一种硫化过程嵌入式碳排放监控与检测系统

摘要

一种硫化过程嵌入式碳排放监控与检测系统，包括能耗传感器、能耗采集单元、碳排放监控单元和嵌入式碳排放处理单元；所述能耗采集单元通过网络获得所述能耗传感器采集的能耗数据，并将所述能耗数据传送给所述碳排放监控单元和嵌入式碳排放处理单元进行处理；所述碳排放监控单元根据异常检测模型进行异常告警处理；所述嵌入式碳排放处理单元包括碳排放获得单元、碳排放优化识别单元和检测单元；所述碳排放获得单元包括修正单元和处理单元，本发明在碳排放监控与检测系统架构等方面有较大突破，同时对于提高企业节能管理水平，加大节能技术改造，减轻环境污染，缓解能源瓶颈制约，实现的节约发展、清洁发展和可持续发展具有十分重要的战略意义和现实意义。

主权项

1.一种硫化过程嵌入式碳排放监控与检测系统，其特征在于：包括能耗传感器、能耗采集单元、碳排放监控单元和嵌入式碳排放中央处理单元；所述能耗传感器包括供电系统电表、空调系统电表、锅炉系统温度和压力表、供水系统水表、空压系统压力表和制氮系统压力表；所述能耗采集单元通过网络获得所述能耗传感器采集的能耗数据，并将所述能耗数据传送给所述碳排放监控单元和嵌入式碳排放中央处理单元进行处理；所述碳排放监控单元以发现能耗异常为目标，将所述能耗数据进行监控和分析，根据异常检测模型进行异常告警处理，或者直接对可以控制的能耗设备进行启停处理；所述嵌入式碳排放中央处理单元包括碳排放获得单元、碳排放优化识别单元和检测单元；所述碳排放获得单元包括修正单元和处理单元；所述碳排放优化识别单元设置有分别保存碳排放识别优化程序和碳排放识别优化数据的存储器，所述存储器采用各自的总线、拥有独立的地址，可以独立访问；所述碳排放识别优化程序包括划分单元、提取单元和识别单元，所述划分单元用于将分布式生产过程中碳排放分为直接碳排放和间接碳排放；所述直接碳排放为制造单元碳排放，包括生产过程中机器耗费的电能、水和蒸汽；所述间接碳排放为仪表盘、照明系统和冷却系统碳排放；所述提取单元将实时采集的能源数据按照分钟、小时、日、月和年的时间和表计、生产线、车间和区域的空间进行汇总计算，形成分析所需的能耗用量、标准煤、费用和碳排放的能耗数据，获取生产过程中的排班、设备或车间产出、质量检测等数据，进行单产能耗、单位面积能耗、设备能效、车间能效能耗指标的计算；所述识别单元根据能效优化运行的需要，对各能耗数据进行分析处理，包括能耗平衡分析、制造能效分析和节能效果分析；所述检测单元包括电子键盘和显示触摸屏；所述电子键盘用于实现对碳排放进行分布式、全面的监控，通过以太网或者CAN总线与远程信息系统进行远程数据和命令通信，根据监控中心发出的不同指令，对设备及时执行正确的操作；所述显示触摸屏根据碳排放管理需要，进行选择性的显示，监测人员通过所述显示触摸屏实时查看各项碳排放指标；所述异常检测模型使用面向流程的数据集成模型和数据回归模型来集成碳排放的不同的因素，用于碳排放异常分析；所述数据集成模型按工序为单位进行采集和计量，获得表征能源效率的能流率EFR_vul，所述能流率EFR_vul为理论能耗TE和直接能耗DE的比；DE是制造过程中的实际能源消耗；TE是制造过程需要的最小能源：其中0≤EFR_vul≤1；TE是执行制造过程需要的最小能源消耗，其包括物理过程的能源消耗TE_p和化学过程的能源消耗TE_c，即其表达式如下：TE＝TE_p+TE_c；在硫化过程中，气体物理能量转换的第一阶段常温条件下的气体压缩所消耗的能量大小如下表达式计算:$W=\underset{v_2}{\overset{v_1}{\int }}P·\mathrm{dV}=\underset{v_2}{\overset{v_1}{\int }}\frac{\mathrm{nRT}}{V}·\mathrm{dV}=\mathrm{nRT}\ln \frac{p^{*}}{p_1};$在第二阶段用于加热材料的能源使用量计算如下：Q＝c·m·(t₂-t₁)；上式中的c是气体比热容，m是气体的质量；物理能耗大小为：${\mathrm{TE}}_p=\underset{i=1}{\overset{n}{\Sigma }}\{W_i+Q_i\}=\underset{i=1}{\overset{n}{\Sigma }}\{{\mathrm{nRT}}_{\mathrm{il}}\ln \frac{{p_i}^{*}}{p_{\mathrm{il}}}+c_i{m}_i(t_{i2}-t_{i1})\};$化学反应过程中TE_c的计算表达式如下：TE_c＝m·q上式中的q是单位物质吸热/放热量，m参加反应的橡胶质量，取q＝-43×10³J·kg^-1；面向设备DE的计算：DE通过面向设备公式进行计算，其能够对所述实际能源消耗进行测量，包括主要设备的能源消耗PE和辅助设备的能源消耗AE；其表达式如下：DE＝PE+AEPE是主要设备使用的电能和煤炭量，其包括硫化、压缩、氮气的制造和水蒸气的制造；AE是电力能源的消耗，其包括照明、通风排气和空调；$\mathrm{DE}={\Sigma }_{i=1}^n{m}_i·Q_i$上式中的m_i（i＝1,2）是电能和煤炭消耗的质量，Q_i（i＝1,2）分别是他们能量转化率；所述数据回归模型是通过利用统计模型和人工神经网络为所述能源效率建立适当的回归模型，在预测区间内能源消耗的实际值来判断碳排放异常,使ER_vul可以预先预测；硫化过程的能源效率的回归模型是y_t＝f(X_t)，其中y_t是ER_vul当前的预测值，f(·)是回归函数，X_t是影响硫化能效的一个矩阵，它在硫化过程初始时获得，包括操作者爱好、环境、轮胎坯料和硫化机器；f(·)从历史数据库中提取训练样本；根据无偏性标准和最小方差标准，绝对平均误差M_e和绝对误差S_e的标准差用于估算预测精度，其定义为如下式：$M_e=\frac{1}{n}\underset{t=1}{\overset{n}{\Sigma }}|{\tilde{y}}_t-y_t|;$$S_e=\frac{1}{n-1}\sqrt{\underset{t=1}{\overset{n}{\Sigma }}{\left(\right|e_t|-M_e)}^2};$其中是预测值，y_t是ER_vul观察值，n是训练样本数；最小二乘标准，MinΣe_t²作为目标函数；函数f(·)只给出ER_vul预测点，诊断异常事件需要一个置信区间，在此区间ER_vul从正常处理过程产生预计会下降，如果观察值不在置信区间所决定的范围内，那么能耗预警将会触发；对于第（n+1）处理阶段，ER_vul的预测值由表示，而观测值则用y_n+1表示，假设和y_n+1与正态随机分布相同，而e_n+1同样也是正态分布，其期望E(e_n+1)＝0或e_n+1～N(0,δ²)；标准差的估计表达式：${\tilde{\delta }}^2=\frac{1}{n-1}\underset{t=1}{\overset{n}{\Sigma }}{e_t}^2;$上式中n是训练样本数量，建立统计z为如下表达式：$z=\frac{e_{n+1}-E\left(e_{n+1}\right)}{D\left(e_{n+1}\right)}=\frac{y_{n+1}-{\tilde{y}}_{n+1}}{{\tilde{\delta }}^2}~N\left(\mathrm{0,1}\right);$给定一个显著水平α，置信水平为1-α，则y_n+1的置信区间为${\tilde{y}}_{n+1}-Z_{\alpha /2}\tilde{\delta }\le y_{n+1}\le {\tilde{y}}_{n+1}+Z_{\alpha /2}\tilde{\delta }.$