大模型时代的固废智能化 （阿里云 陈列）.pdf

《大模型时代的固废智能化 （阿里云 陈列）.pdf》由会员分享，可在线阅读，更多相关《大模型时代的固废智能化 （阿里云 陈列）.pdf（18页珍藏版）》请在三个皮匠报告上搜索。

1、大模型人工智能与固废智能化阿里云智能阿里云在固废智能化方面的持续投入23个省/地区200+台300T/D900T/D三峰、新世纪、光大、康恒、三菱、日立、希格斯自动投运率 90%98%主蒸汽流量稳定性提升 10%+固废智能化走向深水区 合理利用垃圾准确认识垃圾合理调配垃圾适时适量投料焚烧控制的复杂性投运率要求、蒸汽量提升要求、吨发提升要求预测能力要求大大提升复杂工况与设备可靠性复杂工况下的设备故障预测与维护非关键故障下的生产运行控制综合经济性 绿电直连 热电联供智能运行中的人智协同智能运行中的人工干预人工处置对智能运行的强化需求-能力-模型三者的关系 合理利用垃圾准确认识垃圾合理调配垃圾适时适

2、量投料焚烧控制的复杂性投运率要求、蒸汽量提升要求、吨发提升要求预测能力要求大大提升复杂工况与设备可靠性复杂工况下的设备故障预测与维护非关键故障下的生产运行控制综合经济性 绿电直连 热电联供智能运行中的人智协同智能运行中的人工干预人工处置对智能运行的强化多模态识别时序预测智能理解与规划优化求解VL视觉多模态模型求解器及求解算法时序大模型大语言模型（智能体）视觉多模态模型（VL）具）具备强大的语意预训练能力时序数据大模型具备优秀的时序预测能力时序预测任务中不同数据比例微调的表现 实线：使用预训练权重仅使用5%数据微调即获良好表现；虚线：随机初始参数远低于预训练权重，证明预训练贡献；粉色背景(全量数

3、据训练SOTA)：预训练模型在全数据训练时超过SOTA或比肩SOTA。公开数据集上，公开数据集上，5%/20%数据比例下，数据比例下，预训练模型的预测数据波形可视化预训练模型异常检测效果可视化，紫色背景部分为异常部分(与与预测偏差较大)视觉与时序模型结合实现垃圾的高效利用垃圾类型识别垃圾库优化空间热值推算进料品质评估收料口垃圾结合入炉垃圾热值预测数据及视觉特征进行热值识别。【视觉】构造视觉分支对多帧图像中的高阶特征进行抽取、融合【时序】以历史热值作为时序协变量，提供热值区间先验参考【环境因素】垃圾来源、转运链路等结构化信息作为参考因素成分、发酵时间、滤液量，库存量、消耗量、生产计划等综合分析优

4、化【视觉2D】不断变化的分层2D特征结合3D库容信息进行校正【视觉3D】以变化的3D库容数据实现库容物与入料类型、时间的细化对应【时序】发酵或堆料时间对热值变化的预测以上2D及3D原料的影响【位置3D】抓斗3D位置【库容变化3D】抓前抓后库容变化的3D信息【重量】抓斗抓料量【组合】多次抓斗行程形成的供料组合【视觉】构造视觉分支对多帧图像中的高阶特征进行抽取、融合【时序】以历史热值作为时序协变量，提供热值区间先验参考【环境因素】垃圾来源、转运链路等结构化信息作为参考因素基于垃圾库空间位置模型的热值推算技术抓斗编码器大车位置小车位置抓斗深度抓斗重量投料脉冲大小车位置抓斗深度抓斗重量采用空间位置建模

5、方式，从抓斗编码器数据中过滤掉揭顶、堆垛、倒垛等操作，提取出关键投料动作，从而获取入炉垃圾所在区域、所在深度及发酵时间。进一步结合深度学习算法，可基于历史数据建立垃圾热值推算模型。所在区域所在深度发酵时间入炉垃圾性质历史入炉垃圾性质历史燃烧数据入炉垃圾性质-热值推算模型基于历史入炉垃圾性质计算结果，结合对应时刻反平衡计算所得热值，建模垃圾热值结合料仓结构以及抓斗编码器数据，建立抓料分析模型低热值高热值某厂一周运行结果技术路径基于多模态大模型的进料斗垃圾品质评估模型工业图像嵌入时序协变量嵌入工业机理嵌入融合层跨模态数据融合历史时序图像序列嵌入基于预训练多模态大模型进行微调,能够对进料斗垃圾品质进

6、行评估，输出垃圾品质的好坏分类结果，实现给料配风提前调整。0:质量差(含土量大)0:质量差(水分大)1:质量正常多模态输入特征推理结果固废智能控制以预测感知为基础多变量强化学习学习专家对给料器速度操作学习专家对一次风机操作学习专家对炉排周期的操作学习专家对一次风温操作学习专家对炉排风室的操作学习专家对二次风机操作工艺控制原理主要运行参数预测主蒸汽流量预测主蒸汽温度预测炉膛温度预测通过对主要运行参数未来一段时间预测，提前感知锅炉整体运行情况，及时进行参数上的调整，使锅炉运行更加稳定。异常工况识别感知料层厚度感知燃烧状态感知烟气排放异常感知通过对异常工况感知，及时掌握料层厚度及垃圾燃烧状态，解决自