CN103332878A - 一种新型干法水泥熟料生产全流程优化方法 - Google Patents

Abstract

本发明涉及水泥生产技术领域，尤其是一种新型干法水泥熟料生产全流程工艺指标和预分解窑操作变量的智能优化方法。选取生料三率值、生料细度、生料磨系统加料量、预分解窑系统加料量、熟料f-CaO含量和熟料三率值作为工艺指标决策变量；建立生料磨系统电耗模型、预分解窑系统电耗模型、预分解窑系统煤耗模型、熟料KH值模型的建立、熟料n值模型、熟料p值模型、熟料质量模型；进行工艺指标决策变量的优化计算；预分解窑操作变量的选取和计算。本发明无需分析生料磨和预分解窑系统的复杂机理，只需利用生产过程中的历史数据就可以建立它们的能耗模型，以及熟料质量模型，建模过程较为简单。

Description

一种新型干法水泥熟料生产全流程优化方法

技术领域

本发明涉及水泥生产技术领域，尤其是一种新型干法水泥熟料生产全流程工艺指标和预分解窑操作变量的智能优化方法。

背景技术

新型干法水泥熟料生产线主要包括生料磨和预分解窑两个系统。生料磨和预分解窑系统分别承担着生料制备和熟料烧成的任务，它们在完成生产任务的同时也消耗了大量的能源——电和煤。因此，如何使这两个系统安全稳定地运行在合适的指标下，并以较低的能耗获得合格的生料和熟料产品，就成为每一个水泥企业所追求的目标。

生料磨和预分解窑的工作原理如图1所示。石灰石、砂岩、钢渣和页岩经配料站配料后，由皮带输送机送至生料磨内。混合物料在生料磨内被磨细，细度合格的生料被生料磨出口处的收尘器收集起来，进入生料均化库储存；细度不合格的生料则返回生料磨继续粉磨，直至细度合格为止。预分解窑分为预热器、分解炉、回转窑和篦冷机四部分。储存在生料均化库中的生料经过斗式提升机进入到预热器中蒸干水分，然后进入分解炉中发生分解反应使得石灰石大部分分解为氧化钙和二氧化碳，然后再进入回转窑中进行煅烧，并发生化合反应，最后再进入篦冷机中进行急冷，从而得到水泥熟料。来自窑尾煤粉仓和窑头煤粉仓的煤粉分别喷入分解炉和回转窑中燃烧，燃烧产生的热量供给石灰石分解和熟料煅烧所用。

在新型干法水泥生产中，生料磨系统的工艺指标是出磨生料的细度和三率值，预分解窑系统的工艺指标是熟料的f-CaO含量和三率值。表示熟料质量的指标是熟料3天抗压强度。生料磨系统的能耗主要是电耗，预分解窑系统的能耗主要是煤耗和电耗。目前，我国的新型干法水泥企业普遍采用DCS对生产过程进行控制。近年来，随着生料磨负荷控制、生料三率值控制、分解炉出口温度控制及烧成带温度软测量等先进控制技术和软件的开发应用，新型干法水泥企业的回路级控制功能日臻完善，生料磨负荷、生料三率值、生料细度、分解炉出口温度、烧成带温度及篦冷机篦床压力更加稳定，能耗已经有所降低。但是，由于新型干法水泥熟料的生产过程具有综合复杂性，指标之间的关系复杂，这些因素制约了能耗的进一步降低，主要原因是由于基础控制回路难以找到合适的设定值。当前，水泥熟料生产线的生料磨系统和预分解窑系统是分别独立运行的，它们的工艺指标制定都是依靠相关工艺人员积累的经验。因此，将水泥熟料生产线作为一个总体来给出合适的工艺指标设定值，对于能耗的进一步降低具有重要意义。

当生料和熟料的工艺指标确定以后，操作人员根据实际的生料细度及三率值、煤粉的灰分及热值、以及熟料f-CaO含量的设定值，凭借积累的经验，通过手动调节预分解窑的操作变量——分解炉出口温度、烧成带温度及一篦床压力的设定值来使熟料f-CaO含量达到设定值。在实际生产中，水泥熟料烧成过程是典型的时变非线性、大滞后过程，影响熟料f-CaO含量的因素较多，操作人员操作的主观性和随意性较强，因此熟料f-CaO含量的控制效果也不够平稳。因此，根据实际生产状况确定合适的生料磨系统和预分解窑系统的工艺指标及预分解窑系统的操作变量的设定值，就成为一个难点。

生料磨系统质量指标和预分解窑系统的操作变量设定值的确定都是根据相关人员积累的经验，这样的运行方式使得水泥企业相关技术人员和操作人员的劳动强度大，而且整条生产线的能耗难以进一步降低，熟料的质量波动较大，不易实现运行优化。所以，有必要从水泥熟料生产全流程的角度来确定合适的生料磨和预分解窑的工艺指标，在此基础上自动确定预分解窑系统操作变量设定值，以改进当前的运行方式，减轻技术人员和操作人员的工作强度，使得水泥熟料生产线的能耗进一步降低，熟料质量也更加平稳。

发明内容

针对当前新型干法水泥生产线——生料磨系统和预分解窑系统的质量指标、能耗指标之间关系复杂，生产能耗难以进一步降低的问题，以及预分解窑系统的熟料f-CaO质量不稳定的问题，本发明要解决的技术问题是提供一种生料磨和预分解窑系统工艺指标、以及预分解窑系统操作变量设定值的计算方法。

本发明为实现上述目的所采用的技术方案是：一种新型干法水泥熟料生产全流程优化方法，包括以下步骤：

工艺指标决策变量选取：选取生料三率值、生料细度、生料磨系统加料量、预分解窑系统加料量、熟料f-CaO含量和熟料三率值作为工艺指标决策变量；

模型建立：包括

a.生料磨系统电耗模型的建立：以生料细度和生料磨加料量为输入变量，以生料磨系统电耗为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立生料磨系统电耗的模型；

b.预分解窑系统电耗模型的建立：以预分解窑系统加料量为输入变量，以预分解窑系统电耗为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立预分解窑系统电耗的模型；

c.预分解窑系统煤耗模型的建立：以预分解窑系统加料量、生料的三率值、生料细度、煤粉热值、煤粉灰分、熟料三率值和熟料f-CaO含量为输入变量，以预分解窑系统煤耗为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立预分解窑系统煤耗的模型；

d.熟料KH值模型的建立：以生料KH值、煤粉灰分为输入变量，以熟料KH值为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立熟料KH值的模型；

e.熟料n值模型的建立：以生料n值、煤粉灰分为输入变量，以熟料n值为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立熟料n值的模型；

f.熟料p值模型的建立：以生料p值、煤粉灰分为输入变量，以熟料p值为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立熟料p值的模型；

g.熟料质量模型的建立：以熟料三率值和熟料f-CaO含量为输入变量，以熟料3天抗压强度为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立预分解窑系统煤耗的模型；

工艺指标决策变量的优化计算：以单产熟料能耗总成本最低为目标，以熟料质量满足工艺要求、各个决策变量均位于工艺要求范围内为约束条件，求解出工艺指标决策变量的设定值；

预分解窑操作变量的选取：选取分解炉出口温度、烧成带温度和篦冷机的一篦床压力作为预分解窑的操作变量；

预分解窑操作变量的计算：以优化计算得到的预分解窑系统的工艺指标决策变量为目标，首先依据生料和煤粉的情况及生产目标，采用主元分析和主元回归相结合的预设定方法计算出预分解窑操作变量的预设定值，然后再依据熟料f-CaO含量目标值与化验值的差，采用基于专家规则的反馈补偿方法，计算出预分解窑操作变量的反馈补偿值，将预分解窑操作变量的预设定值与反馈补偿值相加就得到了预分解窑操作变量的设定值。

所述生料磨系统电耗模型形式为：

y₁=θ₁x₁+θ₂x₂+θ₃     （1）

其中y₁表示生料磨电耗，x₁表示生料磨的加料量，x₂表示生料的细度，θ₁、θ₂和θ₃表示辨识得到的系数。

所述预分解窑系统电耗模型形式为：

y₂=θ₄x₈+θ₅        （2）

其中y₂表示预分解窑系统电耗，x₈表示预分解窑的生料加料量，θ₄和θ₅表示辨识得到的系数。

所述预分解窑系统煤耗模型形式为：

y₃=θ₆x₂+θ₇x₃+θ₈x₄+θ₉x₅+θ₁₀x₆+θ₁₁x₇+θ₁₂x₈+θ₁₃x₉+θ₁₄x₁₀+θ₁₅x₁₁+θ₁₆x₁₂+θ₁₇     （3）

其中y₃表示预分解窑系统煤耗，x₃表示生料KH值，x₄表示生料n值，x₅表示生料p值，x₆表示煤粉灰分，x₇表示煤粉热值，x₈表示预分解窑的生料加料量，x₉表示熟料KH值，x₁₀表示熟料n值，x₁₁表示熟料p值，x₁₂表示熟料f-CaO含量，θ₆～θ₁₇表示辨识得到的系数。

所述熟料KH值模型的形式为：

x₉=θ₁₈x₃+θ₁₉x₆+θ₂₀       （4）

其中θ₁₈、θ₁₉和θ₂₀表示辨识得到的系数，x₃表示生料KH值，x₆表示煤粉灰分，x₉表示熟料KH值。

所述熟料n值模型的形式为：

x₁₀=θ₂₁x₄+θ₂₂x₆+θ₂₃     （5）

其中θ₂₁、θ₂₂和θ₂₃表示辨识得到的系数，x₄表示生料n值，x₆表示煤粉灰分，x₁₀表示熟料n值。

所述熟料p值模型的形式为：

x₁₁=θ₂₄x₅+θ₂₅x₆+θ₂₆      （6）

其中θ₂₄、θ₂₅和θ₂₆表示辨识得到的系数，x₅表示生料p值，x₆表示煤粉灰分，x₁₁表示熟料p值。

所述熟料3天抗压强度模型为：

y₄=θ₂₇x₉+θ₂₈x₁₀+θ₂₉x₁₁+θ₃₀x₁₂+θ₃₁      （7）

其中θ₂₇～θ₃₁表示辨识得到的系数，x₉表示熟料KH值，x₁₀表示熟料n值，x₁₁表示熟料p值，x₁₂表示熟料f-CaO含量。

所述工艺指标决策变量的优化计算能够给出生料磨系统和预分解窑系统的工艺指标，按照以下的方法进行：

目标函数的形式为：

minJ₁=d(zy₁+y₂)+my₃     （8）

约束条件的形式为：

x_imin≤x_i≤x_imax,i=1,2,...,5,8,9,...,12;

y₄≥y_4min;

x₉=θ₁₈x₃+θ₁₉x₆+θ₂₀;     （9）

x₁₀=θ₂₁x₄+θ₂₂x₆+θ₂₃;

x₁₁=θ₂₄x₅+θ₂₅x₆+θ₂₆;

其中J₁表示生产1t熟料所消耗的总能源成本，m表示煤的单价，d表示电的单价，z表示生产1t熟料所需的生料质量，x_1min表示生料磨系统的加料量下限，x_1max表示生料磨系统的加料量上限，x_2min表示生料细度下限，x_2max表示生料细度上限，x_3min表示生料KH值下限，x_3max表示生料KH值上限，x_4min表示生料n值下限，x_4max表示生料n值上限，x_5min表示生料p值下限，x_5max表示生料p值上限，x_8min表示预分解窑系统的加料量下限，x_8max表示预分解窑系统的加料量上限，x_9min表示熟料KH值下限，x_9max表示熟料KH值上限，x_10min表示熟料n值下限，x_10max表示熟料n值上限，x_11min表示熟料p值下限，x_11max表示熟料p值上限，x_12min表示熟料f-CaO含量下限，x_12max表示熟料f-CaO含量上限，y_4min表示熟料3天抗压强度的下限。以（8）式为目标函数，以（9）式为约束条件，通过求解该优化问题能够得到生料磨和预分解窑的各个工艺指标x_i(i=1,2,...,5,8,9,...,12)的设定值。

所述预分解窑操作变量的计算能够给出预分解窑操作变量的设定值，其形式为：

V^*=V_new+△v(t)      （10）

其中V^*为分解炉出口温度、烧成带温度和一篦床压力的设定值，V_new为分解炉出口温度、烧成带温度和一篦床压力的预设定值，△v(t)为分解炉出口温度、烧成带温度和一篦床压力的反馈补偿值。

本发明具有以下优点：

1、无需分析生料磨和预分解窑系统的复杂机理，只需利用生产过程中的历史数据就可以建立它们的能耗模型，以及熟料质量模型，建模过程较为简单；

2、充分利用了现场的工艺知识，将新型干法水泥熟料生产线作为一个整体考虑，在保证熟料质量的基础上从整体能耗成本最低的角度获得它们的工艺指标设定值，减轻了工艺人员的工作负担。

3、充分利用了现场的专家操作经验和历史数据，能够根据生料和煤粉的信息自动给出预分解窑系统操作变量的设定值，实现了熟料f-CaO含量的稳定控制，减轻了操作人员的劳动强度。

附图说明

图1为新型干法水泥熟料生产线全流程原理图；

图2为工艺指标决策变量的优化计算流程图；

图3为预分解窑操作变量的计算流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

1.工艺指标决策变量选取：

对新型干法水泥熟料生产过程的工艺及操作情况进行分析，发现在正常生产时，对生料磨系统电耗影响较大的变量是生料磨的加料量和生料细度，对预分解窑系统电耗影响较大的变量是预分解窑的加料量，对预分解窑系统煤耗影响较大的变量是预分解窑的加料量、生料的三率值、生料细度、煤粉热值、煤粉灰分、熟料三率值和熟料f-CaO含量，对熟料3天抗压强度影响较大的变量是熟料三率值和熟料f-CaO含量，对熟料KH值影响较大的变量是生料KH值和煤粉灰分，对熟料n值影响较大的变量是生料n值和煤粉灰分，对熟料p值影响较大的变量是生料p值和煤粉灰分。因此，选取生料三率值（即生料KH值、n值和p值）、生料细度、生料磨系统加料量、预分解窑系统加料量、熟料f-CaO含量和熟料三率值作为工艺指标决策变量。

2.模型建立：

以生料磨系统电耗为例进行说明，其他模型的建模过程与之相似。

生料磨系统电耗模型建立：设生料磨系统电耗的M组统计数据为Y(k)=[y₁(k+M-1),y₁(k+M-2),...,y₁(k)]^T，与其对应的生料磨加料量数据为X₁(k)=[x₁(k+M-1),x₁(k+M-2),...,x₁(k)]^T，生料细度数据为X₂(k)=[x₂(k+M-1),x₂(k+M-2),...,x₂(k)]^T，列向量MM=[1,1,...,1]^T∈R^M×1，记X(k)=[X₁(k),X₂(k),MM]。因此，生料磨系统电耗与生料磨加料量、生料细度之间的关系表达式可以写成：

Y(k)=X(k)θ(k)+ξ₁(k)     （11）

其中θ(k)=[θ₁(k),θ₂(k),θ₃(k)]为待辨识的参数，ξ₁(k)为随机干扰。采用带有遗忘因子的递推最小二乘辨识算法估计模型参数θ(k)：

$\begin{array}{c}\stackrel{\⩓}{\mathrm{\θ}}(k+1)=\stackrel{\⩓}{\mathrm{\θ}}\left(k\right)+K(k+1)[Y(k+1)-X(k+1)\stackrel{\⩓}{\mathrm{\θ}}\left(k\right)]\\ K(k+1)=Q\left(k\right)X^T(k+1){[X(k+1)Q\left(k\right)X^T(k+1)+\mathrm{\λ}]}^{-1}\\ Q(k+1)=\frac{1}{\mathrm{\λ}}[Q\left(k\right)-K\left(k\right)X(k+1)Q\left(k\right)]\end{array}----\left(12\right)$

其中，λ为遗忘因子，通常取0.9<λ<1；Q(k)的初值取为σ²I，σ是一个足够大的正数，如10⁵，I为单位矩阵。这样就可以得到生料磨系统的电耗模型。因此，生料磨系统的电耗模型可以表示为：

y₁=θ₁x₁+θ₂x₂+θ₃     （13）

其中y₁表示生料磨系统电耗，x₁表示生料磨的加料量，x₂表示生料的细度。

预分解窑系统的电耗和煤耗、熟料三率值及熟料3天抗压强度的建模过程与生料磨系统电耗的建模过程类似，此处不再赘述。

设得到的预分解窑系统电耗模型为：

y₂=θ₄x₈+θ₅     （14）

预分解窑系统煤耗模型为：

y₃=θ₆x₂+θ₇x₃+θ₈x₄+θ₉x₅+θ₁₀x₆+θ₁₁x₇+θ₁₂x₈+θ₁₃x₉+θ₁₄x₁₀+θ₁₅x₁₁+θ₁₆x₁₂+θ₁₇   （15）

熟料KH值模型为：

x₉=θ₁₈x₃+θ₁₉x₆+θ₂₀     （16）

熟料n值模型为：

x₁₀=θ₂₁x₄+θ₂₂x₆+θ₂₃    （17）

熟料p值模型为：

x₁₁=θ₂₄x₅+θ₂₅x₆+θ₂₆   （18）

熟料3天抗压强度模型为：

y₄=θ₂₇x₉+θ₂₈x₁₀+θ₂₉x₁₁+θ₃₀x₁₂+θ₃₁     （19）

其中y₂表示预分解窑系统电耗，y₃表示预分解窑系统煤耗，y₄表示熟料3天抗压强度，x₃表示生料KH值，x₄表示生料n值，x₅表示生料p值，x₆表示煤粉灰分，x₇表示煤粉热值，x₈表示预分解窑的生料加料量，x₉表示熟料KH值，x₁₀表示熟料n值，x₁₁表示熟料p值，x₁₂表示熟料f-CaO含量。

3.工艺指标决策变量的优化计算：

以单位产量熟料的能耗成本最低为目标函数。设煤的价格为m元/t，电的价格为d元/度，因此生产1t熟料所消耗的煤电总成本为d(zy₁+y₂)+my₃，其中z表示生产1t熟料所需的生料质量，z=1.55。所以优化的目标函数就是：

minJ₁=d(ky₁+y₂)+my₃     （20）

即：

minJ₁=dzθ₁x₁+(dzθ₂+mθ₆)x₂+mθ₇x₃+mθ₈x₄+mθ₉x₅+(dθ₄+mθ₁₂)x₈+mθ₁₃x₉+mθ₁₄x₁₀+mθ₁₅x₁₁+mθ₁₆x₁₂+(dzθ₃+dθ₅+mθ₁₀x₆+mθ₁₁x₇+mθ₁₇)

约束条件有：

x_imin≤x_i≤x_imax,i=1,2,...,5,8,9,...,12;

y₄=θ₂₇x₉+θ₂₈x₁₀+θ₂₉x₁₁+θ₃₀x₁₂+θ₃₁≥y_4min;

x₉=θ₁₈x₃+θ₁₉x₆+θ₂₀;（21）

x₁₀=θ₂₁x₄+θ₂₂x₆+θ₂₃;

x₁₁=θ₂₄x₅+θ₂₅x₆+θ₂₆;

通过求解上述问题即可得到生料磨和预分解窑的各个工艺指标

x_i(i=1,2,...,5,8,9,...,12)。

4.预分解窑操作变量的选取：

选取分解炉出口温度、烧成带温度和一篦床压力作为预分解窑的操作变量；

5.预分解窑操作变量的计算：

（一）预分解窑操作变量预设定

综合考虑预分解窑的信息，如生料三率值、生料细度、煤粉灰分及煤粉热值，采用主元分析（PCA）与主元回归（PCR）相结合的方法，给出当前情况下分解炉出口温度、烧成带温度及一篦床压力的预设定值。

（1）构造输入输出建模样本集

对预分解窑的生产过程及操作人员的操作情况进行分析，发现操作人员依据熟料f-CaO含量的目标值、生料KH值、生料p值、生料n值、生料细度、煤粉灰分和煤粉热值的信息，来决定分解炉出口温度、烧成带温度及一篦床压力的预设定值。因此在预设定算法中，选择输入变量为：熟料f-CaO含量的目标值、生料KH值、生料p值、生料n值、生料细度、煤粉灰分和煤粉热值；输出变量为分解炉出口温度、烧成带温度及一篦床压力的预设定值。

选取历史上控制效果比较好的输入输出变量数据组成输入输出建模样本集，将输入变量数据存入输入建模数据矩阵中，将输出变量数据存入输出建模数据矩阵中。设总共找到U组输入输出数据，将它们中的输入数据存储在输入建模数据矩阵

中，输出数据存储在输出建模数据矩阵中，

(i=1,2,...,U)表示第i条数据的输入变量，c_i1～c_i7分别表示熟料f-CaO含量的目标值、生料KH值、生料p值、生料n值、生料细度、煤粉灰分和煤粉热值；

(i=1,2,...,U)表示第i条数据的输出变量，v_i1～v_i3分别表示分解炉出口温度、烧成带温度及一篦床压力的预设定值。

（2）对输入建模数据矩阵进行PCA化简

利用以下六式对输入建模数据矩阵C和输出建模数据矩阵V进行标准化变换：

${c_{\mathrm{ji}}}^{\&prime;}=\frac{c_{\mathrm{ji}}-{\stackrel{\&OverBar;}{c}}_i}{{\mathrm{\&sigma;}}_i}---\left(22\right)$

${\mathrm{\&sigma;}}_i=\sqrt{\frac{\underset{j=1}{\overset{U}{\mathrm{\&Sigma;}}}{(c_{\mathrm{ji}}-{\stackrel{\&OverBar;}{c}}_i)}^2}{U-1}}---\left(23\right)$

${\stackrel{\&OverBar;}{c}}_i=\frac{1}{U}\underset{j=1}{\overset{U}{\mathrm{\&Sigma;}}}{c}_{\mathrm{ji}}---\left(24\right)$

${v_{\mathrm{jg}}}^{\&prime;}=\frac{v_{\mathrm{jg}}-{\stackrel{\&OverBar;}{v}}_g}{{\mathrm{\&sigma;}}_{\mathrm{vg}}}---\left(25\right)$

${\mathrm{\&sigma;}}_{\mathrm{vg}}=\sqrt{\frac{\underset{j=1}{\overset{U}{\mathrm{\&Sigma;}}}{(v_{\mathrm{jg}}-{\stackrel{\&OverBar;}{v}}_g)}^2}{U-1}}---\left(26\right)$

${\stackrel{\&OverBar;}{v}}_g=\frac{1}{U}\underset{j=1}{\overset{U}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jg}}---\left(27\right)$

式中，c_ji表示第i个输入变量的第j个样本值，

为第i个输入变量的样本均值，σ_i为第i个输入变量的样本标准差，为c_ji标准化后的数值，v_jg为第g个输出变量的第j个样本值，

为第g个输出变量的样本均值，σ_vg为第g个输出变量的样本标准差，

为v_jg标准化后的数值，i=1,2,…,7，g=1,2,3，j=1,2,…,U。

设经过标准化后得到的标准化输入建模数据矩阵为C'∈R^U×7，标准化输出建模数据矩阵为V'∈R^U×3。计算C'的协方差矩阵

求取R的特征值λ_j，并按照大小排序，得到λ₁≥λ₂≥...≥λ₇。与每个特征值相对应的特征向量为p_j∈R^7×1，j=1,2,...,7。因此前k个主元的累计贡献率为

选取累计贡献率大于等于90%的前k个主元，然后计算得分矩阵T=C'P，其中T=[t₁,t₂,...,t_k]，T∈R^U×k，t_j∈R^U×1，j=1,2,...,k，P=[p₁,p₂,...,p_k]。这样，就将输入建模数据矩阵C化简为主元矩阵T。

（3）、局部建模

对于新问题的输入变量C_new=[c_new1,c_new2,...,c_new7]，首先将其标准化得到 $C_{\mathrm{new}}^{\&prime;}=[\frac{c_{\mathrm{new}1}-{\stackrel{\&OverBar;}{c}}_1}{{\mathrm{\&sigma;}}_1},\frac{c_{\mathrm{new}2}-{\stackrel{\&OverBar;}{c}}_2}{{\mathrm{\&sigma;}}_2},...,\frac{c_{\mathrm{new}7}-{\stackrel{\&OverBar;}{c}}_7}{{\mathrm{\&sigma;}}_7}]=[c_{\mathrm{new}1}^{\&prime;},c_{\mathrm{new}2}^{\&prime;},...,c_{\mathrm{new}7}^{\&prime;}],$ 再计算它的得分向量

。新问题C_new与输入建模数据矩阵中第j(j=1,2,…,U)条数据C_j的相似度S(C_new,C_j)定义为：

$S(C_{\mathrm{new}},C_j)=\mathrm{\&delta;}\sqrt{e^{{-D}^2}}+(1-\mathrm{\&delta;})\cos \mathrm{\&theta;}---\left(28\right)$

$D\left(C_{\mathrm{new},}{C}_j\right)=\left|\right|C_{\mathrm{new}}^{\&prime;},C_j^{\&prime;}\left|\right|=\sqrt{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{(T_{\mathrm{newi}}-T_{\mathrm{ji}})}^2},$ T_ji表示

的第i(i=1,2,...,k)个分量，

表示将C_j进行标准化后得到的向量，

δ取为0.75。在主元矩阵T中检索出与新问题相似度最大的N条数据，并记最高相似度为S_max。设主元矩阵T中的这N条数据组成了矩阵

它们对应的标准化输出建模数据矩阵V'中的数据组成矩阵

利用

和

建立主元回归（PCR）模型：

$B={\left(T_N^{0T}{T}_N^0\right)}^{-1}{T}_N^{0T}{V}_N^{\&prime;}---\left(29\right)$

所以局部模型就是： $V_{\mathrm{new}}^{\&prime;}=[v_{\mathrm{new}1}^{\&prime;},v_{\mathrm{new}2}^{\&prime;},v_{\mathrm{new}3}^{\&prime;}]=C_{\mathrm{new}}^{\&prime;}\mathrm{PB}=C_{\mathrm{new}}^{\&prime;}P{\left(T_N^{0T}{T}_N^0\right)}^{-1}{T}_N^{0T}{V}_N^{\&prime;},$ 因此，分解炉出口温度、烧成带温度及一篦床压力的预设定值就是

$V_{\mathrm{new}}=[v_{\mathrm{new}1},v_{\mathrm{new}2},v_{\mathrm{new}3},]=[v_{\mathrm{new}1}^{\&prime;}{\mathrm{\&sigma;}}_{v1}+{\stackrel{\&OverBar;}{v}}_1,v_{\mathrm{new}2}^{\&prime;}{\mathrm{\&sigma;}}_{v2}+{\stackrel{\&OverBar;}{v}}_2,v_{\mathrm{new}3}^{\&prime;}{\mathrm{\&sigma;}}_{v3}+{\stackrel{\&OverBar;}{v}}_3].$

（4）、局部建模结果修正

将经过局部建模得到的预分解窑操纵变量设定值的解V_new送给分解炉出口温度、烧成带温度及一篦床压力的控制回路执行，对得到的结果进行评价。如果得到的熟料f-CaO含量满足要求，则保持局部建模结果不变。如果得到的熟料f-CaO含量不满足要求，则需要对局部建模的结果进行修正，修正采用由领域专家提供解决方案的办法，直到得到的熟料f-CaO含量满足要求为止。

（5）、局部建模结果存储

如果S_max低于SIM_max，SIM_max为相似度阈值，取为0.9，则将新问题的输入输出数据分别存入矩阵C和V中，并重新计算矩阵C'、V'和T；否则从矩阵C和V中删除和新问题具有最大相似度的那条历史输入输出数据，再将新问题的输入输出数据分别存入矩阵C和V中，并重新计算矩阵C'、V'和T。

（二）、反馈补偿

反馈补偿方法能够对分解炉出口温度、烧成带温度和一篦床压力的预设定值进行校正，以补偿未知干扰的影响，从而更好地适应工况的变化。

反馈补偿方法采用专家规则来实现，其形式如表1所示。

表1反馈补偿的专家规则

其中，e(t)表示熟料f-CaO含量目标值与化验值的偏差，e_i(i=1,2,3)表示熟料f-CaO含量目标值与化验值的偏差限，它们的取值范围在[0.1%，0.9%]；r_i1(i=1,2,3)表示分解炉出口温度的反馈补偿量，它们的取值范围在[-19℃，-3℃]；r_i2(i=1,2,3)表示烧成带温度的反馈补偿量，它们的取值范围在[-30℃，-10℃]；r_i3(i=1,2,3)表示一篦床压力的反馈补偿量，它们的取值范围在[-90Pa，-5Pa]；r_i1(i=4,5,6)表示分解炉出口温度的反馈补偿量，它们的取值范围在[5℃，17℃]；r_i2(i=4,5,6)表示烧成带温度的反馈补偿量，它们的取值范围在[8℃，32℃]；r_i3(i=4,5,6)表示一篦床压力的反馈补偿量，它们的取值范围在[9Pa，95Pa]；e_i(i=1,2,3)和r_ij(i=1,2,...,6;j=1,2,3)的具体数值由专家经验确定。

因此，最终的预分解窑操作变量设定值就是V^*=V_new+△v(t)。

Claims (10)

1.一种新型干法水泥熟料生产全流程优化方法，其特征在于，包括以下步骤：

工艺指标决策变量选取：选取生料三率值、生料细度、生料磨系统加料量、预分解窑系统加料量、熟料f-CaO含量和熟料三率值作为工艺指标决策变量；

模型建立：包括

a.生料磨系统电耗模型的建立：以生料细度和生料磨加料量为输入变量，以生料磨系统电耗为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立生料磨系统电耗的模型；

b.预分解窑系统电耗模型的建立：以预分解窑系统加料量为输入变量，以预分解窑系统电耗为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立预分解窑系统电耗的模型；

c.预分解窑系统煤耗模型的建立：以预分解窑系统加料量、生料的三率值、生料细度、煤粉热值、煤粉灰分、熟料三率值和熟料f-CaO含量为输入变量，以预分解窑系统煤耗为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立预分解窑系统煤耗的模型；

d.熟料KH值模型的建立：以生料KH值、煤粉灰分为输入变量，以熟料KH值为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立熟料KH值的模型；

e.熟料n值模型的建立：以生料n值、煤粉灰分为输入变量，以熟料n值为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立熟料n值的模型；

f.熟料p值模型的建立：以生料p值、煤粉灰分为输入变量，以熟料p值为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立熟料p值的模型；

g.熟料质量模型的建立：以熟料三率值和熟料f-CaO含量为输入变量，以熟料3天抗压强度为输出变量，根据历史输入输出数据，采用多元线性回归方法，建立预分解窑系统煤耗的模型；

工艺指标决策变量的优化计算：以单产熟料能耗总成本最低为目标，以熟料质量满足工艺要求、各个决策变量均位于工艺要求范围内为约束条件，求解出工艺指标决策变量的设定值；

预分解窑操作变量的选取：选取分解炉出口温度、烧成带温度和篦冷机的一篦床压力作为预分解窑的操作变量；

预分解窑操作变量的计算：以优化计算得到的预分解窑系统的工艺指标决策变量为目标，首先依据生料和煤粉的情况及生产目标，采用主元分析和主元回归相结合的预设定方法计算出预分解窑操作变量的预设定值，然后再依据熟料f-CaO含量目标值与化验值的差，采用基于专家规则的反馈补偿方法，计算出预分解窑操作变量的反馈补偿值，将预分解窑操作变量的预设定值与反馈补偿值相加就得到了预分解窑操作变量的设定值。

2.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述生料磨系统电耗模型形式为：

y₁=θ₁x₁+θ₂x₂+θ₃     （1）

其中y₁表示生料磨电耗，x₁表示生料磨的加料量，x₂表示生料的细度，θ₁、θ₂和θ₃表示辨识得到的系数。

3.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述预分解窑系统电耗模型形式为：

y₂=θ₄x₈+θ₅       （2）

其中y₂表示预分解窑系统电耗，x₈表示预分解窑的生料加料量，θ₄和θ₅表示辨识得到的系数。

4.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述预分解窑系统煤耗模型形式为：

y₃=θ₆x₂+θ₇x₃+θ₈x₄+θ₉x₅+θ₁₀x₆+θ₁₁x₇+θ₁₂x₈+θ₁₃x₉+θx₄x₁₀+θ₁₅x₁₁+θ₁₆x₁₂+θ₁₇   （3）

其中y₃表示预分解窑系统煤耗，x₃表示生料KH值，x₄表示生料n值，x₅表示生料p值，x₆表示煤粉灰分，x₇表示煤粉热值，x₈表示预分解窑的生料加料量，x₉表示熟料KH值，x₁₀表示熟料n值，x₁₁表示熟料p值，x₁₂表示熟料f-CaO含量，θ₆～θ₁₇表示辨识得到的系数。

5.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述熟料KH值模型的形式为：

x₉=θ₁₈x₃+θ₁₉x₆+θ₂₀     （4）

其中θ₁₈、θ₁₉和θ₂₀表示辨识得到的系数，x₃表示生料KH值，x₆表示煤粉灰分，x₉表示熟料KH值。

6.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述熟料n值模型的形式为：

x₁₀=θ₂₁x₄+θ₂₂x₆+θ₂₃      （5）

其中θ₂₁、θ₂₂和θ₂₃表示辨识得到的系数，x₄表示生料n值，x₆表示煤粉灰分，x₁₀表示熟料n值。

7.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述熟料p值模型的形式为：

x₁₁=θ₂₄x₅+θ₂₅x₆+θ₂₆      （6）

其中θ₂₄、θ₂₅和θ₂₆表示辨识得到的系数，x₅表示生料p值，x₆表示煤粉灰分，x₁₁表示熟料p值。

8.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述熟料3天抗压强度模型为：

y₄=θ₂₇x₉+θ₂₈x₁₀+θ₂₉x₁₁+θ₃₀x₁₂+θ₃₁     （7）

其中θ₂₇～θ₃₁表示辨识得到的系数，x₉表示熟料KH值，x₁₀表示熟料n值，x₁₁表示熟料p值，x₁₂表示熟料f-CaO含量。

9.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述工艺指标决策变量的优化计算能够给出生料磨系统和预分解窑系统的工艺指标，按照以下的方法进行：

目标函数的形式为：

minJ₁=d(zy₁+y₂)+my₃     （8）

约束条件的形式为：

x_imin≤x_i≤x_imax,i=1,2,...,5,8,9,...,12;

y₄≥y_4min;

x₉=θ₁₈x₃+θ₁₉x₆+θ₂₀;      （9）

x₁₀=θ₂₁x₄+θ₂₂x₆+θ₂₃;

x₁₁=θ₂₄x₅+θ₂₅x₆+θ₂₆;

其中J₁表示生产1t熟料所消耗的总能源成本，m表示煤的单价，d表示电的单价，z表示生产1t熟料所需的生料质量，x_1min表示生料磨系统的加料量下限，x_1max表示生料磨系统的加料量上限，x_2min表示生料细度下限，x_2max表示生料细度上限，x_3min表示生料KH值下限，x_3max表示生料KH值上限，x_4min表示生料n值下限，x_4max表示生料n值上限，x_5min表示生料p值下限，x_5max表示生料p值上限，x_8min表示预分解窑系统的加料量下限，x_8max表示预分解窑系统的加料量上限，x_9min表示熟料KH值下限，x_9max表示熟料KH值上限，x_10min表示熟料n值下限，x_10max表示熟料n值上限，x_11min表示熟料p值下限，x_11max表示熟料p值上限，x_12min表示熟料f-CaO含量下限，x_12max表示熟料f-CaO含量上限，y_4min表示熟料3天抗压强度的下限。以（8）式为目标函数，以（9）式为约束条件，通过求解该优化问题能够得到生料磨和预分解窑的各个工艺指标x_i(i=1,2,...,5,8,9,...,12)的设定值。

10.根据权利要求1所述的一种新型干法水泥熟料生产全流程优化方法，其特征在于，所述预分解窑操作变量的计算能够给出预分解窑操作变量的设定值，其形式为：

V^*=V_new+△v(t)     （10）

其中V^*为分解炉出口温度、烧成带温度和一篦床压力的设定值，V_new为分解炉出口温度、烧成带温度和一篦床压力的预设定值，△v(t)为分解炉出口温度、烧成带温度和一篦床压力的反馈补偿值。

Images