(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111462684.3 (22)申请日 2021.12.02 (71)申请人 昆岳互联环境 技术 （江苏） 有限公司 地址 224051 江苏省盐城市亭湖区环保科 技城环保大道42号创新中心 (72)发明人 周玲霞　贾义　李承泉　陈效良　 张勇　 (74)专利代理 机构 南京科知维创知识产权代理 有限责任公司 32 270 代理人 胡正 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) B01D 53/50(2006.01) B01D 53/78(2006.01)G06F 119/02(2020.01) (54)发明名称 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 (57)摘要 本发明提供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。 本发 明将机器学习 算法模型应用于烟气脱硫装置氧化空气系统故 障预测、 预警。 通过机器学习， 采用OLS线性回归 算法模型分析湿 法脱硫装置历史运行数据， 挖掘 出各运行特征参数与脱硫装置氧化性能的内在 逻辑， 使氧化反应的原理模型显性化， 用于湿法 脱硫装置故障预测， 便于运行人员实时掌握脱硫 装置氧化空气系统的健康状态。 实现湿 法脱硫装 置氧化空气系统故障预测预警， 算法模型参与运 行控制， 通过及时减少氧化空气过剩量、 优化氧 化液密度、 PH值， 降低氧化槽 液位高度， 可以降低 氧化风机的电耗， 从而降低脱硫装置的运行成 本。 权利要求书2页 说明书5页 附图4页 CN 114169235 A 2022.03.11 CN 114169235 A 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QL＝X(n/4),QU＝X(3n/4),IQR＝QU‑QL； n/4、 3n/4四舍五入取整数； QL为下四分位数； QU为上四分位数； I QR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QU+1.5IQR和小于QL‑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： Yi＝β0+β1Xi1+β2Xi2+...+βpXip+ εi， 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， ...， Yn的列向量； ε包括了为观测的随机成分ε1， ...， εn,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， 其权　利　要　求　书 1/2 页 2 CN 114169235 A 2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； 。 5.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S4又包括以下步骤： S4‑1： 把脱硫 装置运行参数矩阵按时间划分为训练集和 测试集矩阵； S4‑2： 对选取的训练集脱硫装置参数矩阵输入到机器学习算法模型训练输入中， 构造 以氧化风机电流为预测目标的算法模型， 并预测训练集脱硫装置运行参数矩阵对应的氧化 风机电流。 6.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S6中报警阈值、 报警形式可以根据实际使用需要 进行设定、 修改。权　利　要　求　书 2/2 页 3 CN 114169235 A 3