基于粉磨机理和神经网络的混合软测量方法技术

本发明专利技术公开了一种基于粉磨机理和神经网络相融合的混合软测量方法，还公开了相关的建模方法；通过自组织映射神经网络对立磨机粉磨过程数据进行聚类，辨识每一聚类中的粉磨机理模型参数，从而建立粉磨机理模型。

【技术实现步骤摘要】
基于粉磨机理和神经网络的混合软测量方法
本专利技术涉及自动化测量
，尤其涉及水泥生产过程中立磨的出口产品细度指标的软测量方法。
技术介绍
水泥生产中的一个重要过程就是对原料进行粉磨，而立磨由于其能耗低、维护成本低、产量高、占地面积小被广泛应用于水泥原料的粉磨过程中，出磨粉末的细度是考核粉磨工艺过程的重要性能指标，是提高产品质量和经济效益的重要因素，因此对磨机出口端的粉末细度进行稳定的控制有着重要的意义。目前，由于实际条件的限制，对磨机出口粉末细度的检测仍然采用定时采样、人工化验的离线方式获得。该方法存在的主要问题在于：1.人工操作时人为因素影响大，测量结果一定程度上依赖于操作人员的水平；2.人工分析的样品质量很少，因此样品分析数据对整体产品缺少代表性；3.测量时间间隔长，一般情况下对样品进行分析需要半个小时左右，对控制而言引入了较大的时滞；3.采样时间间隔长，无法保证控制的实时性。因此本领域迫切需要提供一种对立磨机出口产品细度设计合适的软测量方法。
技术实现思路
本专利技术旨在提供一种破碎机理模型与神经网络相结合的原料立磨出口粉末细度的软测量方法。在本专利技术的第一方面，提供了一种用于立磨机出口生料粉末细度软测量的建模方法，所述方法包括：通过自组织映射神经网络对立磨机粉磨过程数据进行聚类，辨识每一聚类中的粉磨机理模型参数，从而建立粉磨机理模型。在另一优选例中，所述粉磨机理模型包括物料破碎模型、磨盘物料守恒模型、磨腔物料输送模型和选粉机模型；更优选地，所述物料破碎模型如式(1)、(2)、(3)所示，模型将物料按颗粒大小划分成N个不同的区间，模型用于描述不同粒径等级之间的物料在粉磨过程中的转换关系；所述磨盘物料守恒模型如式(4)所示；所述选粉机模型如式(5)所示：其中：Hmi(t)t时刻，磨盘上第i级物料的存料量Tmi(t)t时刻，磨腔内第i级物料的存料量si第i级组分的破碎速率zi第i级组分粒径下界Bi,j从第j级破碎成i级以下的累积分布bi,j从第j级破碎成为第i级的转换率a破碎模型参数P磨机研磨压力L料层厚度α粒径下界参数αβ研磨工况参数βγ累积分布参数γτ0外循环时间λ磨盘物料脱落比Tin磨机入口风温Feedi第i级物料的喂料量Speed选粉机转速Qair磨机总通风量Di第i级物料磨盘掉落系数Si第i级物料磨腔返料系数Pi第i级物料磨腔出料系数实际80μm筛余量实际200μm筛余量。在另一优选例中，所述数据包括下述辅助变量：磨机料层厚度、循环风机转速、磨机喂料量、磨辊压力、选粉机转速、磨机入口风温和磨机差压。在另一优选例中，辨识的参数包括与立磨机的工艺状况相关的物料破碎模型中的参数a、α、γ，磨盘物料守恒模型中的参数Si、λ、Di以及磨腔物料输送模型和选粉机模型中的参数Pi。在另一优选例中，上述方法还包括：对模型进行离线验证和在线修正；更优选地，模型中参数离线验证和在线修正的准则为最小化式(7)所示：y80μm实际80μm筛余量模型估计80μm估计筛余量y200μm实际200μm筛余量模型估计200μm估计筛余量。在本专利技术的第二方面，提供了一种使用如上所述的本专利技术提供的方法获得的粉磨机理模型进行立磨机出口生料粉末细度软测量的方法；所述方法包括：(1)在自组织映射神经网络输入立磨机粉磨过程数据，得到输出的粉磨机理模型参数；和(2)将获得的参数代入如上所述的本专利技术提供的方法获得的粉磨机理模型中，得到立磨机出口生料粉末的细度估计。在另一优选例中，所述方法包括离线学习和在线修正两部分对自组织映射神经网络的参数以及每一聚类的模型参数进行修正。据此，本专利技术提供了一种对立磨机出口产品细度设计合适的软测量方法。附图说明图1是立磨机工艺流程简图。图2是用于立磨机出口生料粉末细度预测的软测量建模方法的流程图。图3是用于立磨机出口生料粉末细度预测的软测量使用方法的流程图。图4是实施例1中验证集中自组织映射神经网络聚类结果图。图5是实施例1中立磨机出口生料细度软测量结果验证图。具体实施方式专利技术人经过广泛而深入的研究，通过结合粉磨机理和自组织映射神经网络，利用立磨粉磨过程的输入输出工艺参数对立磨机出口端的粉末细度进行估计，并通过少量的人工检测数据对模型进行修正，从而满足工况变化时预测精度要求。在此基础上，完成了本专利技术。如本文所用，“建模”是指建粉磨过程机理模型，该模型由破碎模型、磨盘物料守恒模型、磨腔物料输送模型和选粉机模型四部分组成。如本专利技术所用，“选粉机效率”是指选粉机筛选出的物料质量与选粉机喂料量之比。软测量建模本专利技术提供的建模方法包括步骤：第一步，预处理立磨机粉磨过程数据；第二步，通过自组织映射神经网络将数据聚类；第三步，辨识(确定)每一聚类中的粉磨过程机理模型的参数，代入下列六个方程式从而建立模型：其中破碎模型如式(1)、(2)和(3)所示，磨盘物料守恒模型如式(4)所示，磨腔内物料输送过程模型如(5)所示，选粉机模型如式(6)所示。上述第一步中所述数据的预处理包括对粗大误差数据样本点的剔除和数据的归一化。专利技术人通过对立磨粉磨过程的机理分析，判断磨机的工艺参数对粉末细度的影响，从中选取主要相关变量作为建模的待选辅助变量；进一步地，通过对比生产数据的变量之间的互信息值，在本专利技术的一种优选实施方式中，筛选如下变量作为辅助变量:上述第二步通过自组织映射神经网络对样本进行聚类，按照数据(样本)的相似程度进行分类，其本质上是将整个工况范围划分成为多个子区域。在采用自组织映射方法的过程中，网络的输入层为数据(样本)的输入变量，竞争层为各数据(样本)所属的类。在同一类中的数据(样本)表示其所属的工况相近，其相应的模型应该具有相近的参数。在本专利技术的一种实施方式中，自组织映射神经网络输入层为磨机料层厚度、磨机通风量、磨机喂料、磨辊压力，选粉机转速、磨机差压，竞争层对应于不同的磨机工况点，不同工况点对应于不同的模型参数。在本专利技术的一个实施例中，通过自组织映射神经网络聚类方法将数据进行聚类，根据立磨机的工艺流程，收集模型的输入输出数据；其输入数据包括磨机料层厚度、循环风机电流、磨机喂料量、磨辊压力、选粉机转速、磨机差压、原料细度；输出数据为磨机出口生料的粉末细度筛余量。通过该步骤还将数据(样本)分成训练数据(样本)和验证数据(样本)，在一种较佳实施方式中，训练样本含数据的50-70％，验证样本含数据的30-50％，以保证训练数据既能够覆盖足够多的工况点，又能防止其过拟合。上述第三步中辨识的参数包括模型本身固有的参数，包括破碎机理模型中的a、α、β、γ和磨盘物料守恒模型中的λ、τ0，这些参数与磨机的工况无关，对于所有工况下，这些参数应当相同；还包括磨盘物料守恒模型磨腔物料守恒模型和选粉过程模型中的Si、Di、Pi参数，这些参数在不同工况下有不同的值。在本专利技术的一种实施方式中，对每一类的训练样本数据进行模型参数的辨识(确定)，模型的结构如上述式(1)、(2)、(3)、(4)、(5)、(6)所示，当采用该模型时，调用该工况下的模型参数，对模型输出值进行估计，即可得到立磨机出口生料的细度筛余量。在本专利技术的一种优选实施方式中，所述建模方法还包括：第四步，使用上述每一类的验证样本获得的立磨机出口生料的实际细度筛余量对粉磨机理模型参数进行验证，本文档来自技高网...

【技术保护点】
1.一种用于立磨机出口生料粉末细度软测量的建模方法，其特征在于，所述方法包括：通过自组织映射神经网络对立磨机粉磨过程数据进行聚类，辨识每一聚类中的粉磨机理模型参数，从而建立粉磨机理模型。

【技术特征摘要】
1.一种用于立磨机出口生料粉末细度软测量的建模方法，其特征在于，所述方法包括：通过自组织映射神经网络对立磨机粉磨过程数据进行聚类，辨识每一聚类中的粉磨机理模型参数，从而建立粉磨机理模型。2.如权利要求1所述的建模方法，其特征在于，所述粉磨机理模型包括物料破碎模型、磨盘物料守恒模型、磨腔物料输送模型和选粉机模型。3.如权利要求2所述的建模方法，其特征在于，所述物料破碎模型如式(1)、(2)、(3)所示，模型将物料按颗粒大小划分成N个不同的区间，模型用于描述不同粒径等级之间的物料在粉磨过程中的转换关系；所述磨盘物料守恒模型如式(4)所示；所述选粉机模型如式(5)所示：其中：Hmi(t)t时刻，磨盘上第i级物料的存料量Tmi(t)t时刻，磨腔内第i级物料的存料量si第i级组分的破碎速率zi第i级组分粒径下界Bi,j从第j级破碎成i级以下的累积分布bi,j从第j级破碎成为第i级的转换率a破碎模型参数P磨机研磨压力L料层厚度α粒径下界参数αβ研磨工况参数βγ累积分布参数γτ0外循环时间λ磨盘物料脱落比Tin磨机入口风温Feedi第i级物料的喂料量Speed选粉机转速Qair磨机总通风量Di第i级物料磨盘掉落系数Si第i级物料磨腔返料系数Pi第i级物料磨腔出料系数实际80μm筛余量实际200μm筛余量。4.如权利要求1所述的建模方...

【专利技术属性】
技术研发人员：钱锋，钟伟民，朱远明，杜文莉，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海,31