一种水泥熟料煅烧环境变量的构建及验证方法技术

本发明专利技术属于水泥熟料煅烧技术领域，公开了一种水泥熟料煅烧环境变量的构建及验证方法，根据水泥厂数据，构建熟料煅烧数据池；根据数据池中的数据，构建水泥熟料煅烧环境变量和基于ICA的环境特征数据提取，得到熟料煅烧环境变量；以水泥熟料煅烧环境的主要变量和环境变量分别构建水泥熟料煅烧过程安全性、质量性的预测模型，并通过分析这些模型的预测结果以验证环境变量的有效性。本发明专利技术从水泥熟料煅烧环境中提取出环境变量，它既能体现出环境的变化趋势，又能够在短时间保持稳定，易于更好地完成熟料煅烧系统的预测和模拟等任务，利于实现水泥熟料煅烧的智能化。水泥熟料煅烧的智能化。

【技术实现步骤摘要】
一种水泥熟料煅烧环境变量的构建及验证方法


[0001]本专利技术属于水泥熟料煅烧
，尤其涉及一种水泥熟料煅烧环境变量的构建及验证方法。

技术介绍

[0002]近年来，工业互联网平台能运用智能的技术手段来减少能源消耗以及污染排放，进而减少企业成本、增强企业竞争力。随着水泥行业智能技术的发展，未来的水泥厂将更加智能化、自动化，可以通过对工业流程中数据的分析，在生产过程中做出科学、高效率的控制，以提高产品质量并减少能源消耗和污染排放。在水泥工业生产中，能源消耗成本在整个生产成本的占比非常高，并且在水泥生产过程的总能耗中，熟料煅烧过程的热耗约占70
‑
80％。水泥熟料煅烧过程是水泥生产过程的关键组成部分，并且整个过程中的能耗在很大程度上取决于熟料煅烧过程的热耗，而水泥熟料煅烧过程的热耗与熟料的质量之间具有耦合关系。因此，将熟料煅烧过程的热耗模拟与熟料质量预测结合起来可以为水泥熟料煅烧过程的设备参数调控提供依据，从而有利于整个煅烧过程中热耗的改善以及水泥熟料质量的管控。
[0003]水泥熟料煅烧过程中的能源消耗，主要是热耗(燃耗煤炭)，可以通过称重测量，但是未来时刻的熟料质量在熟料煅烧过程中却无法直接测量，熟料质量信息的获取往往需要人工化验得出，具有很大的滞后性，煅烧过程中缺乏质量性的预测信息来对生产设备进行控制。因此，熟料煅烧中热耗的模拟与熟料质量的预测对煅烧过程的调度运行显得极为重要。但是水泥熟料的煅烧过程是一个由多道生产工序组合而成的复杂过程，各个工序之间互相影响，煅烧过程中的各个变量之间也存在着复杂的耦合关系，且存在滞后性、不确定性，这导致难以建立准确的水泥熟料煅烧过程中的预测模型。
[0004]针对上述问题，国内外的一些学者采用不同算法来研究并建立了水泥熟料煅烧过程中关键参数的预测模型：在水泥生产的能耗领域，一些研究提供了优秀的算法以及模型处理方式。例如，Zhao等人首先运用主成分分析法和改进的多元非线性回归算法相结合建立了水泥电耗预测模型，虽然这种算法能取得一定的效果，但是在噪声点较多的情况下容易出现过拟合。在此基础上，为了克服单一模型的局限性，Zhao等人又建立了最小二乘支持向量回归(Least squares support vector regression,LSSVR)以及集成的经验模态分解算法(Empirical Mode Decomposition,EMD)的混合模型用于预测水泥磨电耗需求，这种组合模型能够进一步提高整体模型的精度和泛化能力。在水泥生产的预测领域，基于不同设备参数的研究提供了不同的思路。例如，Yang等人采用BP神经网络与Elman神经网络相结合的方式预测水泥回转窑内温度，这为控制水泥熟料煅烧过程的回转窑工况提供了依据。而Minchala等人采用人工神经网络与自适应神经模糊推理系统相结合的方式来预测水泥的生料细度。除此之外，Pani等人也采用主成分分析与人工神经网络结合的方法预测水泥的生料细度，这些对于不同关键参数的准确预测可以为后续的熟料煅烧环境的模拟提供保障。
[0005]在水泥生产的质量领域，游离CaO含量、熟料三率值都是评定水泥产品质量的重要指标，但是这些指标在生产过程中难以直接测量。对此，一些学者采用极限学习机、支持向量机以及深度信念网络等方法对水泥熟料中游离CaO含量进行预测。除此以外，还有学者采用集成算法进行这方面的研究。这些关于熟料质量的研究可以为后续的熟料质量控制提供保障。
[0006]通过上述分析，现有技术虽然得到了较好的结果，但仍然停留在实验室或某个时间点，不能抓住熟料煅烧是一个过程，存在的问题及缺陷为：水泥熟料的煅烧过程是一个由多道生产工序组合而成的复杂过程，各个工序之间互相影响，煅烧过程中的各个变量之间也存在着复杂的耦合关系，且存在滞后性、不确定性，这导致难以建立准确的水泥熟料煅烧过程中的预测模型。所以，如何能获取熟料煅烧过程的特点。
[0007]解决以上问题及缺陷的难度为：熟料煅烧的设备从一级旋风筒到蓖冷机，设备都连通，物流、燃料流和气流贯穿其中，存在旋流、回流等复杂流场；水泥煅烧过程中的物理和化学反应复杂，煤粉燃烧释放热量、物料的化学反应吸收热量、物流与气流之间的热量交换、不同来源的原材料的变更引起的煅烧过程的变化；熟料煅烧过程涉及变量多，且变量之间具有耦合性、非线性、滞后性；熟料煅烧是一个持续的，具有实时性、连续性等，不同的工况都会影响煅烧过程，并且熟料煅烧具有惯性。
[0008]解决以上问题及缺陷的意义为：如果能对熟料煅烧过程中的环境进行描述与提取，则可以通过这个变量描述熟料煅烧过程的主要特征，完成一些模拟或预测任务，为熟料煅烧过程的智能控制打下一个好的基础。

技术实现思路

[0009]针对现有技术存在的问题，本专利技术提供了一种水泥熟料煅烧环境变量的构建及验证方法。本专利技术将机器学习方法应用于水泥熟料煅烧工艺，从水泥熟料煅烧环境中提取出环境变量，可应用于搭建水泥熟料煅烧过程的预测模型，为实现熟料煅烧的智能化提供一个有效的手段。
[0010]本专利技术是这样实现的，一种水泥熟料煅烧环境变量的构建及验证方法，所述水泥熟料煅烧环境变量的构建及验证方法，包括：
[0011]步骤一，根据水泥厂数据，构建熟料煅烧数据池；
[0012]步骤二，根据数据池中的数据，构建水泥熟料煅烧环境变量和基于ICA的环境特征数据提取，得到熟料煅烧环境变量；
[0013]步骤三，利用水泥熟料煅烧环境的变量和环境变量分别构建水泥熟料煅烧过程安全性预测模型和质量性预测模型，并分别利用安全性预测模型和质量性预测模型的预测结果对环境变量的有效性进行验证；其中，通过4中学习算法来构建熟料煅烧过程安全性预测模型以及熟料煅烧过程质量性模型，即就是建模，然后用这两个预测模型来检验环境变量的有效性。
[0014]进一步，所述步骤一中，熟料煅烧数据池包括：各种设备参数以及各种物质属性，各种设备参数以及各种物质属性共同组成了整个水泥熟料煅烧环境的多个变量，这些变量相互联系、相互影响。
[0015]进一步，所述步骤二中熟料煅烧环境变量为一个变量或矩阵，利用自己的变化体
现整个水泥熟料煅烧环境的变化，它是这个过程主要变量的共有特征的表现，并且由于水泥熟料煅烧过程中的数据具有周期性，在短时间内保持基本稳定，不产生巨大的波动。
[0016]进一步，所述步骤二中基于ICA的环境特征数据提取具体过程为：
[0017]1)将原始数据按列组成n行m列矩阵X；
[0018]2)将X的每一行(代表一个特征)零均值化，即减去这一行的均值；
[0019]3)对数据进行白化预处理；
[0020]4)设置参数学习率α的数值；
[0021]5)在第i是个求解W，其中初始W为每行之和为1的随机矩阵；
[0022]6)根据上一步的W和公式解得第i时刻的独立分量
[0023]7)重复4)和5)直至所有时刻的独立分量求解完毕；
[0024]8)将各时刻得到的独立分量组合得到最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水泥熟料煅烧环境变量的构建及验证方法，其特征在于，所述水泥熟料煅烧环境变量的构建及验证方法，包括：步骤一，利用水泥厂数据构建熟料煅烧数据池；步骤二，利用数据池中的数据构建水泥熟料煅烧环境变量和基于ICA的环境特征数据提取，得到熟料煅烧环境变量；步骤三，利用水泥熟料煅烧环境的变量和环境变量分别构建水泥熟料煅烧过程安全性预测模型和质量性预测模型，并分别利用安全性预测模型和质量性预测模型的预测结果对环境变量的有效性进行验证。2.如权利要求1所述水泥熟料煅烧环境变量的构建及验证方法，其特征在于，所述步骤一中熟料煅烧数据池包括：利用设备参数以及物质属性组成整个水泥熟料煅烧环境的多个变量。3.如权利要求1所述水泥熟料煅烧环境变量的构建及验证方法，其特征在于，所述步骤二中基于ICA的环境特征数据提取具体过程为：1)将原始数据按列组成n行m列矩阵X；2)将X的每一行零均值化，减去这一行的均值；3)对数据进行白化预处理；4)设置参数学习率α的数值；5)在第i是个求解W，其中初始W为每行之和为1的随机矩阵；6)根据上一步的W和公式解得第i时刻的独立分量7)重复4)和5)直至所有时刻的独立分量求解完毕；8)将各时刻得到的独立分量组合得到最终的结果4.如权利要求1所述水泥熟料煅烧环境变量的构建及验证方法，其特征在于，在步骤三中利用基于机器学习的熟料煅烧热耗模型的选择，基于网格搜索器的模型参数选择，训练集、测试集、验证集划分以及预测模型构建，进行水泥熟料煅烧过程安全性预测模型和质量性预测模型构建。5.如权利要求4所述水泥熟料煅烧环境变量的构建及验证方法，其特征在于，所述基于机器学习的熟料煅烧热耗模型的选择包括：由于水泥熟料煅烧环境中各个变量的数据分布都不相同，每种变量数据中含有的噪音点数量也各不相同；对于同样的输入输出数据分别构建4种回归模型，并通过预测模型的评价指标选出最佳模型；所述4种回归模型为：岭回归、支持向量回归、决策树回归、随机森林回归。6.如权利要求4所述水泥熟料煅烧环境变量的构建及验证方法，其特征在于，所述基于网格搜索器的模型参数选择具体过程为：Ridge参数：alpha、fit_intercept、max_iter、solver，alpha为float类型，它代表正则化系数，值越大，正则化就越强；fit_intercept为bool类型，表示是否计算截距；max_iter为int类型，表示求解器的最大迭代次数；solver表示解释器的种类，包括auto、svd...

【专利技术属性】
技术研发人员：宋华珠，李雨泽，杨一鸣，王福泽，刘岩，董倚宏，周彩兰，吴少鹏，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：