CN109342279B

CN109342279B - 基于粉磨机理和神经网络的混合软测量方法

Info

Publication number: CN109342279B
Application number: CN201811177564.7A
Authority: CN
Inventors: 钱锋; 钟伟民; 朱远明; 杜文莉
Original assignee: East China University of Science and Technology
Current assignee: East China University of Science and Technology
Priority date: 2018-10-10
Filing date: 2018-10-10
Publication date: 2021-10-15
Anticipated expiration: 2038-10-10
Also published as: CN109342279A

Abstract

本发明公开了一种基于粉磨机理和神经网络相融合的混合软测量方法，还公开了相关的建模方法；通过自组织映射神经网络对立磨机粉磨过程数据进行聚类，辨识每一聚类中的粉磨机理模型参数，从而建立粉磨机理模型。

Description

基于粉磨机理和神经网络的混合软测量方法

技术领域

本发明涉及自动化测量技术领域，尤其涉及水泥生产过程中立磨的出口产品细度指标的软测量方法。

背景技术

水泥生产中的一个重要过程就是对原料进行粉磨，而立磨由于其能耗低、维护成本低、产量高、占地面积小被广泛应用于水泥原料的粉磨过程中，出磨粉末的细度是考核粉磨工艺过程的重要性能指标，是提高产品质量和经济效益的重要因素，因此对磨机出口端的粉末细度进行稳定的控制有着重要的意义。目前，由于实际条件的限制，对磨机出口粉末细度的检测仍然采用定时采样、人工化验的离线方式获得。该方法存在的主要问题在于：1.人工操作时人为因素影响大，测量结果一定程度上依赖于操作人员的水平；2.人工分析的样品质量很少，因此样品分析数据对整体产品缺少代表性；3.测量时间间隔长，一般情况下对样品进行分析需要半个小时左右，对控制而言引入了较大的时滞；4.采样时间间隔长，无法保证控制的实时性。

因此本领域迫切需要针对立磨机出口产品细度设计一种合适的软测量方法。

发明内容

本发明旨在提供一种破碎机理模型与神经网络相结合的原料立磨出口粉末细度的软测量方法。

在本发明的第一方面，提供了一种用于立磨机出口生料粉末细度软测量的建模方法，所述方法包括：通过自组织映射神经网络对立磨机粉磨过程数据进行聚类，辨识每一聚类中的粉磨机理模型参数，从而建立粉磨机理模型。

在另一优选例中，所述粉磨机理模型包括物料破碎模型、磨盘物料守恒模型、磨腔物料输送模型和选粉机模型；更优选地，所述物料破碎模型如式(1)、(2)、(3)所示，模型将物料按颗粒大小划分成N个不同的区间，模型用于描述不同粒径等级之间的物料在粉磨过程中的转换关系；

所述磨盘物料守恒模型如式(4)所示；

所述磨腔内物料输送过程模型如式(5)所示，所述选粉机模型如式(6)所示：

其中i＞j (3)

其中：

Hm_i(t) t时刻，磨盘上第i级物料的存料量

Tm_i(t) t时刻，磨腔内第i级物料的存料量

s_i 第i级组分的破碎速率

z_i 第i级组分粒径下界

B_i,j 从第j级破碎成i级以下的累积分布

b_i,j 从第j级破碎成为第i级的转换率

a 破碎模型参数

P 磨机研磨压力

ΔP 磨机差压

L 料层厚度

α 粒径下界参数α

β 研磨工况参数β

γ 累积分布参数γ

τ₀ 外循环时间

λ 磨盘物料脱落比

Feed_i 第i级物料的喂料量

Speed 选粉机转速

Q_air 磨机总通风量

D_i 第i级物料磨盘掉落系数

S_i 第i级物料磨腔返料系数

P_i 第i级物料磨腔出料系数

实际80μm筛余量

实际200μm筛余量

在另一优选例中，所述数据包括下述辅助变量：磨机料层厚度、循环风机转速、磨机喂料量、磨辊压力、选粉机转速、磨机入口风温和磨机差压。

在另一优选例中，辨识的参数包括与立磨机的工艺状况相关的物料破碎模型中的参数a、α、γ，磨盘物料守恒模型中的参数S_i、λ、D_i以及磨腔物料输送模型和选粉机模型中的参数P_i。

在另一优选例中，上述方法还包括：对模型进行离线验证和在线修正；更优选地，模型中参数离线验证和在线修正的准则为最小化式(7)所示：

y_80μm 实际80μm筛余量

模型估计80μm估计筛余量

y_200μm 实际200μm 筛余量

模型估计200μm估计筛余量

在本发明的第二方面，提供了一种使用如上所述的本发明提供的方法获得的粉磨机理模型进行立磨机出口生料粉末细度软测量的方法；所述方法包括：

(1)在自组织映射神经网络输入立磨机粉磨过程数据，得到输出的粉磨机理模型参数；和

(2)将获得的参数代入如上所述的本发明提供的方法获得的粉磨机理模型中，得到立磨机出口生料粉末的细度估计。

在另一优选例中，所述方法包括离线学习和在线修正两部分对自组织映射神经网络的参数以及每一聚类的模型参数进行修正。

据此，本发明提供了一种对立磨机出口产品细度设计合适的软测量方法。

附图说明

图1是立磨机工艺流程简图。

图2是用于立磨机出口生料粉末细度预测的软测量建模方法的流程图。

图3是用于立磨机出口生料粉末细度预测的软测量使用方法的流程图。

图4是实施例1中验证集中自组织映射神经网络聚类结果图。

图5是实施例1中立磨机出口生料细度软测量结果验证图。

具体实施方式

发明人经过广泛而深入的研究，通过结合粉磨机理和自组织映射神经网络，利用立磨粉磨过程的输入输出工艺参数对立磨机出口端的粉末细度进行估计，并通过少量的人工检测数据对模型进行修正，从而满足工况变化时预测精度要求。在此基础上，完成了本发明。

如本文所用，“建模”是指建粉磨过程机理模型，该模型由破碎模型、磨盘物料守恒模型、磨腔物料输送模型和选粉机模型四部分组成。

如本发明所用，“选粉机效率”是指选粉机筛选出的物料质量与选粉机喂料量之比。

软测量建模

本发明提供的建模方法包括步骤：

第一步，预处理立磨机粉磨过程数据；

第二步，通过自组织映射神经网络将数据聚类；

第三步，辨识(确定)每一聚类中的粉磨过程机理模型的参数，代入下列六个方程式从而建立模型：

其中i＞j (3)

其中破碎模型如式(1)、(2)和(3)所示，磨盘物料守恒模型如式(4)所示，磨腔内物料输送过程模型如(5)所示，选粉机模型如式(6)所示。

上述第一步中所述数据的预处理包括对粗大误差数据样本点的剔除和数据的归一化。发明人通过对立磨粉磨过程的机理分析，判断磨机的工艺参数对粉末细度的影响，从中选取主要相关变量作为建模的待选辅助变量；进一步地，通过对比生产数据的变量之间的互信息值，在本发明的一种优选实施方式中，筛选如下变量作为辅助变量:

上述第二步通过自组织映射神经网络对样本进行聚类，按照数据(样本)的相似程度进行分类，其本质上是将整个工况范围划分成为多个子区域。在采用自组织映射方法的过程中，网络的输入层为数据(样本)的输入变量，竞争层为各数据(样本)所属的类。在同一类中的数据(样本)表示其所属的工况相近，其相应的模型应该具有相近的参数。

在本发明的一种实施方式中，自组织映射神经网络输入层为磨机料层厚度、磨机通风量、磨机喂料、磨辊压力，选粉机转速、磨机差压，竞争层对应于不同的磨机工况点，不同工况点对应于不同的模型参数。

在本发明的一个实施例中，通过自组织映射神经网络聚类方法将数据进行聚类，根据立磨机的工艺流程，收集模型的输入输出数据；其输入数据包括磨机料层厚度、循环风机电流、磨机喂料量、磨辊压力、选粉机转速、磨机差压、原料细度；输出数据为磨机出口生料的粉末细度筛余量。通过该步骤还将数据(样本)分成训练数据(样本)和验证数据(样本)，在一种较佳实施方式中，训练样本含数据的50-70％，验证样本含数据的30-50％，以保证训练数据既能够覆盖足够多的工况点，又能防止其过拟合。

上述第三步中辨识的参数包括模型本身固有的参数，包括破碎机理模型中的a、α、β、γ和磨盘物料守恒模型中的λ、τ₀，这些参数与磨机的工况无关，对于所有工况下，这些参数应当相同；还包括磨盘物料守恒模型磨腔物料守恒模型和选粉过程模型中的S_i、D_i、P_i参数，这些参数在不同工况下有不同的值。

在本发明的一种实施方式中，对每一类的训练样本数据进行模型参数的辨识(确定)，模型的结构如上述式(1)、(2)、(3)、(4)、(5)、(6)所示，当采用该模型时，调用该工况下的模型参数，对模型输出值进行估计，即可得到立磨机出口生料的细度筛余量。

在本发明的一种优选实施方式中，所述建模方法还包括：

第四步，使用上述每一类的验证样本获得的立磨机出口生料的实际细度筛余量对粉磨机理模型参数进行验证，评估的指标函数采用预测的均方误差，如式(7)所示：

软测量方法

本发明提供的用于立磨机出口生料粉末细度预测的软测量方法包括步骤：

第一步，预处理立磨机粉磨过程数据；

第二步，将经预处理的数据输入自组织映射神经网络；

第三步，将从自组织映射神经网络输出的粉磨机理模型参数以及过程参数，代入下列方程式经计算得到立磨机出口生料的细度筛余量：

其中i＞j (3)

上述第一步中的过程数据包括磨机料层厚度、磨机循环风机转速、磨机喂料、磨辊压力，选粉机转速、磨机差压；所述数据的预处理包括对粗大误差数据样本点的剔除和对数据的归一化。

上述第二步中将第一步获取的过程数据输入已建立的自组织映射神经网络，获取相应工况下的粉磨过程模型参数，在第三步将获取的模型参数代入(1)-(6)中，计算其相应的磨机出口生料细度的筛余量。

上述建模过程未考虑到原料属性(如原料含水量，易磨程度)的变化波动，因此，模型应当具有一定的时效性，当模型的喂料属性发生变化时，模型的参数以及自组织映射神经网络参数或将发生较大变化，因此需引入自适应策略对软测量模型进行修正，以确保模型的有效性。

本发明中，无论是自组织映射神经网络的参数估计方法，还是对每一聚类的模型参数的估计方法，均包括离线学习和在线修正两部分，离线学习通过离线数据对自组织映射模型参数及粉磨机理模型参数进行估计和验证，在线修正通过利用在线采集的数据对自组织神经网络模型结构与参数进行修正。

在本发明的一种实施方式中，在实际投运过程中，人工化验分析每隔两个小时会获取一个样本，通过该样本可以对粉磨过程参数以及自组织映射神经网络的参数及结构进行调整。该过程可以保证软测量模型可以长期无人工干预地进行磨机出口生料细度值的软测量估计。

本发明提到的上述特征，或实施例提到的特征可以任意组合。本案说明书所揭示的所有特征可与任何组合物形式并用，说明书中所揭示的各个特征，可以任何可提供相同、均等或相似目的的替代性特征取代。因此除有特别说明，所揭示的特征仅为均等或相似特征的一般性例子。

本发明的主要优点在于：

1、本发明提供的是对水泥生产过程中用于原料粉磨的集粉磨、烘干、分离于一体的立磨的出口产品其细度指标进行软测量的方法。

2、本发明提供的立磨机出口生料粉末细度的软测量方法可以避免对在线粒度检测设备的依赖性，有效降低生产线成本和维护费用，此外还可以大大提高数据的时效性，降低人工操作量，该方法最终可用于粉磨过程的控制和优化环节。

下面通过实施例对本发明进行具体描述，本实例以立磨机生料细度为例，但不局限于此。有必要在此指出的是，以下实施例只用于对本发明作进一步说明，不能理解为对本发明保护范围的限制，该领域的专业技术人员根据本发明的内容作出的一些非本质的改进和调整，仍属于本发明的保护范围。

实施例1

1、通过自组织映射对输入样本进行聚类

首先对聚类过程进行多次尝试后，确定聚类数为3，根据自组织映射神经网络的训练方法得到神经网络输入层各变量对应的权重如下表所示：

自组织映射神经网络权重表

2、确定每一类对应的立磨机模型参数

a)将物料的粒径按照0-80，80-200，200-∞划分成三个级别。

b)对上述自组织映射神经网络得到的每一类，通过粒子群算法估计立磨机模型中的参数，得到如下表所示的模型参数：

立磨机过程模型参数表1

a	α	β	γ	λ	τ<sub>0</sub>
						0.082	0.054	1.02	0.8	0.6	22

立磨机过程模型参数表2

	S<sub>1</sub>	S<sub>2</sub>	S<sub>3</sub>	D<sub>1</sub>	D<sub>2</sub>	D<sub>3</sub>	P<sub>1</sub>	P<sub>2</sub>	P<sub>3</sub>
										第一类	0.18	0.08	0.02	0.821	0	0	0.158	0.169	0.198
第二类	0.13	0.05	0	0.758	0	0	0.162	0.174	0.204
										第三类	0.16	0.07	0	0.792	0	0	0.160	0.172	0.202

3、在验证集上验证软测量模型的可靠性

a)将样本输入上述自组织映射神经网络模型，获取当前样本所属的工况，得到结果如图4所示，结果表明，验证集中的样本只有第1和第2两种工况。

b)将上述样本所属工况对应的模型参数和样本对应的辅助变量代入模型中，得到各个样本对应的模型输出，得到如图5所示的结果，从图中可以看出所建立的模型对磨机出口的生料细度有着很好的估计效果。