CN104794263A - 基于ls_svm软测量的水泥回转窑烧成带温度的混杂建模方法 - Google Patents

Abstract

本发明公开了一种基于LS_SVM软测量的水泥回转窑烧成带温度的混杂建模方法，包括如下步骤：首先，对水泥厂给出的设计数据进行分析处理；结合游离CaO的含量与烧成带温度T之间的关系，利用最小二乘支持向量机方法建立通过窑头罩温度、窑主机电流、烟室温度逼近烧成带温度的虚拟测量模型；其后基于水泥生产线DCS可采集的相关检测量，通过工况识别器对两种工况进行识别，建立水泥回转窑烧成带温度的离散事件动态系统(DEDS)模型，并分别建立各工况下的喷煤量与烧成带温度的连续变量动态系统(CVDS)模型。利用本方法得到的混杂模型可作为仿真平台代替实际回转窑用于水泥熟料烧成过程各类控制研究。

Description

基于LS_SVM软测量的水泥回转窑烧成带温度的混杂建模方法

技术领域

本发明基于LS_SVM软测量的水泥回转窑烧成带温度的混杂建模方法，涉及支持向量机模型，属于机器学习建模领域。

背景技术

现在的水泥行业中，回转窑已经成为了现代水泥生产中煅烧水泥熟料的主要仪器。由于烧成带温度在回转窑内部，温度极高，目前没有准确测量烧成带温度的仪器，而烧成带温度是影响熟料烧成质量的重要因素之一。

由于整个回转窑控制系统的干扰因素很多，容易出现不利于回转窑系统稳定运行的突变工况，因此，为了使回转窑能够更好更优的稳定运行，需要将对具有离散性质的回转窑突变工况的识别与回转窑连续变量动态系统的控制结合起来，这样既包含离散系统又不丢失连续变量动态系统的具有混杂性质的动态系统能够使回转窑系统长期稳定运行在最佳状态，为了准确得到这一数据，本发明通过LS_SVM(基于最小二乘支持向量机方法)软测量的方法将烧成带温度得出。

发明内容

本发明要解决的技术问题是提供一种基于LS_SVM软测量的水泥 回转窑烧成带温度的混杂建模方法。

为了解决上述技术问题，本发明采用的技术方案是，一种基于LS_SVM软测量的水泥回转窑烧成带温度的混杂建模方法，包括如下步骤：

(一)数据处理：对水泥厂给出的设计数据进行整理计算，选取足量的可以确定水泥回转窑混杂特性曲线的数据，整理得出下列参数，窑头喷煤量m、游离CaO的含量M、窑头罩温度、窑主机电流、烟室温度；在所有设计数据中选取适量作为训练数据用于建模，所有设计数据都用来测试模型准确度；

(二)最小二乘支持向量机训练建模：首先，以二次风温、烟室温度、窑主机电流作为训练模型的输入，游离CaO的含量M作为训练模型的输出，进行试验建模，利用测试数据检测模型精度，建立精度符合标准的虚拟测量模型；然后，利用游离CaO的含量与烧成带温度T之间的关系T＝1454-20*M，建立窑头罩温度、窑主机电流、烟室温度与烧成带温度之间的虚拟测量模型；

(三)修正模型：将步骤(二)所得水泥回转窑烧成带温度的混杂建模T＝f(m)与实际运行数据相比较，若存在较大误差，则用实际运行数据代替设计数据，按照上述步骤一和步骤二重新建立模型。

(四)回转窑烧成带温度离散事件动态系统模型：基于水泥生产线DCS可采集的相关检测量，通过工况识别器对不同工况进行识别，建立水泥回转窑烧成带温度的离散事件动态系统(DEDS)模型。

(五)回转窑烧成带温度连续变量动态系统模型：对需要建模的 数据滑动平均处理，建立不同工况下窑头喷煤量和烧成带温度之间的连续变量动态系统(CVDS)模型。

本发明有以下优点：

1、本发明利用最小二乘支持向量机建立水泥回转窑烧成带温度模型可以避免以往多项式建模准确度较差的问题，实现对水泥回转窑烧成带温度的准确模拟。

2、本发明实现了对水泥回转窑烧成带温度的建模，对于水泥回转窑的实际运行过程中窑头喷煤量的大小提供了很好的指导作用。

3、本发明基于水泥生产线DCS可采集的相关检测量，通过工况识别器对不同工况进行识别，建立了水泥回转窑烧成带温度的离散事件动态系统(DEDS)模型，并结合了各工况下的喷煤量与烧成带温度的连续变量动态系统(CVDS)模型，实现了对不同工况下喷煤量和烧成带温度之间的模拟。

4、建立各工况下的喷煤量与烧成带温度的连续变量动态系统(CVDS)模型，实现了对不同工况下喷煤量和烧成带温度之间的模拟。

5、由于采用机器学习建模方法，本发明模型的建立和修正仅依赖于训练数据，当水泥回转窑烧成带温度特性发生变化时，可以实现实时修正。

附图说明

下面结合附图和具体实施方式对本发明做进一步详细的说明。

图1是水泥回转窑混杂系统模型。

图2是喷煤量为11.3t时CaO的软测量模型。

图3是喷煤量为11.3t时烧成带温度软测量模型。

图4是喷煤量基准值为11.3t时，当喷煤量发生改变时相应的烧成带温度软测量数据。

图5是喷煤量和软测量所得烧成带温度的关系图。

图6是喷煤量基准值为为11.3t时，窑头喷煤量和烧成带温度数据均一化处理结果。

图7是喷煤量为11.1t时CaO的软测量模型。

图8是喷煤量为11.1t时烧成带温度软测量模型。

图9是喷煤量基准值为11.1t时，当喷煤量发生改变时相应的烧成带温度软测量数据。

图10是喷煤量基准值为为11.1t时，软测量所得喷煤量和烧成带温度的关系图。

图11是喷煤量基准值为为11.1t时，窑头喷煤量和烧成带温度数据均一化处理结果。

图12是传递函数实际输出和匹配输出的曲线。

图13是状态空间方程的实际输出和仿真输出的曲线。

具体实施方式

下面结合本发明的实施例，一种基于LS_SVM软测量的水泥回转窑烧成带温度的混杂建模方法的技术方案进行详细说明。

实施例

首先，对窑头喂煤量为11.3t时，烧成带温度的变化进行建模。

在保证影响烧成带温度变化的其它因素稳定的情况下，才能得到准确的窑头喷煤和烧成带温度之间的关系。

保证生料下料量的稳定，稳定值在133-137A；分解炉出口温度也要稳定在基准值为930，上下线为+-30的状态下；同时要保证稳定的窑头喷煤量，基准值为11.3t；保证篦冷机篦速稳定在10-15之间，使二次风温不受料层厚薄的影响。同时由于水泥回转窑系统具有很大的滞后性，因此在选择变量值时要保证在同一时间，通过向某水泥厂现场询问具体时间点，确定物料从预热器到分解炉为2分41s，在分解炉内为43s，从窑尾到窑头为15min，从窑头到出篦冷机为20min，然后化验室取料，一小时后将数据填报，以此类推，化验室7：00的 CaO数据实际为6：20的生料。

通过matlab仿真，训练样本为30个样本值，测试样本为20样本值，由图2可知，该软测量模型能够较准确的逼近化验室游离CaO的值。训练误差为0.0168，测试误差为0.2125。

通过对游离CaO的软测量，我们能间接的得出烧成带温度值，如图3所示。训练误差0.3600，测试误差4.2565。

因此在窑头喷煤量基准值为11.3t时，该软测量模型能较好的将烧成带温度得出。但是此为静态模型，当窑头喷煤量在该基准值下有轻微上升或者下降的时候，这时会有窑头喷煤和烧成带温度动态模型出现。

图4为在基准值为11.3t时，喷煤量由11.31t到11.35t时，即喷煤量增加0.04t时烧成带温度的变化，其中实心标注的地方即为软测量的烧成带温度。

图5是喷煤量实际变化曲线和通过软测量得到的烧成带温度的曲线图，由图可看出当喷煤量增加时，烧成带温度起初下降，这有可能是因为此时喷煤增加，但是窑内空气含量低，导致不完全燃烧，使得烧成带温度下降，随后烧成带温度又上升。

建立动态模型，将窑头喷煤量作为输入，烧成带温度作为输出，通过matlab系统辨识工具箱，将输入和输出数据导入进去，然后进行数据处理，滑动平均数据处理，如图6所示。

通过图6得出当喷煤为11.3t时，所建立的窑头喷煤量和回转窑烧成带之间的动态模型。

对所建模型与实际数据进行比较，计算其误差。

其次，对窑头喂煤量为11.1t时，烧成带温度的变化进行建模。

在保证影响烧成带温度变化的其它因素稳定的情况下，才能得到准确的窑头喷煤和烧成带温度之间的关系。

保证生料下料量的稳定，稳定值在133-137A；分解炉出口温度也要稳定在基准值为930，上下线为+-30的状态下；同时要保证稳定的窑头喷煤量，基准值为11.1t；保证篦冷机篦速稳定在9-10之间，使二次风温不受料层厚薄的影响。同时由于水泥回转窑系统具有很大的滞后性，因此在选择变量值时要保证在同一时间，通过向某水泥厂现场询问具体时间点，确定物料从预热器到分解炉为2分41s，在分解炉内为43s，从窑尾到窑头为15min，从窑头到出篦冷机为20min，然后化验室取料，一小时后将数据填报，以此类推，化验室7：00的CaO数据实际为6：20的生料。

通过matlab仿真，训练样本为50个样本值，测试样本为20样本值，由图7可知，该软测量模型能够较准确的逼近化验室游离CaO的值。训练误差为0.0902，测试误差为0.2922。

通过对游离CaO的软测量，我们能间接的得出烧成带温度值，如图8所示。训练误差1.8042，测试误差5.8431。

因此在窑头喷煤量基准值为11.1t时，该软测量模型能较好的将烧成带温度得出。但是此为静态模型，当窑头喷煤量在该基准值下有轻微上升或者下降的时候，这时会有窑头喷煤和烧成带温度动态模型出现。

图9为在基准值为11.1t时，喷煤量由11.11t到11.15t时，即喷煤量增加0.04t时烧成带温度的变化，其中实心标注的地方即为软测量的烧成带温度。

图10是喷煤量实际变化曲线和通过软测量得到的烧成带温度的曲线图，由图可看出当喷煤量增加时，烧成带温度起初下降，这有可能是因为此时喷煤增加，但是窑内空气含量低，导致不完全燃烧，使得烧成带温度下降，随后烧成带温度又上升。

建立动态模型，将窑头喷煤量作为输入，烧成带温度作为输出，通过matlab系统辨识工具箱，将输入和输出数据导入进去，然后进行数据处理，滑动平均数据处理，如图11所示。

通过图11得出当喷煤为11.1t时，所建立的窑头喷煤量和回转窑烧成带之间的动态模型，传递函数实际输出和匹配输出的曲线如图12所示，状态空间方程的实际输出和仿真输出如图13所示。

对所建模型与实际数据进行比较，计算其误差。

然后，通过采用模糊等价矩阵动态聚类法来对回转窑系统进行工况识别。采用模糊等价矩阵动态聚类法对回转窑的输入变量和输出变量分别进行聚类识别，建立水泥回转窑烧成带温度的离散事件动态系统(DEDS)模型。

最后，采用模糊等价矩阵动态聚类法来对回转窑系统进行工况识别。对回转窑的输入变量和输出变量分别进行聚类识别，最后聚类识别结果可识别出每一个变量的当前工况，及变量为平稳状态或是波动状态，以及具体的波动变化趋势，在每一个变量识别出来的基础上， 即可识别出回转窑系统的当前工况离散类型。当识别结果为烧成带温度波动为窑头喷煤量在11.1t附近时的对应曲线时，在窑主机电流稳定，生料下料量稳定，篦冷机一段篦压稳定的情况下，工况离散事件类别为工况二，利用工况二时所建动态模型来确定在此情况下的烧成带温度；当识别结果为烧成带温度波动稳定，生料下料量稳定，窑头喷煤量在11.3t附近波动，窑主机电流稳定，篦冷机一段篦压稳定，则工况离散事件类别为工况一，利用工况一时所建动态模型来确定在此情况下的烧成带温度。

Claims (1)

1.一种基于LS_SVM软测量的水泥回转窑烧成带温度的混杂建模方法，其特征在于，包括如下步骤：

(一)数据处理：对水泥厂给出的设计数据进行整理计算，选取足量的可以确定水泥回转窑混杂特性曲线的数据，整理得出下列参数，窑头喷煤量m、游离CaO的含量M、窑头罩温度、窑主机电流、烟室温度；在所有设计数据中选取适量作为训练数据用于建模，所有设计数据都用来测试模型准确度；

(二)最小二乘支持向量机训练建模：首先，以二次风温、烟室温度、窑主机电流作为训练模型的输入，游离CaO的含量M作为训练模型的输出，进行试验建模，利用测试数据检测模型精度，建立精度符合标准的虚拟测量模型；然后，利用游离CaO的含量与烧成带温度T之间的关系T＝1454-20*M，建立窑头罩温度、窑主机电流、烟室温度与烧成带温度之间的虚拟测量模型；

(三)修正模型：将步骤(二)所得水泥回转窑烧成带温度与实际运行数据相比较，若存在较大误差，则用实际运行数据代替设计数据，按照上述步骤一和步骤二重新建立模型。

(四)回转窑烧成带温度离散事件动态系统模型：基于水泥生产线DCS可采集的相关检测量，通过工况识别器对不同工况进行识别，建立水泥回转窑烧成带温度的离散事件动态系统(DEDS)模型。

(五)回转窑烧成带温度连续变量动态系统模型：对需要建模的数据滑动平均处理，建立不同工况下窑头喷煤量和烧成带温度之间的连续变量动态系统(CVDS)模型。