CN109342703A - 一种水泥熟料游离钙含量测量方法及系统 - Google Patents
一种水泥熟料游离钙含量测量方法及系统 Download PDFInfo
- Publication number
- CN109342703A CN109342703A CN201811485296.5A CN201811485296A CN109342703A CN 109342703 A CN109342703 A CN 109342703A CN 201811485296 A CN201811485296 A CN 201811485296A CN 109342703 A CN109342703 A CN 109342703A
- Authority
- CN
- China
- Prior art keywords
- clinker
- cao
- soft
- residual error
- sensing model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 229910052791 calcium Inorganic materials 0.000 title claims abstract description 61
- 239000011575 calcium Substances 0.000 title claims abstract description 61
- 238000000691 measurement method Methods 0.000 title claims abstract description 21
- 230000002596 correlated effect Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 29
- 239000002994 raw material Substances 0.000 claims description 24
- 239000003245 coal Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 8
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 8
- 229910052782 aluminium Inorganic materials 0.000 claims description 8
- 239000004411 aluminium Substances 0.000 claims description 8
- 229910052710 silicon Inorganic materials 0.000 claims description 8
- 239000010703 silicon Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 5
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 84
- 239000000292 calcium oxide Substances 0.000 description 84
- 239000004568 cement Substances 0.000 description 31
- 238000000034 method Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010304 firing Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003837 high-temperature calcination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Ceramic Engineering (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Curing Cements, Concrete, And Artificial Stone (AREA)
Abstract
本发明公开了一种水泥熟料游离钙含量测量方法及系统。所述测量方法包括:获取与所述水泥熟料游离钙F‑CaO含量有关的相关变量参数;根据所述相关变量参数,确定每个所述相关变量参数的时间序列;根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F‑CaO软测量模型;根据所述熟料F‑CaO软测量模型确定水泥熟料游离钙含量。采用本发明所提供的测量方法及系统能够解决现有的水泥熟料游离钙含量测量方法在测量水泥熟料游离钙含量过程中存在时变时延的问题,以及所测量得到的游离钙的含量精确度低的问题。
Description
技术领域
本发明涉及水泥熟料游离钙质量监测领域,特别是涉及一种水泥熟料游离钙含量测量方法及系统。
背景技术
水泥熟料游离钙(F-CaO)含量是新型干法水泥生产中衡量熟料质量的一个重要指标;熟料中F-CaO的含量不仅影响水泥的安定性和熟料强度,还直接关系着水泥烧成能耗。
目前水泥熟料F-CaO含量很难在线监测,主要依靠人工每小时采样一次并通过实验室化验测得,离线测量结果对水泥烧成过程的指导具有明显的滞后性,很难实现水泥烧成过程的实时控制和优化;同时,水泥烧成过程具有复杂随机性和动态时滞性等特点,难以使用传统数学方法建立一个精确的水泥熟料游离钙质量预测模型。针对上述问题,一些学者采用了不同的软测量建模方法来研究用熟料F-CaO预测模型;选用五个与水泥熟料烧成的相关变量,建立多核LSSVM水泥熟料F-CaO预测模型预测游离钙的含量,但是没有考虑各变量与水泥熟料F-CaO之间的时间延迟,虽然LSSVM预测模型的收敛速度快,但是需要复杂的时序匹配,并且不适用于大数据;采用压缩特征向量的数据,利用改进的神经网络实现了熟料F-CaO软测量方法,虽然考虑了一个小时内的变量信息,但是从每个变量一个小时内的数据中只提取了一个特征值,很大程度上减少了影响F-CaO的特征信息。
综上,由于水泥烧成过程的复杂多变,上述研究由于自身局限性均存在时变时延的问题,所测量得到的游离钙的含量精确度低。
发明内容
本发明的目的是提供一种水泥熟料游离钙测量含量方法及系统,以解决现有的水泥熟料游离钙含量测量方法在测量水泥熟料游离钙含量过程中存在时变时延的问题,以及所测量得到的游离钙的含量精确度低的问题。
为实现上述目的,本发明提供了如下方案:
一种水泥熟料游离钙含量测量方法,包括:
获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数;所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比;
根据所述相关变量参数,确定每个所述相关变量参数的时间序列;
根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;
根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。
可选的,所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型,具体包括:
将所述时间序列进行归一化处理,确定归一化处理后的时间序列;
采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量;
利用全连接层综合所有的所述特征向量,建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。
可选的,所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型之后,还包括:
初始化所述熟料F-CaO软测量模型的初始参数,并对所述熟料F-CaO软测量模型进行前向训练;所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。
可选的,所述初始化所述熟料F-CaO软测量模型的初始参数,并对所述熟料F-CaO软测量模型进行前向训练之后,还包括:
利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
可选的,所述利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型,具体包括:
选择均方误差为损失函数其中,Loss为损失函数,MSE为均方误差,yi表示熟料F-CaO的真实值,yi'表示熟料F-CaO的预测输出,n表示训练样本数;
利用链规则,根据公式确定所述损失函数的梯度;其中,为所述损失函数的梯度,为误差Loss对第l个残差模块中的输入xl求偏导,为第L个残差模块中的输入xL的偏导,F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果,l为求梯度时当前所在的那个第l个残差模块,L为最后一个残差模块所在的层;
根据所述损失函数的梯度对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
一种水泥熟料游离钙含量测量系统,包括:
相关变量参数获取模块,用于获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数;所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比;
时间序列确定模块,用于根据所述相关变量参数,确定每个所述相关变量参数的时间序列;
模型建立模块,用于根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;
水泥熟料游离钙含量确定模块,用于根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。
可选的,所述模型建立模块具体包括:
归一化处理单元,用于将所述时间序列进行归一化处理,确定归一化处理后的时间序列;
特征向量提取单元,用于采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量;
模型建立单元,用于利用全连接层综合所有的所述特征向量,建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。
可选的,还包括:
前向训练模块,用于初始化所述熟料F-CaO软测量模型的初始参数,并对所述熟料F-CaO软测量模型进行前向训练;所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。
可选的,还包括:
优化模块,用于利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
可选的,所述优化模块具体包括:
损失函数选择单元,用于选择均方误差为损失函数其中,Loss为损失函数,MSE为均方误差,yi表示熟料F-CaO的真实值,yi'表示熟料F-CaO的预测输出,n表示训练样本数;
损失函数的梯度确定单元,用于利用链规则,根据公式确定所述损失函数的梯度;其中,为所述损失函数的梯度,为误差Loss对第l个残差模块中的输入xl求偏导,为第L个残差模块中的输入xL的偏导,F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果,l为求梯度时当前所在的那个第l个残差模块,L为最后一个残差模块所在的层;
优化单元,用于根据所述损失函数的梯度对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种水泥熟料游离钙含量测量方法及系统,根据与水泥熟料游离钙含量有关的多个相关变量参数的时间序列建立熟料F-CaO软测量模型,而不是基于水泥熟料烧成的相关变量建立测量模型,采用时间序列建立软测量模型,不需要复杂的时序匹配,解决了10个变量与水泥熟料F-CaO之间时延不定性问题,避免了计算各变量与熟料F-CaO之间的时延,降低了时序匹配所需的运算量,消除了时变时延对水泥熟料F-CaO预测的影响,省去了复杂的数据预处理过程;同时,提取的时间序列的特征向量,在短时间内增多了特征向量信息,从而更充分提取了相关变量的特征信息,提高了测量精确度。
此外,本发明的模型基于卷积残差网络构建,相比传统的人工神经网络算法,避免了人工选取时序等参数带来的各种局限性问题,提高了模型的收敛速度,精度和泛化能力。
由于本发明所提供的测量方法及系统能够精确的预测水泥熟料F-CaO含量,因此,更能准确描述水泥熟料F-CaO的质量,对水泥科学的生产调度和合理的能源规划提供依据,从而为水泥制造的优化生产和降低能耗提供条件。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的水泥熟料游离钙含量测量方法流程图;
图2为本发明所提供的残差模块示意图;
图3为本发明所提供的残差模块中卷积的过程;
图4为本发明所提供的的基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型结构图;
图5为本发明所提供的水泥熟料游离钙含量测量系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种水泥熟料游离钙含量测量方法及系统,能够解决现有的水泥熟料游离钙含量测量方法在测量水泥熟料游离钙含量过程中存在时变时延的问题,以及所测量得到的游离钙的含量精确度低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的水泥熟料游离钙含量测量方法流程图,如图1所示,一种水泥熟料游离钙含量测量方法,包括:
步骤101:获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数;所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比。
根据水泥烧成工艺选取与水泥熟料烧成过程密切相关的20个输入变量,变量中必须包含对水泥熟料质量影响至关重要的入窑生料的三率值(硅率,铝率,饱和比),然后对选取后的变量数据进行归一化处理,将处理后的数据按时间序列排列作为输入数据,构建20个变量时间序列输入层。
根据对水泥工艺分析选取一定时间段内的合适的20个变量作为输入数据,并进行归一化处理,构建模型的输入层。由水泥工艺学可知,水泥生料经回转窑烧成带高温煅烧,发生烧结反应,最后经冷却获得的固体颗粒物料称为水泥熟料,凝固体中含有少量未化合的氧化钙称为游离钙(F-CaO)。游离钙含量过高会使水泥的安定性下降,过低导致水泥烧成能耗增加,因此F-CaO需要控制在合理的范围之内。水泥煅烧过程中,烧成带的各参量对熟料F-CaO含量有着至关重要的作用,因此烧成系统参量是实现熟料F-CaO软测量的主要因素。烧成带的热量源是分解炉喂煤量、窑头喂煤量以及从篦冷机回收进窑的二次风,此时的烧成带温度影响了生料分解过程中产生的氧化钙含量,以及所产生的氧化钙被其他化合物吸收情况。高温风机和EP风机使窑内产生巨大的气压差,保证水泥烧成系统气路畅通,维持窑内压力稳定。回转窑在旋转运行时需要窑电机提供动力,保证了回转窑内物料化学反应的均匀性,窑主机电流越大,说明窑内物料的粘度越大,窑内温度越高。生料中的三率值同样也是最直接最重要的影响因素,它们直接关系到熟料F-CaO的含量。
由上述分析可知,选取与熟料F-CaO含量密切相关的20个变量:窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率,入窑生料铝率,入窑生料饱和比。
步骤102:根据所述相关变量参数,确定每个所述相关变量参数的时间序列。
步骤103:根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型。
依据水泥烧成过程中时间序列的特征,建立基于时间序列的卷积残差网络水泥熟料游离钙软测量建模,对输入的变量数据进行卷积池化及全连接运算,首先在残差模块中对输入数据进行卷积运算,在多个残差模块中运算后对输出数据进行池化,然后再对池化完的数据进行全连接操作,完成对卷积残差网络预测模型前向训练的过程。
针对水泥变量在一段时间内连续的时间特性,采用包含各个变量特征信息的时间序列作为建模数据,采用残差卷积及池化的方式提取各变量特征,后接全连接层综合所有的特征信息,构建基于卷积残差网络的熟料F-CaO软测量模型。
卷积残差网络模型初步建立:模型包括20变量时间序列输入层、提取数据特征的3个卷积残差模块和1个池化层、全连接层以及输出层;
残差模块参数如图2所示,每个模块中有三个卷积层,单个模块中含有大小为[1,1],[3,3]和[1,1]的卷积核,第一个模块中卷积核个数分别为8,8,16,第二个模块中卷积核个数分别为16,16,32,第三个模块中卷积核个数分别为32,32,64;池化层的池化核大小为[2,1];学习率为0.001。
卷积残差网络模型的前向训练:卷积残差网络模型通过前向训练提取特征,然后根据梯度下降法反向修正权值和偏置,降低训练误差。模型的输入层读取变量之后,经残差模块及池化层提取特征,随后接全连接层整合代表所有特征的局部信息,最后将所有的特征综合后输出。
(1)模型输入层。
20个变量的时间序列作为模型的输入,可表示为:X=(x1,x2,...,x20)(1)
每个变量时间序列包含t个采样点:xi=(xi1,xi2,...,xit)T(2)
其中,xi为第i个变量的时间序列,i=1,2,3,...,20。
(2)模型的残差模块。
每个残差模块中都采用三层卷积的方式提取特征,第一层降低维度以减少运算量,第二层提取特征,第三层提升维度,卷积过程中权值共享。
模型卷积过程如图3,若第c层为卷积层,则卷积层输入xc-1和输出xc表达式分别为式(3):
xc=f(Wc*xc-1+bc) (3)
式中,xc-1代表卷积层输入的特征向量,Wc表示向量卷积过程中的权重,bc表示输出特征向量对应的偏置,f(x)为激活函数。
采用ReLU函数作为激活函数,其表达式如式(4):
f(x)=max(0,x)(4)
令第i个残差模块的输入为yi-1,输出为yi,将三层卷积视为一层参数,其表达式如式(5):
yi=yi-1+f(Wi*yi-1+bi)(5)
其中,Wi为第i个残差模块的权重。
(3)池化层。
为了减少特征数据、简化网络计算复杂度,在模型中增加池化层实现特征压缩;由于池化层不含有激活函数,因此池化层输出pi+1与该层输入pi之间的关系表示为:
其中,表示池化层输入pi中的m个特征值求和,其中m为池化核的大小。
(4)全连接层。
如图4所示,第k-1层经多次残差模块卷积和池化之后得到的特征向量xk-1作为全连接层的输入,则全连接层的输入xk-1与输出yk-1之间的关系如式(7)。
yk-1=f(Wk-1*xk-1+bk-1)(7)
其中Wk-1、bk-1分别为全连接层的权值和偏置。
(5)输出层。
为了避免过拟合,在该网络模型输出层前采用正则化方法——丢失数据(Dropout)技术,达到提升网络模型泛化能力的目的;如图4中最后一层所示,输出层采用线性加权求和直接计算水泥熟料F-CaO值,则输出层输入xk与输出熟料F-CaO值y'之间的计算公式为:
y'=Wkxk+bk(8)
其中,Wk和bk为别为输出层的权值和偏置。
模型采用反向微调的方法实现参数更新。在该模型中,选择均方误差MSE(MeanSquaredError)为损失函数J,其中MSE如式(9)所示:
其中yi表示熟料F-CaO的真实值,yi'表示熟料F-CaO的预测输出,n表示训练样本数。
输出层、全连接层、与全连接层相连的残差模块及池化层误差灵敏度均可由BP算法得到。
残差模块之间通过使用链规则,得到反向传播过程的梯度:
其中,代表损失函数的梯度,为误差Loss对第l个残差模块中的输入xl求偏导,为第L个残差模块中的输入xL的偏导,F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果,l为求梯度时当前所在的那个第l个残差模块,L为最后一个残差模块所在的层,括号里的“1”表示快捷链接可以无损地传播梯度,而其他残余梯度则需要通过权重层,梯度不直接传递。当参与梯度较小时,因为有快捷链接的存在,也不会使梯度消失,能更好的学习模型。
步骤104:根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。
本发明首先进行变量选取,根据水泥工艺分析获得与熟料F-CaO的相关变量,确定软测量建模的时间序列。采用包含各个变量特征信息的时间序列作为建模输入数据,依据时间序列的特点,使用残差模块提取特征并采用池化层减少计算参数,然后利用全连接层综合所有的特征信息,构建基于卷积残差网络的熟料F-CaO软测量模型。模型使用前向算法提取特征,并采用反向传播技术对权值进行微调,实现输出误差最小化。
图5为本发明所提供的水泥熟料游离钙含量测量系统结构图,如图5所示,一种水泥熟料游离钙含量测量系统,包括:
相关变量参数获取模块501,用于获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数;所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比。
时间序列确定模块502,用于根据所述相关变量参数,确定每个所述相关变量参数的时间序列。
模型建立模块503,用于根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型。
所述模型建立模块503具体包括:归一化处理单元,用于将所述时间序列进行归一化处理,确定归一化处理后的时间序列;特征向量提取单元,用于采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量;模型建立单元,用于利用全连接层综合所有的所述特征向量,建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。
水泥熟料游离钙含量确定模块504,用于根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。
在实际应用中,还包括:前向训练模块,用于初始化所述熟料F-CaO软测量模型的初始参数,并对所述熟料F-CaO软测量模型进行前向训练;所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。
优化模块,用于利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
所述优化模块具体包括:损失函数选择单元,用于选择均方误差为损失函数其中,Loss为损失函数,MSE为均方误差,yi表示熟料F-CaO的真实值,yi'表示熟料F-CaO的预测输出,n表示训练样本数;
损失函数的梯度确定单元,用于利用链规则,根据公式确定所述损失函数的梯度;其中,为所述损失函数的梯度,为误差Loss对第l个残差模块中的输入xl求偏导,为第L个残差模块中的输入xL的偏导,F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果,l为求梯度时当前所在的那个第l个残差模块,L为最后一个残差模块所在的层;
优化单元,用于根据所述损失函数的梯度对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
本发明一种水泥熟料游离钙含量测量方法及系统,根据水泥工艺选取熟料F-CaO软测量建模的辅助变量(必含生料的三率值),各变量历史时间段内的时间序列作为模型输入,并对所选的每个变量时间序列进行归一化处理;针对水泥数据的特征,建立基于卷积残差网络的熟料F-CaO软测量模型,确定模型的初始参数,网络进行前向训练;利用误差反向微调进行有监督训练,通过对误差的修正,优化模型参数;利用训练好的模型对水泥熟料F-CaO实时预测。本发明建立的基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型解决了时变时延问题,能够准确的预测水泥熟料F-CaO,对水泥生产具有指导意义,为水泥生产的优化质量和节能降耗提供了条件。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种水泥熟料游离钙含量测量方法,其特征在于,包括:
获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数;所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比;
根据所述相关变量参数,确定每个所述相关变量参数的时间序列;
根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;
根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。
2.根据权利要求1所述的水泥熟料游离钙含量测量方法,其特征在于,所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型,具体包括:
将所述时间序列进行归一化处理,确定归一化处理后的时间序列;
采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量;
利用全连接层综合所有的所述特征向量,建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。
3.根据权利要求2所述的水泥熟料游离钙含量测量方法,其特征在于,所述根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型之后,还包括:
初始化所述熟料F-CaO软测量模型的初始参数,并对所述熟料F-CaO软测量模型进行前向训练;所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。
4.根据权利要求3所述的水泥熟料游离钙含量测量方法,其特征在于,所述初始化所述熟料F-CaO软测量模型的初始参数,并对所述熟料F-CaO软测量模型进行前向训练之后,还包括:
利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
5.根据权利要求4所述的水泥熟料游离钙含量测量方法,其特征在于,所述利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型,具体包括:
选择均方误差为损失函数其中,Loss为损失函数,MSE为均方误差,yi表示熟料F-CaO的真实值,yi'表示熟料F-CaO的预测输出,n表示训练样本数;
利用链规则,根据公式确定所述损失函数的梯度;其中,为所述损失函数的梯度,为误差Loss对第l个残差模块中的输入xl求偏导,为第L个残差模块中的输入xL的偏导,F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果,l为求梯度时当前所在的那个第l个残差模块,L为最后一个残差模块所在的层;
根据所述损失函数的梯度对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
6.一种水泥熟料游离钙含量测量系统,其特征在于,包括:
相关变量参数获取模块,用于获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数;所述相关变量参数包括窑头喂煤量、分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、烟室NOX含量、烟室O2含量、窑尾温度、一级筒O2含量、一级筒CO、窑尾CO、二室篦下压力、窑尾负压、窑头负压、二次风温、窑电流、入窑生料硅率、入窑生料铝率以及入窑生料饱和比;
时间序列确定模块,用于根据所述相关变量参数,确定每个所述相关变量参数的时间序列;
模型建立模块,用于根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;
水泥熟料游离钙含量确定模块,用于根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。
7.根据权利要求6所述的水泥熟料游离钙含量测量系统,其特征在于,所述模型建立模块具体包括:
归一化处理单元,用于将所述时间序列进行归一化处理,确定归一化处理后的时间序列;
特征向量提取单元,用于采用残差卷积及池化的方式提取所述归一化处理后的时间序列的特征向量;
模型建立单元,用于利用全连接层综合所有的所述特征向量,建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型;所述熟料F-CaO软测量模型包括输入层、残差模块、池化层、全连接层以及输出层。
8.根据权利要求7所述的水泥熟料游离钙含量测量系统,其特征在于,还包括:
前向训练模块,用于初始化所述熟料F-CaO软测量模型的初始参数,并对所述熟料F-CaO软测量模型进行前向训练;所述初始化参数包括所述残差模块的模块数、所述池化层的层数、学习率、隐层、所述全连接层、所述输出层的权值和偏置、卷积核的个数以及池化核的个数。
9.根据权利要求8所述的水泥熟料游离钙含量测量系统,其特征在于,还包括:
优化模块,用于利用所述残差模块中的快捷连接以及误差反向传播算法对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
10.根据权利要求9所述的水泥熟料游离钙含量测量系统,其特征在于,所述优化模块具体包括:
损失函数选择单元,用于选择均方误差为损失函数其中,Loss为损失函数,MSE为均方误差,yi表示熟料F-CaO的真实值,yi'表示熟料F-CaO的预测输出,n表示训练样本数;
损失函数的梯度确定单元,用于利用链规则,根据公式确定所述损失函数的梯度;其中,为所述损失函数的梯度,为误差Loss对第l个残差模块中的输入xl求偏导,为第L个残差模块中的输入xL的偏导,F(xi,Wi)为第i个残差模块中输入仅经三层卷积后的输出结果,l为求梯度时当前所在的那个第l个残差模块,L为最后一个残差模块所在的层;
优化单元,用于根据所述损失函数的梯度对所述熟料F-CaO软测量模型进行有监督训练,优化所述熟料F-CaO软测量模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485296.5A CN109342703B (zh) | 2018-12-06 | 2018-12-06 | 一种水泥熟料游离钙含量测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485296.5A CN109342703B (zh) | 2018-12-06 | 2018-12-06 | 一种水泥熟料游离钙含量测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109342703A true CN109342703A (zh) | 2019-02-15 |
CN109342703B CN109342703B (zh) | 2020-04-07 |
Family
ID=65302985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811485296.5A Active CN109342703B (zh) | 2018-12-06 | 2018-12-06 | 一种水泥熟料游离钙含量测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109342703B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109761517A (zh) * | 2019-03-13 | 2019-05-17 | 安徽海螺集团有限责任公司 | 一种基于游离钙预测数据控制熟料生产的方法 |
CN110444257A (zh) * | 2019-08-05 | 2019-11-12 | 燕山大学 | 一种基于无监督和有监督学习的水泥游离钙软测量方法 |
CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
CN114236104A (zh) * | 2021-10-28 | 2022-03-25 | 阿里云计算有限公司 | 游离氧化钙测量方法、装置、设备、介质及产品 |
CN114692515A (zh) * | 2022-06-01 | 2022-07-01 | 中材邦业(杭州)智能技术有限公司 | 一种基于时间滞后xgboost模型的熟料游离钙含量软测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN107103359A (zh) * | 2017-05-22 | 2017-08-29 | 东南大学 | 基于卷积神经网络的大服务系统在线可靠性预测方法 |
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
-
2018
- 2018-12-06 CN CN201811485296.5A patent/CN109342703B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN107103359A (zh) * | 2017-05-22 | 2017-08-29 | 东南大学 | 基于卷积神经网络的大服务系统在线可靠性预测方法 |
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
Non-Patent Citations (2)
Title |
---|
复杂场景下目标检测算法研究: "复杂场景下目标检测算法研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
徐学奎: "基于时序分析与支持向量机的水泥熟料f-CaO含量软测量模型研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109761517A (zh) * | 2019-03-13 | 2019-05-17 | 安徽海螺集团有限责任公司 | 一种基于游离钙预测数据控制熟料生产的方法 |
CN109761517B (zh) * | 2019-03-13 | 2021-09-14 | 安徽海螺集团有限责任公司 | 一种基于游离钙预测数据控制熟料生产的方法 |
CN110444257A (zh) * | 2019-08-05 | 2019-11-12 | 燕山大学 | 一种基于无监督和有监督学习的水泥游离钙软测量方法 |
CN110444257B (zh) * | 2019-08-05 | 2022-02-18 | 燕山大学 | 一种基于无监督和有监督学习的水泥游离钙软测量方法 |
CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
CN114236104A (zh) * | 2021-10-28 | 2022-03-25 | 阿里云计算有限公司 | 游离氧化钙测量方法、装置、设备、介质及产品 |
CN114692515A (zh) * | 2022-06-01 | 2022-07-01 | 中材邦业(杭州)智能技术有限公司 | 一种基于时间滞后xgboost模型的熟料游离钙含量软测量方法 |
CN114692515B (zh) * | 2022-06-01 | 2022-09-02 | 中材邦业(杭州)智能技术有限公司 | 一种基于时间滞后xgboost模型的熟料游离钙含量软测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109342703B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109342703A (zh) | 一种水泥熟料游离钙含量测量方法及系统 | |
CN109147878A (zh) | 一种水泥熟料游离钙软测量方法 | |
CN110378044B (zh) | 基于注意力机制的多时间尺度卷积神经网络软测量方法 | |
CN108932567A (zh) | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 | |
CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
CN112001527A (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
CN109165798A (zh) | 一种水泥熟料游离氧化钙含量在线预测方法及系统 | |
CN110444257B (zh) | 一种基于无监督和有监督学习的水泥游离钙软测量方法 | |
CN108760829A (zh) | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 | |
CN112906976A (zh) | 一种基于r-wgan的水泥熟料游离钙样本数据增强及预测方法 | |
CN110401978A (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
CN104715142A (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
Yao et al. | Semi-supervised deep dynamic probabilistic latent variable model for multimode process soft sensor application | |
CN113132399A (zh) | 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法 | |
Shen et al. | Predictive modeling with multiresolution pyramid VAE and industrial soft sensor applications | |
CN106327004A (zh) | 一种基于熟料质量指标的水泥烧成过程优化方法 | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
CN110189800A (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
CN111649779A (zh) | 基于密集神经网络的油井含油率和总流速测量方法及应用 | |
Zhao et al. | Traffic signal control with deep reinforcement learning | |
Wang et al. | A novel bidirectional DiPLS based LSTM algorithm and its application in industrial process time series prediction | |
Dai et al. | TimeDDPM: Time series augmentation strategy for industrial soft sensing | |
Shen et al. | Mode information separated β-VAE regression for multimode industrial process soft sensing | |
CN113126488A (zh) | 一种物质混合智能系统 | |
CN106407550A (zh) | 一种工业过程软测量建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210204 Address after: 066000 room b337, science and technology building, 112 qinhuangxi street, Qinhuangdao Economic and Technological Development Zone, Hebei Province Patentee after: Qinhuangdao Dongchen Technology Co.,Ltd. Address before: 066000 No. 438, Hebei Avenue, Qinhuangdao, Hebei Patentee before: Yanshan University |