一種基于卷積長短期記憶網絡的加熱爐溫度場實時預測方法，包括：搭建溫度場實時預測網絡；對溫度場實時預測網絡進行訓練；對工業加熱爐各數據分別進行歸一化處理；對工業加熱爐各數據進行三維擴展；將擴展后的數據送入訓練好的溫度場實時預測網絡得到三維溫度場預測結果；通過保留的三維溫度場每個點對應的管壁溫度場的空間坐標，將得到的三維溫度場預測結果還原為管壁溫度場。本發明可以快速得到預測溫度場，相比于計算流體力學方法計算一次溫度場需要數天的時間，本發明的方法只需要數秒就可以得到預測溫度場，效率提升顯著，同時預測誤差很小。

技術領域

本發明涉及一種工業加熱爐溫度場預測方法。特別是涉及一種基于基于卷積長短期記憶網絡的加熱爐溫度場實時預測方法。

背景技術

工業加熱爐是工業煉化裝置的重要設備，是否安全運行直接影響到裝置的使用壽命、生產能力和經濟效益。工業加熱爐燃燒過程不穩定，在運行過程中，可能會在隨機位置出現局部超溫。而工業加熱爐的爐管多由易結焦工藝介質構成，若加熱爐的某局部位置長時間運行在超溫狀態，會導致爐管損耗和破壞，因此必須采取措施優化加熱爐溫度場的燃燒狀況。但加熱爐設備龐大、環境惡劣，因此難以對有關物理量參數進行在線測量，導致燃燒調整得不到可靠的依據，燃燒優化運行難以實現。因此只能采取軟測量的方案以獲得工業加熱爐溫度場。

軟測量指的是在工業生產中通過已經得到的測量量，結合計算機等應用技術，對難以測量和不能測量的變量進行數學推斷，從而得到不能直接測量的重要變量的值。軟測量具有動態響應迅速的優勢，軟測量可以連續給出工業過程中的重要變量的值。

軟測量模型可以劃分為基于原理的軟測量模型(Model-Driven Models，簡稱MDM)以及基于數據的軟測量模型(Data-Driven Models，簡稱DDM)[4]，又稱之為數據驅動的軟測量模型。

MDM基于工業過程運作機制的先驗知識以及工業過程中所涉及的復雜物理化學等有關理論知識，原理模型通常數值計算精度較高、可解釋性強。但是基于機理的傳統模型往往由大量代數方程組組成，計算量大、收斂慢，難以滿足軟測量實時性的要求。

CFD是計算流體力學(Computational Fluid Dynamics)的縮寫，CFD也是MDM的一種。CFD利用數值分析的方法，解決涉及流體流動的問題。工業加熱爐溫度、流量等工況數據可以作為CFD計算的依據，從而可以得到工業加熱爐內部的一系列點的溫度計算值。CFD可以計算出十分詳盡豐富的工業加熱爐三維溫度場數據。但CFD也擺脫不了MDM計算量大，難以獲得實時溫度場。

基于深度學習的軟測量建模方法屬于DDM，它運用到深度神經網絡(Deep NeuralNetwork，簡稱DNN)。相比于傳統的神經網絡，DNN網絡層深度更高并且收斂方法更先進，因此具有更強的近似和收斂能力。對于工業過程中復雜的高度非線性過程，DNN表現出很好的性能。

而且在計

循環神經網絡(Recurrent Neural Network，簡稱RNN)及其改進版本長期短期記憶(Long Short Term Memory，簡稱LSTM)網絡，這兩種網路早在上世紀就已經在機器學習領域中被提出，目前已得到廣泛應用。在實際工業過程中，當前系統狀態和輸出與先前的一個或多個狀態密切相關。因此RNN非常適合處理工業生產過程中的時間序列問題。LSTM包含記憶和遺忘結構。與傳統的RNN相比，LSTM可以解決原始RNN中梯度消失和梯度爆炸的問題，LSTM已經被應用到自然語言處理和語音識別等領域，并在軟測量領域也得到了應用，其在處理工業過程的時間序列問題上性能優良。而且在訓練完成后，該方法的計算時間短，可以滿足實時性的需求。

發明內容

本發明所要解決的技術問題是，提供一種能夠實現工業加熱爐溫度場的軟測量的基于卷積長短期記憶網絡的加熱爐溫度場實時預測方法。