CN103344530B - 一种球磨机水泥生料粉磨粒度软测量方法 - Google Patents

Abstract

本发明涉及一种球磨机水泥生料粉磨粒度软测量方法。辅助变量的选择：以选粉机转速、喂料流量和选粉机入口风压，选粉机负荷作为成品粒度软测量模型的辅助变量。数据预处理：对原始数据进行筛选、滤波和标准化。基于GA-NN（遗传算法优化神经网络）的软测量建模：基于GA（遗传算法）算法提出了一种用于神经网络训练的学习算法，将网络中需要调整的权值看成是染色体的基因，通过染色体的选择、交叉和变异来完成网络训练过程。软测量模型的校正：采用长期校正的方式。本发明能够测量出难以直接检测而又十分重要的成品粒度参数，使面向球磨机生料粉磨过程先进控制和优化方法的实施成为可能。

Description

一种球磨机水泥生料粉磨粒度软测量方法

技术领域

本发明涉及水泥生产过程参数监测领域，尤其是涉及一种球磨机水泥生料粉磨粒度软测量方法。

背景技术

球磨机水泥生料粉磨过程中成品粒度是重要的质量指标。粒度大小合适、颗粒均匀的水泥生料有利于烧成工序化学反应的快速平稳进行。为保证生产顺利进行，水泥生料粉磨过程必须要将成品粒度控制在一定的范围内。生产过程中，由于缺乏成品粒度的在线检测设备，使得先进控制系统无法及时获取生料粒度信息。虽然水泥企业可通过取样化验得到离线测量结果，但是，这种离线测量方式操作复杂、采样间隔时间过长，不适合作为先进控制系统中的变量反馈。因此，建立成品粒度的软测量模型，提供生料成品粒度参数进行实时、连续估计和预测，使先进控制系统能够及时获得球磨机生料粉磨过程中的工况变化信息，对实现生料粉磨粒度的优化和先进控制，保证成品质量具有重要意义。

球磨机生料粉磨过程工艺如图1所示。石灰石、砂岩、钢渣、页岩等水泥生料原材料经皮带秤计量后进入球磨机粉磨。生料在球磨机中被破碎、研磨和充分混合。经球磨机粉磨后的生料进入选粉机筛选，合格的生料进入生料均化库，不合格的生料回到球磨机继续粉磨。在选粉机成品出口，生料由自动取样设备采样送入生料粒度监测仪进行分析。生料粉磨控制系统根据生料粒度监测值，对球磨机、选粉机、配料控制系统进行调节，以达到最佳的生料粉磨粒度。在这一过程中，由于生料成品采样时间间隔较长，检测结果反馈到生料粉磨控制系统中再到控制系统完成各设备的调整，该调节过程是一个大滞后过程。另外，由于生料流量和成分的波动较大，造成生料粉磨粒度受到了较大的扰动影响。因此，水泥生料粉磨粒度检测具有较为明显的大滞后及大扰动的特点。

目前，生料粉磨粒度的软测量方法主要有两种：(1)基于多元线性回归模型的软测量方法；(2)基于BP（误差反向传播）神经网络的软测量方法。研究表明，基于多元线性回归模型的软测量方法虽然实施和软件开发比较容易，但是由于估计精度太低，实际应用一般不予采用；BP建模算法实施比较困难，且由于是基于梯度搜索的，网络学习过程收敛速度慢，容易陷入局部最优，而且对网络的初始权值和学习速率都极为敏感。因此，有必要根据水泥生料粉磨粒度在线检测的理论寻找一种新的软测量方法，有针对性的解决水泥生料粒度软测量的实际问题。

发明内容

针对当前生料粉磨过程中存在的成品粒度实时测量问题的不足，本发明要解决的技术问题是提供一种能够克服估计精度低、收敛速度慢、容易陷入局部最优等缺点，能够对生料成品粒度实时、连续、准确地估计和预测的软测量方法。

为解决上述技术问题，本发明采用的技术方案是：一种球磨机水泥生料粉磨粒度软测量方法，包括以下步骤：

选择辅助变量：对球磨机生料粉磨的过程变量进行关联度分析，选择关联度相对较高的多个过程变量作为辅助变量；

数据预处理：对采集到的数据进行筛选、滤波和标准化；

基于GA-NN的软测量建模：以成品生料粒度作为主导变量，基于GA算法提出一种用于神经网络训练的学习算法，即将神经网络中需要调整的权值看成是染色体的基因，通过染色体的选择、交叉和变异来完成网络训练过程；

软测量模型的校正：采用长期校正的方式对软测量模型进行校正。

所述辅助变量选择步骤根据灰色关联度理论确定辅助变量为：选粉机转速、喂料流量、选粉机入口风压和选粉机负荷。

所述关联度分析理论中的灰色关联度表达式为：

${\mathrm{\μ}}_{\mathrm{ij}}\left(k\right)=\frac{\underset{j}{\min }\underset{k}{\min }|x_i\left(k\right)-x_j\left(k\right)|+\mathrm{\α}\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-x_j\left(k\right)|}{|x_i\left(k\right)-x_j\left(k\right)|+\mathrm{\α}\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-x_j\left(k\right)|}---\left(1\right)$

$r_{\mathrm{ij}}=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}\left(k\right)---\left(2\right)$

其中，x_i、x_j分别代表经过数据预处理的不可测变量和可测变量；k为序列编号，m为样本数，μ_ij为两变量的相关系数，α为分辨系数，r_ij为关联度。

所述喂料流量由出磨提升机电流表征；所述选粉机负荷由出磨提升机电流和入库提升机电流共同表征。

所述数据筛选过程为：若连续3个数据采样值的变化差值超过预先设定的阈值D，即

|x(t)-x(t-1)|＞D       (3)

|x(t-2)-x(t-1)|＞D

其中，t=2,3,…，则认为数据之间存在跳变，即t-1时刻的采样值x(t-1)不合理，令x(t-1)=x(t-2)。

所述数据滤波采用均值滤波方法，即

$x_i=\frac{1}{5}\underset{j=i-5}{\overset{i-1}{\mathrm{\Σ}}}{x}_j---\left(4\right)$

式中，x_i表示某参数滤波后的数值，x_j表示某参数某时刻的实时值。所述数据标准化采用正规化方法进行：

$x_i^{\′}\left(k\right)=\frac{x_i\left(k\right)-{\stackrel{\‾}{x}}_i}{{\mathrm{\σ}}_i}---\left(5\right)$

${\mathrm{\σ}}_i=\sqrt{\frac{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{(x_i\left(k\right)-{\stackrel{\‾}{x}}_i)}^2}{M-1}}---\left(6\right)$

${\stackrel{\‾}{x}}_i=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{x}_i\left(k\right)---\left(7\right)$

式中，x_i(k)表示第i个输入变量的第k个样本值，

为第i个输入变量的样本均值，σ_i为样本的标准差，x_i＇(k)为x_i(k)标准化后的数值，i=1,2,…,N，k=1,2,…,M，N为输入变量个数，M为样本数量。

所述用于神经网络训练的学习算法的网络训练过程为：

a．确定GA-NN网络结构及参数；

b．建立GA中染色体基因与需要优化参数的映射关系；

c．计算染色体个体适应度函数:

$F=P/\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{(y_i-o_i)}^2---\left(8\right)$

其中，P为神经网络训练样本个数，y_i为神经网络的期望输出值，o_i为神经网络的实际输出；

d．神经网络权值的更新：将当前染色体的适应度值与上一代染色体的适应度值进行比较，如果当前染色体的适应度值高于上一代染色体的适应度值则进行神经网络权值的更新；

e．染色体的选择、交叉和变异操作：依据个体适应度对所有染色体进行复制；依据交叉和变异概率对染色体进行交叉和变异操作；

f.满足最大遗传代数，或训练误差小于收敛精度目标值ξ，则算法终止，输出最优网络参数；否则，转至步骤c继续进行网络训练。

所述步骤e中，染色体的选择、交叉和变异具体为：

选择：染色体k在第i+1代的个体数为：

$N_{k,i+1}=\frac{F_{k,i}}{F_i}\×N---\left(9\right)$

其中，F_k,i为染色体k在第i代的适应度，F_i全体染色体在第i代的适应度总和，N为染色体总数；

交叉：将被随机选择出的两个染色体V1和V2作为父母个体，将两者的部分基因进行交换；

变异：改变染色体的某个基因上的数值。

所述长期校正的启动条件是：将荧光分析仪的化验值和软测量模型的预测值进行比较，如果绝对误差大于或等于预先定义好的阈值，则利用采样数据重新建立软测量模型。

本发明具有以下有益效果及优点：

（1）能够测量出难以直接检测而又十分重要的成品粒度参数，使面向球磨机生料粉磨过程先进控制和优化方法的实施成为可能；

（2）能够综合运用多个辅助变量对成品粒度参数做出估计、诊断和趋势分析，提高了参数的可信度和可用性；

（3）软测量模型校正能够对测量系统进行误差补偿处理和动态校准，为测量系统的动态性能的改善和故障的诊断提供一种有效手段。

附图说明

图1为球磨机生料粉磨过程工艺图；

图2单隐层神经网络结构图；

图3为基于GA优化神经网络训练算法流程图；

图4为成品粒度软测量建模原理图。

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。

本发明一种球磨机水泥生料粉磨粒度软测量方法包括以下步骤：

1.辅助变量的选择：以选粉机转速、喂料流量和选粉机入口风压，选粉机负荷作为成品粒度软测量模型的辅助变量；

2.数据预处理：主要包括对原始数据进行筛选、滤波和标准化。

3.基于GA-NN（遗传算法优化神经网络）的软测量建模：本发明基于GA（Genetic Algorithm-遗传算法）算法提出了一种用于神经网络训练的学习算法。即将神经网络中需要调整的权值看成是染色体的基因，通过染色体的选择、交叉和变异来完成网络训练过程；

4.软测量模型的校正：软测量模型的校正可分为短期校正和长期校正，而本文直接采用长期校正的方式。

下面对本发明方法的各步骤进行分别阐述。

1.辅助变量的选择：本发明利用灰色关联度算法进行球磨机生料粉磨过程变量关联度分析，进而确定辅助变量的选择。

（1）灰色关联度的具体计算公式：

${\mathrm{\μ}}_{\mathrm{ij}}\left(k\right)=\frac{\underset{j}{\min }\underset{k}{\min }|x_i\left(k\right)-x_j\left(k\right)|+\mathrm{\α}\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-x_j\left(k\right)|}{|x_i\left(k\right)-x_j\left(k\right)|+\mathrm{\α}\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-x_j\left(k\right)|}---\left(10\right)$

$r_{\mathrm{ij}}=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}\left(k\right)---\left(11\right)$

其中，x_i,x_j分别代表经过数据预处理的不可测变量和可测变量；k为序列编号，m为样本数，μ_ij为两变量的相关系数，α为分辨系数，r_ij为关联度。

（2）成品粒度软测量模型辅助变量的选择：

反映球磨机生料粉磨过程运行情况的重要参数主要有8个。其中2个是操作变量：喂料流量FF、选粉机转速VS；6个过程变量：电耗CE（通过磨机主电机电流转换得到）、成品粒度SP（主导变量）、粗粉仓存料量HC（通过电耳反馈获得）、细粉仓差压HF（细粉仓入口和磨机出口之间的风压压力差，表征细粉仓存料量）、选粉机负荷LS（与出磨物料流量和入库物料流量相关，通过出磨提升机电流和入库提升机电流转换得到）、选粉机入口风压PS。它们与系统粉磨效率和产品质量存在着密切的关系，因此，选择这些变量作为软测量模型的备选辅助变量，进行关联度分析。

首先从DCS历史数据库中将这8个变量有关的数据提取出来，然后进行数据转换，如将电流值转换为相应的功率值，利用风压数据得到相应的压差值等。数据的采样周期设为15分钟，这主要是考虑到降低粉磨系统时滞的影响。将原始数据经过上述数据预处理之后，利用公式（10）、（11），得到这些变量同主导变量之间的灰色关联度，如表1所示。

表1球磨机生料粉磨过程变量与成品粒度的灰色关联度

从表1中可以看出，同成品粒度关联度大于0.8的变量一共有三个，即选粉机转速VS、喂料流量FF和选粉机入口风压PS，这和通过机理分析得到的结果是相符的。除此之外，还有一个变量，选粉机负荷LS同成品粒度的灰色关联度达到了0.5493，说明两者间存在着一定程度的关联。这里将其同前面的3个变量一并列入辅助变量集，作为软测量模型的输入。

2.数据预处理：包括对原始数据进行筛选、滤波和标准化。

（1）筛选：根据所采集数据的变化范围，定义一个阈值D。若连续3个数据采样值的变化差值超过阈值D，即

|x(t)-x(t-1)|＞D      (12)

|x(t-2)-x(t-1)|＞D

其中，t=2,3,…。

则我们认为数据之间存在跳变，即t-1时刻的采样值x(t-1)不合理，于是我们令x(t-1)=x(t-2)。

（2）滤波：这里采用均值滤波方法，以降低误差和随机噪声误差的影响。

$x_i=\frac{1}{5}\underset{j=i-5}{\overset{i-1}{\mathrm{\Σ}}}{x}_j---\left(13\right)$

式中，x_i表示某参数滤波后的数值，x_j表示某参数某时刻的实时值。

滤波之后的数据已经具备了反映过程变量真实情况的条件了，但是由于辅助变量和主导变量的采样频率往往并不相同，需要按照数据量较少的变量的采样频率对采样频率高的变量数据进行抽取，这样就得到了软测量建模所需数据的初步处理结果。

（3）标准化：本发明采用正规化方法进行数据的标准化。

$x_i^{\′}\left(k\right)=\frac{x_i\left(k\right)-{\stackrel{\‾}{x}}_i}{{\mathrm{\σ}}_i}---\left(14\right)$

${\mathrm{\σ}}_i=\sqrt{\frac{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{(x_i\left(k\right)-{\stackrel{\‾}{x}}_i)}^2}{M-1}}---\left(15\right)$

${\stackrel{\‾}{x}}_i=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{x}_i\left(k\right)---\left(16\right)$

式中，x_i(k)表示第i个输入变量的第k个样本值，

为第i个输入变量的样本均值，σ_i为样本的标准差，x_i＇（k)为x_i(k)标准化后的数值，i=1,2,…,N，k=1,2,…,M，N为输入变量个数，M为样本数量。

3.基于GA-NN的软测量建模：

（1）GA-NN的训练方法：

GA-NN将神经网络的权值映射为GA中的染色体，并通过一定数量的染色体的选择、交叉和变异来优化这些参数，从而实现网络训练。

假设一个由N个染色体组成的群体，每个染色体由L个基因组成，其选择、交叉和变异操作如下。

计算染色体个体适应度函数:

$F=P/\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{(y_i-o_i)}^2---\left(17\right)$

其中，P为神经网络训练样本个数，y_i为神经网络的期望输出值，o_i为神经网络的实际输出。

选择：染色体k在第i+1代的个体数为：

$N_{k,i+1}=\frac{F_{k,i}}{F_i}\×N---\left(18\right)$

其中，F_k,i为染色体k在第i代的适应度，F_i全体染色体在第i代的适应度总和，N为染色体总数。

交叉：选择用于交叉的染色体个数为：

N_c=N×P_c                     (19)

其中，P_c为选择进行交叉比例。

交叉操作是随机选出N_c个染色体，然后两两进行基因交换。假若选择V1和V2作为父母个体，将两者的部分基因进行交换。染色体长度为L，随机产生一个1-L的数，假设为3，将V1和V2的低三位交换：V1的高五位与V2的低三位组成数串，这就是V1和V2的一个后代个体；V2的高五位和V1的低三位组成数串，这就是V1和V2的另一个后代个体。

变异：选择用于变异的染色体个数为：

N_h=N×P_h                    (20)

变异操作是随机选出N_h个染色体，改变染色体的某个基因上的数值。若染色体长度为L，随机产生一个1-L的数，假设为3，则第三位基因进行变异操作，将原来的数值变异为0-1之间的其他数值。同生物界一样，GA中变异发生的概率很低，通常取值在0.001～0.01之间。

（2）具体的网络训练过程如下：

a．确定GA-NN网络结构及参数：

神经网络结构如图2所示。网络的输入层神经元数I，根据样本的输入向量维度确定，本实施例中I=4；网络的输出层神经元数O，根据样本的输出向量维度确定，本实施例中O=1；本实施例中采用单隐层结构，隐层的神经元数H，根据经验确定。神经网络神经元之间的连接权值w_ij,v_jk为（0，1）之间的随机值，其设定由计算机自动完成。染色体数目N，用于交叉的染色体比例N_c，用于变异的染色体比例N_h，网络训练的最大遗传代数T_max，以及收敛精度目标值ξ等参数，则视优化算法的运行效果进行设定。

b．建立GA中染色体与需要优化参数的映射关系：

每个染色体由所有需要优化的网络参数构成，用一个向量来表示。向量的形式如下：

V=[w_ij,v_jk]             (21)

其中i=1,2,…,I，j=1,2,…,H，k=1,2,…,O，向量的长度为：D=I×H+H×O

c．计算适应度函数:

适应度函数的作用是为了评价各个染色体的质量，在此使用网络的实际输出与期望输出值之间的均方误差平方和来表示，定义如下：

$F=P/\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{(y_i-o_i)}^2---\left(22\right)$

其中，P为神经网络训练样本个数，y_i为神经网络的期望输出值，o_i为神经网络的实际输出。

d．神经网络权值的更新：

将当前染色体的适应度值与上一代染色体的适应度值进行比较，如果当前染色体的适应度值高于上一代染色体的适应度值则进行神经网络权值的更新。

e．染色体的选择、交叉和变异操作：

依据个体适应度对所有染色体进行复制；依据交叉和变异概率对染色体进行交叉和变异操作。

f．满足最大遗传代数，或训练误差小于目标值ξ，则算法终止，输出最优网络参数；否则，转至步骤c继续进行迭代训练。

GA-NN的训练算法流程如附图3所示。

基于GA-NN的成品粒度的软测量：这里选取选粉机转速、出磨提升机电流、选粉机入口风压和入库提升机电流作为软测量模型的辅助变量。由于工业现场球磨机生料喂料皮带秤测量偏差较大，生料喂料流量不宜作为软测量的输入。出磨提升机电流与生料喂料流量是正相关的且提升机电流可精确测量，故本实施例中选择出磨提升机电流经过数学转换后表征生料喂料流量。选粉机负荷工业现场无法直接测量，但与出磨生料流量和入库成品流量相关。入库提升机电流经过数学转换后表征成品生料流量。出磨提升机电流与入库提升机电流经数学转换后共同表征选粉机负荷。建立基于遗传算法优化神经网络的球磨机生料粉磨系统成品粒度软测量模型，选取成品粒度作为模型的主导变量，并利用之前化验分析室离线检测数据对模型进行训练。

成品粒度软测量建模原理如附图3所示。

4.软测量模型的校正：可分为短期校正和长期校正。短期校正由于算法简单，学习速度快，便于实时应用；长期校正是当软测量模型在线运行一段时间后积累了足够的新训练样本的情况下，重新建立软测量模型。一方面，由于基于GA-NN的软测量模型具有较好的泛化性能，一般情况下，模型不需频繁校正；另一方面，GA-NN的优势在于全局优化能力，如果采用小样本训练，则失去了优势。因此，本文直接采用长期校正的方式。软测量模型需要校正的条件是：将荧光分析仪的化验值和软测量模型的预测值进行比较，如果绝对误差小于预先定义好的阈值，在企业工艺允许的范围内，则可以继续使用原来的软测量模型，否则，利用采样数据重新建立软测量模型。

Claims (8)

1.一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，包括以下步骤： 

选择辅助变量：对球磨机生料粉磨的过程变量进行关联度分析，选择关联度相对较高的多个过程变量作为辅助变量； 

数据预处理：对采集到的数据进行筛选、滤波和标准化； 

基于GA-NN的软测量建模：以成品生料粒度作为主导变量，基于GA算法提出一种用于神经网络训练的学习算法，即将神经网络中需要调整的权值看成是染色体的基因，通过染色体的选择、交叉和变异来完成网络训练过程； 

软测量模型的校正：采用长期校正的方式对软测量模型进行校正； 

所述辅助变量选择步骤根据灰色关联度理论确定辅助变量为：选粉机转速、喂料流量、选粉机入口风压和选粉机负荷； 

所述关联度分析理论中的灰色关联度表达式为： 

其中，x_i、x_j分别代表经过数据预处理的不可测变量和可测变量；k为序列编号，m为样本数，μ_ij为两变量的相关系数，α为分辨系数，r_ij为关联度。 

2.按权利要求1所述的一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，所述喂料流量由出磨提升机电流表征；所述选粉机负荷由出磨提升机电流和入库提升机电流共同表征。 

3.按权利要求1所述的一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，所述数据筛选过程为：若连续3个数据采样值的变化差值超过预先设定的阈值D，即 

其中，t＝2,3,…，则认为数据之间存在跳变，即t-1时刻的采样值x(t-1)不合理，令x(t-1)＝x(t-2)。 

4.按权利要求1所述的一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，所述数据滤波采用均值滤波方法，即 

式中，x_i表示某参数滤波后的数值，x_j表示某参数某时刻的实时值。 

5.按权利要求1所述的一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，所述数据标准化采用正规化方法进行： 

式中，x_i(k)表示第i个输入变量的第k个样本值，

为第i个输入变量的样本均值，σ_i为样本的标准差，x_i′(k)为x_i(k)标准化后的数值，i＝1,2,…,N，k＝1,2,…,M，N为输入变量个数，M为样本数量。 

6.按权利要求1所述的一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，所述用于神经网络训练的学习算法的网络训练过程为： 

a.确定GA-NN网络结构及参数； 

b.建立GA中染色体基因与需要优化参数的映射关系； 

c.计算染色体个体适应度函数: 

其中，P为神经网络训练样本个数，y_i为神经网络的期望输出值，o_i为神经网络的实际输出； 

d.神经网络权值的更新：将当前染色体的适应度值与上一代染色体的适应度值进行比较，如果当前染色体的适应度值高于上一代染色体的适应度值则进行神经网络权值的更新； 

e.染色体的选择、交叉和变异操作：依据个体适应度对所有染色体进行复制；依据交叉和变异概率对染色体进行交叉和变异操作； 

f.满足最大遗传代数，或训练误差小于收敛精度目标值ξ，则算法终止，输出最优网络参数；否则，转至步骤c继续进行网络训练。 

7.按权利要求6所述的一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，所述步骤e中，染色体的选择、交叉和变异具体为： 

选择：染色体k在第i+1代的个体数为： 

其中，F_k,i为染色体k在第i代的适应度，F_i全体染色体在第i代的适应度总和，N为染色体总数； 

交叉：将被随机选择出的两个染色体V1和V2作为父母个体，将两者的部分基因进行交换； 

变异：改变染色体的某个基因上的数值。 

8.按权利要求1所述的一种球磨机水泥生料粉磨粒度软测量方法，其特征在于，所述长期校正的启动条件是：将荧光分析仪的化验值和软测量模型的预测值进行比较，如果绝对误差大于或等于预先定义好的阈值，则利用采样数据重新建立软测量模型。 

Images