一种水泥熟料游离钙含量测量方法及系统技术方案

本发明专利技术公开了一种水泥熟料游离钙含量测量方法及系统。所述测量方法包括：获取与所述水泥熟料游离钙F‑CaO含量有关的相关变量参数；根据所述相关变量参数，确定每个所述相关变量参数的时间序列；根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F‑CaO软测量模型；根据所述熟料F‑CaO软测量模型确定水泥熟料游离钙含量。采用本发明专利技术所提供的测量方法及系统能够解决现有的水泥熟料游离钙含量测量方法在测量水泥熟料游离钙含量过程中存在时变时延的问题，以及所测量得到的游离钙的含量精确度低的问题。

【技术实现步骤摘要】
一种水泥熟料游离钙含量测量方法及系统
本专利技术涉及水泥熟料游离钙质量监测领域，特别是涉及一种水泥熟料游离钙含量测量方法及系统。
技术介绍
水泥熟料游离钙(F-CaO)含量是新型干法水泥生产中衡量熟料质量的一个重要指标；熟料中F-CaO的含量不仅影响水泥的安定性和熟料强度，还直接关系着水泥烧成能耗。目前水泥熟料F-CaO含量很难在线监测，主要依靠人工每小时采样一次并通过实验室化验测得，离线测量结果对水泥烧成过程的指导具有明显的滞后性，很难实现水泥烧成过程的实时控制和优化；同时，水泥烧成过程具有复杂随机性和动态时滞性等特点，难以使用传统数学方法建立一个精确的水泥熟料游离钙质量预测模型。针对上述问题，一些学者采用了不同的软测量建模方法来研究用熟料F-CaO预测模型；选用五个与水泥熟料烧成的相关变量，建立多核LSSVM水泥熟料F-CaO预测模型预测游离钙的含量，但是没有考虑各变量与水泥熟料F-CaO之间的时间延迟，虽然LSSVM预测模型的收敛速度快，但是需要复杂的时序匹配，并且不适用于大数据；采用压缩特征向量的数据，利用改进的神经网络实现了熟料F-CaO软测量方法，虽然考虑了一个小时内的变量信息，但是从每个变量一个小时内的数据中只提取了一个特征值，很大程度上减少了影响F-CaO的特征信息。综上，由于水泥烧成过程的复杂多变，上述研究由于自身局限性均存在时变时延的问题，所测量得到的游离钙的含量精确度低。
技术实现思路
本专利技术的目的是提供一种水泥熟料游离钙测量含量方法及系统，以解决现有的水泥熟料游离钙含量测量方法在测量水泥熟料游离钙含量过程中存在时变时延的问题，以及所测量得到的游离钙的含量精确度低的问题。为实现上述目的，本专利技术提供了如下方案：一种水泥熟料游离钙含量测量方法，包括：获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数；所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比；根据所述相关变量参数，确定每个所述相关变量参数的时间序列；根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型；根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。可选的，所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型，具体包括：将所述时间序列进行归一化处理，确定归一化处理后的时间序列；采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量；利用全连接层综合所有的所述特征向量，建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型；所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。可选的，所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型之后，还包括：初始化所述熟料F-CaO软测量模型的初始参数，并对所述熟料F-CaO软测量模型进行前向训练；所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。可选的，所述初始化所述熟料F-CaO软测量模型的初始参数，并对所述熟料F-CaO软测量模型进行前向训练之后，还包括：利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练，优化所述熟料F-CaO软测量模型。可选的，所述利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练，优化所述熟料F-CaO软测量模型，具体包括：选择均方误差为损失函数其中，Loss为损失函数，MSE为均方误差，yi表示熟料F-CaO的真实值，yi'表示熟料F-CaO的预测输出，n表示训练样本数；利用链规则，根据公式确定所述损失函数的梯度；其中，为所述损失函数的梯度，为误差Loss对第l个残差模块中的输入xl求偏导，为第L个残差模块中的输入xL的偏导，F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果，l为求梯度时当前所在的那个第l个残差模块，L为最后一个残差模块所在的层；根据所述损失函数的梯度对所述熟料F-CaO软测量模型进行有监督训练，优化所述熟料F-CaO软测量模型。一种水泥熟料游离钙含量测量系统，包括：相关变量参数获取模块，用于获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数；所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比；时间序列确定模块，用于根据所述相关变量参数，确定每个所述相关变量参数的时间序列；模型建立模块，用于根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型；水泥熟料游离钙含量确定模块，用于根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。可选的，所述模型建立模块具体包括：归一化处理单元，用于将所述时间序列进行归一化处理，确定归一化处理后的时间序列；特征向量提取单元，用于采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量；模型建立单元，用于利用全连接层综合所有的所述特征向量，建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型；所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。可选的，还包括：前向训练模块，用于初始化所述熟料F-CaO软测量模型的初始参数，并对所述熟料F-CaO软测量模型进行前向训练；所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。可选的，还包括：优化模块，用于利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练，优化所述熟料F-CaO软测量模型。可选的，所述优化模块具体包括：损失函数选择单元，用于选择均方误差为损失函数其中，Loss为损失函数，MSE为均方误差，yi表示熟料F-CaO的真实值，yi'表示熟料F-CaO的预测输出，n表示训练样本数；损失函数的梯度确定单元，用于利用链规则，根据公式确定所述损失函数的梯度；其中，为所述损失函数的梯度，为误差Loss对第l个残差模块中的输入xl求偏导，为第L个残差模块中的输入xL的偏导，F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果，l为求梯度时当前所在的那个第l个残差模块，L为最后一个残差模块所在的层；优化单元，用于根据所述损失函数的梯度对所述熟料F-CaO软测量模型进行有监督训练，优化所述熟料F-CaO软测量模型。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供了一种水泥熟料游离钙含量测量方法及系统，根据与水泥熟料游离钙含量有关的多个相关变量参数的时间序列建立熟料本文档来自技高网...

【技术保护点】
1.一种水泥熟料游离钙含量测量方法，其特征在于，包括：获取与所述水泥熟料游离钙F‑CaO含量有关的相关变量参数；所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比；根据所述相关变量参数，确定每个所述相关变量参数的时间序列；根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F‑CaO软测量模型；根据所述熟料F‑CaO软测量模型确定水泥熟料游离钙含量。

【技术特征摘要】
1.一种水泥熟料游离钙含量测量方法，其特征在于，包括：获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数；所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比；根据所述相关变量参数，确定每个所述相关变量参数的时间序列；根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型；根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。2.根据权利要求1所述的水泥熟料游离钙含量测量方法，其特征在于，所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型，具体包括：将所述时间序列进行归一化处理，确定归一化处理后的时间序列；采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量；利用全连接层综合所有的所述特征向量，建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型；所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。3.根据权利要求2所述的水泥熟料游离钙含量测量方法，其特征在于，所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型之后，还包括：初始化所述熟料F-CaO软测量模型的初始参数，并对所述熟料F-CaO软测量模型进行前向训练；所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。4.根据权利要求3所述的水泥熟料游离钙含量测量方法，其特征在于，所述初始化所述熟料F-CaO软测量模型的初始参数，并对所述熟料F-CaO软测量模型进行前向训练之后，还包括：利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练，优化所述熟料F-CaO软测量模型。5.根据权利要求4所述的水泥熟料游离钙含量测量方法，其特征在于，所述利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练，优化所述熟料F-CaO软测量模型，具体包括：选择均方误差为损失函数其中，Loss为损失函数，MSE为均方误差，yi表示熟料F-CaO的真实值，yi'表示熟料F-CaO的预测输出，n表示训练样本数；利用链规则，根据公式确定所述损失函数的梯度；其中，为所述损失函数的梯度，为误差Loss对第l个残差模块中的输入xl求偏导，为第L个残差模块中的输入xL的偏导，F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果，l为求梯度时当前所在的那个第l个残差模块，L为最后一个残差模块所在的层；根据所述损失函数的梯度对所述熟料F-CaO...

【专利技术属性】
技术研发人员：赵彦涛，杨黎明，何永强，贾利颖，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北,13