本发明专利技术涉及一种基于深度信念网络模型来预测水泥熟料fCaO的方法，其内容为：初步选取能反映水泥熟料烧成情况的主要变量为辅助变量集合，预测变量为水泥熟料fCaO的含量；通过现场仪表和操作员记录表分别采集各个辅助变量和水泥熟料fCaO含量的现场数据，采用灰色关联度分析方法对初始辅助变量集合降维；根据深度信念网络的算法及样本数据量确定深度信念网络结构中的参数：训练深度信念网络的参数，进而实现对整个网络权重和偏置的优化；采用反向传播算法对所确定的深度信念网络结构中的参数进行误差校正，进而确定水泥熟料fCaO的预测模型；采集辅助变量集合的实时数据，并将得到的辅助变量集合的实时数据进行3δ准则剔除误差；进而预测出水泥熟料fCaO含量。
【技术实现步骤摘要】
本专利技术涉及水泥烧成系统熟料游离钙的预测领域，特别是涉及一种基于深度信念网络模型的水泥熟料游离钙含量预测方法。
技术介绍
水泥熟料游离钙(free calcium oxide in cement clinker,fCaO)是水泥生料经分解炉的预分解、回转窑高温煅烧，最后经篦冷机冷却而没有参加化学反应，以游离态存在于水泥熟料中的氧化钙。水泥熟料fCaO含量高低是影响水泥安定性的主要因素，能够直接反映物料在回转窑烧成带的烧成状况。如果水泥熟料fCaO含量过高，物料在回转窑煅烧的不充分，熟料强度低，水泥内部形成局部膨胀应力，使其变形或开裂，对水泥强度、安定性均有一定影响。反之，其含量过低时，熟料往往呈过烧状态，甚至是死烧，此时的熟料质量不仅缺乏活性，而且也造成了能源浪费，增加了水泥生产成本。目前，国内外关于水泥熟料fCaO含量的测量方法主要有在线分析仪测量方法和离线采样化验方法。在线分析仪测量的方法可以实现对水泥熟料游离钙含量实时检测，但设备成本较大，维护费用高，并且测量的准确性容易受到现场烟尘和实际工况的影响，精度也不高。离线采样化验方法需每隔1-2个小时现场取样离线化验得到水泥熟料fCaO的含量，由于水泥熟料烧成过程具有一定时间的延时，离线分析获得fCaO含量相对于指导烧成系统的控制具有很大的滞后性。因此，水泥熟料fCaO含量预测的实现对保证水泥熟料质量和实现水泥烧成系统节能减排具有重要意义。众多国内外工艺、自控专家对此做了大量的研究工作，济南大学刘文光等针对水泥厂熟料质量指标游离钙含量难以在线测量的问题，提出一种基于最小二乘支持向量机(lssvm)的软测量建模方法，仿真实验研究表明，最小二乘支持 向量机建模具有良好的学习能力和泛化性能，且对数据样本的依赖程度低，是一种有效的软测量建模方法；沈阳理工大学王秀莲等在构建局部建模数据集时，同时考虑了数据样本之间的加权欧氏距离与向量的夹角，使得训练数据的选取更加具有实际意义，并建立基于局部pso-lssvm算法的软测量模型，计算得到当前fCaO含量值；合肥工业大学蒋妍妍等基于改进粒子群优化lssvm的水泥熟料fCaO软测量研究，利用改进的粒子群优化算法对最小二乘支持向量机模型的重要参数进行迭代寻优，解决了fCaO含量的测量问题提供了一些可行的方案。但是以往的算法泛化能力差、应用性不强、精度低。因此，有必要寻求一种精确度高、应用性强的预测方法实现对水泥熟料fCaO含量准确预测。
技术实现思路
针对水泥水泥游离钙(fCaO)含量难以实时在线预测的问题，本专利技术提供一种基于深度信念网络模型(deep belief network,DBN)的水泥熟料fCaO含量预测方法。为解决上述技术问题，本专利技术是通过以下方案实现的：一种基于深度信念网络模型的水泥熟料游离钙含量预测方法，实现该方法所需设备包括测量仪表、数据通讯接口和中控机；所述的测量仪表用于测量水泥熟料游离钙含量的辅助变量，即窑主机电流、二次风温、窑尾温度和烟室NOx；所述的数据通讯接口用于将现场测量仪表测量的数据传输到中控机，所述的中控机用于运行深度信念网络的水泥熟料fCaO含量预测算法，根据水泥烧成系统的窑主机电流、二次风温、窑尾温度和烟室NOx，预测出输出变量水泥熟料fCaO含量；该方法内容包括如下步骤：步骤一：根据水泥工艺初步选取能反映水泥熟料烧成情况的主要变量为辅助变量集合，预测变量为水泥熟料fCaO的含量；在步骤一中，所述的辅助变量集合为：窑主机电流、二次风温、窑尾温度、烟室NOx、二室篦下压力、分解炉出口温度、窑头负压、烟室O2、烟室CO、窑转速、三次风温和预热器出口温度；由于初步选取的辅助变量集合维度高，故对辅助变量数据进行降维，以降低数据训练和预测的难度；步骤二：数据采集及分类，通过现场仪表和操作员记录表分别采集各个辅助变量和水泥熟料fCaO含量的现场数据，采用灰色关联度分析方法对初始辅助变量集合降维；由于数据样本的单位不尽相同，故在训练之前对数据进行统一单位，对数据进行归一化处理，确保各权值的收敛速度大致相同，得到输入输出都在0到1之间，加快训练网络的收敛速度；在步骤二中，所述采用灰色关联度分析方法对初始辅助变量集合降维，就是对初始辅助变量集合的数据进行灰色关联度计算，删除与游离钙灰色关联度小的变量，进而实现对初始辅助变量集合降维，获得最终的软测量模型输入辅助变量集合为：窑主机电流、二次风温、窑尾温度和烟室NOx，输出变量为水泥熟料fCaO含量；将最终的软测量模型输入辅助变量集合代入深度信念网络模型进行预训练，训练出水泥熟料fCaO含量的预测模型；步骤三：根据深度信念网络的算法及样本数据量确定深度信念网络结构中的参数：学习率ε、权重wij、偏置和隐单元个数，将在步骤二中采集并归一化处理后的数据作为样本进行无监督训练，训练深度信念网络的参数，进而实现对整个网络权重和偏置的优化；步骤四：采用反向传播算法对在步骤三中所确定的深度信念网络结构中的参数进行误差校正，对深度信念网络结构参数中隐含层偏置、输出层偏置和权 值矩阵进行全局搜索调整，进而确定水泥熟料fCaO含量的预测模型；所述采用反向传播算法对在步骤三中所确定的深度信念网络结构中的参数进行误差校正，误差校正的过程是：由于步骤三的学习是一个无监督的学习过程，而使用反向传播算法对网络模型参数中隐含层偏置、输出层偏置和权值矩阵进行修正是一个有监督的学习过程；误差反传是采用从输出层到输入层逐层修正的方法，通过这种方法进行误差修正和模型微调，从而确定水泥熟料fCaO含量的预测模型；步骤五：采集在步骤二中所得到辅助变量集合的实时数据，并将得到的辅助变量集合的实时数据进行3δ准则剔除误差；若当前时刻任一辅助变量被剔除，则一并删掉同一时刻其他辅助变量的数据，游离钙保持上一时刻的预测值；若没有辅助变量被删除，则将处理完的数据传输到步骤四得到的水泥熟料fCaO含量的预测模型算法的中控机中，进而预测出水泥熟料fCaO含量。本专利技术具有以下有益效果：1、根据水泥烧成系统工艺并结合灰色关联度分析方法选出辅助变量，准确地反应了水泥烧成系统实际运行状况，对保证水泥质量、节能降耗具有重要意义；2、本专利技术建立的水泥熟料fCaO含量预测模型具有良好的泛化性能，能够对中控回转窑操作员的操作提供指导，有利于保证烧成系统平稳、安全运行；3、本专利技术能够有效地对水泥熟料fCaO含量进行预测，进而对在线测量设备进行补充，甚至替代在线设备，有效地降低了硬件成本。附图说明图1为本专利技术提出的基于深度信念网络模型的水泥熟料游离钙含量预测系统的现场接线图；图2为限制玻尔兹曼机示意图((Restricted Boltzmann Mzchine,RBM)；图3为本专利技术的用于水泥熟料游离钙含量预测的深度信念网络模型框图；图4为本专利技术提出的基于深度信念网络模型预测水泥熟料游离钙系统流程的方框图；图5为基于深度信念网络模型训练过程中的反向传播算法学习流程图。具体实施方式下面结合附图对本专利技术做进一步的详细描述。一种基于深度信念网络模型的水泥熟料fCaO含量预测方法，图1所示为基于深度信念网络模型的水泥熟料游离钙预测系统的现场接线图，首先进行辅助变量的初步选取，将采集的数据与深度信念网络相结合，建立本专利技术的用于水泥本文档来自技高网...
【技术保护点】
一种基于深度信念网络模型的水泥熟料游离钙含量预测方法，其特征在于：实现该方法所需设备包括测量仪表、数据通讯接口和中控机；所述的测量仪表用于测量水泥熟料游离钙含量的辅助变量，即窑主机电流、二次风温、窑尾温度和烟室NOx；所述的数据通讯接口用于将现场测量仪表测量的数据传输到中控机，所述的中控机用于运行深度信念网络的水泥熟料游离钙含量预测算法，根据水泥烧成系统的窑主机电流、二次风温、窑尾温度和烟室NOx，预测出输出变量水泥熟料游离钙含量；该方法内容包括如下步骤：步骤一：根据水泥工艺初步选取能反映水泥熟料烧成情况的主要变量为辅助变量集合，预测变量为水泥熟料游离钙的含量；在步骤一中，所述的辅助变量集合为：窑主机电流、二次风温、窑尾温度、烟室NOx、二室篦下压力、分解炉出口温度、窑头负压、烟室O2、烟室CO、窑转速、三次风温和预热器出口温度；由于初步选取的辅助变量集合维度高，故对辅助变量数据进行降维，以降低数据训练和预测的难度；步骤二：数据采集及分类，通过现场仪表和操作员记录表分别采集各个辅助变量和水泥熟料游离钙含量的现场数据，采用灰色关联度分析方法对初始辅助变量集合降维；由于数据样本的单位不尽相同，故在训练之前对数据进行统一单位，对数据进行归一化处理，确保各权值的收敛速度大致相同，得到输入输出都在0到1之间，加快训练网络的收敛速度；在步骤二中，所述采用灰色关联度分析方法对初始辅助变量集合降维，就是对初始辅助变量集合的数据进行灰色关联度计算，删除与游离钙灰色关联度小的变量，进而实现对初始辅助变量集合降维，获得最终的软测量模型输入辅助变量集合为：窑主机电流、二次风温、窑尾温度和烟室NOx，输出变量为水泥熟料游离钙含量；将最终的软测量模型输入辅助变量集合代入深度信念网络模型进行预训练，训练出水泥熟料游离钙含量的预测模型；步骤三：根据深度信念网络的算法及样本数据量确定深度信念网络结构中的参数：学习率ε、权重wij、偏置和隐单元个数，将在步骤二中采集并归一化处理后的数据作为样本进行无监督训练，训练深度信念网络的参数，进而实现对整个网络权重和偏置的优化；步骤四：采用反向传播算法对在步骤三中所确定的深度信念网络结构中的参数进行误差校正，对深度信念网络结构参数中隐含层偏置、输出层偏置和权值矩阵进行全局搜索调整，进而确定水泥熟料游离钙含量的预测模型；所述采用反向传播算法对在步骤三中所确定的深度信念网络结构中的参数进行误差校正，误差校正的过程是：由于步骤三的学习是一个无监督的学习过程，而使用反向传播算法对网络模型参数中隐含层偏置、输出层偏置和权值矩阵进行修正是一个有监督的学习过程；误差反传是采用从输出层到输入层逐层修正的方法，通过这种方法进行误差修正和模型微调，从而确定水泥熟料游离钙含量的预测模型；步骤五：采集在步骤二中所得到辅助变量集合的实时数据，并将得到的辅助变量集合的实时数据进行3δ准则剔除误差；若当前时刻任一辅助变量被剔除，则一并删掉同一时刻其他辅助变量的数据，游离钙保持上一时刻的预测值；若没有辅助变量被删除，则将处理完的数据传输到步骤四得到的水泥熟料游离钙含量的预测模型算法的中控机中，进而预测出水泥熟料游离钙含量。...
【技术特征摘要】
1.一种基于深度信念网络模型的水泥熟料游离钙含量预测方法，其特征在于：实现该方法所需设备包括测量仪表、数据通讯接口和中控机；所述的测量仪表用于测量水泥熟料游离钙含量的辅助变量，即窑主机电流、二次风温、窑尾温度和烟室NOx；所述的数据通讯接口用于将现场测量仪表测量的数据传输到中控机，所述的中控机用于运行深度信念网络的水泥熟料游离钙含量预测算法，根据水泥烧成系统的窑主机电流、二次风温、窑尾温度和烟室NOx，预测出输出变量水泥熟料游离钙含量；该方法内容包括如下步骤：步骤一：根据水泥工艺初步选取能反映水泥熟料烧成情况的主要变量为辅助变量集合，预测变量为水泥熟料游离钙的含量；在步骤一中，所述的辅助变量集合为：窑主机电流、二次风温、窑尾温度、烟室NOx、二室篦下压力、分解炉出口温度、窑头负压、烟室O2、烟室CO、窑转速、三次风温和预热器出口温度；由于初步选取的辅助变量集合维度高，故对辅助变量数据进行降维，以降低数据训练和预测的难度；步骤二：数据采集及分类，通过现场仪表和操作员记录表分别采集各个辅助变量和水泥熟料游离钙含量的现场数据，采用灰色关联度分析方法对初始辅助变量集合降维；由于数据样本的单位不尽相同，故在训练之前对数据进行统一单位，对数据进行归一化处理，确保各权值的收敛速度大致相同，得到输入输出都在0到1之间，加快训练网络的收敛速度；在步骤二中，所述采用灰色关联度分析方法对初始辅助变量集合降维，就是对初始辅助变量集合的数据进行灰色关联度计算，删除与游离钙灰色关联度小的变量，进而实现对初始辅助变量集合降维，获得...
【专利技术属性】
技术研发人员：刘彬，高伟，赵朋程，王美琪，孙超，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。