CN105574264A - 一种水泥分解炉窑尾分解率svr软测量方法 - Google Patents

Abstract

本发明涉及水泥生料预分解过程的窑尾分解率软测量技术领域，具体的说是一种水泥分解炉窑尾分解率SVR(支持向量回归)软测量方法。该方法利用格罗布斯准则剔除原始数据中的粗大误差，减少了误差对软测量模型的干扰。使用灰色关联度降维，简化了软测量模型的复杂度，减少建立软测量模型的运算量。利用SVR(支持向量回归)所建软测量模型仅需利用水泥生产过程中DCS(集散控制系统)所测过程变量及厂家离线化验窑尾分解率，无需额外安装其他测量器件。本发明是一种软测量模型完全由依赖现场数据，当分解炉运行工况发生改变时，模型可以实时进行修正的水泥分解炉窑尾分解率SVR软测量方法。

Description

一种水泥分解炉窑尾分解率SVR软测量方法

技术领域

本发明涉及水泥生料预分解过程的窑尾分解率软测量技术领域，具体的说是一种经过格罗布斯误差处理后，经过灰色关联度降维优化计算量，利用遗传算法优化参数的SVR(支持向量回归)窑尾分解率软测量方法。

背景技术

当今水泥行业中，水泥分解炉是新型干法水泥生产过程中的主要设备，水泥窑尾分解率是影响最终水泥熟料质量的重要因素，目前仍没有在线准确测量水泥窑尾分解率的仪表。传统实验室化验方法虽然准确，但其严重的滞后性难以为水泥生产的优化控制提供参考。

由于整个预分解系统是多变量、非线性、强干扰的复杂系统，传统机理建模的测量方法难以实现。

发明内容

本发明提供了一种经过格罗布斯误差处理后，经过灰色关联度降维优化计算量，利用遗传算法优化参数的水泥分解炉窑尾分解率SVR软测量方法，可以得到准确的窑尾分解率，方便实现后期对水泥预分解系统的优化，解决了现有窑尾分解率化验过程滞后的缺点。

本发明技术方案结合附图说明如下：

一种水泥分解炉窑尾分解率SVR软测量方法，该方法包括如下步骤：

步骤一、原始变量的采集；

根据实验室取得的水泥窑尾解率数据，确定窑尾分解率的采样时刻，选取采样前10分钟内三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流各个量，并取其平均值作为原始变量；

步骤二、原始变量的误差处理；

对步骤一中所采集的原始变量与窑尾分解率化验结果依据格罗布斯准则进行误差处理，剔除数据中的粗大误差；

步骤三、使用灰色关联度分析进行原始数据降维；

对步骤二中已经剔除粗大误差的原始数据进行灰色关联度分析，选取三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流中与窑尾分解率关联度较高的参数做软测量模型的辅助变量；

步骤四、使用遗传算法对SVR进行参数寻优；

使用遗传算法对SVR的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的值进行参数寻优并作为最优参数组合；其中惩罚系数C与SVR对误差的宽容度有关，核宽系数gamma对SVR核函数RBF的核宽有关，不敏感损失系数epsilon与模型复杂度有关；SVR的回归方程为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}(a_i-a_i^{*})K(x_j,x)+b$

其中，ai、ai*为拉格朗日算子，b为阈值，K(xj，x)为核函数exp(-gamma*|u-v|^2)；步骤五、软测量模型建立；

利用对经格罗布斯误差处理及灰色关联降维后的数据，以及经遗传算法优化过的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon，采用SVR(支持向量回归)建立软测量模型；

步骤六、软测量结果预测；

根据当前时刻DSC中的过程变量，通过步骤五辨识得到的软测量模型在线计算当前时刻分解炉的窑尾分解率；

步骤七、实时优化软测量模型；

根据步骤六的测量结果与离线化验所得真实结果利用步骤四和步骤五再进行模型优化。

所述的步骤四具体步骤包括如下：

Step1：设置惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的范围，产生初始群体；

Step2：使用惩罚系数C、核宽系数gamma和不敏感损失系数epsilon组合下的反应SVR回归性能的均值方差作为适应度值；

Step3：开始遗传操作，计算每组惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的下SVR(支持向量回归)模型均根方差，若该组下均根方差最小，设定此次惩罚系数C、核宽系数gamma和不敏感损失系数epsilon更新Cbest、gbest、pbest，否则保留此前Cbest、gbest、pbest；

Step4：停止条件定为最大进化代数；未达到停止条件，执行Step3，进行迭代操作；当满足停止条件，即已达到进化代数，此时的Cbest、gbest、pbest即为最优解。

本发明有益效果为：

1、本发明利用SVR(支持向量回归)所建软测量模型仅需利用水泥生产过程中DCS(集散控制系统)所测过程变量及厂家离线化验窑尾分解率，无需额外安装其他测量器件。

2、使用格罗布斯准则剔除粗大误差，减少了原始数据误差对软测量模型的干扰。

3、使用灰色关联度降维，简化了软测量模型的复杂度，减少建立软测量模型的运算量。

4、无需相关理论知识，软测量模型根据DCS(集散控制系统)中的相关数据自动计算出窑尾分解率。

5、采用SVR(支持向量回归)建立软测量模型，本发明软测量模型完全由依赖现场数据，当分解炉运行工况发生改变时，模型可以实时进行修正。

附图说明

图1是原始的分解炉出口温度数据图；

图2为原始的分解炉出口压力数据图；

图3为原始的分解炉炉内温度数据图；

图4为原始的分解炉炉内压力数据图；

图5为原始的三次风温数据图；

图6为原始的提升机电流数据图；

图7为原始的窑尾分解率数据图；

图8使用遗传算法对SVR(支持向量回归)进行参数寻优结果图；

图9使用已经进行参数寻优SVR(支持向量回归)对训练集的预测结果图；

图10使用已经进行参数寻优SVR(支持向量回归)对预测集的预测结果图；

图11为本发明所述水泥分解炉窑尾分解率SVR软测量方法流程图。

具体实施方式

一种水泥分解炉窑尾分解率SVR软测量方法，该方法包括如下步骤：

步骤一、原始变量的采集；

根据实验室取得的水泥窑尾解率数据，确定窑尾分解率的采样时刻，选取采样前10分钟内三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流各个量，并取其平均值作为原始变量；

参阅图1—图7，首先，从水泥生产DSC(集散控制系统)的数据库中获取大量相关数据，本实施例中所获数据为三次风温，分解炉炉内温度，分解炉炉内压力，分解炉出口温度，分解炉出口压力，提升机电流的历史数据。根据从化验室取得的水泥窑尾解率数据，确定窑尾分解率的采样时刻，选取采样前10分钟内相关过程变量的平均值作为原始数据。本发明共取得221个样本。

步骤二、原始变量的误差处理；

对步骤一中所采集的原始变量与窑尾分解率化验结果依据格罗布斯准则进行误差处理，剔除数据中的粗大误差；

对上述取得的221个样本的数据根据格罗布斯进行误差处理，其中格罗布斯检验法严格按照国家标准GB/T4883-2008中格罗布斯双侧情形的检验法执行。具体步骤如下：

Step1：计算统计量G_n、G'_n

$G_n=(x_{\left(n\right)}-\stackrel{\‾}{x})/s---\left(1\right)$

$G_n^{\′}=(\stackrel{\‾}{x}-x_{\left(1\right)})/s---\left(2\right)$

其中x_(n)是样本最大值，x₍₁₎是样本最小值，和s是样本均值和样本标准差，既

$\stackrel{\‾}{x}=(x_1+...+x_n)/n---\left(3\right)$

$s={\[\frac{1}{n-1}(\underset{i=1}{\overset{n}{\Σ}}{x}_i^2-n{\stackrel{\‾}{x}}^2)\]}^{1/2}---\left(4\right)$

本实施例中：

分解炉出口温度s₁＝8.5150、x_(n)1＝903.1671、x₍₁₎₁＝840.3251、G_n1＝2.1804、G'_n1＝5.1997；

分解炉炉内温度s₂＝32.2795、x_(n)2＝883.0638、x₍₁₎₂＝721.4767、G_n2＝2.1176,、G'_n2＝2.8882；

提升机电流s₃＝1.4870、x_(n)3＝59.623、x₍₁₎₃＝50.4528、G_n3＝2.3298,、G'_n3＝3.8371；

分解炉出口压力s₄＝54.4936、x_(n)4＝-813.9195、x₍₁₎₄＝-1144.393、G_n4＝2.7105、G'_n4＝3.3540；

分解炉炉内压力s₅＝62.8874、x_(n)5＝-1017.7836、x₍₁₎₅＝-1380.8387、G_n5＝2.9293、G'_n5＝2.8438；

三次风温s₆＝38.9790、x_(n)6＝991.9817、x₍₁₎₆＝742.0792、G_n6＝1.7908、G'_n6＝4.6204；

窑尾分解率s₇＝0.0147、x_(n)7＝96.37％、x₍₁₎₇＝84.40％、G_n7＝2.2381、G'_n7＝5.9048。

Step2：确定检出水平α，α一般为0.1、0.05、0.01，本实施例选择误差度最小的α＝0.01，n＝221，此时n超出GB4883—2008附表范围，按照公式

$G=\frac{(n-1)}{\sqrt{n}}\sqrt{\frac{t_{(\mathrm{\α}/(2n),n-2)}^2}{N-2+t_{(\mathrm{\α}/(2n),n-2)}^2}}$

t_{(α/(2n),n-2)}表示t分布在自由度n-2时上临界值α/(2n)时的值，可由t检验临界值表查得。

当统计量G_n＞G时认为x_(n)样本最大值异常、G'_n＞G认为x₍₁₎样本最小值异常。

得格罗布斯临界值为G_1-a/2(n)＝4.156459；

Step3：当G_n>G'_n且G_n>G_1-a/2(n)判定x_(n)为离群值；当G'_n>G_n且G'_n>G_1-α/2(n)判定x₍₁₎为离群值。若检出离群值，剔除离群值，n-1，重新进入Step1进行迭代操作。若未检出离群值，停止格罗布斯检验。

分解炉出口温度G_n＝2.1804、G'_n＝5.1997、G_1-a/2(n)＝4.156459，检出误差数据840.3251，剔除误差数据后，n-1，经计算此时G_1-a/2(n)＝4.155135，重新进行格罗布斯检验未发现误差，停止检验；

分解炉炉内温度G_n＝2.1176、G'_n＝2.8882、G_1-a/2(n)＝4.156459未发现误差，停止检验；

提升机电流G_n＝2.3298,、G'_n＝3.8371、G_1-a/2(n)＝4.156459未发现误差，停止检验；

分解炉出口压力G_n＝2.7105、G'_n＝3.3540、G_1-a/2(n)＝4.156459未发现误差，停止检验；

分解炉炉内压力G_n＝2.9293、G'_n＝2.8438、G_1-a/2(n)＝4.156459未发现误差，停止检验；

三次风温G_n＝1.7908、G'_n＝4.6204、G_1-a/2(n)＝4.156459，检出误差数据742.0792剔除误差数据后，n-1，经计算此时G_1-a/2(n)＝4.155135，重新进行格罗布斯检验未发现误差，停止检验；

窑尾分解率G_n＝2.2381、G'_n＝5.9048、G_1-a/2(n)＝4.156459检出误差数据84.4％剔除误差数据后，n-1，经计算此时G_1-a/2(n)＝4.155135，重新进行格罗布斯检验未发现误差，停止检验。

最终结果，分解炉出口温度第221个样本840.3251为误差数据，三次风温第180个样本742.0792为误差数据，窑尾分解率第64个样本数据84.4％为误差数据。剔除三个样本，避免其对水泥分解炉窑尾分解率软测量产生干扰，最终样本个数为218个。

步骤三、使用灰色关联度分析进行原始数据降维；

对步骤二中已经剔除粗大误差的原始数据进行灰关联度分析，选取三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流中与窑尾分解率关联度较高的参数做软测量模型的辅助变量；

使用灰色关联度分析进行数据降维可以提高模型运算速度。

做关联分析先要指定参考数据列，参考数据列常记为x_o，记第1个时刻的值为x_o(1)，第2个时刻的值为x_o(2)，第k个时刻的值为x_o(k)。比较数列常记为x₁，x₂，x₃...x_i

各个关联系数计算公式为：

${\mathrm{\ξ}}_i\left(k\right)=\frac{min\left({\mathrm{\Δ}}_i\right(min\left)\right)+0.6\underset{i}{max}\left({\mathrm{\Δ}}_i\right(\max \left)\right)}{|x_o\left(k\right)-x_i\left(k\right)|+0.6\underset{i}{max}\left({\mathrm{\Δ}}_i\right(\max \left)\right)}$

其中 $\underset{i}{\min }\left({\mathrm{\Δ}}_i\right(min\left)\right)=\underset{i}{\min }\left(\underset{k}{\min }\right|x_o\left(k\right)-x_i\left(k\right)\left|\right)$

$\underset{i}{\max }\left({\mathrm{\Δ}}_i\right(\max \left)\right)=\underset{i}{\max }\left(\underset{k}{\max }\right|x_o\left(k\right)-x_i\left(k\right)\left|\right)$

式中，ξ_i(k)是第k个时刻比较值xi与参考值x0的相对差值，它称为xi对x0在k时刻的关联系数，其中，为一个比较值数列与参考数列的差值中的最小值，为各个比较值数列与参考数列的差值中的最小值的最小值，为一个比较值数列与参考数列的差值中的最大值，为各个比较值数列与参考数列的差值中的最大值的最大值，其中，0.6是分辨系数，记为ξ，一般在0到1之间取值。

灰色关联度为各个关联度的平均值：

$r_i=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\ξ}}_i\left(k\right)$

本实施例中：

1、确定窑尾分解率数据序列为参考序列，其余过程变量三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流的数据序列为比较序列设定分辨系数为0.6。

2、为避免数据量纲的不同对灰色关联度分析造成干扰，对参考序列和比较序列使用均值化方法进行无量纲化处理。其中均值化是用平均值去除所有数据，得到一个新的数列。

均值化方法为：均值化的结果＝原数据/数据序列的平均值

3、使用均值化后的相关过程变量与窑尾分解率数据序列求解灰色关联度。各个关联系数计算公式为：

${\mathrm{\ξ}}_i\left(k\right)=\frac{min\left({\mathrm{\Δ}}_i\right(min\left)\right)+0.6\underset{i}{max}\left({\mathrm{\Δ}}_i\right(\max \left)\right)}{|x_o\left(k\right)-x_i\left(k\right)|+0.6\underset{i}{max}\left({\mathrm{\Δ}}_i\right(\max \left)\right)}$

$r_i=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\ξ}}_i\left(k\right)$

窑尾分解率和分解炉出口温度关联系数为0.8977；

窑尾分解率和提升机电流关联系数为0.8607；

窑尾分解率和分解炉炉内温度关联系数为0.8134；

窑尾分解率和三次风温关联系数为0.7934；

窑尾分解率和分解炉炉内压力关联系数为0.7603；

窑尾分解率和分解炉出口压力关联系数为0.7425；

4、设定灰关联度阈值为0.800，根据上述结果得知，三次风温、分解炉炉内温度、分解炉出口压力与窑尾分解率的灰关联度小于0.800；分解炉出口温度、提升机电流、分解炉炉内温度与窑尾分解率的灰关联度大于0.800。数据降维成功，获得本次软测量最终输入数据集合为：分解炉出口温度、提升机电流、分解炉炉内温度。软测量输出变量为窑尾分解率。

本实施例选择218个样本中的180个作为训练集样本，剩余的38个作为测试集样本。

步骤四、使用遗传算法对SVR进行参数寻优；

使用遗传算法对SVR的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的值进行参数寻优并作为最优参数组合；其中惩罚系数C与SVR对误差的宽容度有关，越高对误差容忍度越低；核宽系数gamma对SVR核函数RBF(径向基函数)的核宽有关，决定了数据映射到新的特征空间后的分布；不敏感损失系数epsilon与模型复杂度有关，增大epsilon会减少模型支持向量个数，减小epsilon提高回归精度增加模型复杂度；

SVR(支持向量回归)的回归方程为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}(a_i-a_i^{*})K(x_j,x)+b$

其中，ai、ai*为拉格朗日算子，b为阈值，K(xj，x)为核函数exp(-gamma*|u-v|^2)；

基于遗传算法的SVR的参数优化(C、gamma、epsilon)步骤如下：

Step1：设置惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的范围，产生初始群体；

Step2：使用惩罚系数C、核宽系数gamma和不敏感损失系数epsilon组合下的反应SVR回归性能的均值方差作为适应度值；

Step3：开始遗传操作，计算每组惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的均值方差，若该组下均值方差最小，设定此次惩罚系数C、核宽系数gamma和不敏感损失系数epsilon更新Cbest、gbest、pbest，否则保留此前Cbest、gbest、pbest；

Step4：停止条件定为最大进化代数；未达到停止条件，执行Step3，进行迭代操作；当满足停止条件，即已达到进化代数，此时的Cbest、gbest、pbest即为最优解。

参阅图8，本实施例中，SVR(支持向量回归)采用的高斯径向基函数exp(-gamma*|u-v|^2)作为核函数，使用训练集样本做交叉验证以测均方误差作为适应度值。使用遗传算法对SVR(支持向量回归)惩罚参数c与gamma参数g和epsilon-SVR中损失函数epsilon的值p进行自动寻优，初始化遗传算法中最大进化代数maxgen＝200，种群最大数量sizepop＝20，变量维数为3，变量的二进制位数为20，代沟为0.9，参数c的变化范围cbound＝[cmin，cmax]cmin＝0，cmax＝100，参数g的变化范围gbound＝[gmin，gmax]gmin＝0，gmax＝100，参数p的变化范围pbound＝[pmin，pmax]。当遗传代数最大是cbest，gbest，pbest即为最优解，本实施例中Bestc＝42.6325、g＝23.7862、p＝0.9680。

步骤五、软测量模型建立；

参阅图9，利用对经格罗布斯误差处理及灰色关联降维后的输入数据为分解炉出口温度、提升机电流、分解炉炉内温度；输出变量为窑尾分解率，采用SVR(支持向量回归)建立软测量模型。

采用步骤四优化过的系数Bestc＝42.6325、g＝23.7862、p＝0.9680在matlab中利用台湾大学林智仁教授开发的libsvm工具箱中如下接口函数：

model＝svmtrain(training_label_vector,training_instance_matrix,'libsvm_options')进行SVR(支持向量回归)软测量建模。

SVR(支持向量回归)回归方程为

$f\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}(a_i-a_i^{*})K(x_j,x)+b$

其中，ai、ai*为拉格朗日算子，b为阈值，K(xj，x)为核函数本发明选择RBF(径向基核函数)exp(-gamma*|u-v|^2)。

步骤六、软测量结果预测；

根据当前时刻DSC(集散控制系统)中的过程变量，通过步骤五辨识得到的软测量模型在线计算当前时刻分解炉的窑尾分解率；

参阅图10，将测试集数据在matlab中利用台湾大学林智仁教授开发的libsvm工具箱中如下接口函数：

[predicted_label,accuracy,decision_values/prob_estimates]＝svmpredict(testing_label_vector,testing_instance_matrix,model,'libsvm_options')进行窑尾分解率预测。

步骤七、实时优化软测量模型；

当从化验室得出的水泥分解炉窑尾分解率结果与软测量预测的结果相对比存在误差连续超出阈值(阈值可以根据需要自行设定)，使用相关过程变量与实际窑尾分解率按上述步骤四和步骤五重新进行软测量建模。

参阅图11，综上所述，本发明利用水泥生产厂家DCS(集散控制系统)中的历史数据及化验室离线化验结果，使用格罗布斯准则、灰色关联度分析、遗传算法、SVR(支持向量回归)支持向量回归建立水泥分解炉窑尾分解率软测量模型，集数据处理、数理统计、机器学习、神经网络为一体解决现阶段水泥生产中窑尾分解率难以实时在线进行测量的问题。本发明无需在厂家现有DCS(集散控制系统)系统中添加新的测量器件即可完成对水泥窑尾分解率的在线测量，实时性高，能够对水泥分解炉的优化控制提供支持。

Claims (2)

1.一种水泥分解炉窑尾分解率SVR软测量方法，其特征在于，该方法包括如下步骤：

步骤一、原始变量的采集；

根据实验室取得的水泥窑尾解率数据，确定窑尾分解率的采样时刻，选取采样前10分钟内三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流各个量，并取其平均值作为原始变量；

步骤二、原始变量的误差处理；

对步骤一中所采集的原始变量与窑尾分解率化验结果依据格罗布斯准则进行误差处理，剔除数据中的粗大误差；

步骤三、使用灰色关联度分析进行原始数据降维；

对步骤二中已经剔除粗大误差的原始数据进行灰色关联度分析，选取三次风温、分解炉炉内温度、分解炉炉内压力、分解炉出口温度、分解炉出口压力、提升机电流中与窑尾分解率关联度较高的参数做软测量模型的辅助变量；

步骤四、使用遗传算法对SVR进行参数寻优；

使用遗传算法对SVR的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的值进行参数寻优并作为最优参数组合；其中惩罚系数C与SVR对误差的宽容度有关，核宽系数gamma对SVR核函数RBF的核宽有关，不敏感损失系数epsilon与模型复杂度有关；SVR的回归方程为：

2、 $f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}(a_i-a_i^{*})K(x_j,x)+b$

其中，ai、ai*为拉格朗日算子，b为阈值，K(xj，x)为核函数exp(-gamma*|u-v|^2)；步骤五、软测量模型建立；

利用对经格罗布斯误差处理及灰色关联降维后的数据，以及经遗传算法优化过的惩罚系数C、核宽系数gamma和不敏感损失系数epsilon，采用SVR(支持向量回归)建立软测量模型；

步骤六、软测量结果预测；

根据当前时刻DSC中的过程变量，通过步骤五辨识得到的软测量模型在线计算当前时刻分解炉的窑尾分解率；

步骤七、实时优化软测量模型；

根据步骤六的测量结果与离线化验所得真实结果利用步骤四和步骤五再进行模型优化。

2.根据权利要求1所述的一种水泥分解炉窑尾分解率SVR软测量方法，其特征在于，所述的步骤四具体步骤包括如下：

Step1：设置惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的范围，产生初始群体；

Step2：使用惩罚系数C、核宽系数gamma和不敏感损失系数epsilon组合下的反应SVR回归性能的均值方差作为适应度值；

Step3：开始遗传操作，计算每组惩罚系数C、核宽系数gamma和不敏感损失系数epsilon的下SVR(支持向量回归)模型均方根差，若该组下均方根差最小，设定此次惩罚系数C、核宽系数gamma和不敏感损失系数epsilon更新Cbest、gbest、pbest，否则保留此前Cbest、gbest、pbest；

Step4：停止条件定为最大进化代数；未达到停止条件，执行Step3，进行迭代操作；当满足停止条件，即已达到进化代数，此时的Cbest、gbest、pbest即为最优解。