一种考虑多时间序列的水泥熟料f-CaO预测方法技术

本发明专利技术公开了一种考虑多时间序列的水泥熟料f

【技术实现步骤摘要】
一种考虑多时间序列的水泥熟料f
‑
CaO预测方法


[0001]本专利技术涉及水泥熟料f
‑
CaO含量软测量领域，具体的说是一种考虑多时间序列的水泥熟料f
‑
CaO预测方法。

技术介绍

[0002]水泥熟料中游离氧化钙(free lime in cement clinker,f
‑
CaO)是水泥生产过程中未能与二氧化硅等酸性氧化物发生化合反应的以游离态存在于水泥熟料中的氧化钙。水泥熟料f
‑
CaO含量作为水泥熟料质量的一项主要评价参数,该水平的高低直接关系最终水泥制品的质量。当其含量过高时，致使水泥强度降低甚至出现开裂，而降低熟料f
‑
CaO含量需对熟料的煅烧更持久，这样会导致能耗的增加以及影响回转窑耐火砖的使用寿命。
[0003]目前，常用的f
‑
CaO含量检测方法是待熟料形成并冷却后周期性地进行人工采样，并随后进行实验室离线化验，由于采样间隔时间长(通常为2h)，f
‑
CaO含量检测值具有滞后性，难以指导后续水泥熟料生产过程，造成现场工况波动，熟料产品质量和产量堪忧。另一个常用方法是通过建立辅助变量和水泥熟料f
‑
CaO之间的神经网络预测模型，能够及时地对水泥熟料f
‑
CaO含量的预测，但由于水泥生产中辅助变量参数多且不同变量在不同时间段对f
‑
CaO的影响程度不一原因，把所有变量的时间序列数据直接送入神经网络模型后，会有大量的扰动信息干扰神经网络的训练，导致模型的预测精度不高。

技术实现思路

[0004]本专利技术是为了解决上述现有技术存在的不足之处，提出一种考虑多时间序列的的水泥熟料f
‑
CaO预测方法，以期能排除大量的扰动信息，提取到辅助变量时间序列数据的有效特征，从而能提高水泥熟料f
‑
CaO含量的预测精度。
[0005]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0006]本专利技术一种考虑多时间序列的水泥熟料f
‑
CaO预测方法，是应用于由预热分解系统、回转窑和篦冷机所构成的生产设备中，其特点在于，所述水泥熟料f
‑
CaO预测方法是按照如下步骤进行：
[0007]步骤1、根据水泥熟料f
‑
Cao产生的工艺机理，选取与水泥熟料f
‑
Cao关联系数较大的n个辅助变量，令水泥熟料f
‑
Cao数据的采样周期为T，按照采样周期T从DCS系统中获取p个水泥熟料f
‑
Cao数据及其对应的辅助变量，并分别进行预处理和按列归一化处理，相应得到水泥熟料f
‑
Cao向量和辅助变量矩阵其中，表示转置，b
i
表示第i个采样周期T
i
内的水泥熟料f
‑
Cao数据；A
i
表示第i个采样周期T
i
内的辅助变量数据，且分别表示第i个采样周期T
i
内从预热分解系统、回转窑、篦冷机中采集的辅助变量数据；
[0008]步骤2、模型输入的处理：
[0009]步骤2.1、根据经验公式得出水泥物料在预热分解系统、回转窑和篦冷机中的停留
时间分别为T
yf
、T
hzy
和T
blj
；且T
yf
<<T
hzy
<T
blj
，T>T
yf
+T
hzy
+T
blj
；
[0010]步骤2.2、令第i个采样周期T
i
的开始时刻为第i个采样周期T
i
的结束时刻为令在第i个采样周期T
i
内篦冷机的辅助变量数据中匹配的时间段为T
blj
，并在第i个采样周期T
i
内篦冷机的辅助变量数据中截取从开始到停留时间T
blj
为止的数据段；
[0011]令A
hzy
在第i个采样周期T
i
内回转窑的辅助变量数据中匹配的时间段为bl1·
T
hzy
，并在第i个采样周期T
i
内回转窑的辅助变量数据中截取从开始到停留时间为止的数据段；
[0012]令A
yf
在第i个采样周期T
i
内预热分解系统的辅助变量数据中匹配的时间段为bl2·
T
yf
，并在第i个采样周期T
i
内预热分解系统的辅助变量数据中截取从至为止的数据，其中，bl1，bl2表示持续时间系数，且bl1、bl2>1；
[0013]步骤2.3、按照步骤2.2的过程对p个采样周期下篦冷机的辅助变量数据分别进行截取后，再通过分段取均值法将所截取的p个篦冷机数据压缩成长度为q的篦冷机矩阵；同理得到长度为q的回转窑矩阵和预热分解系统矩阵；从而由篦冷机矩阵、回转窑矩阵和预热分解系统矩阵构成维度为p
×
q
×
n
×
1的辅助变量单通道矩阵A
′
；
[0014]步骤3、构建基于分设备融合注意力的辅助变量特征提取网络，依次包括：时间点数据加权模块，通道转换层，分设备加权模块和LSTM网络；
[0015]步骤3.1、所述时间点数据加权模块依次包括：二维卷积层、时间点数据加权层；
[0016]所述辅助变量单通道矩阵A
′
输入所述辅助变量特征提取网络中，并经过卷积核大小为的二维卷积层的处理后，得到维度为p
×
q
′×
n
×
1的特征图Q
1A
，其中，q
′
表示截取压缩后的时间段长度；
[0017]所述时间点数据加权层利用三个卷积核为1
×
1的卷积层分别对特征图Q
1A
进行处理，相应得到三个特征图Q
1B
，Q
1C
，Q
1D
，再分别对Q
1B
，Q
1C
，Q
1D
在辅助变量个数维度和时间段维度上进行重构，得到维度为p
×
N
×
1的三个特征图Q
1B,reshape
，Q
1C,reshape
，Q
1D,reshape
；
[0018]利用式(1)得到Q
1B,reshape
中第k个时间点数据Q
k1B,reshape
和Q
1C,reshape
中第j个时间点数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑多时间序列的水泥熟料f
‑
CaO预测方法，是应用于由预热分解系统、回转窑和篦冷机所构成的生产设备中，其特征在于，所述水泥熟料f
‑
CaO预测方法是按照如下步骤进行：步骤1、根据水泥熟料f
‑
Cao产生的工艺机理，选取与水泥熟料f
‑
Cao关联系数较大的n个辅助变量，令水泥熟料f
‑
Cao数据的采样周期为T，按照采样周期T从DCS系统中获取p个水泥熟料f
‑
Cao数据及其对应的辅助变量，并分别进行预处理和按列归一化处理，相应得到水泥熟料f
‑
Cao向量和辅助变量矩阵其中，表示转置，b
i
表示第i个采样周期T
i
内的水泥熟料f
‑
Cao数据；A
i
表示第i个采样周期T
i
内的辅助变量数据，且助变量数据，且分别表示第i个采样周期T
i
内从预热分解系统、回转窑、篦冷机中采集的辅助变量数据；步骤2、模型输入的处理：步骤2.1、根据经验公式得出水泥物料在预热分解系统、回转窑和篦冷机中的停留时间分别为T
yf
、T
hzy
和T
blj
；且T
yf
<<T
hzy
<T
blj
，T>T
yf
+T
hzy
+T
blj
；步骤2.2、令第i个采样周期T
i
的开始时刻为第i个采样周期T
i
的结束时刻为令在第i个采样周期T
i
内篦冷机的辅助变量数据中匹配的时间段为T
blj
，并在第i个采样周期T
i
内篦冷机的辅助变量数据中截取从开始到停留时间T
blj
为止的数据段；令A
hzy
在第i个采样周期T
i
内回转窑的辅助变量数据中匹配的时间段为bl1·
T
hzy
，并在第i个采样周期T
i
内回转窑的辅助变量数据中截取从开始到停留时间为止的数据段；令A
yf
在第i个采样周期T
i
内预热分解系统的辅助变量数据中匹配的时间段为bl2·
T
yf
，并在第i个采样周期T
i
内预热分解系统的辅助变量数据中截取从至为止的数据，其中，bl1，bl2表示持续时间系数，且bl1、bl2>1；步骤2.3、按照步骤2.2的过程对p个采样周期下篦冷机的辅助变量数据分别进行截取后，再通过分段取均值法将所截取的p个篦冷机数据压缩成长度为q的篦冷机矩阵；同理得到长度为q的回转窑矩阵和预热分解系统矩阵；从而由篦冷机矩阵、回转窑矩阵和预热分解系统矩阵构成维度为p
×
q
×
n
×
1的辅助变量单通道矩阵A
′
；步骤3、构建基于分设备融合注意力的辅助变量特征提取网络，依次包括：时间点数据加权模块，通道转换层，分设备加权模块和LSTM网络；步骤3.1、所述时间点数据加权模块依次包括：二维卷积层、时间点数据加权层；所述辅助变量单通道矩阵A
′
输入所述辅助变量特征提取网络中，并经过卷积核大小为
的二维卷积层的处理后，得到维度为p
×
q
′×
n
×
1的特征图Q
1A
，其中，q
′
表示截取压缩后的时间段长度；所述时间点数据加权层利用三个卷积核为1
×
1的卷积层分别对特征图Q
1A
进行处理，相应得到三...

【专利技术属性】
技术研发人员：陈薇，陶杰，刘勇，叶磊，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：