CN109033511A

CN109033511A - 一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法

Info

Publication number: CN109033511A
Application number: CN201810619340.0A
Authority: CN
Inventors: 宋华珠; 危欢; 牟俊; 周明凯; 赵青林; 吴钧宇
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2018-06-15
Filing date: 2018-06-15
Publication date: 2018-12-18
Anticipated expiration: 2038-06-15
Also published as: CN109033511B

Abstract

本发明属于水泥工业技术领域，公开了一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法及系统,利用数据挖掘和机器学习技术，对水泥生产的窑系统数据进行不同角度、不同粒度的影响热耗的不同因素分析，实时反映窑系统中的热工设备工况状态及热耗情况，并建立相应的窑系统按小时热耗模型、窑系统按天热耗模型、窑系统按周热耗模型；并进行优化参数，对水泥窑系统生产过程中热耗情况进行数据分析。本发明对水泥生产的窑系统数据进行不同角度、不同粒度的影响热耗的不同因素分析，反映窑系统中的主要热工设备工况状态及热耗情况，并建立相应的热耗模型，为水泥企业根据生产的实际，调整相应生产策略，以降低煤耗，达到节能的目的。

Description

一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法

技术领域

本发明属于水泥工业技术领域，尤其涉及一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法。

背景技术

目前，业内常用的现有技术是这样的：

水泥工业作为高耗能产业，在当前资源短缺、能源危机及政府管理部门大力倡导的情况下，实现节能减排成为水泥工业生存和发展的必经之路。因此水泥工业的节能减排工作刻不容缓。

熟料煅烧是水泥生产中影响热耗最主要的工艺环节，能源消耗大、热量损失也大。

目前对窑系统热效率进行系统分析的项目较少，窑系统受原料、风、煤、窑速等因素的影响，窑系统内部反应复杂、参数变化复杂，系统关联性强；同时，生产工艺、窑系统结构及设备、操作都直接影响着窑系统的热耗。虽然，水泥厂都对窑系统进行了现场热态测试和标定，但并没有对所获得的数据进行进一步分析以获得窑系统热耗模型，且所获得的数据由于传感器坏了或维修设备等导致某些数据丢失，罕见对窑系统热耗研究的成果。

热耗计算方法比较简单、粗略；同时窑系统自身技术改进的节能空间已日益减少，如何从精细化管理层面上实现节能成为水泥行业节省能源的新的思路；此外窑系统热损失在一定程度上反映了窑内的热工状况和烧成热耗的多少，对窑系统热损失进行精细化管理和分析可以更好更精确地掌握水泥烧成过程的能耗热耗，从而实现水泥工业的进一步节能减排。

近些年来，国内外分析主要集中于通过窑系统的建模和控制来提高水泥的生产效率。王蕊等人采用模糊PID算法设计控制器，将其应用于水泥回转窑的温度控制，虽然取得了一定成效，但它的抗干扰能力较弱，稳定时间比较长,控制精度不够高；王红君等人针对分解炉和回转窑各自的温度变化运用机理建模的原理建立数学模型，再进行预估控制，模型具有良好的稳定性、容错性和抗干扰能力，但是只能分析局部而不能针对整个窑系统。鉴于此，分析水泥窑系统的热耗模型与计算方法对水泥窑优化操作与节能管理具有重要的指导意义。

综上所述，现有技术存在的问题是：

目前对窑系统热耗分析大都依据熟料煅烧过程；虽然抓住了熟料煅烧的重要环节，但没有把国家对能源的控制与规范、行业规范、水泥厂对节能的管理、生产的管理等众多因素相结合，以系统地分析窑系统热耗的影响因素及模型。所以，难以全面分析与衡量水泥企业的窑系统热耗。

因为窑系统配置不同，现有对窑系统热耗进行分析的数据较少，热耗计算方法比较简单；同时窑系统自身技术改进的节能空间已日益减少，没有从精细化管理层面上对窑系统中影响热耗的因素进行全面的分析，以有效监控窑系统生产中的热耗。

窑系统生产中的热耗分析方法比较简单、考虑的因素或角度也比较单一，所以难以从多个角度、多个因素对窑系统热耗进行分析。

解决上述技术问题的难度和意义：

难度：

该窑系统热耗分析方法跨越从顶层的管理层到窑系统生产车间所涉及的因素，所涉及的关于水泥企业热耗的信息或数据非常多，所以如何采集数据、梳理这些数据是必须解决的一个难题。

影响窑系统热耗的主要因素的确定。

多角度、多粒度对窑系统热耗的分析方法。

意义：

为企业提供从顶层到实际生产关于窑系统热耗的数据分析，便于企业节能。

窑系统精细化生产过程的分析，利于及时发现生产中的问题、并提高熟料的质量，同时监控系统的热耗。

为水泥窑系统降低热耗提供一个系统的、多角度、多粒度的热耗分析方法，便于对窑系统热耗的控制，达到节能的目的。

发明内容

针对现有技术存在的问题，本发明提供了一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法。

本发明是这样实现的，一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法，包括：

利用数据挖掘和机器学习技术，对水泥生产的窑系统数据进行不同角度、不同粒度的影响热耗的不同因素分析，实时反映窑系统中的热工设备工况状态及热耗情况，并建立相应的窑系统按小时热耗模型、窑系统按天热耗模型、窑系统按周热耗模型；

并进行优化参数，对水泥窑系统生产过程中热耗情况进行数据分析。

进一步，建立相应的窑系统按小时热耗模型、窑系统按天热耗模型、窑系统按周热耗模型，具体包括：

第一步，采用结构方程模型，根据所建立的假设及约束条件，建立初始的窑系统热耗模型thermal-energyM0；

第二步，读取按小时读取数据data-hour；

第三步，利用统计分析方法，初步分析窑系统中data-hour数据对热耗的影响；

第四步，根据初始模型thermal-energyM0，根据data-hour计算并不断优化，以得到按小时的窑系统热耗模型thermal-energyM-hour；

第五步，从第1行数据开始，向下连续读取23行数据，计算此24组数据的属性平均值，作为第1组的24小时数据；从第2行数据开始，向下连续读取 23行数据，计算此24组数据的属性平均值，作为第2组的24小时数据；重复上述操作，以获得第2组数据，直到完成所有的数据转换；所有的数据构成按连续24小时读取数据data-day；

第六步，用data-day替换data-hour，重复第三步和第四步，以得到按天的窑系统热耗模型thermal-energyM-day；

第七步，依次读取连续7×24小时数据，计算此7×24组数据的属性平均值，作为第1组新数据；下移一个数据，重复上述操作，以获得第2组数据，直到完成所有的数据转换；这些组数据构成按连续7×24小时读取数据data-week；

第八步，用data-week替换data-hour，重复第三步和第四步，得到按周的窑系统热耗模型thermal-energyM-week；

进行优化参数的方法包括：

A)根据thermal-energyM-hour中的得到的潜变量数据，利用神经网络模型优化相应系数，进一步优化得到按小时热耗模型thermal-energyM-nnhour；

B)根据thermal-energyM-hour中的得到的潜变量数据，利用支持向量机模型优化相应系数，以进一步优化得到按小时热耗模型thermal-energyM-svmhour；

C)分析比较thermal-energyM-hour、thermal-energyM-nnhour和 thermal-energyM-svmhour，确定最终的窑系统按小时热耗模型 thermal-energy-hourM；

D)用thermal-energyM-day替代thermal-energyM-hour，重复步骤B)和步骤 C)得到相应的thermal-energy-dayM；

E)用thermal-energyM-week替代thermal-energyM-week，重复步骤B)和步骤C)得到相应的thermal-energy-weekM。

进一步，所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法包括：

1)在分析动态因素和愿景基础上，搜集水泥厂家基本信息、窑系统信息、水泥厂目标管理、水泥生产规范规则，利用数据驱动技术，在对窑系统的顶层数据组织、多角度分析、多尺度分析基础上进行数据整合，并不断迭代，形成统一的窑系统生产的数据规范、数据平台及数据接口；

2)基于数据驱动的窑系统数据整合：

引入数据驱动，建立系统的统一数据平台，使数据贯穿水泥生产的整个生命周期，为不同用户提供不同的权限；同时，确定数据格式及应用程序接口，与水泥厂已有系统的数据对接、对窑系统相关数据调用；

引入数据驱动，建立系统的统一数据平台中，建立如下表：水泥厂基本信息表、窑系统设备表、水泥生产规范表、水泥生产工况表、水泥厂用户信息表、水泥厂用户权限表、窑系统热耗模型表。

3)水泥窑系统热耗分析：

对窑系统的设备进行配置，并进行相互数据交换；然后，对窑系统数据进行初始化，通过独立因素和联合因素进行热耗分析，建立热耗模型；

进行相互数据交换中，读取水泥厂已有设备数据，分析其数据的结构 existedDS；根据获取的数据结构existedDS，建立相应的json文件tosys.json自动读取该existedDS，然后抽取相关设备数据后写入相应的窑系统设备表；建立 frmsys.json用于将系统中的设备数据转换为existedDS；

4)根据得到的关于水泥窑系统生产的领域规则、生产知识，生成相应的规则，建立相应的窑系统生产知识库。

进一步，步骤3)，具体包括：

a)窑系统数据初始化：

对喂料秤F、入窑生料CaO％、入窑生料Fe2O3、游离钙％、窑速、窑头秤 F、窑尾秤F、筒体温度、旋风筒I顶部温度、旋风筒I顶部压力、旋风筒I底部温度、旋风筒I底部压力,旋风筒II顶部温度、旋风筒II顶部压力、旋风筒II底部温度、旋风筒II底部压力,旋风筒III顶部温度、旋风筒III顶部压力、旋风筒 III底部温度、旋风筒III底部压力,旋风筒IV顶部温度、旋风筒IV顶部压力、旋风筒IV底部温度、旋风筒IV底部压力，旋风筒V顶部温度、旋风筒V顶部压力、旋风筒V底部温度、旋风筒V底部压力、窑尾温度；分解炉温度、分解炉压力、一次风机压力、窑头压力、三次风机压力、篦冷机1段压力、篦冷机1 段面积、篦冷机1段电流、篦冷机2段面积、篦冷机2段电流、篦冷机3段面积、篦冷机3段电流、高温风机转速、高温风机电流进行初始化；

b)窑系统独立因素热耗分析：从窑系统设备的温度、压力及速度不同数据从独立角度分析热耗；

c)窑系统联合因素热耗分析：

在独立角度热耗分析基础上，分解出的不同因素，包括{喂料秤参数}、{入窑生料参数}、{游离钙}、{窑速}、{窑头秤与窑尾秤参数}、{筒体温度}、{旋风筒温度与压力参数}、{窑尾温度}、{分解炉参数}、{风机压力参数}、{篦冷机参数}和{高温风机参数}，从中抽取不同数据构成不同的联合因素分别进行窑系统热耗分析；

热耗分析具体包括：使用不同的数据组合，利用神经网络模型和支持向量机模型建立窑系统热耗模型。考虑的数据组合如下：

(1)考虑原材料、窑、筒体温度数据分析窑系统热耗

{喂料秤参数}、{入窑生料参数}、{游离钙}、{窑速}、{窑头秤与窑尾秤参数}、 {窑尾温度}、{筒体温度}

(2)考虑原材料、旋风筒数据分析窑系统热耗

{喂料秤参数}、{入窑生料参数}、{游离钙}、{旋风筒温度与压力参数}

(3)考虑原材料、旋风筒、窑尾和分解炉数据分析窑系统热耗

{喂料秤参数}、{入窑生料参数}、{游离钙}、{旋风筒温度与压力参数}、{窑尾温度}、{分解炉参数}

(4)考虑原材料、旋风筒、窑尾、风机和篦冷机数据分析窑系统热耗

{喂料秤参数}、{入窑生料参数}、{游离钙}、{旋风筒温度与压力参数}、{窑尾温度}、{风机压力参数}、{篦冷机参数}

(5)考虑窑系统中的所有数据分析窑系统热耗

{喂料秤参数}、{入窑生料参数}、{游离钙}、{窑速}、{窑头秤与窑尾秤参数}、{筒体温度}、{旋风筒温度与压力参数}、{窑尾温度}、{分解炉参数}、{风机压力参数}、{篦冷机参数}和{高温风机参数}。

d)窑系统热耗模型建模：

在对窑系统独立因素和联合因素的热耗分析基础上，利用机器学习与数据挖掘方法分析窑系统中热耗的影响因素与相应水泥生产能耗之间的内在影响规律，并建立合适的窑系统热耗模型，并不断优化其参数，对水泥窑系统生产过程中热耗情况进行数据分析；根据所搜集的数据，利用数据挖掘技术建立不同粒度的窑系统按小时热耗模型、窑系统按天热耗模型、窑系统按周热耗模型。

进一步，步骤2)，包括：

i)贯穿水泥生产全生命周期的数据驱动模型：

窑系统顶层数据分为指导因素和窑系统热耗影响因素；

指导因素包括窑系统生产的目标、规范、控制策略、规章制度数据；对这些数据进行搜集、整理基础上，结合水泥厂的实际情况，确定水泥企业生产的节能总体策略；然后通过分析对水泥工业的能耗控制指标及各水泥企业能耗现状，通过整理将这些指标和现状进行数据化；

窑系统热耗影响因素包括用于降温的旋风筒、分解炉、窑头秤、回转窑、窑尾秤、三次风管、篦冷机设备的不同参数，以及附在所述设备上面的不同温度传感器、压力传感器；

ii)水泥生产窑系统的精细化控制：

对水泥生产窑系统的生产工艺，结合生产过程以及获取的数据，对窑系统中的生产进行精细化建模，确定生产过程中不同设备的参数、工艺参数与热能消耗之间的关系；同时，对所获取的数据进行量化和标准化；

具体包括：

根据精细化建模，统一窑系统数据及相应量纲，以保持数据的一致性；

对于设备已有的参数及量纲，保留参数与相应量纲；

对于工况中，一些判别数据，用正常、临界、异常表示，其中：

正常：实际值≥阈值Threshold；

临界：Threshold×(1+0.001)；

异常：实际值<Threshold；

正常：实际值≤阈值Threshold；

临界：Threshold×(1-0.001)；

异常：实际值>Threshold。

进一步，步骤b)包括：

从喂料秤分析热耗；

从入窑生料CaO％、入窑生料Fe₂O₃分析热耗；

根据窑速、窑头秤、窑尾秤分析热耗；

从筒体温度分析热耗；

从不同的旋风筒参数分析热耗；

从窑尾温度分析热耗；

根据分解炉参数分析热耗；

根据一次风机压力、窑头压力、三次风机压力分析热耗；

根据篦冷机参数分析热耗；

根据高温风机参数分析热耗；

利用因素分析和统计分析方法，分别独立分析窑系统热耗；对于包含多个数据的利用交错分析，并结合生产工艺分析热耗。

本发明另一目的在于提供一种实现所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的计算机程序。

本发明另一目的在于提供一种实现所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的信息数据处理终端。

本发明另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法。

本发明另一目的在于提供一种实现所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的结合数据驱动与数据挖掘的水泥窑系统热耗分析系统。

本发明另一目的在于提供一种利用所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的水泥窑系统综合控制平台。

综上所述，本发明的优点及积极效果为：

本发明基于数据为中心，以数据驱动的方法组织数据，以实现不同角度、不同粒度的数据支持；并通过精细化窑系统生产过程，对其进行量化。以此实现贯穿水泥厂决策层到窑系统生产基层的完整数据视图。

本发明利用数据挖掘和机器学习技术，对水泥生产的窑系统数据进行不同角度、不同粒度的影响热耗的不同因素分析，实时反映窑系统中的主要热工设备工况状态及热耗情况，并建立相应的热耗模型，为水泥企业根据生产的实际，调整相应生产策略，以降低煤耗，达到节能的目的。

附图说明

图1是本发明实施例提供的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法流程图。

图2是本发明实施例提供的窑系统的数据整合图。

图3是本发明实施例提供的窑系统的缺省设备及不同风的名称图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有技术中采用模糊PID算法设计控制器，它的抗干扰能力较弱，稳定时间比较长，控制精度不够高；

现有技术中运用机理建模的原理建立数学模型,再进行预估控制，只能分析局部而不能针对整个窑系统。

本发明实施例提供的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法包括：

建立相应的窑系统按小时热耗模型、窑系统按天热耗模型、窑系统按周热耗模型，具体包括：

第二步，读取按小时读取数据data-hour；

进行优化参数的方法包括：

下面结合具体分析对本发明作进一步描述。

图1，本发明实施例提供的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法中，

水泥生产时水泥厂的主要业务，其与国家政策、水泥厂、各级主管部门、社会监督等各个方面紧密相连，所以本发明根据水泥生产的全过程、水泥生产窑系统等因素，利用数据驱动技术，建立水泥生产窑系统的数据视图，以便得到起数据平台，并在此基础上进行窑系统热耗分析，如图1所示。本解决方案可以与水泥厂现有的工作系统或现有系统进行对接，导入或导出数据，达到对水泥窑系统热耗的实时分析。

1)、本发明首先根据窑系统生产窑系统为分析对象，进而向上关联到水泥厂、国家对水泥行业的规范以及社会对水泥厂的关注，向下关注于窑系统的生产设备、生产工艺、生产流程等数据，充分考虑的影响水泥生产的主要动态因素如下：

(1)水泥厂的资源治理：水泥生产涉及不同形式的多种原材料、燃料、设备、气体等资源，还有各种规范、政策等文件资源，所以，需要对水泥生产窑系统所涉及的所有数据、水泥生产数据、规范及细则等所有的资源进行统一梳理，以便为水泥生产提供一个完整的数据平台，并为其应用提供不同的数据接口，使之能搞好地表示水泥生产的数据资源。

(2)规范性：科技的进步及人们对生活环境要求的提高，对水泥生产的数据管理、生产工艺管理和操作管理必须更加规范，以便需要水泥厂进一步提高水泥生产的质量和效率，节能减排。

(3)共享性：水泥厂要服务于社会，除了生产的产品外，充分在企业内共享以及一定范围内的社会共享，包括数据共享、设备共享、工艺共享及原材料等共享，充分利用资源以便达到为整个社会统一配置资源，实现充分共享而节约资源的目的。

(4)开放性：面向未来的企业应该是一个开放的企业，便于水泥厂、国家、社会及群众对企业水泥生产的关注，向社会公开，使得水泥厂的数据易于访问、可用性好，便于社会的监督，由此促进水泥厂更好地发展。

所以，这些动态因素与水泥厂生产戚戚相关，随着技术进步及人们需求的提高，会不断变化。只有能充分考虑这些因素，才能结合水泥厂的实际，确定一个更好的数据平台，以达到水泥生产的愿景，实现其社会价值和经济价值，提高产品质量、生产效率、服务质量及管理质量等，以达成窑系统热耗分析的愿景。

在分析主要的动态因素和愿景基础上，搜集水泥厂家基本信息、窑系统信息、水泥厂目标管理、水泥生产规范规则等，利用数据驱动技术，在对窑系统的顶层数据组织、多角度分析、多尺度分析基础上进行数据整合，并不断迭代这个过程，达到对窑系统数据的更好表述，以形成一个统一的窑系统生产的数据规范、数据平台及数据接口。

通过数据接口，利用窑系统的数据平台对窑系统热耗进行分析。

2)基于数据驱动的窑系统数据整合

引入数据驱动，建立系统的统一数据平台，使得数据贯穿水泥生产的整个生命周期，并便于为不同用户提供不同的权限；同时，确定数据格式及应用程序接口，便于与水泥厂已有系统的数据对接、对本系统相关功能的调用。

2.1)贯穿水泥生产全生命周期的数据驱动模型

窑系统顶层数据分为指导因素和窑系统热耗影响因素。

指导因素包括窑系统生产的目标、规范、控制策略、规章制度及其他数据等。在对这些数据进行搜集、整理基础上，结合水泥厂的实际情况，确定水泥企业生产的节能总体策略；然后通过分析国家对水泥工业的能耗控制指标及各水泥企业能耗现状，通过整理将这些指标和现状进行数据化。研究水泥企业实际生产中节能策略，为水泥企业确定水泥生产节能策略。

窑系统热耗影响因素是根据用于降温的旋风筒、分解炉、窑头秤、回转窑、窑尾秤、三次风管、篦冷机等设备的不同参数，以及附在这些设备上面的不同温度、压力等传感器。这些数据是设计窑系统生产的主要数据，关系到水泥熟料的质量，以及窑系统生产的节能减排。

由于水泥领域的指导因素会经常变化，窑系统热耗影响因素也会因为生产设备的维护、水泥生产工艺的改进、现场工人的操作等原因，这些数据会阶段性或经常变化，所以，需要根据实际的变化更新窑系统的数据。

2.2)水泥生产窑系统的精细化控制

引入精细化控制思想，对水泥生产窑系统的生产工艺，结合生产过程以及可以获取的数据，对窑系统中的生产进行精细化建模，明确生产过程中不同设备的参数、工艺参数与热能消耗之间的关系。同时，对所获取的数据进行量化和标准化，从而更好地表示这些数据。

2.3)水泥生产窑系统的数据整合

结合窑系统顶层数据组织以及精细化控制得到的量化后的数据，确定窑系统数据的处理规范、数据接口以及数据标准，以便统一关于窑系统的所有数据，涵盖从水泥厂管理人员到水泥生产人员的不同视图，建立统一数据平台。

所以，利用多角度分析与多尺度分析进一步分析窑系统数据，并结合窑系统顶层的指导性数据，进行整体的数据整合；这个过程是个重复迭代的过程，如图2所示。

3)水泥窑系统热耗分析

由于窑系统因为厂家的生产环境不同，其设备或已有系统都不相同。所以，首先对窑系统的主要设备进行配置，使之兼容水泥厂现有系统，并进行相互数据交换。然后，对窑系统数据进行初始化，然后通过独立因素和联合因素进行热耗分析，建立热耗模型，并给出窑系统生产改进的建议。

进行相互数据交换中，读取水泥厂已有设备数据，分析其数据的结构 existedDS；根据获取的数据结构existedDS，建立相应的json文件tosys.json自动读取该existedDS，然后抽取相关设备数据后写入相应的窑系统设备表；建立 frmsys.json用于将系统中的设备数据转换为existedDS。

3.1)窑系统主要设备配置

针对水泥厂常见的主要设备，本发明为用户提供配置水泥生产的设备功能，给出了缺省的旋风筒(结构、个数)、喂料秤、窑头秤、窑尾秤、旋风筒、分解炉、风机、篦冷机、高温风机；同时，为用户提供配置水泥生产的设备功能，即用户可以更改系统缺省的设备。如图3.

4)窑系统数据初始化

窑系统主要数据：

喂料秤F、入窑生料CaO％、入窑生料Fe2O3、游离钙％；

窑速、窑头秤F、窑尾秤F；

筒体温度；

旋风筒I顶部温度、旋风筒I顶部压力、旋风筒I底部温度、旋风筒I底部压力,旋风筒II顶部温度、旋风筒II顶部压力、旋风筒II底部温度、旋风筒II 底部压力,旋风筒III顶部温度、旋风筒III顶部压力、旋风筒III底部温度、旋风筒III底部压力,旋风筒IV顶部温度、旋风筒IV顶部压力、旋风筒IV底部温度、旋风筒IV底部压力，旋风筒V顶部温度、旋风筒V顶部压力、旋风筒V底部温度、旋风筒V底部压力；

窑尾温度；

分解炉温度、分解炉压力；

一次风机压力、窑头压力、三次风机压力；

篦冷机1段压力、篦冷机1段面积、篦冷机1段电流、篦冷机2段面积、篦冷机2段电流、篦冷机3段面积、篦冷机3段电流；

高温风机转速、高温风机电流；

对以上数据的量纲遵从行业规范，其数据值由人工输入，或从现有系统中导入，以完成对这些数据的初始化。

5)窑系统独立因素热耗分析

水泥生产需要保证水泥的质量，同时也要降低窑系统的热耗；而游离钙是衡量水泥质量的重要因素，所以，从窑系统设备的温度、压力及速度等不同数据从独立角度来分析热耗。

(1)从喂料秤分析热耗；

(2)从入窑生料CaO％、入窑生料Fe₂O₃分析热耗；

(3)根据窑速、窑头秤、窑尾秤分析热耗；

(4)从筒体温度分析热耗；

(5)从不同的旋风筒参数分析热耗；

(6)从窑尾温度分析热耗；

(7)根据分解炉参数分析热耗；

(8)根据一次风机压力、窑头压力、三次风机压力分析热耗；

(9)根据篦冷机参数分析热耗；

(10)根据高温风机参数分析热耗。

利用因素分析和统计分析等方法，从上述10个方面分别独立分析窑系统热耗；对于包含多个数据的则利用交错分析，并结合生产工艺来分析热耗。这10 个方面，是从窑系统的设备来分析的，通过对独立因素逐一分析，来反映当前水泥生产过程的热耗情况。

当然，这些因素也可以根据实际水泥厂的数据配置进行相应修改，以完成相应的独立因素对窑系统热耗的分析。

6)窑系统联合因素热耗分析

在前面的10个独立角度热耗分析基础上，分解出的不同因素包括{喂料秤参数}、{入窑生料参数}、{游离钙}、{窑速}、{窑头秤与窑尾秤参数}、{筒体温度}、 {旋风筒温度与压力参数}、{窑尾温度}、{分解炉参数}、{风机压力参数}、{篦冷机参数}和{高温风机参数}，从这些因素中抽取不同数据构成不同的联合因素分别进行窑系统热耗分析，由此，进一步分析影响窑系统热耗的主要因素。同时，结合领域的实际，验证所得到的结果。

7)窑系统热耗模型建模

在对窑系统独立因素和联合因素的热耗分析基础上，利用机器学习与数据挖掘方法分析窑系统中热耗的影响因素与相应水泥生产能耗之间的内在影响规律，并建立合适的窑系统热耗模型，并不断优化其参数，使得模型对水泥窑系统生产过程中热耗情况的数据分析更加准确。

根据所搜集的数据，利用数据挖掘技术建立不同粒度的窑系统热耗模型。

(1)窑系统按小时热耗建模；

(2)窑系统按天热耗建模；

(3)窑系统按周热耗建模；

8)根据得到的关于水泥窑系统生产的领域规则、生产知识等，生成相应的规则，并建立相应的窑系统生产知识库。

根据窑系统的热耗分析，结合所得到的本领域及生产的规则，判断窑系统中的主要设备的工作状态是否正常。如果判定的结果不正常或接近不正常，则会给出该设备不正常的原因，并给出可能的生产建议的措施。

上述的内容，可以根据水泥厂的实际情况，或国家水泥政策法规的颁布进行相应的局部修改，已获得相应的扩展。所以，本方法可以独立应用，也可以与水泥厂现有系统进行数据交换与对接。

下面结合具体实验对本发明作进一步描述。

以连续3天按小时的窑系统数据为研究对象，举例如下。

1)首先判断获得的生产数据是否正确。

对所获得的数据分别用KMeans、Agglomerative Clustering和Birch算法进行聚类(分为三类：正常、警告、错误)，

正常表示各设备正常运行；

警告表示已经与正常情况不同，需要检查是否故障；

错误表示已经出现故障，需要维修相应设备或其传感器。

在窑尾料不够时，三种算法都给出了危险的分类。在数据正常时，

Agglomerative Clustering与Birch算法都给出了正确的结果。

2)水泥泥工工艺筒体温度的分类与预测

利用K最近邻(K-NearestNeighbor，KNN)，C4.5，CART算法分析预测温度与水水泥泥熟料料的合格与否有-一定的相关性。由于实际的数据表明各筒体温度差别不显著，此时我们想到对筒体温度进行行行分类，化为不不同的温度区间，再根据一级筒二级筒、三级筒等相关数据可以对于属于那个温度区间的筒体温度进行预测。

实验结论如下：使用C4.5算法得到的错误率比比使用用KNN算法错误率要低。由于KNN算法比比较适用用于数据比比较多的分类，而而在本实验中，由于数据集只有72组，所以采用用KNN算法可能会导致产生生错误的分类，对于CART算法构建的决策树深度较小小，几几乎没有拟合。随着数据的增加，可以进一步再验证。

3)检验熟料产量是否符合要求

利用KNN、朴素贝叶斯(Naive Bayes，NB)和Adaboost三个分类算法根据水泥工艺中窑头秤、窑尾秤、分解炉温度和压强以及篦冷机的数据对窑头秤重量行预测，检验熟料产量是否符合要求。

表1准确率比较表

算法	KNN	Naive Bayes	Adaboost
				测试数据准确率	0.71	0.75	0.6

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法，其特征在于，所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法包括：

2.如权利要求1所述的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法，其特征在于，建立相应的窑系统按小时热耗模型、窑系统按天热耗模型、窑系统按周热耗模型，具体包括：

第二步，读取按小时读取数据data-hour；

第五步，从第1行数据开始，向下连续读取23行数据，计算此24组数据的属性平均值，作为第1组的24小时数据；从第2行数据开始，向下连续读取23行数据，计算此24组数据的属性平均值，作为第2组的24小时数据；重复上述操作，以获得第2组数据，直到完成所有的数据转换；所有的数据构成按连续24小时读取数据data-day；

进行优化参数的方法包括：

C)分析比较thermal-energyM-hour、thermal-energyM-nnhour和thermal-energyM-svmhour，确定最终的窑系统按小时热耗模型thermal-energy-hourM；

D)用thermal-energyM-day替代thermal-energyM-hour，重复步骤B)和步骤C)得到相应的thermal-energy-dayM；

3.如权利要求1所述的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法，其特征在于，所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法包括：

2)基于数据驱动的窑系统数据整合：

3)水泥窑系统热耗分析：

进行相互数据交换中，读取水泥厂已有设备数据，分析其数据的结构existedDS；根据获取的数据结构existedDS，建立相应的json文件tosys.json自动读取该existedDS，然后抽取相关设备数据后写入相应的窑系统设备表；建立frmsys.json用于将系统中的设备数据转换为existedDS；

4)根据得到的关于水泥窑系统生产的领域规则、生产知识，生成相应的规则，建立相应的窑系统生产知识库；

步骤3)，具体包括：

a)窑系统数据初始化：

对喂料秤F、入窑生料CaO％、入窑生料Fe₂O₃、游离钙％、窑速、窑头秤F、窑尾秤F、筒体温度、旋风筒I顶部温度、旋风筒I顶部压力、旋风筒I底部温度、旋风筒I底部压力，旋风筒II顶部温度、旋风筒II顶部压力、旋风筒II底部温度、旋风筒II底部压力，旋风筒III顶部温度、旋风筒III顶部压力、旋风筒III底部温度、旋风筒III底部压力，旋风筒IV顶部温度、旋风筒IV顶部压力、旋风筒IV底部温度、旋风筒IV底部压力，旋风筒V顶部温度、旋风筒V顶部压力、旋风筒V底部温度、旋风筒V底部压力、窑尾温度；分解炉温度、分解炉压力、一次风机压力、窑头压力、三次风机压力、篦冷机1段压力、篦冷机1段面积、篦冷机1段电流、篦冷机2段面积、篦冷机2段电流、篦冷机3段面积、篦冷机3段电流、高温风机转速、高温风机电流进行初始化；

c)窑系统联合因素热耗分析：

d)窑系统热耗模型建模：

4.如权利要求3所述的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法，其特征在于，

步骤2)，包括：

i)贯穿水泥生产全生命周期的数据驱动模型：

窑系统顶层数据分为指导因素和窑系统热耗影响因素；

ii)水泥生产窑系统的精细化控制：

对水泥生产窑系统的生产工艺，结合生产过程以及获取的数据，对窑系统中的生产进行精细化建模，确定生产过程中不同设备的参数、工艺参数与热能消耗之间的关系；同时，对所获取的数据进行量化和标准化。

5.如权利要求3所述的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法，其特征在于，

步骤b)包括：

从喂料秤分析热耗；

从入窑生料CaO％、入窑生料Fe₂O₃分析热耗；

根据窑速、窑头秤、窑尾秤分析热耗；

从筒体温度分析热耗；

从不同的旋风筒参数分析热耗；

从窑尾温度分析热耗；

根据分解炉参数分析热耗；

根据一次风机压力、窑头压力、三次风机压力分析热耗；

根据篦冷机参数分析热耗；

根据高温风机参数分析热耗；

6.一种实现权利要求1～5任意一项所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的计算机程序。

7.一种实现权利要求1～5任意一项所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的信息数据处理终端。

8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述的结合数据驱动与数据挖掘的水泥窑系统热耗分析方法。

9.一种实现权利要求1所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的结合数据驱动与数据挖掘的水泥窑系统热耗分析系统。

10.一种利用权利要求1所述结合数据驱动与数据挖掘的水泥窑系统热耗分析方法的水泥窑系统综合控制平台。