CN109446236A - 基于随机分布的水泥粒径分布预测方法 - Google Patents

Abstract

本发明属于水泥细度预测研究技术领域，具体是一种基于随机分布的水泥粒径分布预测方法。包括以下步骤，S100：获取水泥粉磨系统中磨机喂料量、磨机工作电流、磨机出入口温度、磨机压差、循环提升机电流、选粉机转速、循环风机电流以及对应时刻水泥粒径概率分布，并将所有参数信号存储为历史数据集；S200：建立水泥粒径概率分布密度函数的基函数表示模型；S300：筛除异常数据，依照分类赋值样本权重，构成新数据样本；S400：建立输入变量与前n‑1个权值向量之间的非线性预测模型，预测下一时刻水泥粒径分布；S500：通过模型输出误差值，更新水泥粒径概率分布密度函数的基函数表示模型参数。本发明可实时检测水泥粉磨系统中的水泥粒径分布。

Description

基于随机分布的水泥粒径分布预测方法

技术领域

本发明属于水泥细度预测研究技术领域，具体是一种基于随机分布的水泥粒径分布预测方法。

背景技术

水泥是一种粉体产品，由不同大小的颗粒按照一定的比例构成。水泥粉磨系统是将水泥熟料研磨成符合国家质量标准的水泥产品的过程。它是生产水泥过程的最后一个环节，也是至关重要的环节。目前，水泥质量标准的评价以水泥细度为主，水泥细度对水泥强度、凝结时间、准稠度用水量等有着很大的影响。水泥细度主要包含筛余、比表面积、颗粒级配三项指标，而在企业生产中通常采用筛余或比表面积来进行水泥细度的测定和评判。实际上，筛余和比表面积只能部分体现水泥的颗粒大小情况，并不能完全表现水泥真实的质量信息。

水泥细度检测分为在线和离线检测，在线检测的主要设备是粒度监测仪，尽管可以快速、实时地对水泥细度进行测量，但是该类设备价格昂贵且维修成本高，并不适合大多数中小规模企业。而离线监测通过每一个小时到现场采样，将样本在实验室进行分析，但是由于离线检测取样量小，导致其检测结果的代表性不够。另外，间隔时间长会导致最后测定的水泥比表面积和细度跟实际生产不一致。软测量技术的出现很好解决了以上问题，目前针对水泥粒径细度的软测量技术主要通过神经网络、模糊控制、最小二乘法等建立预测模型。这些软测量技术均以水泥细度的百分比为预测结果，不能完全反应水泥实际质量性能。另外，也未考虑水泥粒径分布具有非高斯特性，导致预测精度不高。

发明内容

本发明为了解决上述技术问题，提供一种基于随机分布的水泥粒径分布预测方法。

本发明采取以下技术方案：一种基于随机分布的水泥粒径分布预测方法，包括以下步骤，

S100：获取水泥粉磨系统中磨机喂料量、磨机工作电流、磨机出入口温度、磨机压差、循环提升机电流、选粉机转速、循环风机电流以及对应时刻水泥粒径概率分布，并将所有参数信号存储为历史数据集；

S200：建立水泥粒径概率分布密度函数的基函数表示模型；

S300：筛除异常数据，依照分类赋值样本权重，构成新数据样本；

S400：建立输入变量与前n-1个权值向量之间的非线性预测模型，预测下一时刻水泥粒径分布；

S500：通过模型输出误差值，更新水泥粒径概率分布密度函数的基函数表示模型参数。

所述S100的具体方法如下，历史数据集包括磨机喂料量W_mw、磨机电流I_md、磨机入口温度T_mrw、磨机出口温度T_mcw、磨机压差P_my、循环提升机电流I_mw、选粉机转速V_xf和循环风机电流I_xf，数据集为P组数据，而同一组下包含K时刻的各个数据，具体表示为U_i(K)＝[Wⁱ _mw(k),Iⁱ _md(k),Tⁱ _mrw(k),Tⁱ _mcw(k),Pⁱ _my(k),Iⁱ _xt(k),Vⁱ _xz(k),Iⁱ _xf(k)]_K*8i＝1,2,3.....P，利用实验室离线分析获取相应时刻的水泥粒径概率分布函数P_i ^k(D,U_i)，i＝1,2,3...P，其中D为采集的水泥颗粒直径信息，U_i为输入参数。

所述S200具体方法如下，

S201：从S100获得的水泥粒径概率分布P_i ^K(D,U_i)利用公式1求出水泥粒径分布概率分布密度函数

其中d₁、d₂为水泥颗粒直径；

S202：建立水泥粒径概率分布函数的基函数表达式，采用高斯形式的RBF网络作为基函数，其表达式为：

其中D为采集的水泥颗粒直径信息，μ_i,σ_i为第i个网络节点函数的中心值和宽度；

根据RBF网络逼近原理，确定基函数的权值表示，将水泥粒径分布的概率密度函数利用基函数加权和的形式进行表示，其表达式为：

其中，C(D)＝[B₁(D),B₂(D),…,B_n-1(D)]，B_n(D)为第n个基函数，V(k)＝[w₁(k),w₂(k),…,w_n-1(k)]^T，w_n(k)为第n个基函数对应的权值，e₀(D,k)为对不同情况、不同时刻的概率分布密度函数逼近的误差；

S203：确定每个基函数的权值，第n个权值ω_n(k)可用权值向量V(k)的非线性函数h(V(k))表示为：

其中，

忽略逼近误差，结合式3和4可以得到：

两边左乘[C^T(D)B_n(D)]^T，并在区间[D_min D_max]上进行积分，当

矩阵非奇异时，可以转化得到：

利用上式6求出水泥粒径概率分布密度函数各个基函数的权值

V(k)。

所述S300具体方法如下，

S301：将磨机喂料量W_mw、磨机电流I_md、磨机入口温度T_mrw、

磨机出口温度T_mcw、磨机压差P_my、循环提升机电流I_mw、选粉机转

速V_xf、循环风机电流I_xf、前一时刻变量U(K-1)和水泥粒径分布概率

密度权值V(K)组合成m个训练样本X；

X＝[Wⁱ _mw(k),Iⁱ _md(k),Tⁱ _mrw(k),Tⁱ _mcw(k),Pⁱ _my(k),Iⁱ _xt(k),Vⁱ _xz(k),Iⁱ _xf(k),Uⁱ(K-1),Vⁱ(k)]_K*(8+8+m)i＝1,2,3,...m,m∈P

S302：初始给定各均值向量μ_j以及分类数G，计算样本X_i与μ_j之

间的距离；

根据距离最近的均值向量确定x_i的族标记：λ_i＝argmin_{i∈{1,2,3...k}}d_ji，将样本x_i划入相应的族：

S303：计算新的均值向量

S304：判断是否μ′_j＝μ_j，重复S302至S303，直至满足本条件；

S305：依据对训练样本分类结果，按照式子进行对相同分类的样本赋权重值；

n_k：同类的样本个数

N_P：训练样本总数

由此得到带有权重的训练样本X′＝WX。

所述S400具体方法如下，

S401：选择随机权神经网络，其网络模型表示为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置，对模型进行训练，随机给定一组输入层权值和偏置，利用采集的n组历史数据对模型进行训练，其目标函数为：

其中X_i为第i个训练样本，V_i为X_i对应的粒径分布权重。

通过求取H矩阵的广义逆得到最优的输出权值其公式为：

S402：建立基函数权值与输入变量之间的关系：利用测试集X_p-m检测该模型：

S403：输出测试集数据水泥粒径概率分布g_p-m通过式12可得：

g_p-m(D,k+1)＝C(D)V_p-m(k+1)+B_n(T)w_n(k+1) (12)

其中g_p-m为预测的水泥粒径分布概率函数。

所述S500具体方法如下，

S501：定义每一组X_i的性能指标函数Z_n：

Z_n是关于基函数参数的函数，其中K为每组总采样时间个数，γ_p-m(D,U(k))为测试集X_p-m的水泥粒径实际输出概率分布密度函数，通过式14和式15更新基函数参数μ和σ；

其中，μⁿ＝[μ₁ μ₂ ... μ_n]，σⁿ＝[σ₁ σ₂ ... σ_n]，n为定义的基函数参数个数；

S502：通过式16可变换为概率分布函数，由此可预测下一时刻的水泥粒径分布：

与现有技术相比，本发明采用随机分布算法预测水泥粒径的概率分布密度函数，克服了水泥粒径分布具有随机性，避免了筛余、比表面积、颗粒级配的缺点，完全具体地反应出被检测水泥的质量信息。本发明通过采用k-means分类算法对数据分类、赋值权重，以及采用性能指标函数对基函数的参数优化，提高了该模型的可靠性、准确度。同时，本发明可实时检测水泥粉磨系统中的水泥粒径分布。

附图说明

图1为系统工作框图；

图2为系统实施实例。

实施方式

基于随机分布预测算法的水泥粉磨质量监测在实施方式上，可以采用建模过程和实时过程来实现：

建模过程包括以下步骤：

S100：将所有参数信号存储为历史数据集，建立历史数据集可以采用如下方式实现：

历史数据需要采集磨机喂料量、磨机电流、磨机入口温度、磨机出口温度、磨机压差、循环提升机电流、选粉机转速、循环风机电流。在送料前，把物料放到称重台进行称重获取磨机喂料量，固定选取P组喂料量。对该磨机、循环提升机、循环风机设备安装电流互感器记录设备工作电流，在磨机3/1入口处和3/1出口处安装温度传感器记录温度。安装转速测量设备在选粉机上以获取选粉机转速。对获取的数据先后进行采样、过滤、平滑处理，获取K个时间点的标准数据集。利用实验室离线分析获取此时对应的水泥粒径分布。

S200：建立水泥粒径概率分布密度函数的基函数表示模型；通过基函数对已知的水泥粒径概率分布进行表示，具体采用如下方式实现：

S201：从S100获得的水泥粒径概率分布P_i ^K(D,U_i)利用公式1求出水泥粒径分布概率分布密度函数

其中d₁、d₂为水泥颗粒直径；

S202：建立水泥粒径概率分布函数的基函数表达式，采用高斯形式的RBF网络作为基函数，其表达式为：

其中D为采集的水泥颗粒直径信息，μ_i,σ_i为第i个网络节点函数的中心值和宽度；

根据RBF网络逼近原理，确定基函数的权值表示，将水泥粒径分布的概率密度函数利用基函数加权和的形式进行表示，其表达式为：

其中，C(D)＝[B₁(D),B₂(D),…,B_n-1(D)]，B_n(D)为第n个基函数，V(k)＝[w₁(k),w₂(k),…,w_n-1(k)]^T，w_n(k)为第n个基函数对应的权值，e₀(D,k)为对不同情况、不同时刻的概率分布密度函数逼近的误差；

S203：确定每个基函数的权值，第n个权值ω_n(k)可用权值向量V(k)的非线性函数h(V(k))表示为：

其中，

忽略逼近误差，结合式3和4可以得到：

两边左乘[C^T(D) B_n(D)]^T，并在区间[D_min D_max]上进行积分，当

矩阵非奇异时，可以转化得到：

利用上式6求出水泥粒径概率分布密度函数各个基函数的权值V(k)。

S300：筛除异常数据，依照分类赋值权重，构成新训练数据样本，具体采用如下实现方式：

S301：将磨机喂料量W_mw、磨机电流I_md、磨机入口温度T_mrw、磨机出口温度T_mcw、磨机压差P_my、循环提升机电流I_mw、选粉机转速V_xf、循环风机电流I_xf、前一时刻变量U(K-1)和水泥粒径分布概率密度权值V(K)组合成m个训练样本X；

X＝[Wⁱ _mw(k),Iⁱ _md(k),Tⁱ _mrw(k),Tⁱ _mcw(k),Pⁱ _my(k),Iⁱ _xt(k),Vⁱ _xz(k),Iⁱ _xf(k),Uⁱ(K-1),Vⁱ(k)]_K*(8+8+m)i＝1,2,3,...m,m∈P

S302：初始给定各均值向量μ_j以及分类数G，计算样本X_i与μ_j之间的距离；

根据距离最近的均值向量确定x_i的族标记：λ_i＝argmin_{i∈{1,2,3...k}}d_ji，将样本x_i划入相应的族：

S303：计算新的均值向量

S304：判断是否μ_j′＝μ_j，重复S302至S303，直至满足本条件；

S305：依据对训练样本分类结果，按照式子进行对相同分类的样本赋权重值，本实施例选择通过K-means聚类算法，对数据样本进行分类，把样本划分为K个数据样本：

n_k：同类的样本个数

N_P：训练样本总数

由此得到带有权重的训练样本X′＝WX。

S400：建立输入变量与前n-1个权值向量之间的非线性模型，将输入变量与水泥粒径概率分布密度建立联系，具体采用如下方式实现：

本实施例选择通过建立随机权值神经网络模型，建立输入变量与前n-1个权值之间的关系。首先从采集的历史数据中选择磨机喂料量W_mw、磨机电流I_md、磨机入口温度T_mrw、磨机出口温度T_mcw、磨机压差P_my、循环提升机电流I_mw、选粉机转速V_xf、循环风机电流I_xf,、水泥粒径概率分布P与此时前n-1个基函数权值向量共同组合构成随机权神经网络的输入变量，随机权神经网络模型形式为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置，对模型进行训练，随机给定一组输入层权值和偏置，利用采集的n组历史数据对模型进行训练，其目标函数为：

其中X_i为第i个训练样本，V_i为X_i对应的粒径分布权重。

通过求取H矩阵的广义逆得到最优的输出权值其公式为：

S402：建立基函数权值与输入变量之间的关系：利用测试集X_p-m检测该模型：

S403：输出测试集数据水泥粒径概率分布g_p-m通过式12可得：

g_p-m(D,k+1)＝C(D)V_p-m(k+1)+B_n(T)w_n(k+1) (12)

其中g_p-m为预测的水泥粒径分布概率函数。

利用采集的多组历史数据及S200的基函数表示方法，计算此时水泥概率分布密度函数的权重V_i,i＝1,2,…,M，将此信息作为神经网络的输出，通过最小化网络目标函数得到最优的网络输出权值得到训练好的随机权神经网络模型。

S500：通过模型输出误差值，更新水泥粒径概率密度函数的基函数表示模型参数，具体采用如下实现方式：

S501：本实施例定义一个以基函数参数μ和σ为自变量的性能指标函数Z_n其函数模型为：

该函数将S400建立的非线性预测模型输出的概率密度函数g(X)与实际值γ(X)做差求期望，更新的基函数参数为：

S502：通过式16可变换为概率分布函数，由此可预测下一时刻的水泥粒径分布：

利用更新后的基函数参数，优化整个模型，得到更好的水泥粒径概率分布检测模型。

通过上述5个步骤完成历史水泥粒径概率分布的基函数表示方法并确定输入变量与前n-1个权值向量的非线性模型，更新基函数参数，完成建模过程。

实时过程时主要包括以下内容：

利用S100所述方法实时采集水泥粉磨工艺参数信息并存储；

利用S400所述训练的随机权神经网络预测下一时刻的水泥粒径概率分布，其形式为：

γ(D,k+1)＝C(D)V(k+1)+B_n(D)w_n(k+1)。

本专利提出的基于随机分布预测算法的水泥粉磨颗粒预测整体流程如附图1所示，系统实施实例如图2所示。本发明通过随机分布算法对水泥粉磨过程中的水泥粒径概率分布密度进行估计，建立粉磨工艺流程输入变量与水泥粒径概率分布之间的关系，实现了更具体清晰的表示水泥质量在线监测。本发明不仅提高在线监测的正确度，而且可以通过降低不必要的能源损耗为企业降低生产成本同时提高水泥质量性能。

通过上述具体实施方式可以实现基于随机分布预测算法的水泥粒径分布预测。但是本发明并不限于上述实施方式，在不脱离本发明精神和范围的任何修改或局部替换，均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于随机分布的水泥粒径分布预测方法，其特征在于：包括以下步骤，

S100：获取水泥粉磨系统中磨机喂料量、磨机工作电流、磨机出入口温度、磨机压差、循环提升机电流、选粉机转速、循环风机电流以及对应时刻水泥粒径概率分布，并将所有参数信号存储为历史数据集；

S200：建立水泥粒径概率分布密度函数的基函数表示模型；

S300：筛除异常数据，依照分类赋值样本权重，构成新数据样本；

S400：建立输入变量与前n-1个权值向量之间的非线性预测模型，预测下一时刻水泥粒径分布；

S500：通过模型输出误差值，更新水泥粒径概率分布密度函数的基函数表示模型参数。

2.根据权利要求1所述的基于随机分布的水泥粒径分布预测方法，其特征在于：所述S100的具体方法如下，历史数据集包括磨机喂料量W_mw、磨机电流I_md、磨机入口温度T_mrw、磨机出口温度T_mcw、磨机压差P_my、循环提升机电流I_mw、选粉机转速V_xf和循环风机电流I_xf，数据集为P组数据，而同一组下包含K时刻的各个数据，具体表示为

U_i(K)＝[Wⁱ _mw(k),Iⁱ _md(k),Tⁱ _mrw(k),Tⁱ _mcw(k),Pⁱ _my(k),Iⁱ _xt(k),Vⁱ _xz(k),Iⁱ _xf(k)]_K*8i＝1,2,3.....P，利用实验室离线分析获取相应时刻的水泥粒径概率分布函数P_i ^k(D,U_i)，i＝1,2,3...P，其中D为采集的水泥颗粒直径信息，U_i为输入参数。

3.根据权利要求2所述的基于随机分布的水泥粒径分布预测方法，其特征在于：所述S200具体方法如下，

S201：从S100获得的水泥粒径概率分布P_i ^K(D,U_i)利用公式1求出水泥粒径分布概率分布密度函数γ_i ^K(D,U_i)；

其中d₁、d₂为水泥颗粒直径；

S202：建立水泥粒径概率分布函数的基函数表达式，采用高斯形式的RBF网络作为基函数，其表达式为：

其中D为采集的水泥颗粒直径信息，μ_i,σ_i为第i个网络节点函数的中心值和宽度；

根据RBF网络逼近原理，确定基函数的权值表示，将水泥粒径分布的概率密度函数利用基函数加权和的形式进行表示，其表达式为：

其中，C(D)＝[B₁(D),B₂(D),…,B_n-1(D)]，B_n(D)为第n个基函数，V(k)＝[w₁(k),w₂(k),…,w_n-1(k)]^T，w_n(k)为第n个基函数对应的权值，e₀(D,k)为对不同情况、不同时刻的概率分布密度函数逼近的误差；

S203：确定每个基函数的权值，第n个权值ω_n(k)可用权值向量V(k)的非线性函数h(V(k))表示为：

其中，

忽略逼近误差，结合式3和4可以得到：

两边左乘[C^T(D) B_n(D)]^T，并在区间[D_min D_max]上进行积分，当矩阵非奇异时，可以转化得到：

利用上式6求出水泥粒径概率分布密度函数各个基函数的权值V(k)。

4.根据权利要求3所述的基于随机分布的水泥粒径分布预测方法，其特征在于：所述S300具体方法如下，

S301：将磨机喂料量W_mw、磨机电流I_md、磨机入口温度T_mrw、磨机出口温度T_mcw、磨机压差P_my、循环提升机电流I_mw、选粉机转速V_xf、循环风机电流I_xf、前一时刻变量U(K-1)和水泥粒径分布概率密度权值V(K)组合成m个训练样本X；

X＝[Wⁱ _mw(k),Iⁱ _md(k),Tⁱ _mrw(k),Tⁱ _mcw(k),Pⁱ _my(k),Iⁱ _xt(k),Vⁱ _xz(k),Iⁱ _xf(k),Uⁱ(K-1),Vⁱ(k)]_K*(8+8+m)i＝1,2,3,...m,m∈P

S302：初始给定各均值向量μ_j以及分类数G，计算样本X_i与μ_j之间的距离；

d_ij＝||x_i-μ_j||₂ (7)

根据距离最近的均值向量确定x_i的族标记：λ_i＝argmin_{i∈{1,2,3...k}}d_ji，将样本x_i划入相应的族：

S303：计算新的均值向量

S304：判断是否μ′_j＝μ_j，重复S302至S303，直至满足本条件；

S305：依据对训练样本分类结果，按照式子进行对相同分类的样本赋权重值；

n_k：同类的样本个数；

N_P：训练样本总数；

由此得到带有权重的训练样本X′＝WX。

5.根据权利要求4所述的基于随机分布的水泥粒径分布预测方法，其特征在于：所述S400具体方法如下，

S401：选择随机权神经网络，其网络模型表示为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置，对模型进行训练，随机给定一组输入层权值和偏置，利用采集的n组历史数据对模型进行训练，其目标函数为：

其中X_i为第i个训练样本，V_i为X_i对应的粒径分布权重；

通过求取H矩阵的广义逆得到最优的输出权值其公式为：

S402：建立基函数权值与输入变量之间的关系：利用测试集X_p-m检测该模型：

S403：输出测试集数据水泥粒径概率分布g_p-m通过式12可得：

g_p-m(D,k+1)＝C(D)V_p-m(k+1)+B_n(T)w_n(k+1) (12)

其中g_p-m为预测的水泥粒径分布概率函数。

6.根据权利要求5所述的基于随机分布的水泥粒径分布预测方法，其特征在于：所述S500具体方法如下，

S501：定义每一组X_i的性能指标函数Z_n：

Z_n是关于基函数参数的函数，其中K为每组总采样时间个数，γ_p-m(D,U(k))为测试集X_p-m的水泥粒径实际输出概率分布密度函数，通过式14和式15更新基函数参数μ和σ；

其中，μⁿ＝[μ₁ μ₂...μ_n]，σⁿ＝[σ₁ σ₂...σ_n]，n为定义的基函数参数个数；

S502：通过式16可变换为概率分布函数，由此可预测下一时刻的水泥粒径分布：