大模型人工智能與固廢智能化23個(gè)省/地區(qū)200+臺(tái)300T/D～900T/D三峰、新世紀(jì)、光大、康恒、三菱、日立、希格斯……自動(dòng)投運(yùn)率90%～98%尾嶼主蒸汽流量穩(wěn)定性提升10%+尾嶼南南海諸島南海諸島固廢智能化走向深水區(qū)②焚燒控制的復(fù)雜性③復(fù)雜工況與設(shè)備可靠性④智能運(yùn)行中的人智協(xié)同?投運(yùn)率要求、蒸汽量提升要求、噸發(fā)提升要求?復(fù)雜工況下的設(shè)備故障預(yù)測(cè)與維護(hù)?預(yù)測(cè)能力要求大大提升①合理利用垃圾⑤綜合經(jīng)濟(jì)性①合理利用垃圾⑤綜合經(jīng)濟(jì)性VL視覺多模態(tài)模型求解器及求解算法時(shí)序大模型大語言模型（智能體）多模態(tài)識(shí)別優(yōu)化求解時(shí)序預(yù)測(cè)智能理解①合理利用垃圾⑤綜合經(jīng)濟(jì)性②焚燒控制的復(fù)雜性③復(fù)雜工況與設(shè)備可靠性制④智能運(yùn)行中的人智協(xié)同視覺多模態(tài)模型（VL）具備強(qiáng)大的語意預(yù)訓(xùn)練能力時(shí)序數(shù)據(jù)大模型具備優(yōu)秀的時(shí)序預(yù)測(cè)能力公開數(shù)據(jù)集上，5%/20%數(shù)據(jù)比例下，預(yù)訓(xùn)練模型的預(yù)測(cè)數(shù)據(jù)波形可視化預(yù)訓(xùn)練模型異常檢測(cè)效果可視化，紫色背景部分為異常部分(與預(yù)測(cè)偏差較大)實(shí)線：使用預(yù)訓(xùn)練權(quán)重僅使用5%數(shù)據(jù)微調(diào)即獲良好表現(xiàn)；虛線：隨機(jī)初始參數(shù)遠(yuǎn)低于預(yù)訓(xùn)練權(quán)重，證明預(yù)訓(xùn)練貢獻(xiàn)；粉色背景(全量數(shù)據(jù)訓(xùn)練SOTA)：預(yù)訓(xùn)練模型在全數(shù)據(jù)訓(xùn)練時(shí)超過SOTA或比肩SOTA。視覺與時(shí)序模型結(jié)合實(shí)現(xiàn)垃圾的高效利用垃圾類型識(shí)別垃圾庫優(yōu)化進(jìn)料品質(zhì)評(píng)估空間熱值推算像中的高階特征進(jìn)行抽取、融合變量，提供熱值區(qū)間先驗(yàn)參考路等結(jié)構(gòu)化信息作為參考因素消耗量、生產(chǎn)計(jì)劃等綜合分析優(yōu)化抓斗編碼器基于垃圾庫空間位置模型的熱值推算技術(shù)抓斗編碼器結(jié)合料倉結(jié)構(gòu)以及抓斗編碼器數(shù)據(jù)，建立抓料分析模型入爐垃圾性質(zhì)入爐垃圾性質(zhì)入爐垃圾性質(zhì)-熱值推算模型垃圾垃圾熱值歷史入爐垃圾性質(zhì)歷史入爐垃圾性質(zhì)歷史燃燒數(shù)據(jù)大小車位置抓斗深度高熱值低熱值抓斗重量抓斗重量基于多模態(tài)大模型的進(jìn)料斗垃圾品質(zhì)評(píng)估模型基于預(yù)訓(xùn)練多模態(tài)大模型進(jìn)行微調(diào),能夠?qū)M(jìn)料斗垃圾品質(zhì)進(jìn)行評(píng)估，輸出垃圾品質(zhì)的好壞分類結(jié)果，實(shí)現(xiàn)給料配風(fēng)提前調(diào)整。多模態(tài)輸入特征工業(yè)圖像嵌入工業(yè)機(jī)理嵌入融合層融合層0:質(zhì)量差(含土量大)0:質(zhì)量差(水分大)1:質(zhì)量正常風(fēng)室風(fēng)門控制爐排周期控制參數(shù)預(yù)測(cè)風(fēng)室風(fēng)門控制爐排周期控制參數(shù)預(yù)測(cè)識(shí)別感知通過對(duì)主要運(yùn)行參數(shù)未來一段時(shí)間預(yù)測(cè)，提前感知鍋爐通過對(duì)主要運(yùn)行參數(shù)未來一段時(shí)間預(yù)測(cè)，提前感知鍋爐整體運(yùn)行情況，及時(shí)進(jìn)行參數(shù)上的調(diào)整，使鍋爐運(yùn)行更通過對(duì)異常工況感知，及時(shí)掌握料層厚度及垃圾燃燒狀通過對(duì)異常工況感知，及時(shí)掌握料層厚度及垃圾燃燒狀態(tài)，解決自動(dòng)控制難以長時(shí)間投運(yùn)難題運(yùn)行參數(shù)預(yù)測(cè)提前預(yù)測(cè)焚燒工況變化時(shí)序預(yù)測(cè)算法引擎提前預(yù)測(cè)焚燒工況變化支預(yù)測(cè)引擎預(yù)測(cè)引擎數(shù)據(jù)清洗特征重構(gòu)歸一化處理深度學(xué)習(xí)DNNLSTMRNNCNN機(jī)器學(xué)習(xí)線性回歸隨機(jī)森林SVM決策樹learn_ratebatch、epochsLayerunit超參數(shù)優(yōu)化蟻群算法遺傳算法粒子群模擬退火主蒸汽流量預(yù)測(cè)主蒸汽溫度預(yù)測(cè).給水量減溫水量汽包壓力、液位主汽相關(guān)參數(shù)汽機(jī)調(diào)門開度推料間隔、行程一次風(fēng)量、風(fēng)溫、風(fēng)室壓力二次風(fēng)量、風(fēng)溫含氧量爐膛溫度人工定義的規(guī)模與數(shù)據(jù)應(yīng)用最優(yōu)預(yù)測(cè)模型R2、RMSER2、RMSEepochsleaf、depthCstep、gstep輸入特征主蒸汽流量預(yù)測(cè)汽包壓力預(yù)測(cè)以時(shí)序預(yù)測(cè)為核心的煙氣預(yù)測(cè)排放控制背景背景當(dāng)前垃圾焚燒過程中的SCR入口NOx的噴氨調(diào)節(jié)不能夠?qū)Ξ?dāng)前真實(shí)的NOx的變化做出反映，噴氨控制存在較大的滯后性，脫硝控制效果不理想。當(dāng)前使用的濕法脫硫工藝，具有時(shí)變、非線性、大慣性特點(diǎn)，常規(guī)控制手段不經(jīng)濟(jì)，難以獲得較好的技術(shù)路徑技術(shù)路徑煙氣參數(shù)預(yù)測(cè)模型應(yīng)用阿里云大數(shù)據(jù)分析技術(shù)，結(jié)合NOx生成機(jī)理，通過近三個(gè)月的歷史一次風(fēng)量、煙氣含氧量、投氨量、氨配比等參數(shù)作為特征參數(shù)，訓(xùn)練成生NOx和SO2監(jiān)測(cè)融合時(shí)序預(yù)測(cè)大模型，提升MPC對(duì)復(fù)雜工業(yè)系統(tǒng)的控制效果問題背景復(fù)雜工業(yè)生產(chǎn)系統(tǒng)非線性強(qiáng)，問題背景復(fù)雜工業(yè)生產(chǎn)系統(tǒng)非線性強(qiáng)，MPC模型無法準(zhǔn)確預(yù)測(cè)系統(tǒng)響應(yīng)，造成模型失配，影響控制效果，嚴(yán)重時(shí)會(huì)造成系統(tǒng)的振蕩甚實(shí)際問題實(shí)際問題CV：煙氣NOxSNCR脫硝裝置MV：稀釋水流量?煙氣NOx含量低于環(huán)保限制控制難點(diǎn)與挑戰(zhàn)?NOx的生成與反應(yīng)受多因素影響，MPC模型?使用AI模型預(yù)測(cè)變化趨勢(shì)，將AI預(yù)測(cè)結(jié)果融入MPC計(jì)算模型，在保證實(shí)時(shí)性和穩(wěn)定性前MV：氨水流量DV：蒸汽流量技術(shù)原理效果對(duì)比離線階段利用歷史數(shù)據(jù)，構(gòu)建外部AI模型預(yù)測(cè)被控變量的未來值序列在線階段K時(shí)刻：融合外部預(yù)測(cè)序列，構(gòu)建新的MPC求解問題，求解最優(yōu)控制動(dòng)作K+1時(shí)刻：更新外部模型預(yù)測(cè)序列，MPC在線求解下一時(shí)間窗口控制動(dòng)作AI+MPCAI+MPC加平穩(wěn)，波動(dòng)標(biāo)準(zhǔn)差減少30%秒級(jí)執(zhí)行頻率控制模型參數(shù)可解釋度、煙氣SO秒級(jí)執(zhí)行頻率控制模型參數(shù)可解釋電廠日常4小時(shí)一次的現(xiàn)場(chǎng)巡檢工作量大，巡檢人員巡檢過程中安全隱患多，設(shè)備維護(hù)維修工作對(duì)巡檢經(jīng)驗(yàn)要求高。設(shè)備維修、故障數(shù)據(jù)管理缺乏數(shù)字化可數(shù)據(jù)與AI驅(qū)動(dòng)的智慧電廠智能巡檢電廠日常4小時(shí)一次的現(xiàn)場(chǎng)巡檢工作量大，巡檢人員巡檢過程中安全隱患多，設(shè)備維護(hù)維修工作對(duì)巡檢經(jīng)驗(yàn)要求高。設(shè)備維修、故障數(shù)據(jù)管理缺乏數(shù)字化可基于智能化巡檢方案，實(shí)現(xiàn)全廠設(shè)備數(shù)據(jù)采集，視頻數(shù)據(jù)采集，利用診斷模型/大模型技術(shù)，完成設(shè)備故障自主診斷，異常提前預(yù)警，并生成對(duì)應(yīng)維護(hù)檢修方案，降低廠內(nèi)設(shè)備非計(jì)劃停機(jī)。降低巡檢工作量，減少巡檢人員非必要現(xiàn)場(chǎng)巡檢，實(shí)現(xiàn)工廠人員基于智能化巡檢方案，實(shí)現(xiàn)全廠設(shè)備數(shù)據(jù)采集，視頻數(shù)據(jù)采集，利用診斷模型/大模型技術(shù)，完成設(shè)備故障自主診斷，異常提前預(yù)警，并生成對(duì)應(yīng)維護(hù)檢修方案，降低廠內(nèi)設(shè)備非計(jì)劃停機(jī)。降低巡檢工作量，減少巡檢人員非必要現(xiàn)場(chǎng)巡檢，實(shí)現(xiàn)工廠人員攝像頭數(shù)據(jù)采集卡傳感器視頻處理視頻處理管道監(jiān)控?cái)z像頭視頻鍋爐監(jiān)控?cái)z像頭視頻設(shè)備監(jiān)控?cái)z像頭視頻….圖像人工定義規(guī)則機(jī)器學(xué)習(xí)故障模型人工定義規(guī)則機(jī)器學(xué)習(xí)故障模型設(shè)備靜態(tài)數(shù)據(jù)狀態(tài)評(píng)價(jià)數(shù)據(jù)試驗(yàn)數(shù)據(jù)在線監(jiān)測(cè)數(shù)據(jù)（DCS/傳感缺陷數(shù)據(jù)機(jī)器狀態(tài)檢測(cè)數(shù)據(jù)靜設(shè)備、電子器件…)外部環(huán)境數(shù)據(jù)抽取實(shí)時(shí)狀態(tài)評(píng)價(jià)模型評(píng)價(jià)結(jié)果基于設(shè)備日常運(yùn)維時(shí)的人工經(jīng)驗(yàn)和設(shè)備操作手冊(cè)，定義報(bào)警閥值采樣生成技術(shù)抽取抽取實(shí)時(shí)狀態(tài)評(píng)價(jià)模型評(píng)價(jià)結(jié)果基于設(shè)備日常運(yùn)維時(shí)的人工經(jīng)驗(yàn)和設(shè)備操作手冊(cè)，定義報(bào)警閥值采樣生成技術(shù)抽取百分比故障類型：**停機(jī)事故預(yù)測(cè)預(yù)測(cè)發(fā)生進(jìn)度抽取多模態(tài)大模型視覺巡檢圖像理解圖像理解2.火焰事件報(bào)警3.煙氣事件報(bào)警4.…數(shù)據(jù)巡檢語意理解語意理解油泵…）4.…巡檢結(jié)果反饋及執(zhí)行維護(hù)檢修語意理解語意理解4.設(shè)備基礎(chǔ)知識(shí)狀態(tài)預(yù)警模型檢修手冊(cè)檢修工單設(shè)備手冊(cè)檢修規(guī)程設(shè)備檢修報(bào)告設(shè)備文檔…智能運(yùn)行助手可交互持續(xù)學(xué)習(xí)的智能化控制人員態(tài)勢(shì)評(píng)估思考決策控制指令交互查詢策略建議驗(yàn)證執(zhí)行運(yùn)行狀態(tài)/設(shè)備狀態(tài)評(píng)估交互查詢策略建議驗(yàn)證執(zhí)行人工智能數(shù)字孿生與數(shù)字人實(shí)現(xiàn)管控創(chuàng)新1#鍋爐上次檢修日期大模型上月發(fā)電量是否完成武昌電廠本月經(jīng)營目標(biāo)完成率Talk理解上月垃圾總?cè)雸?chǎng)量武昌電廠本月環(huán)保狀況感知&推理?切合電廠實(shí)際情況，回答更精準(zhǔn)?部分內(nèi)容可結(jié)合圖文進(jìn)行回復(fù)決策/輸出AI數(shù)字人講解+講解圖示(含圖表、李生、文字)AI數(shù)字人成為內(nèi)外交流溝通的專業(yè)載體，基于大量的語音交互數(shù)據(jù)自動(dòng)生成回復(fù)，通過對(duì)用戶語音輸入的精確識(shí)別和理解，實(shí)現(xiàn)自然和流暢的人機(jī)對(duì)話，通過語音助手可以查詢電廠設(shè)備的當(dāng)前參數(shù)、電廠經(jīng)濟(jì)指標(biāo)、電廠運(yùn)營、環(huán)保指標(biāo)，并用圖文并茂的方式1#鍋爐上次檢修日期大模型上月發(fā)電量是否完成武昌電廠本月經(jīng)營目標(biāo)完成率Talk理解上月