性抖动的情况下，XGBoost 预测温度与真实出口温度趋势非常接近，两者的温度随时刻变化平均误差在0.01%～0.12%，最大误差在5.26%～5.5%，预测4 min 磨煤机出磨温度误差小于1 ℃，预测精度满足方案设计要求。

图4 本文方案的出磨温度预测Fig.4 Prediction of grinding temperature in this project

2.2 不同特征对预测模型性能影响

基于给煤机流量、入磨温度、出磨温度、煤磨电流等基本物理特征构造其速度特征作为模型的输入特征。通过缺失某一速度特征，研究该特征对预测模型性能的影响。图5 是缺失某一特征后基于XGBoost 出磨温度预测模型随时间变化的结果（图中：HL 为给煤机流量；MEIMO_VALUE 为煤磨电流；TEO 为出磨温度；TEI 为入磨温度）。

图5 预测0～270 s 温度的最大误差、均值误差及均方根误差Fig.5 Maximum error，mean error and root mean square error of temperature prediction from 0～270 s

研究发现，缺失某一物理特征对模型的预测影响不大，缺失某一特征后的模型对出磨温度预测误差相较于缺失其他特征，未产生显著偏差。相较之下，出磨温度特征产生模型偏差的影响最大。说明其余特征对磨煤机出磨温度预测相关性低于出磨温度的相关性。

3 结语

本文利用机器学习方式建立磨煤机出模温度预测模型，通过对比实验，基于XGBoost 的磨煤机出磨温度预测方案预测4 min 的出磨温度最优。

多个物理特征对出磨温度预测的影响，经过对比发现，其中出磨温度这个物理特征对温度预测影响最大，对预测磨煤机出磨温度准确度有所提升。