一种水泥熟料f-CaO含量预测方法技术

本发明专利技术涉及一种水泥熟料f

【技术实现步骤摘要】
一种水泥熟料f
‑
CaO含量预测方法


[0001]本专利技术涉及水泥生产的控制
，特别是涉及一种水泥熟料f
‑
CaO含量预测方法。

技术介绍

[0002]熟料是水泥的重要组成部分，游离氧化钙(free calcium oxide，f
‑
CaO)含量是衡量熟料质量的重要指标之一，其表示了生料烧结中氧化钙与氧化硅、氧化铝、氧化铁结合后剩余的程度。f
‑
CaO含量过高会导致熟料安定性差，并且不能很好的与混凝土外加剂相容，含量过低会使熟料质量下降，易磨性变差，同时烧成过程的能耗也会增大。所以，熟料中f
‑
CaO含量的测量在水泥生产过程中是必不可少的，是控制熟料质量和生产能耗的重要依据。目前我国水泥行业内的企业大多不能对f
‑
CaO含量进行实时测量，熟料f
‑
CaO含量主要是依靠人工间隔1h
‑
2h取样送至化验室进行检测，但是这种检测方法过程繁琐，检测结果反馈具有很大的滞后性，不能满足企业对水泥生产控制及质量监测的要求，不利于生产的稳定运行。水泥熟料烧成过程伴随着复杂的物理化学反应，生产工艺参数繁多且具有时滞性和非线性耦合关系，同时水泥熟料生产中DCS系统以及化验室产生了大量数据，这些数据并没有被充分利用起来指导实际生产过程。因此，研究大数据分析技术在水泥熟料生产中的应用，通过算法模型分析挖掘生产数据的潜在价值，利用这些数据可以减少水泥熟料生产过程中的波动与异常；另一方面，也可以协助优化工业过程的控制、决策与调度，提高产品质量、降低生产成本，对于推动水泥产业的发展与转型，具有至关重要的意义。随着近年来计算机技术以及互联网的发展，数据挖掘以及机器学习等方法可以学习到无法用数学模型描述的复杂数据特征和关系，已经逐步应用在传统工业领域中。
[0003]所以有必要结合数据挖掘和机器学习的方法来设计一种有效预测水泥熟料f
‑
CaO含量的预测模型，来解决水泥熟料f
‑
CaO难以直接测量的问题。

技术实现思路

[0004]本专利技术的目的是提供一种水泥熟料f
‑
CaO含量预测方法，能够解决水泥生产过程熟料f
‑
CaO含量难以实时测量的问题，同时可以为现场调控生产和后续智能控制提供参考和指导。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种水泥熟料f
‑
CaO含量预测方法，包括：
[0007]获取水泥熟料f
‑
CaO含量的生产数据，对所述生产数据进行预处理，对预处理后的所述生产数据进行特征选择，获得特征子集；
[0008]对所述特征子集进行全时效数据提取，构建深度森林模型，将提取的所述全时效数据输入到所述深度森林模型进行训练；
[0009]基于训练后的所述深度森林模型预测所述熟料f
‑
CaO含量。
[0010]优选地，获取所述水泥熟料f
‑
CaO含量的生产数据包括：
[0011]在生产水泥熟料设备上安装传感器进行检测，获取水泥熟料f
‑
CaO含量的生产参数，根据所述生产参数，从水泥厂数据库中获取所述水泥熟料f
‑
CaO含量的生产数据。
[0012]优选地，对所述生产数据进行预处理包括：
[0013]采用Hampel filter对所述生产数据进行异常值处理，对异常值处理后的所述生产数据进行数据标准化处理。
[0014]优选地，采用Hampel filter对所述生产数据进行异常值处理包括：
[0015]采用Hampel filter对所述生产数据进行异常值检测，删除检测到的所述异常值，并采用滑动窗口局部中值填补删除所述异常值出现的空缺位置。
[0016]优选地，采用Hampel filter对所述生产数据进行异常值检测的方法为：
[0017][0018]m
i
＝median(x
i
‑
s
，x
i
‑
s+1
，
…
，x
i
，
…
，x
i+s
‑1，x
i+s
)
[0019]S
i
＝1.4826median(|x
i
‑
s
‑
m
i
|，
…
，|x
i+s
‑
m
i
|)
[0020]其中，x
i
为待检测样本，s为待检测样本周围的样本数，m
i
为窗口内的中值，S
i
为窗口内中值绝对偏差的尺度估计，median为中位数计算函数。
[0021]优选地，对异常值处理后的所述生产数据进行数据标准化处理包括：
[0022]将异常值处理后的所述生产数据转化为固定均值和方差的无量纲数据。
[0023]优选地，对预处理后的所述生产数据进行特征选择获得特征子集包括：
[0024]采用最大相关最小冗余方法对所述无量纲数据的每个特征与水泥熟料f
‑
CaO含量之间的互信息值进行计算，获取与所述水泥熟料f
‑
CaO含量有最大相关且冗余性最小的所述特征子集。
[0025]优选地，对所述特征子集的生产数据进行全时效数据提取包括：
[0026]设置时间窗口，基于所述时间窗口将所述特征子集的生产数据切分为大小相同的时间序列，通过所述时间序列与所述水泥熟料f
‑
CaO含量数据进行时间对齐，得到所述全时效数据。
[0027]优选地，将提取的所述全时效数据输入到所述深度森林模型进行训练包括：
[0028]将所述全时效数据划分为训练集和验证集，对所述训练集和所述验证集进行处理，将处理过的所述训练集输入到所述深度森林模型中，通过所述深度森林模型产生的特征向量与所述训练集进行拼接作为下一层随机森林的输入，直至新增加层不在提升所述深度森林预测模型的预测精度，得到训练后的所述深度森林预测模型。
[0029]本专利技术的有益效果为：
[0030](1)本专利技术建立时间窗口的方法，将时间序列作为模型输入扩充了模型输入的数据量，充分利用了收集到的数据，同时也包含了生产过程中的时序信息，减少了时延对模型预测的影响，基本解决水泥生产过程中工艺参数与质量指标采样频率不同导致大量数据冗余的问题和时间时序滞后匹配问题。
[0031](2)本专利技术构建mRMR方法对工艺参数进行了特征选择，选取了与熟料f
‑
CaO含量相关性大，且冗余性小的工艺参数子集，解决水泥生产过程中多变量耦合的问题，提高了模型的泛化性。
[0032](3)本专利技术建立多层级联随机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水泥熟料f
‑
CaO含量预测方法，其特征在于，包括：获取水泥熟料f
‑
CaO含量的生产数据，对所述生产数据进行预处理，对预处理后的所述生产数据进行特征选择，获得特征子集；对所述特征子集进行全时效数据提取，构建深度森林模型，将提取的所述全时效数据输入到所述深度森林模型进行训练；基于训练后的所述深度森林模型预测所述熟料f
‑
CaO含量。2.根据权利要求1所述的水泥熟料f
‑
CaO含量预测方法，其特征在于，获取所述水泥熟料f
‑
CaO含量的生产数据包括：在生产水泥熟料设备上安装传感器进行检测，获取水泥熟料f
‑
CaO含量的生产参数，根据所述生产参数，从水泥厂数据库中获取所述水泥熟料f
‑
CaO含量的生产数据。3.根据权利要求1所述的水泥熟料f
‑
CaO含量预测方法，其特征在于，对所述生产数据进行预处理包括：采用Hampel filter对所述生产数据进行异常值处理，对异常值处理后的所述生产数据进行数据标准化处理。4.根据权利要求3所述的水泥熟料f
‑
CaO含量预测方法，其特征在于，采用Hampel filter对所述生产数据进行异常值处理包括：采用Hampel filter对所述生产数据进行异常值检测，删除检测到的所述异常值，并采用滑动窗口局部中值填补删除所述异常值出现的空缺位置。5.根据权利要求4所述的水泥熟料f
‑
CaO含量预测方法，其特征在于，采用Hampel filter对所述生产数据进行异常值检测的方法为：m
i
＝median(x
i
‑
s
，x
i
‑
s+1
，
…
，x
i
，
…
，x
i+s
‑1，x
i+s
)S
i

【专利技术属性】
技术研发人员：龚先政，李小青，张海博，崔素萍，王亚丽，马忠诚，郅晓，叶家元，
申请(专利权)人：中国建筑材料科学研究总院有限公司中国建材集团有限公司，
类型：发明
国别省市：