CN106327004A - 一种基于熟料质量指标的水泥烧成过程优化方法 - Google Patents

Abstract

本发明公开了一种基于熟料质量指标的水泥烧成过程优化方法，该方法内容包括：建立水泥熟料质量指标游离氧化钙fCaO含量软测量模型，利用多核最小二乘支持向量机建立水泥熟料fCaO含量软测量模型，选取水泥烧成过程中熟料fCaO含量软测量模型的输入变量和输出变量；采集熟料fCaO含量软测量模型输入变量的现场当前值；结合所建立的熟料fCaO含量软测量模型以及所测量出的熟料fCaO含量当前值，采用基于序列二次规划方法局部搜索的量子粒子群优化算法，根据设定的优化算法目标函数，迭代寻优出水泥烧成过程中优化变量的调整值；所述的水泥烧成过程中优化变量即为步骤1中熟料fCaO含量软测量模型的输入变量。本发明有益效果是增长设备的使用寿命，降低生产设备的维护成本；保证了成品质量的合格率，降低了生产成本。

Description

一种基于熟料质量指标的水泥烧成过程优化方法

技术领域

本发明涉及水泥熟料烧成过程技术领域，特别是一种基于熟料质量指标的新型干法水泥熟料烧成过程生产变量的优化方法。

背景技术

新型干法水泥熟料烧成过程是水泥生产过程的重要环节，其关键产物水泥熟料中的游离氧化钙(free calcium oxide in cement clinker，fCaO)含量是水泥熟料质量的一项重要指标，fCaO含量的高低直接影响水泥的安定性及熟料强度。在水泥烧成过程中，水泥熟料fCaO的含量必须控制在一定范围内，水泥熟料中fCaO含量过高，将会出现水泥安定性不合格现象；反之，fCaO含量过低，水泥熟料往往呈过烧状态，水泥熟料质量缺乏活性和强度不高，并且导致能源消耗较大。因此，水泥烧成过程中的操作和工艺人员需实时掌握当前水泥熟料fCaO含量值。另外，当水泥熟料fCaO含量不合格时，现场人员需根据当前fCaO含量值对水泥烧成过程的主要变量进行调整，目前相应变量的调整量主要是操作人员和工艺人员根据经验给出的，不合理的调整极易导致水泥烧成过程工况波动较大、燃煤用量严重浪费和产品质量合格率低等问题的发生。因此，如何根据实时熟料质量指标fCaO含量给出合理定量的水泥烧成过程优化变量的调整值是一项重要的研究课题。

目前在国内外水泥生产中，水泥熟料fCaO含量难以实现在线检测，其检测方法主要为离线化学分析法和荧光在线分析仪法。离线化学分析法需每隔一段时间到现场取样离线化验得到水泥熟料fCaO的含量，由于水泥熟料烧成过程具有一定时间的延时，离线分析获得fCaO含量相对于指导烧成系统的控制具有很大的滞后性；荧光在线分析仪法可以实现对水泥熟料游离钙含量实时检测，但设备成本较大，维护费用高，并且测量的准确性容易受到现场烟尘和实际工况的影响，测量精度也不高。近年来，工业过程中对于一些难以在线测量和无法建立准确机理模型的变量常常采用软测量技术进行估计，因此，水泥熟料fCaO含量软测量的研究具有重要的理论和实际意义。众多国内外工艺专家对此做了大量的研究工作，如王卓等针对水泥熟料质量指标的测量，提出一种基于最小二乘支持向量机的软测量建模方法，该方法相对于基于径向基神经网络的测量方法具有明显优势，建立的软测量模型对于整个窑系统优化控制具有重要意义；刘文光等人在提出的软测量建模基础上，给出了一套通过软件编程的软仪表实现方案，该方案对于保证水泥熟料质量和实现回转窑烧成系统的优化控制具有重要意义；舒云星等人提出了将核主元分析和支持向量机相结合的熟料f-CaO含量预测方法，该方法能有效的预测水泥熟料游离氧化钙含量；Li等人采用权重随机赋值的前馈神经网络建立了水泥熟料fCaO软测量模型，对回转窑操作具有一定指导意义。

水泥熟料烧成过程包括分解炉预分解、回转窑高温煅烧以及篦冷机快速冷却，是一个极其复杂的物理化学反应过程，并且容易受到生料和燃煤成分含量波动等因素的影响。目前，传统新型干法水泥熟料烧成过程生产线广泛采用DCS/PLC控制系统作为生产过程的监控系统，主要依靠操作员的经验和能力操作。针对水泥烧成过程的优化，诸多专家也做了大量的研究工作，田海奎等人提出了一种包括安全模块、经济模块和在线决策控制模块的水泥生产与优化系统，提高了水泥生产过程设备运行的安全性和经济性；于海滨等人利用水泥生产过程中的历史数据，建立了水泥熟料生产过程的能耗模型和熟料质量模型，建模过程简单，并给出了一种新型干法水泥熟料生产全流程优化方法；于现军等人提出了一种回转窑窑内温度梯度优化控制方法，可有效解决回转窑内温度场分布不合理造成的产品质量问题，达到降低燃料消耗，稳定产品质量的目的。到目前为止，当水泥熟料fCaO含量不合格时，如何根据实时熟料质量指标fCaO含量给出合理定量的水泥烧成过程生产变量优化方法的研究还没有报道记载。

根据上述国内外研究现状可知，提供一种基于熟料质量指标的水泥烧成过程优化方法，通过建立一种水泥熟料fCaO含量软测量模型，实时测量出当前工况下的熟料fCaO含量值，并基于该软测量模型和熟料fCaO含量值，采用智能优化算法给出当前工况下合理定量的水泥烧成过程优化变量的调整值，以此达到减轻技术人员的工作强度，提高熟料质量的合格率，降低水泥烧成过程能源消耗。

发明内容

针对水泥熟料fCaO含量与输入变量间具有复杂非线性特性以及现有水泥烧成过程生产变量优化方法不能满足现场应用需求的问题，本发明要解决的技术问题是提供一种基于熟料质量指标的水泥烧成过程优化方法，该方法通过建立水泥熟料fCaO软测量模型，通过内嵌水泥熟料fCaO软测量模型的软测量仪表实时给出当前工况下的熟料fCaO含量值，并基于该值采用智能优化算法给出合理定量的水泥烧成过程优化变量的调整值，以提高水泥熟料烧成过程设备运行稳定性和熟料质量合格率。

为解决上述技术问题，本发明是通过以下的技术方案实现的：

一种基于熟料质量指标的水泥烧成过程优化方法，其内容包括以下步骤：

步骤1熟料fCaO含量软测量模型：建立水泥熟料质量指标游离氧化钙fCaO含量软测量模型，利用多核最小二乘支持向量机建立水泥熟料fCaO含量软测量模型，选取水泥烧成过程中分解炉出口温度1、烟室氮氧化物含量2、烟室温度3、窑主机电流4以及二次风温5作为熟料fCaO含量软测量模型的输入变量，选取熟料质量指标fCaO含量作为熟料fCaO含量软测量模型的输出变量；

步骤2熟料fCaO含量实时测量：采集步骤1中熟料fCaO含量软测量模型输入变量的现场当前值，通过内嵌水泥熟料fCaO含量软测量模型的水泥熟料fCaO含量软测量仪表实时预测出水泥熟料fCaO含量当前值；

步骤3水泥烧成过程优化：结合步骤1所建立的熟料fCaO含量软测量模型以及步骤2中所测量出的熟料fCaO含量当前值，采用基于序列二次规划方法局部搜索的量子粒子群优化算法，根据设定的优化算法目标函数，迭代寻优出水泥烧成过程中优化变量的调整值；所述的水泥烧成过程中优化变量即为步骤1中熟料fCaO含量软测量模型的输入变量。

在步骤1中，所述的多核最小二乘支持向量机，其中的核函数是采用多项式、指数径向基和高斯径向基三种核函数组合构建等价核的方法建立的，因此，充分利用了三种核函数的特点，增强了所建立的水泥熟料fCaO含量软测量模型的泛化能力。

在步骤2中，所述的水泥熟料fCaO软测量仪表是将步骤1中建立的水泥熟料fCaO含量软测量模型嵌入到仪表内，包括数据采集模块以及计算分析模块；数据采集模块功能是将步骤1中所述水泥熟料fCaO含量软测量模型输入变量的现场当前值采集到软测量仪表内；计算分析模块是采用内嵌的软测量模型计算分析给出水泥熟料fCaO含量当前值。

在步骤3中，所述的基于序列二次规划方法局部搜索的量子粒子群优化算法是采用量子粒子群优化算法作为全局搜索器，将序列二次规划方法作为局部搜索器，算法根据寻优过程收敛情况在全局与局部搜索之间进行切换，并且局部搜索区域参数随迭代次数递增，以缓解优化算法收敛早熟现象。

在步骤3中，所述的优化算法目标函数是根据步骤2测量出的熟料fCaO含量当前值而设定，设定水泥熟料fCaO含量的范围值；当熟料fCaO含量当前值大于高限值，则优化方法目标函数为式(1)；当熟料fCaO含量当前值小于低限值，则优化方法目标函数为式(2)；当熟料fCaO含量当前值在设定的水泥熟料fCaO含量的范围值内时，不进行优化调整，保证水泥烧成过程的稳定性；

$\begin{array}{c}\begin{array}{cc}\min & f\left(X\right)\end{array}\\ X=\[X_1,X_2,X_3,X_4,X_5\]\\ \begin{array}{cc}s.t.& c_i\≤X_i\≤d_i,i=1,...,5\end{array}\end{array}---\left(1\right)$

$\begin{array}{c}\begin{array}{cc}\max & f\left(X\right)\end{array}\\ X=\[X_1,X_2,X_3,X_4,X_5\]\\ \begin{array}{cc}s.t.& c_i\≤X_i\≤d_i,i=1,...,5\end{array}\end{array}---\left(2\right)$

式中，f(·)为优化目标，即为步骤1所建立的水泥熟料fCaO软测量模型测量得到的水泥熟料fCaO含量；X₁,…,X₅为步骤3所述的水泥烧成过程中优化变量；c、d分别为各优化变量的下限和上限。

本发明具有以下有益效果：

1、采用多核最小二乘支持向量机建立的水泥熟料fCaO含量软测量模型泛化能力较强，建模过程较为简单，并且基于该模型实现了熟料fCaO含量的实时测量，为水泥烧成过程操作人员提供了可靠的生产指导；

2、充分利用了水泥烧成过程的工艺知识，结合水泥熟料质量指标fCaO含量当前值，利用智能优化算法迭代寻优获得了优化变量的调整值，保证生产过程设备长期稳定运行，增长设备的使用寿命，降低生产设备的维护成本；

3、通过优化方法，保证了成品质量的合格率，达到了稳定水泥熟料烧成过程的质量的目的，实现了烧成过程节能降耗的生产要求，降低了企业生产成本，增强了企业竞争力。

附图说明

图1为水泥熟料烧成过程工艺图；

图中：1-分解炉出口温度、2-烟室氮氧化物含量、3-烟室温度、4-窑主机电流、5-二次风温；

图2为水泥熟料fCaO含量软测量模型框图；

图3为基于熟料质量指标的水泥烧成过程优化方法流程图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

本发明是一种基于熟料质量指标的水泥烧成过程优化方法，其内容包括如下步骤：

步骤1熟料fCaO含量软测量模型

图1所示为水泥熟料烧成过程工艺图，由图1所示的水泥生产工艺可知，水泥熟料是生料经过分解炉预分解、回转窑高温煅烧以及篦冷机快速冷却而获得的固体颗粒物料。水泥熟料中没有参加化学反应，以游离态存在的氧化钙称为水泥熟料游离氧化钙fCaO。水泥熟料fCaO含量对水泥的安定性有直接影响，能间接反映物料在烧成带的烧成状况，是水泥熟料质量的一项重要指标。

根据水泥烧成过程的工艺原理，变量分解炉出口温度1、烟室氮氧化物含量2、烟室温度3、窑主机电流4以及二次风温5可直接反应水泥熟料烧成过程工况，且关系着水泥熟料fCaO含量高低。其中，分解炉出口温度1作为分解炉操作的主要参考变量，可间接反应水泥生料在分解炉中的分解状况，生料分解率的高低对熟料质量具有较大影响；回转窑中的氮氧化物气体主要产生于回转窑的烧成带，烧成带温度高，产生的氮氧化物浓度增加，反之降低，在负压作用下可迅速移动到窑尾的烟室中，通过窑尾气体分析仪测量的烟室氮氧化物含量2可直接反应出回转窑烧成带区域的温度，而烧成带温度决定了生料中碳酸钙分解成氧化钙的分解率，对熟料质量具有决定性作用；烟室温度3为回转窑窑尾距回转窑烧成带最近的温度测点，同烧成带温度一起表征生料在回转窑内的煅烧情况；窑主机电流4可直接反映回转窑内窑皮的状况，可以间接反映生料在回转窑内的煅烧状况；二次风温5作为篦冷机熟料冷却换热后通往回转窑内的热量，是回转窑内生料煅烧的热量补充，可间接反应高温熟料在篦冷机篦板上的换热情况。

因此，本发明建立的水泥熟料fCaO含量软测量模型的输入变量即为所述的分解炉出口温度1、烟室氮氧化物含量2、烟室温度3、窑主机电流4以及二次风温5，水泥熟料fCaO含量软测量模型输出变量为水泥熟料质量指标fCaO含量，图2所示为水泥熟料fCaO含量软测量模型框图。

本发明的具体实施方式从某水泥厂生产线DCS系统和化验室历史记录中共获得样本数据400组，随机选择其中的300组数据作为水泥熟料fCaO含量软测量建模的训练样本，其余的100组数据作为水泥熟料fCaO含量软测量建模的测试样本。

采用多核最小二乘支持向量机(multiple kernel least square supportvector machine，MKLSSVM)建立水泥熟料fCaO含量软测量模型，相对于传统单核最小二乘支持向量机学习方法，MKLSSVM方法通过对多个不同类型核函数的线性组合构成新的等价核函数，可降低单一核函数及核函数选择对所建立的水泥熟料fCaO软测量模型精度的影响，可更加准确地表达水泥熟料fCaO含量与输入变量间复杂非线性关系。

基于多核最小二乘支持向量机的水泥熟料fCaO软测量模型建模过程描述如下；

多核最小二乘支持向量机MKLSSVM的核函数是将G个不同类型核函数K₁,···,K_G线性加权组合，得到新的等价核函数。假设给定的用以建立水泥熟料fCaO软测量模型的训练样本数据集为{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，其中N为训练样本数，该具体实施方式中N＝100；x_i∈R^N为输入矢量，其中R^N为输入空间；y_i∈R为相应的期望输出，其中R为实数集，i＝1,2,…,N。R^N通过非线性函数被映射到一个高维的特征空间Z，高维特征空间采用形如式(3)的表达式来估计未知的非线性函数。

式中，w_k∈Z为的权值，λ_k≥0为第k个核函数的系数，k＝1,2,…,G，b∈R为常值偏差矩阵。

根据结构风险最小化原则，将求解式(3)转化为在原始空间求解如下最小值优化问题的目标函数：

$\underset{{\mathrm{\λ}}_k}{min}\underset{w_k,e_i}{min}\frac{1}{2}\underset{k=1}{\overset{G}{\mathrm{\Σ}}}{\mathrm{\λ}}_k{w}_k^T{w}_k+\frac{1}{2}\mathrm{\γ}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i^2,\mathrm{\γ}>0---\left(4\right)$

上述目标函数满足约束条件：

式(4)所示目标函数的第一项反映了水泥熟料fCaO含量软测量模型的泛化能力，目标函数的第二项体现了水泥熟料fCaO含量软测量模型的准确度，正则化系数γ代表模型泛化能力及精度间的匹配参数，e_i为第i个水泥熟料fCaO含量数据的实际化验室测量值和预测期望输出值间的误差。

采用Lagrange乘子法建立式(4)的Lagrange函数：

式中，α_i∈R和β_i∈R为Lagrange因子。

根据最优性条件，分别求Lagrange函数L关于变量w_k,b,e_i,α_i,β_i的偏微分：

由上式推导得出：

因此，在求解过程中可消去Lagrange因子β，根据式(8)消去变量w_k和e_i，得到y_i表达式如下：

为方便求解式(4)最优化问题目标函数的参数，根据式(6)和式(8)得矩阵表达式如下：

$\left[\begin{array}{cc}0& E^T\\ E& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]---\left(10\right)$

式中，E＝[1,1,···,1]^T，α＝[α₁,α₂,…,α_N]^T，y＝[y₁,y₂,…,y_N]^T，Ω是一个N×N的对称矩阵，其中i,j＝1,2,…N。

定义为满足Mercer条件的核函数，则Ω可表示为：

${\mathrm{\Ω}}_{ij}=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_{k}K(x_i,x_j),i,j=1,2,...N---\left(11\right)$

假定矩阵可逆，则参数b及α的解析解为：

$\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]={\mathrm{\Φ}}^{-1}\left[\begin{array}{c}0\\ y\end{array}\right]---\left(12\right)$

因此，将(8)式中代入式(3)，推导得出水泥熟料fCaO软测量MKLSSVM模型的对偶空间表达式为：

MKLSSVM学习方法的非线性映射能力是由核函数决定的，因此选取合适的核函数将提高所建立模型的精度和泛化能力。

本发明在综合常用核函数特性并权衡模型精度与计算复杂度的基础上，选用三阶多项式K_poly、指数型径向基K_exp和高斯径向基K_RBF三种核函数进行加权组合，构建包含三种核函数的水泥熟料fCaO含量软测量MKLSSVM模型。三阶多项式核函数K_poly(x,x_i)＝[(x_i ^Tx)+C]³常被用来表示非线性的特征映射，其中参数C为多项式核函数参数；指数型径向基核函数K_exp(x,x_i)＝exp(-||x-x_i||/(2σ^′2))应用于离散回归问题时可产生一个线性的分段解，σ′为指数型核函数核宽度；高斯径向基核函数K_RBF(x,x_i)＝exp(-(||x-x_i||²)/(2σ²))常用来表示非线性特性，σ为其核宽度。

将上述三种核函数共同应用于水泥熟料fCaO含量软测量MKLSSVM建模中，可准确表示水泥熟料fCaO含量与各个输入变量之间的复杂非线性关系。因此，用于水泥熟料fCaO含量软测量MKLSSVM模型中的等价核函数可表示为：

K＝λ₁K_poly+λ₂K_exp+λ₃K_RBF (14)

式中，λ₁为三阶多项式K_poly核函数系数，λ₂为指数型径向基K_exp核函数系数，λ₃为高斯径向基K_RBF核函数系数，核函数系数λ_k(k＝1,2,3)分别表示各个核函数所占比重，不同的核函数系数值表示变量间不同的非线性关系。

根据式(5)的约束条件知λ₁+λ₂+λ₃＝1，因此，式(14)可简化为：

K＝λ₁K_poly+λ₂K_exp+(1-λ₁-λ₂)K_RBF (15)

将所选三种核函数表达式代入式(13)，水泥熟料fCaO软测量MKLSSVM模型对偶空间的表达式为：

$y\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i\{{\mathrm{\λ}}_1\·{\[\left({x_i}^{T}x\right)+C\]}^3+{\mathrm{\λ}}_2\·\exp (-\frac{\left|\right|x-x_i\left|\right|}{2{\mathrm{\σ}}^{\′2}})+(1-{\mathrm{\λ}}_1-{\mathrm{\λ}}_2)\·\exp (-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2})\}+b---\left(16\right)$

式中，参数α和b由式(12)求解得出，是关于γ、C、σ′、σ、λ的参量。

因此，通过上述描述即可建立包含三种核函数的水泥熟料fCaO软测量MKLSSVM模型。该水泥熟料fCaO含量软测量建模方法为本发明步骤2中水泥熟料fCaO实时测量和本发明步骤3中水泥烧成过程优化调整提供了理论支撑。

步骤2熟料fCaO含量实时测量

熟料fCaO含量实时测量主要是采用水泥熟料fCaO含量软测量仪表完成水泥熟料fCaO含量的实时测量，图3所示为基于熟料质量指标的水泥烧成过程优化方法流程图；将步骤1所建立的水泥熟料fCaO含量软测量模型嵌入到水泥熟料fCaO含量软测量仪表内，水泥熟料fCaO含量软测量仪表包括数据采集模块和计算分析模块。

数据采集模块是通过OPC通讯协议使软测量仪表与现场水泥烧成过程DCS系统站进行通讯，将步骤1所建立的水泥熟料fCaO含量软测量模型输入变量的当前值采集到水泥熟料fCaO含量软测量仪表内，供计算分析模块使用。

计算分析模块的功能是根据上述数据采集模块采集到的输入变量当前值实时计算分析得出水泥熟料fCaO含量的测量当前值，根据步骤1中水泥熟料fCaO含量软测量建模过程可知，水泥熟料fCaO含量软测量模型辨识完成后，式(16)中参数α和b是已知的，当给定模型输入变量x后，即可根据式(16)计算得出当前输入下的水泥熟料fCaO含量的当前测量值y。

步骤3水泥烧成过程优化

由图3所示的基于熟料质量指标的水泥烧成过程优化方法流程图可知，当步骤2测量出水泥熟料fCaO含量当前值后，结合步骤1建立的熟料fCaO含量软测量模型，采用基于序列二次规划方法局部搜索的量子粒子群优化算法，根据设定的优化算法目标函数，迭代寻优出水泥烧成过程各优化变量的调整值。

当步骤2测量出的水泥熟料fCaO含量当前值超出正常范围时，根据当前工况和熟料fCaO含量值，现场操作人员对水泥烧成工况进行相应调整；此前的操作人员和工艺人员主要根据经验给出相应变量的调整量，不合理的调整极易导致熟料烧成工况波动较大、燃煤用量浪费严重、质量合格率低等问题的发生。

本发明就是为了解决上述问题，当水泥熟料fCaO含量当前值超出正常范围时，通过基于序列二次规划方法局部搜索的量子粒子群优化算法迭代寻优获得当前工况下合理定量的水泥烧成过程优化变量的调整值，减轻技术人员的工作强度，提高熟料质量的合格率，降低水泥烧成过程能源消耗。

设定水泥熟料fCaO含量的正常控制范围值为[0.5,1.2]，当步骤2测量出的水泥熟料fCaO含量当前值在设定的水泥熟料fCaO含量的正常范围值内时，为了保证水泥烧成过程的稳定运行，不进行相应变量的优化调整。当步骤2测量出的水泥熟料fCaO含量当前值大于正常范围高限值时，此时水泥熟料内游离氧化钙含量过高，水泥熟料质量和水泥安定性不合格，极易造成使用这种水泥的建筑出现严重质量问题，因此，当前优化过程应是迭代寻优获得使水泥熟料fCaO含量降低的最优的优化变量调整值，此时水泥烧成过程优化方法的目标函数如式(17)：

$\begin{array}{c}\begin{array}{cc}\min & f\left(X\right)\end{array}\\ X=\[X_1,X_2,X_3,X_4,X_5\]\\ \begin{array}{cc}s.t.& c_i\≤X_i\≤d_i,i=1,...,5\end{array}\end{array}---\left(17\right)$

当熟料fCaO含量当前值小于低限值时，水泥熟料内游离氧化钙含量过低，此时水泥熟料往往呈过烧状态，熟料质量缺乏活性，强度并不高，并且过低的熟料fCaO含量值意味着过多的能源消耗，提高了水泥生产企业的生产成本。因此，当前优化过程应是迭代寻优获得使水泥熟料fCaO含量增高的最优的优化变量值，此时水泥烧成过程优化方法的目标函数如式(18)：

$\begin{array}{c}\begin{array}{cc}\max & f\left(X\right)\end{array}\\ X=\[X_1,X_2,X_3,X_4,X_5\]\\ \begin{array}{cc}s.t.& c_i\≤X_i\≤d_i,i=1,...,5\end{array}\end{array}---\left(18\right)$

式中，f(·)为优化目标，即为步骤1所建立的水泥熟料fCaO含量软测量模型测量得到的水泥熟料fCaO含量；X₁,…,X₅为水泥烧成过程中待优化变量，即为步骤1所述水泥熟料fCaO含量软测量模型的输入变量；c、d分别为各优化变量的下限和上限。

本发明中水泥烧成过程优化方法中的迭代寻优算法是一种基于序列二次规划方法局部搜索的量子粒子群优化算法(improved quantum particle swarm optimization，IQPSO)，该算法是采用量子粒子群优化(quantum particle swarm optimization，QPSO)算法作为全局搜索器，将序列二次规划(sequential quadratic programming，SQP)方法作为局部搜索器，算法根据寻优过程收敛情况在全局与局部搜索之间进行切换，且具有局部搜索区域参数随迭代次数递增的调整策略，既可保证算法搜索的全局性，又可增强算法局部搜索能力，有效缓解算法收敛早熟的现象。

由于水泥熟料fCaO含量当前值大于高限值和小于低限值时的迭代寻优过程类似，现只针对水泥熟料fCaO含量当前值大于高限值的情况进行说明。

本具体实施方式中设定水泥烧成过程优化的目标搜索空间即为优化变量个数，即D＝5，设定粒子种群数M＝30，则在第t次迭代寻优中，第i个粒子位置表示为：

X_i(t)＝{X_i,1(t),…,X_i,D(t)},i＝1,2,…,M (19)

QPSO优化算法的操作算子少，并引入了平均最好位置(mean best position，mbest)，使粒子间存在等待效应，大大提高了量子粒子的协同工作能力，体现出较强的全局搜索能力。因此，水泥烧成过程优化算法中全局搜索器QPSO优化算法的进化方程可表示为：

X(t+1)＝r±ε|mbest-X(t)|ln(1/u) (20)

式中，r＝ηP_i+(1-η)P_g，η为[0,1]之间的随机数，P_i为个体最优位置，P_g为当前全局搜索的较优位置；“±”号取值根据u大小而定，当u≥0.5，取“-”，否则取“+”，u为[0,1]之间随机数；ε＝1-t/T×0.5为收缩-扩张因子，t为当前迭代次数，T为最大迭代次数；mbest为平均最好位置，即所有粒子个体最好位置的平均值，表达式如式(21)：

$mbest=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{P}_i\left(t\right)=\left(\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{P}_{i,1}\right(t),\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{P}_{i,2}(t),...,\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{P}_{i,D}(t\left)\right)---\left(21\right)$

序列二次规划SQP方法是一种解带约束的非线性规划方法，能够解决形如式(22)的规划问题。

$\begin{array}{cc}\underset{x\∈R^n}{\min }& J\left(x\right)\\ s.t.& g_i\left(x\right)\≤0,i\∈I=\{1,2,\mathrm{...},m\}\end{array}---\left(22\right)$

式中，J(x)为目标函数，g_j(x)(i∈I):Rⁿ→R^m为约束函数。

由于SQP方法在求解寻优问题时具有收敛速度快、局部搜索能力强的特点，因此，采用SQP作为水泥烧成过程优化算法IQPSO的局部搜索器，以收敛阈值τ作为切换条件，当QPSO搜索到的全局最优值变化量小于τ时，以当前全局最优位置P_gbest为初始点，调用SQP方法在给定寻优区域内进行局部搜索。此时，水泥烧成过程优化算法IQPSO的SQP局部寻优问题可表示为如式(23)所示的优化问题。

$\begin{array}{cc}\min & f\left(X\right)\\ s.t.& X\≤P_{gbest}+\mathrm{\ξ}\≤d\\ & X\≥P_{gbest}-\mathrm{\ξ}\≥c\end{array}---\left(23\right)$

式中，ξ∈(0,0.5×d-0.5×c]为局部寻优区域参数，c、d分别为全局寻优区域的最小值和最大值。由于全局优化算法后期易陷入局部最优，因此，设定局部寻优区域参数ξ随着全局迭代次数t递增的调整，其调整形式如下式：

$\mathrm{\ξ}=\frac{t}{2T}(d-c)---\left(24\right)$

SQP方法求解式(23)问题时，可通过求解一系列的QP子问题来逐步逼近最优解，在迭代点X_k处QP子问题表示为下式：

$\begin{array}{cc}\min & \▿f{\left(X_k\right)}^T{\mathrm{\ψ}}_k+\frac{1}{2}{\mathrm{\ψ}}_k^T{B}_k{\mathrm{\ψ}}_k\\ s.t.& X_k+{\mathrm{\ψ}}_k\≤P_{gbest}+\mathrm{\ξ}\≤d\\ & X_k+{\mathrm{\ψ}}_k\≥P_{gbest}-\mathrm{\ξ}\≥c\end{array}---\left(25\right)$

式中，下标k是SQP局部搜索过程当前迭代次数，ψ为优化变量的搜索方向，B是Hession矩阵，可由拟牛顿法近似求出。

通过逐次求解式(7)中的QP子问题，可获得局部最优位置P_gbest,sqp，以P_gbest,sqp作为基准更新P_i、P_g和P_gbest，继续全局搜索，直至获得全局最优解，即可获得基于熟料质量指标水泥熟料fCaO含量的水泥烧成过程优化变量的调整值，现场操作人员即可根据该优化变量的调整值对水泥烧成过程相关参数进行优化调整，达到提高熟料质量合格率、降低水泥烧成过程能源消耗的目的。

综上，基于熟料指标水泥熟料fCaO含量的水泥烧成过程优化方法的迭代寻优步骤如下：

(1)初始化优化算法参数，种群规模M，最大迭代次数T，局部寻优区域参数ξ，切换条件收敛阈值τ，在优化变量范围内随机初始化所有优化变量种群粒子的初始位置X_i，令粒子位置初始为P_i；

(2)根据式(16)计算当前优化变量值下的水泥熟料fCaO含量值f(·)，令种群中具有最佳水泥熟料fCaO含量值的量子位置初始为P_g和P_gbest；

(3)检查是否满足结束条件：t≥T，如果满足则跳转到步骤(9)，否则运行步骤(4)。

(4)按式(20)更新粒子的位置X_i，并根据以下规则更新P_i和P_g：若f(X_i)<f(P_i)，则P_i＝X_i，否则P_i不变；若f(P_i)<f(P_g)，则P_g＝P_i，否则P_g不变；

(5)记录P_gbest并更新迭代次数t；

(6)判断f(P_g)^t-1-f(P_g)^t＜τ是否满足：如果满足，则运行步骤(7)，进行局部搜索算法；否则，运行步骤(8)；

(7)以P_gbest为初始点进行局部寻优，获得局部最优位置P_gbest,sqp，并根据以下规则更新P_g及P_gbest：若f(P_gbest,sqp)<f(P_g)，则P_g＝P_gbest,sqp，否则P_g不变；若f(P_gbest,sqp)<f(P_gbest)，则P_gbest＝P_gbest,sqp，否则P_gbest不变；

(8)根据式(16)计算当前优化变量值下的水泥熟料fCaO含量值f(·)，返回步骤(3)，继续进行全局搜索；

(9)输出全局最优位置P_gbest，即水泥熟料烧成过程各优化变量的调整值，水泥烧成过程优化结束。

Claims (5)

1.一种基于熟料质量指标的水泥烧成过程优化方法，其特征在于：该方法内容包括以下步骤：

步骤1熟料fCaO含量软测量模型：建立水泥熟料质量指标游离氧化钙fCaO含量软测量模型，利用多核最小二乘支持向量机建立水泥熟料fCaO含量软测量模型，选取水泥烧成过程中分解炉出口温度1、烟室氮氧化物含量2、烟室温度3、窑主机电流4以及二次风温5作为熟料fCaO含量软测量模型的输入变量，选取熟料质量指标fCaO含量作为熟料fCaO含量软测量模型的输出变量；

步骤2熟料fCaO含量实时测量：采集步骤1中熟料fCaO含量软测量模型输入变量的现场当前值，通过内嵌水泥熟料fCaO含量软测量模型的水泥熟料fCaO含量软测量仪表实时预测出水泥熟料fCaO含量当前值；

步骤3水泥烧成过程优化：结合步骤1所建立的熟料fCaO含量软测量模型以及步骤2中所测量出的熟料fCaO含量当前值，采用基于序列二次规划方法局部搜索的量子粒子群优化算法，根据设定的优化算法目标函数，迭代寻优出水泥烧成过程中优化变量的调整值；所述的水泥烧成过程中优化变量即为步骤1中熟料fCaO含量软测量模型的输入变量。

2.根据权利要求1所述的一种基于熟料质量指标的水泥烧成过程优化方法，其特征在于：在步骤1中，所述的多核最小二乘支持向量机，其中的核函数是采用多项式、指数径向基和高斯径向基三种核函数组合构建等价核的方法建立的。

3.根据权利要求1所述的一种基于熟料质量指标的水泥烧成系统优化方法，其特征在于：在步骤2中，所述的水泥熟料fCaO软测量仪表是将步骤1中建立的水泥熟料fCaO含量软测量模型嵌入到仪表内，包括数据采集模块以及计算分析模块；数据采集模块功能是将步骤1中所述水泥熟料fCaO含量软测量模型输入变量的现场当前值采集到软测量仪表内；计算分析模块是采用内嵌的软测量模型计算分析给出水泥熟料fCaO含量当前值。

4.根据权利要求1所述的一种基于熟料质量指标的水泥烧成系统优化方法，其特征在于：在步骤3中，所述的基于序列二次规划方法局部搜索的量子粒子群优化算法是采用量子粒子群优化算法作为全局搜索器，将序列二次规划方法作为局部搜索器，算法根据寻优过程收敛情况在全局与局部搜索之间进行切换，并且局部搜索区域参数随迭代次数递增，以缓解优化算法收敛早熟现象。

5.根据权利要求1所述的一种基于熟料质量指标的水泥烧成系统优化方法，其特征在于：在步骤3中，所述的优化算法目标函数是根据步骤2测量出的熟料fCaO含量当前值而设定，设定水泥熟料fCaO含量的范围值；当熟料fCaO含量当前值大于高限值，则优化方法目标函数为式(1)；当熟料fCaO含量当前值小于低限值，则优化方法目标函数为式(2)；当熟料fCaO含量当前值在设定的水泥熟料fCaO含量的范围值内时，不进行优化调整，保证水泥烧成过程的稳定性；

min f(X)

X＝[X₁,X₂,X₃,X₄,X₅] (1)

s.t.c_i≤X_i≤d_i,i＝1,…,5

max f(X)

X＝[X₁,X₂,X₃,X₄,X₅] (2)

s.t.c_i≤X_i≤d_i,i＝1,…,5

式中，f(·)为优化目标，即为步骤1所建立的水泥熟料fCaO软测量模型测量得到的水泥熟料fCaO含量；X₁,…,X₅为步骤3所述的水泥烧成过程中优化变量；c、d分别为各优化变量的下限和上限。