本发明涉及工业循环水领域，具体涉及一种工业循环水系统关键指标的预测方法。
背景技术：
：循环冷却水系统已成为电力、冶金、石化等行业的重要公用工程，其运行质量的高低直接影响着企业的产能，关系着生产装置和设备的运行安全、产品的产率和质量。工业循环水系统是以水作为冷却介质，并循环使用的一种冷却水系统，在反复使用过程中会发生水质的变化，甚至出现腐蚀、结垢等现象。实际运行中，部分循环热水将不经冷却塔直接进入旁滤装置，去除循环水中的部分悬浮物，或池底排污，从而降低循环水的浊度。同时，向循环水中投加缓蚀阻垢剂、分散剂和杀菌除藻剂，以防止结垢、腐蚀和生物粘泥的生长。若循环冷却水水质变化时不加以处理，将导致系统水流阻力加大、水泵能耗增加、传热效率降低、局部腐蚀泄漏、设备堵塞等问题，进而影响生产装置的长周期运行，甚至造成事故停车，给生产带来巨大的损失。对于循环冷却水的质量监控工作是整个循环水系统生产管理中非常重要的环节，通常需要对冷却水系统的补充水和循环水的化学组成和化学性质进行监测和控制。对循环水的水质检测一般分为日常检测项目和低频度定期检测项目。日常检测项目包括ph值、悬浮物与浊度、溶解固体量(或导电率)、硬度、碱度、钙离子、镁离子、氯离子、总铁含量、硫酸根浓度、化学耗氧量、缓蚀阻垢剂含量等，这些项目检测的频度较高，技术人员可以获取较多的数据依据。而另外一些检测过程比较复杂的检测项目，如通常会利用监测换热器或监测挂片测定腐蚀速率，用载玻片法测定黏附速率，分析检测周期较长(以月为单位)。很难及时、准确反正循环水系统腐蚀和结垢情况。如，对于腐蚀速率测定数据与实际有一定差距主要原因包括：(1)测得的腐蚀速率所表示的是全面腐蚀的平均腐蚀速率，不能表达局部腐蚀。(2)测得的腐蚀速率随试件不同而异。根据水质或加药不同，监测试管的腐蚀速率或大于或小于试片的腐蚀速率，且监测换热器的壁温也会或多或少影响测定的数据。(3)测试时间长短与腐蚀速率的高低关系很大。(4)测定的腐蚀速率与试片是否预膜也有关系，预膜避免了前三天的高腐蚀速率，使测定的腐蚀速率较低。技术实现要素：本发明所要解决的技术问题是针对上述现有技术存在的不足，提供一种工业循环水系统关键指标的预测方法，该方法利用模型实现了循环水系统当前水质现状和未来变化趋势的长期连续监控、评价和预测预警，使得决策部门能够及时采取安全应急响应措施，防止用水状况的进一步恶化，保证现场用水安全。为此，本发明提供了一种工业循环水系统关键指标的预测方法，包括以下步骤：a、基于实时数据库和lims系统数据库进行数据的读取、数据质量探索和数据清洗；b、进行关联度分析；c、基于工业循环水系统的数据和关联度分析结果，建立预测模型，并利用测试数据对预测模型进行验证和评估。根据本发明所述的预测方法的一些实施方式，所述步骤a包括以下步骤：a1、读取不同循环水系统的lims采样分析数据、供应商水质报告、监测换热器的腐蚀速率和粘附速率报告，其中，所述换热器报告包括腐蚀速率和粘附速率的数据；a2、进行数据质量探索，检查供应商水质报告和监测换热器报告中的数据，并进行填充；a3、进行数据清洗，观察lims系统中缺失的数据、极大值和极小值，并进行处理；a4、观察总磷或有机磷指标变化的曲线。根据本发明所述的预测方法的一些实施方式，所述步骤a1中的读取不同循环水系统的lims采样分析数据包括电导率、ph值、钙离子、总碱度、总硬度、浊度、总磷和有机磷中的一种或多种。根据本发明所述的预测方法的一些实施方式，所述步骤a3中的处理的过程包括：将lims系统中缺失的数据进行填充，极大值和极小值进行删除或由平均值替代。根据本发明所述的预测方法的一些实施方式，所述步骤b包括以下步骤：b1、整合lims采样分析数据和现场监测换热器数据，数据以粘附速率和腐蚀速率为关键指标；b2、选择样本数据中与粘附速率和腐蚀速率相关度较高的特征，通过关联分析和粘附速率的机理研究，挑选出关键指标。根据本发明所述的预测方法的一些实施方式，所述步骤c包括以下步骤：c1、将建模数据随机分为训练数据和测试数据；c2、使用训练数据进行建模，然后用测试数据进行测试，对已建立的模型进行评估，如果评估结果达到预期的准确率，则建模结束，使用全量的数据再次建模作为后续应用的模型；如果评估结果没有达到预期的准确率，则调整建模时的参数、迭代次数，回到步骤c1。根据本发明所述的预测方法的一些实施方式，所述步骤c包括以下步骤：c1、通过关键指标和月度粘附速率，找到系数因子；c2、根据系数因子计算得到月度粘附速率、腐蚀速率对应日粘附速率、腐蚀速率的偏移量；c3、生成粘附速率和腐蚀速率的预测模型；c4、模型测试；c5、模型验证。根据本发明所述的预测方法的一些实施方式，所述步骤c3包括以下步骤：通过lims化验的每日数据和修正过的每日粘附速率、腐蚀速率为关键指标进行建模。根据本发明所述的预测方法的一些实施方式，所述步骤c4包括以下步骤：通过对粘附速率预测模型和腐蚀速率预测模型参数的优化测试，获得最佳预测模型参数。根据本发明所述的预测方法的一些实施方式，所述步骤c5包括以下步骤：分析预测值与实际数据，测试粘附速率和腐蚀速率模型的有效预测范围，预测模型的拟合情况和稳定性。根据本发明的一种具体实施方式，工业循环水系统关键指标的预测方法，可以包括以下步骤：a、基于实时数据库和lims系统数据库的特点进行数据的采集和提取，并对其历史数据进行数据筛选、数据质量探索和数据清洗；b、选择样本数据中与粘附速率和腐蚀速率相关度的特征，选取关联度较高的水质分析数据，用于建立预测模型；c、基于循环水系统运行数据、检验数据、设备数据，使用关联度分析和神经网络林等方法，建立关键指标的分析和预测模型，并利用测试数据对关键指标预测模型进行验证和评估，以确保预测模型的准确性和稳定性，以利用模型实现循环水系统当前水质现状和未来变化趋势的长期连续监控、评价和预测预警。优选地，所述步骤a包括以下步骤：a1、读取不同循环水系统的lims采样分析数据：电导率、ph值、钙离子、总碱度、总硬度、浊度、总磷或有机磷，将一天多组数据取平均值，转换为每天的均值，读取供应商水质报告、监测换热器的腐蚀速率和粘附速率报告；a2、进行数据质量探索，检查供应商水质报告和监测换热器报告是否存在数据录入错误的情况，并通过数据清洗的手段进行填充；a3、循环水的数据清洗的主要工作在于观察数据是否缺失，是否有极大值和极小值，将lims系统中缺失的数据进行填充，极大值和极小值根据情况选择删除或由平均值替代；a4、观察总磷或有机磷指标变化的曲线，总磷指标反应了药剂的添加量，由于使用药剂的来源会有变化，所以在数据的选择上以药剂的稳定为前提，删除药剂不稳的数据记录。优选地，所述步骤b包括以下步骤：b1、整合lims采样分析数据和现场监测换热器数据，选出和装置相关的水质指标数据项，数据以粘附速率和腐蚀速率为关键指标，lims化验数据取月平均值与之对应；b2、选择样本数据中与粘附速率和腐蚀速率相关度较高的特征，通过关联分析和粘附速率的机理研究，挑选出关键指标。优选地，所述步骤c包括以下步骤：c1、通过关键指标和月度粘附速率的关系，找到系数因子；c2、根据系数因子计算出月度粘附速率、腐蚀速率对应日粘附速率、腐蚀速率的偏移量；c3、通过lims化验的每日数据和修正过的每日粘附速率、腐蚀速率为关键指标进行建模；c4、通过对粘附速率预测模型和腐蚀速率预测模型参数的优化测试，获得最佳预测模型参数；c5、分析预测值与实际数据的吻合情况，测试粘附速率和腐蚀速率模型的有效预测范围，预测模型的拟合情况和稳定性。本发明提取循环水系统的采样分析数据、供应商水质分析报告、监测换热器的腐蚀速率和粘附速率报告数据，通过关联分析以及对粘附速率、腐蚀速率的机理研究，分析其他水质分析指标与关键指标的关系，针对不同循环水场的特点建立关键指标的预测模型，更符合工厂实际情况。而且本发明基于循环水系统运行数据、检验数据、设备数据建立的关键指标预测模型，经过了模型测试和验证，保证了、模型的准确性和稳定性。可利用模型实现循环水系统当前水质现状和未来变化趋势的长期连续监控、评价和预测预警，使得决策部门能够及时采取安全应急响应措施，防止用水状况的进一步恶化，保证现场用水安全。附图说明图1为本发明实施例1的循环水系统的工艺流程简图；图2为本发明实施例1的循环水粘附速率预测值与实际值对比图；图3为本发明实施例1的循环水粘附速率预测值与实际值相对误差图；图4为本发明实施例1的循环水腐蚀速率预测值与实际值对比图；图5为本发明实施例1的循环水腐蚀速率预测值与实际值相对误差图。具体实施方式为使本发明更加容易理解，下面将结合实施例来详细说明本发明，这些实施例仅起说明性作用，并不局限于本发明的应用范围。【实施例1】图1为某企业循环水系统的工艺流程简图。实际生产中，该循环水系统为8套装置提供循环冷却水，循环水系统主要由4座冷却塔、吸水池、5台循环水泵、自动加药系统、水质监测换热器及重力无阀过滤器、盘式过滤器等部分组成。滦河水(或黄河水)、市政中水、污水回用水作为循环水补水。循环水系统通过自动加药系统添加缓蚀剂、分散剂、锌等药剂，控制装置换热器的腐蚀与沉积，保证装置换热器的正常运行。缓蚀剂为混合无磷配方和有机磷配方，强氯精杀菌由投配槽溶解后，加入循环水系统塔池。本发明一种工业循环水系统关键指标的预测方法，具体实施方式包括以下步骤：第一步：进行数据提取、数据质量探索与数据清洗过程。整个数据探索和清洗过程是一个迭代循环的过程，主要分为数据提取、数据质量探索、数据清洗等几个环节，根据每个环节的结果判断需要迭代回到哪个环节进行后续的调整和处理，直到数据质量满足后续分析建模流程要求。具体如下：(一)数据提取。用于关键指标预测的数据主要来自循环水系统的lims采样分析数据、供应商水质报告、监测换热器的腐蚀速率和粘附速率报告。基于lims采样分析系统数据库的特点，提取循环水系统的水质化验历史数据，如浊度，钙硬，总磷等，并将这些数据转换为每天的均值。实施过程中，共预测四套循环水系统的腐蚀速率和粘附速率，合计提取82个指标，历史数据114800行。提取供应商的水质报告，以及由检验部门每月化验测定监测换热器的腐蚀速率和粘附速率数据，共52个月。(二)数据质量探索。经过检查发现，水质化验指标数据，由于人为输入的原因，偶尔会出现数据录入错误的情况，需要通过数据清洗的手段进行填充。(三)数据清洗。观察所获取的三类数据是否缺失，是否有极大值和极小值。对缺失的数据进行填充，根据情况删除极大值和极小值，或用平均值代替。总磷指标反应了药剂的添加量，由于使用药剂的来源会有变化，所以在数据的选择上以药剂的稳定为前提，删除药剂不稳的记录。共完成数据清洗流程7个，分析样板数据集7套。第二步：关联度分析。粘附速率的主要影响因素包括粘泥量、总碱度、钙、浊度、电导率、悬浮物和总硬度等，粘附的污垢会造成垢下腐蚀，同时铁和水质酸碱度也会影响腐蚀速率。因此，根据不同循环水场的药剂和水质特点，从中选取一些关键的水质指标进行分析。(一)粘附速率和腐蚀速率每月测量一次，其他水质分析指标分析频次有一天一次或一月一次，详见表1。将每日的水质分析数据按月取平均值，与每月的粘附速率和腐蚀速率放在一起进行分析。表1(二)通过大数据关联分析以及对粘附速率、腐蚀速率的机理研究，分析其他水质分析指标与粘附速率和腐蚀速率的关系，挑选出关联度较大的几个关键指标。由变量之间的相关性分析得到粘附速率和腐蚀速率与水质指标的相关性，越接近1代表相关性越高，结果见表2。表2在该循环水系统中，与粘附速率关联度最大的水质指标依次为电导率、氯化物、钙、ph值、总碱度、有机磷、浊度。与腐蚀速率关联度最大的水质指标依次为ph值、总碱度、浊度、余氯、钙、氯化物、电导率、有机磷。第三步：建立预测模型建立预测模型过程如下：①将已经准备好的建模数据，随机分为70％和30％，其中70％作为模型的训练数据，30％作为模型的测试数据；②使用训练数据进行建模，然后用测试数据进行测试，对已建立的模型进行评估，如果评估结果达到预期的准确率，则建模结束，使用全量的数据再次建模作为后续应用的模型；③如果评估结果没有达到预期的准确率，则调整建模时的参数、迭代次数，回到步骤①。具体说就是：(一)通过关联度较大的水质指标与月度粘附速率、腐蚀速率的关系，利用多元回归模型找到系数因子。(二)根据系数因子计算出月度粘附速率与日粘附速率的偏移量。结果见表3。表3(三)随机取70％的数据，构建总碱度、总磷、浊度、电导率等水质分析数据与日粘附速率之间的关联关系，生成粘附速率和腐蚀速率的预测模型。该循环水系统的粘附速率与电导率、氯化物、钙、ph值关系较密切，选择关键指标电导率、ph值、钙、总碱度、浊度、有机磷作为计算条件变量，通过多元回归模型得到粘附速率修正函数如下：粘附速率＝[电导率]×6 ph值×2 [钙]×1 [总碱度]×2 [浊度]×1-[有机磷]×3该循环水系统的腐蚀速率与ph值、总碱度、浊度关系较密切，选择关键指标电导率、ph值、钙、总碱度、浊度、有机磷作为计算条件变量，得到腐蚀速率修正函数如下：腐蚀速率＝[电导率]×2 ph值×9 [钙]×2 [总碱度]×6 [浊度]×2-[有机磷]×5(四)模型测试：取剩余30％数据作为模型的测试数据，测试粘附速率和腐蚀速率模型的有效预测范围，预测模型的拟合情况和稳定性。如表4所示，预测模型对粘附速率的有效预测范围1.05-17.2，对腐蚀速率有效预测范围0.002-0.127，预测模型拟合情况良好，粘附速率预测结果较稳定。表4粘附速率预测结果指标腐蚀速率预测结果指标粘附速率范围/均值1.089-19.6/7.5腐蚀速率范围/均值0.002-0.128/0.034预测范围/均值1.05-17.2/7.2预测范围/均值0.002-0.127/0.034粘附速率范围要求≤15.0腐蚀速率范围要求≤0.075预测平均根方差2.1预测平均根方差0.012(五)模型验证：用测试数据对模型进行预测，样本数据越多，预测结果越精确。图2为循环水粘附速率预测值与实际值对比图，图3为循环水粘附速率预测值与实际值相对误差图，图4为循环水腐蚀速率预测值与实际值对比图，图5为循环水腐蚀速率预测值与实际值相对误差图，如图2至图5所示，从拟合曲线可以看出，预测模型算出的预测值与实际值拟合效果较好，在波峰波谷等位置都能较好的拟合。应当注意的是，以上所述的实施例仅用于解释本发明，并不构成对本发明的任何限制。通过参照典型实施例对本发明进行了描述，但应当理解为其中所用的词语为描述性和解释性词汇，而不是限定性词汇。可以按规定在本发明权利要求的范围内对本发明做出修改，以及在不背离本发明的范围和精神内对本发明进行修订。尽管其中描述的本发明涉及特定的方法、材料和实施例，但是并不意味着本发明限于其中公开的特定例，相反，本发明可扩展至其他所有具有相同功能的方法和应用。当前第1页1 2 3
技术特征：1.一种工业循环水系统关键指标的预测方法，包括以下步骤：
a、基于实时数据库和lims系统数据库进行数据的读取、数据质量探索和数据清洗；
b、进行关联度分析；
c、基于工业循环水系统的数据和关联度分析结果，建立预测模型，并利用测试数据对预测模型进行验证和评估。
2.根据权利要求1所述的方法，其特征在于，所述步骤a包括以下步骤：
a1、读取不同循环水系统的lims采样分析数据、供应商水质报告、监测换热器的腐蚀速率和粘附速率报告，其中，所述换热器报告包括腐蚀速率和粘附速率的数据；
a2、进行数据质量探索，检查供应商水质报告和监测换热器报告中的数据，并进行填充；
a3、进行数据清洗，观察lims系统中缺失的数据、极大值和极小值，并进行处理；
a4、观察总磷或有机磷指标变化的曲线。
3.根据权利要求2所述的方法，其特征在于，所述步骤a1中的读取不同循环水系统的lims采样分析数据包括电导率、ph值、钙离子、总碱度、总硬度、浊度、总磷和有机磷中的一种或多种。
4.根据权利要求2或3所述的方法，其特征在于，所述步骤a3中的处理的过程包括：将lims系统中缺失的数据进行填充，极大值和极小值进行删除或由平均值替代。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述步骤b包括以下步骤：
b1、整合lims采样分析数据和现场监测换热器数据，数据以粘附速率和腐蚀速率为关键指标；
b2、选择样本数据中与粘附速率和腐蚀速率相关度较高的特征，通过关联分析和粘附速率的机理研究，挑选出关键指标。
6.根据权利要求1-5中任意一项所述的方法，其特征在于，所述步骤c包括以下步骤：
c1、将建模数据随机分为训练数据和测试数据；
c2、使用训练数据进行建模，然后用测试数据进行测试，对已建立的模型进行评估，如果评估结果达到预期的准确率，则建模结束，使用全量的数据再次建模作为后续应用的模型；如果评估结果没有达到预期的准确率，则调整建模时的参数、迭代次数，回到步骤c1。
7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述步骤c包括以下步骤：
c1、通过关键指标和月度粘附速率，找到系数因子；
c2、根据系数因子计算得到月度粘附速率、腐蚀速率对应日粘附速率、腐蚀速率的偏移量；
c3、生成粘附速率和腐蚀速率的预测模型；
c4、模型测试；
c5、模型验证。
8.根据权利要求7所述的方法，其特征在于，所述步骤c3包括以下步骤：通过lims化验的每日数据和修正过的每日粘附速率、腐蚀速率为关键指标进行建模。
9.根据权利要求7或8中所述的方法，其特征在于，所述步骤c4包括以下步骤：通过对粘附速率预测模型和腐蚀速率预测模型参数的优化测试，获得最佳预测模型参数。
10.根据权利要求7-9中任意一项中所述的方法，其特征在于，所述步骤c5包括以下步骤：分析预测值与实际数据，测试粘附速率和腐蚀速率模型的有效预测范围，预测模型的拟合情况和稳定性。
技术总结本发明公开了一种工业循环水系统关键指标的预测方法，包括以下步骤：A、基于实时数据库和LIMS系统数据库进行数据的读取、数据质量探索和数据清洗；B、进行关联度分析；C、基于工业循环水系统的数据和关联度分析结果，建立预测模型，并利用测试数据对预测模型进行验证和评估。本发明的方法可以实现循环水系统当前水质现状和未来变化趋势的长期连续监控、评价和预测预警。
技术研发人员：关新虎;焦云强;李晨光;佟伟;吴斌斌;邸雪梅;徐佳斌;王建平;朱贤琨;高倩;裴旭
受保护的技术使用者：石化盈科信息技术有限责任公司
技术研发日：2020.01.17
技术公布日：2020.06.05
