一种水泥分解炉窑尾分解率SVR软测量方法技术

本发明专利技术涉及水泥生料预分解过程的窑尾分解率软测量技术领域，具体的说是一种水泥分解炉窑尾分解率SVR(支持向量回归)软测量方法。该方法利用格罗布斯准则剔除原始数据中的粗大误差，减少了误差对软测量模型的干扰。使用灰色关联度降维，简化了软测量模型的复杂度，减少建立软测量模型的运算量。利用SVR(支持向量回归)所建软测量模型仅需利用水泥生产过程中DCS(集散控制系统)所测过程变量及厂家离线化验窑尾分解率，无需额外安装其他测量器件。本发明专利技术是一种软测量模型完全由依赖现场数据，当分解炉运行工况发生改变时，模型可以实时进行修正的水泥分解炉窑尾分解率SVR软测量方法。

【技术实现步骤摘要】

本专利技术涉及水泥生料预分解过程的窑尾分解率软测量
，具体的说是一种 经过格罗布斯误差处理后，经过灰色关联度降维优化计算量，利用遗传算法优化参数的SVR (支持向量回归)窑尾分解率软测量方法。
技术介绍
当今水泥行业中，水泥分解炉是新型干法水泥生产过程中的主要设备，水泥窑尾 分解率是影响最终水泥熟料质量的重要因素，目前仍没有在线准确测量水泥窑尾分解率的 仪表。传统实验室化验方法虽然准确，但其严重的滞后性难以为水泥生产的优化控制提供 参考。 由于整个预分解系统是多变量、非线性、强干扰的复杂系统，传统机理建模的测量 方法难以实现。
技术实现思路
本专利技术提供了一种经过格罗布斯误差处理后，经过灰色关联度降维优化计算量， 利用遗传算法优化参数的水泥分解炉窑尾分解率SVR软测量方法，可以得到准确的窑尾分 解率，方便实现后期对水泥预分解系统的优化，解决了现有窑尾分解率化验过程滞后的缺 点。 本专利技术技术方案结合【附图说明】如下： -种水泥分解炉窑尾分解率SVR软测量方法，该方法包括如下步骤： 步骤一、原始变量的采集； 根据实验室取得的水泥窑尾解率数据，确定窑尾分解率的采样时刻，选取采样前 10分钟内三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、 提升机电流各个量，并取其平均值作为原始变量； 步骤二、原始变量的误差处理；对步骤一中所采集的原始变量与窑尾分解率化验结果依据格罗布斯准则进行误 差处理，剔除数据中的粗大误差； 步骤三、使用灰色关联度分析进行原始数据降维； 对步骤二中已经剔除粗大误差的原始数据进行灰色关联度分析，选取三次风温、 分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流中与窑 尾分解率关联度较高的参数做软测量模型的辅助变量； 步骤四、使用遗传算法对SVR进行参数寻优； 使用遗传算法对SVR的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的值 进行参数寻优并作为最优参数组合;其中惩罚系数C与SVR对误差的宽容度有关，核宽系数 gamma对SVR核函数RBF的核宽有关，不敏感损失系数epsi Ion与模型复杂度有关;SVR的回归 方程为： 其中，3；^*|11-￥|~2) ; 步骤五、软测量模型建立； 利用对经格罗布斯误差处理及灰色关联降维后的数据，以及经遗传算法优化过的 惩罚系数C、核宽系数gamma和不敏感损失系数epsilon，采用SVR(支持向量回归)建立软测 量模型； 步骤六、软测量结果预测； 根据当前时刻DSC中的过程变量，通过步骤五辨识得到的软测量模型在线计算当 前时刻分解炉的窑尾分解率； 步骤七、实时优化软测量模型； 根据步骤六的测量结果与离线化验所得真实结果利用步骤四和步骤五再进行模 型优化。 所述的步骤四具体步骤包括如下： Stepl:设置惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的范围，产生初 始群体； Step2:使用惩罚系数C、核宽系数gamma和不敏感损失系数epsilon组合下的反应 SVR回归性能的均值方差作为适应度值； Step3:开始遗传操作，计算每组惩罚系数C、核宽系数gamma和不敏感损失系数 epsilon的下SVR(支持向量回归)模型均根方差，若该组下均根方差最小，设定此次惩罚系 数〇、核宽系数831]111^和不敏感损失系数6口8；[1011更新(^681：、8&681：4&681：，否则保留此前 Cbest、gbest、pbest; Step4:停止条件定为最大进化代数;未达到停止条件，执行Step3，进行迭代操作； 当满足停止条件，即已达到进化代数，此时的Cbest、gbest、pbest即为最优解。本专利技术有益效果为： 1、本专利技术利用SVR(支持向量回归)所建软测量模型仅需利用水泥生产过程中DCS (集散控制系统)所测过程变量及厂家离线化验窑尾分解率，无需额外安装其他测量器件。 2、使用格罗布斯准则剔除粗大误差，减少了原始数据误差对软测量模型的干扰。 3、使用灰色关联度降维，简化了软测量模型的复杂度，减少建立软测量模型的运 舁里。 4、无需相关理论知识，软测量模型根据DCS(集散控制系统）中的相关数据自动计 算出窑尾分解率。 5、采用SVR(支持向量回归）建立软测量模型，本专利技术软测量模型完全由依赖现场 数据，当分解炉运行工况发生改变时，模型可以实时进行修正。【附图说明】 图1是原始的分解炉出口温度数据图；图2为原始的分解炉出口压力数据图；图3为原始的分解炉炉内温度数据图；图4为原始的分解炉炉内压力数据图；图5为原始的三次风温数据图；图6为原始的提升机电流数据图； 图7为原始的窑尾分解率数据图； 图8使用遗传算法对SVR(支持向量回归)进行参数寻优结果图；图9使用已经进行参数寻优SVR(支持向量回归)对训练集的预测结果图；图10使用已经进行参数寻优SVR(支持向量回归)对预测集的预测结果图；图11为本专利技术所述水泥分解炉窑尾分解率SVR软测量方法流程图。【具体实施方式】 一种水泥分解炉窑尾分解率SVR软测量方法，该方法包括如下步骤：步骤一、原始变量的采集；根据实验室取得的水泥窑尾解率数据，确定窑尾分解率的采样时刻，选取采样前 10分钟内三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、 提升机电流各个量，并取其平均值作为原始变量；参阅图1 一图7,首先，从水泥生产DSC(集散控制系统）的数据库中获取大量相关数 据，本实施例中所获数据为三次风温，分解炉炉内温度，分解炉炉内压力，分解炉出口温度， 分解炉出口压力，提升机电流的历史数据。根据从化验室取得的水泥窑尾解率数据，确定窑 尾分解率的采样时刻，选取采样前10分钟内相关过程变量的平均值作为原始数据。本专利技术 共取得221个样本。步骤二、原始变量的误差处理；对步骤一中所采集的原始变量与窑尾分解率化验结果依据格罗布斯准则进行误 差处理，剔除数据中的粗大误差；对上述取得的221个样本的数据根据格罗布斯进行误差处理，其中格罗布斯检验 法严格按照国家标准GB/T 4883-2008中格罗布斯双侧情形的检验法执行。具体步骤如下： Stepl:计算统计量Gn、G，n其中χω是样本最大值，X⑴是样本最小值，卩和s是样本均值和样本标准差，既 本实施例中： 分解炉出口温度1 =:884,601(^8^8.51503(^ = 903.16713(^ = 840.3251 Gni = 2.1804、G'ni = 5.1997; 分解炉炉内温度JC.2 =814.7084.、S 2 = 32·2795、χ(η)2 = 883·0638、χ(ι)2 = 721 · 4767、Gn2 = 2 · 1176，、G，n2 = 2.8882; 提升机电流 χ3 =56.1586、S3=1.4870、x(n)3 = 5当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种水泥分解炉窑尾分解率SVR软测量方法，其特征在于，该方法包括如下步骤：步骤一、原始变量的采集；根据实验室取得的水泥窑尾解率数据，确定窑尾分解率的采样时刻，选取采样前10分钟内三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流各个量，并取其平均值作为原始变量；步骤二、原始变量的误差处理；对步骤一中所采集的原始变量与窑尾分解率化验结果依据格罗布斯准则进行误差处理，剔除数据中的粗大误差；步骤三、使用灰色关联度分析进行原始数据降维；对步骤二中已经剔除粗大误差的原始数据进行灰色关联度分析，选取三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流中与窑尾分解率关联度较高的参数做软测量模型的辅助变量；步骤四、使用遗传算法对SVR进行参数寻优；使用遗传算法对SVR的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的值进行参数寻优并作为最优参数组合；其中惩罚系数C与SVR对误差的宽容度有关，核宽系数gamma对SVR核函数RBF的核宽有关，不敏感损失系数epsilon与模型复杂度有关；SVR的回归方程为：2、f(x)=Σi=1l(ai-ai*)K(xj,x)+b]]>其中，ai、ai*为拉格朗日算子，b为阈值，K(xj，x)为核函数exp(‑gamma*|u‑v|^2)；步骤五、软测量模型建立；利用对经格罗布斯误差处理及灰色关联降维后的数据，以及经遗传算法优化过的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon，采用SVR(支持向量回归)建立软测量模型；步骤六、软测量结果预测；根据当前时刻DSC中的过程变量，通过步骤五辨识得到的软测量模型在线计算当前时刻分解炉的窑尾分解率；步骤七、实时优化软测量模型；根据步骤六的测量结果与离线化验所得真实结果利用步骤四和步骤五再进行模型优化。...

【技术特征摘要】

【专利技术属性】
技术研发人员：金星，王盛慧，姜长泓，李冰岩，张永恒，徐婷，秦石凌，李洋洋，李国宾，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22