CN110386768A - 水泥烧成过程中能耗动态实时控制方法 - Google Patents

Abstract

本发明提供了一种水泥烧成过程中能耗动态实时控制方法，其包括：基于互信息从水泥烧成系统的数据库选取与水泥烧制能耗相关的9个输入变量并进行处理得到样本数据矩阵；构建卷积神经网络并进行使用样本数据矩阵进行训练得到训练过后的卷积神经网络模型；以能耗最小值为优化目标对卷积神经网络模型进行优化得到多目标动态优化模型；将水泥烧成过程的生产指标及约束参数输入到多目标动态优化模型进行优化输出水泥烧成过程中的相应控制参数，并将控制参数发送至相应的控制器进行控制。本发明能够跟踪水泥回转窑的工况的变化，及时调整水泥烧成过程的控制参数。

Description

水泥烧成过程中能耗动态实时控制方法

技术领域

本发明涉及水泥烧结过程中的控制技术领域，特别涉及是一种水泥烧成过程中能耗动态实时控制方法。

背景技术

水泥烧成过程是在水泥生产中有着重大意义，电耗与煤耗是水泥生产过程中的重要指标，电耗与煤耗的降低响应了国家节能减排的政策，这对于社会生产有着重要意义。所以对电耗与煤耗的联合预测，并建立电耗与煤耗的多目标优化模型得到符合当前工况，(如：窑头温度、蓖下压力等)的最优值，降低生产过程的能耗，从而减少水泥厂的排放具有重要意义。水泥烧成过程具有复杂随机性，难以使用传统数学方法建立一个精确的水泥能耗预测模型，并且水泥烧成过程具有动态时滞性，操作员往往难以根于以经改变的工况，实时调整。

现有的一些预测模型如多元非线性回归算法、LSSVM预测模型等都难以解决时滞问题，即无法实时跟踪工况，无法有效的进行相应控制参数的调整，并且仅仅预测电耗难以反应综合能耗状况，因此对电耗与煤耗的联合预测以及对控制参数的优化显得尤为重要。

发明内容

本发明针对上述现有技术中的缺陷，提出了如下技术方案。

一种水泥烧成过程中能耗动态实时控制方法，该方法包括：

样本数据选择步骤，基于互信息从水泥烧成系统的数据库选取与水泥烧制能耗相关的9个输入变量并进行处理得到样本数据矩阵；

卷积神经网络训练步骤，构建卷积神经网络并进行使用样本数据矩阵进行训练，得到训练过后的卷积神经网络模型；

卷积神经网络模型优化步骤，以能耗最小值为优化目标对卷积神经网络模型进行优化得到多目标动态优化模型；

控制步骤，将水泥烧成过程的生产指标及约束参数输入到多目标动态优化模型进行优化输出水泥烧成过程中的相应控制参数，并将控制参数发送至相应的控制器进行控制。

更进一步地，所述样本数据选择步骤具体包括：

变量选取子步骤：首先定义两个离散随机变量X和Y的互信息为：

其中，p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数，基于该互信息表达式分析水泥烧成系统的数据库当中的变量与电耗及煤耗的关系，选择9个与电耗及煤耗相关的变量：分解炉出口温度X₁、喂料量反馈X₂、窑头负压X₃、一级筒出口温度X₄、二次风温X₅、窑尾温度X₆、窑电流平均值X₇、历史窑系统单位电耗X₈、历史吨熟料实物煤耗X₉；

数据处理子步骤：将从水泥烧成系统的数据库中提取出的样本数据通过最大最小值归一化的方法，使每个变量的数值都在[0,1]之间，将归一化后的9个变量数据按单位时间滑动，并选取t时刻到t+n时刻宽度为n的滑动窗口，将9个变量按行依次输入形成样本数据矩阵：

X_i＝{X_i(t),X_i(t+1),…,X_i(t+n)},i＝1,2,3,…,9

其中，X_i为第i行输入样本变量。

更进一步地，所述卷积神经网络训练步骤具体包括：

卷积子步骤，将样本数据矩阵通过输入层输入到卷积层，卷积层对输入层的输入的样本数据进行卷积操作，首先采用n₁个卷积核对输入层样本数据进行纵向卷积，卷积表达式如下：

a_i,j＝f(w_mx_i,j+b_m),m＝1,2,…n₁

其中，用x_i,j表示输入层数据第i行第j列元素，w_m表示卷积核权重，用b_m表示卷积核的偏置项；a_i,j表示卷积后数据的第i行第j列元素；用f表示激活函数relu，表达式如下：

f(x)＝max(0,x)

激活子步骤，输入层样本数据经过n₁个卷积核卷积计算后由relu函数激活，激活后输出n₁个神经元，每个神经元中包含一个数据矩阵，作为池化层的输入，采用q*1池化核平均池化，其表达式如下：

其中，q表示池化区域的大小，a_i,j卷积层输出的神经元的第i行第j列元素，D和F为单个神经元数据矩阵长度与宽度，由于池化核是纵向池化，神经元矩阵只有长度会减小，p_i/q,j表示池化层输出神经元矩阵元素的第i/q行第j列元素，池化层输出的神经元再由n₂个卷积核进行横向卷积和并再次进行平均池化，输出n₂个神经元。

全连接处理子步骤，经过三次卷积池化后输出的神经元的矩阵数据作为全连接层的输入，全连接层将所有神经元矩阵数据所代表的特征信息整合到全连接层的神经元当中，设全连接层神经元个数为T，经过多次卷积池化后输出的每个神经元中包含k行l列元素，全连接层每个神经元由n₂个[k,l]的卷积核对每个神经元矩阵中的元素进行卷积，具体表达式如下：

其中，x_k,l表示输入层数据第k行第l列元素；w_n表示卷积核权重，用b_n表示卷积核的偏置项；卷积核大小与神经元矩阵大小相同，卷积后输出一个数值，y_u表示全连接层每个神经元中的数值，即卷积后的n₂个数值相加得到的数值，输出层为全连接层输出向量的线性加权求和计算，输入神经元个数为T，输出为表达式如下：

其中，即为输出的能耗值，能表示输出的单位电耗值，能表示输出的吨煤耗值。

更进一步地，所述卷积神经网络模型优化是将训练好的卷积神经网络模型作为多目标优化的目标函数，以最小化煤耗与电耗为目标进行优化，包括：

构建目标函数及约束变量子步骤，构建的两个目标函数与一系列变量约束如表达式：

minf₁(x₁,x₂,...,x₉)

minf₂(x₁,x₂,...,x₉)

s.t.min₁≤x₁≤max₁

min₂≤x₂≤max₂

.

.

.

min₉≤x₉≤max₉

其中，f₁,f₂为煤耗与电耗，通过对2个目标函数加权使多目标问题简化，X₁...X₇属于生产被控变量，为了防止出现的解偏离实际情况，需要对每个变量均进行约束；

目标优化子步骤：

首先，种群初始化，在解空间中依据当前控制参数均匀产生M个个体，每个的维度均为9，x_i(0)＝(x_i,1(0),x_i,2(0),x_i,3(0),...,x_i,9(0))i＝1,2,3,...,M；

将种群带入到训练好的卷积神经网络模型中，计算出电耗与煤耗，并进行加权，得到综合能耗指标值，判断是否满足终止条件，满足即输出最优值；

然后，进行变异、交叉、约束处理、选择操作如下：

变异处理：在第g次迭代中，从种群随机选择3个个体X_p1(g),X_p2(g),X_p3(g)且p1≠p2≠p3≠i，生成的变异向量为：

H_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))

其中，X_p1(g)为被变异的个体，X_p2(g),X_p3(g)为随机挑选出对X_p1(g)进行变异的个体，F是缩放因子，生成的H_i(g)称之为第一中间向量；

交叉处理的表达式为：

将上述第一中间向量H_i(g)与X_p1(g)进行交叉操作，其中，cr∈[0,1]为交叉概率，rand(0,1)为0-1之间的随机数，若随机数小于等于cr，则选择h_i,j(g)，否则选择x_i,j(g)，经过交叉，生成第二中间向量V_i(g)；

约束处理：将生成的第二中间向量V_i(g)进行约束处理，即对变异向量中不符合实际情况的某个指标值进行处理，若高于约束则按照约束最大值赋值，若低于约束则按照约束最小值赋值；

选择，将变异交叉过后生成的向量，同原向量对比，挑选出更优的个体作为下一代种群，选择方式为：

其中，x_i(g+1)为下一代种群中的个体，V_i(g)为经过变异、交叉、约束处理后的第二中间向量，X_i(g)即为X_p1(g)，二者进行比较，若V_i(g)比X_i(g)有优势，则选V_i(g)，否则选X_i(g)。

更进一步地，所述缩放因子F的取值范围为0～2之间。

更进一步地，所述控制步骤的操作为：首先根据水泥生产当天确定的日生产指标与控制参数约束范围，然后将生产指标与控制参数输入至多目标优化模型当中，得到基于当前的最优控制参数，通过调节相应的控制器达到最优控制参数，由于实际控制参数值与理想控制参数值存在着误差，将记录的实际控制参数值再输入到卷积神经网络当中更新训练好的卷积神经网络模型，从而更新多目标优化模型的适应度函数，并根据实际控制参数值确定新的控制参数约束，从而实时调剂控制参数。

更进一步地，所述控制参数包括：分解炉出口温度X₁、喂料量反馈X₂、窑头负压X₃、一级筒出口温度X₄、二次风温X₅、窑尾温度X₆和窑电流平均值X₇。

本发明的技术效果为：

本发明建立的基于水泥工业的动态的实时的多目标优化模型，能够跟踪水泥回转窑的工况的变化，可以及时的为水泥烧成过程提供规划调度依据，本发明的优化算法更加计算更加快速，为水泥工业的实时优化奠定算法基础，本发明的多目标优化模型的约束为动态的实时的约束，能够使最优解始终符合实际，避免产生不符合实际的解，浪费计算时间。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。

图1为本发明提供的一种水泥烧成过程中能耗动态实时控制方法的流程图；

图2为本发明提供的样本数据选择步骤的流程图；

图3为本发明实施例提供的卷积神经网络训练步骤的流程图；

图4本发明实施例提供的卷积神经网络模型优化步骤的流程图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本发明的一种水泥烧成过程中能耗动态实时控制方法，该方法的原理为：首先从水泥烧成系统的数据库利用互信息选取与能耗相关的9个输入变量，将滑动窗口时间序列的技术与卷积神经网络相结合，建立多能耗指标联合预测模型即卷积神经网络模型，CNN，然后将预测模型利用到多目标优化模型当中，通过实时优化算法简称CNN-DE求出控制参数的最优解，最后将实际生产控制参数再次输入CNN预测模型当中，使预测模型时刻跟踪实际工况，并更新约束与边界条件。

该方法包括以下步骤。

样本数据选择步骤S101，基于互信息从水泥烧成系统的数据库选取与水泥烧制能耗相关的9个输入变量并进行处理得到样本数据矩阵。本发明中采用互信息的方法，对水泥烧成过程所涉及的变量进行了分析，确定了生产过程中影响能耗的9个相关变量，利用水泥工业的数据库得到相关变量的数据。在水泥工业当中，各个变量的数据的数值存在较大差距，这会影响模型的训练精度与速度。

卷积神经网络训练步骤S102，构建卷积神经网络并进行使用样本数据矩阵进行训练得到训练过后的卷积神经网络模型。

对输入层的9个归一化后的变量样本数据，由于水泥工业的变量之间的耦合性和时变时延特性，所以要进行不同方向的卷积，纵向卷积能够提取变量之间存在的特征，横向卷积可以提取同一变量不同时刻的数据特征，卷积完成后对数据进行池化操作，减少大量的运算数据，提高速度训练速度。卷积神经网络具体将按照3层卷积、3层池化的结构，该结构依次为卷积-池化-卷积-池化-卷积-池化，最后输入到全连接层。卷积层对输入的时间序列数据进行卷积计算，卷积过程权值共享，池化过程减少特征数据，简化网络计算复杂度，全连接层整合所有信息输出全连接层神经元，最后由输出层输出预测值。

卷积神经网络模型优化步骤S103，以能耗最小值为优化目标对卷积神经网络模型进行优化得到多目标动态优化模型。

该步骤中，以建立的卷积神经网络模型作为目标函数，将电耗乘以当前电价，煤耗乘以当前煤价，两者加权得到综合能耗指标。以能耗的最小值作为优化指标，通过CNN-DE算法得到符合当前工况的输入变量的最优值。并将未来时刻的变量数据进行保存，并重新输入到卷积神经网络当中进行训练，使预测模型能够实时的跟踪工况。并每隔一段时间，通过多目标动态优化模型输出一个最优值，用以指导实际生产。

控制步骤S104，将水泥烧成过程的生产指标及约束参数输入到多目标动态优化模型进行优化输出水泥烧成过程中的相应控制参数，并将控制参数发送至相应的控制器进行控制。

在一个实施例中，如图2所示，样本数据选择步骤S101具体包括：

变量选取子步骤S201：首先定义两个离散随机变量X和Y的互信息为：

其中，p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数，基于该互信息表达式分析水泥烧成系统的数据库当中的变量与电耗及煤耗的关系，选择9个与电耗及煤耗相关的变量：分解炉出口温度X₁、喂料量反馈X₂、窑头负压X₃、一级筒出口温度X₄、二次风温X₅、窑尾温度X₆、窑电流平均值X₇、历史窑系统单位电耗X₈、历史吨熟料实物煤耗X₉；

数据处理子步骤S202：将从水泥烧成系统的数据库中提取出的样本数据通过最大最小值归一化的方法，使每个变量的数值都在[0,1]之间，将归一化后的9个变量数据按单位时间滑动，并选取t时刻到t+n时刻宽度为n的滑动窗口，将9个变量按行依次输入形成样本数据矩阵：

X_i＝{X_i(t),X_i(t+1),…,X_i(t+n)},i＝1,2,3,…,9

其中，X_i为第i行输入样本变量。

本发明中，对每一个变量的数据进行归一化处理。由于各个变量数据存在时变时延的问题，所以引入滑动窗口概念，即将一个时间区间作为窗口大小选取变量数据并以单位时间滑动形成输入层，使一个时间区间的变量数据与单一时刻提的能耗预测量相对应形成时间序列。通过上述构建的样本数据矩阵输入至CNN的输入层，提高了卷积神经网络的训练速度，同时提高了对水泥工业电耗与煤耗的预测精度，这进一步保障了多目标优化模型的准确度。

在一个实施例中，如图3所示，卷积神经网络训练步骤S102具体包括：

卷积子步骤S301，将样本数据矩阵通过输入层输入到卷积层，卷积层对输入层的输入的样本数据进行卷积操作，首先采用n₁个卷积核对输入层样本数据进行纵向卷积，卷积表达式如下：

a_i,j＝f(w_mx_i,j+b_m),m＝1,2,…n₁

其中，用x_i,j表示输入层数据第i行第j列元素，w_m表示卷积核权重，用b_m表示卷积核的偏置项；a_i,j表示卷积后数据的第i行第j列元素；用f表示激活函数relu，表达式如下：

f(x)＝max(0,x)

激活子步骤S302，输入层样本数据经过n₁个卷积核卷积计算后由relu函数激活，激活后输出n₁个神经元，每个神经元中包含一个数据矩阵，作为池化层的输入，采用q*1池化核平均池化，其表达式如下：

其中，q表示池化区域的大小，a_i,j卷积层输出的神经元的第i行第j列元素，D和F为单个神经元数据矩阵长度与宽度，由于池化核是纵向池化，神经元矩阵只有长度会减小，p_i/q,j表示池化层输出神经元矩阵元素的第i/q行第j列元素，池化层输出的神经元再由n₂个卷积核进行横向卷积和并再次进行平均池化，输出n₂个神经元。

全连接处理子步骤S303，经过三次卷积池化后输出的神经元的矩阵数据作为全连接层的输入，全连接层将所有神经元矩阵数据所代表的特征信息整合到全连接层的神经元当中，设全连接层神经元个数为T，经过多次卷积池化后输出的每个神经元中包含k行l列元素，全连接层每个神经元由n₂个[k,l]的卷积核对每个神经元矩阵中的元素进行卷积，具体表达式如下：

其中，x_k,l表示输入层数据第k行第l列元素；w_n表示卷积核权重，用b_n表示卷积核的偏置项；卷积核大小与神经元矩阵大小相同，卷积后输出一个数值，y_u表示全连接层每个神经元中的数值，即卷积后的n₂个数值相加得到的数值，输出层为全连接层输出向量的线性加权求和计算，输入神经元个数为T，输出为表达式如下：

其中，即为输出的能耗值，能表示输出的单位电耗值，能表示输出的吨煤耗值。

在一个实施例中，如图4所示，卷积神经网络模型优化是将训练好的卷积神经网络模型作为多目标优化的目标函数，以最小化煤耗与电耗为目标进行优化，包括：

构建目标函数及约束变量子步骤S401，构建的两个目标函数与一系列变量约束如表达式：

minf₁(x₁,x₂,...,x₉)

minf₂(x₁,x₂,...,x₉)

s.t.min₁≤x₁≤max₁

min₂≤x₂≤max₂

.

.

.

min₉≤x₉≤max₉

其中，f₁,f₂为煤耗与电耗，通过对2个目标函数加权使多目标问题简化，X₁...X₇属于生产被控变量，为了防止出现的解偏离实际情况，需要对每个变量均进行约束；

目标优化子步骤S402：

首先，种群初始化，在解空间中依据当前控制参数均匀产生M个个体，每个的维度均为9，x_i(0)＝(x_i,1(0),x_i,2(0),x_i,3(0),...,x_i,9(0))i＝1,2,3,...,M；

将种群带入到训练好的卷积神经网络模型中，计算出电耗与煤耗，并进行加权，得到综合能耗指标值，判断是否满足终止条件，满足即输出最优值；

然后，进行变异、交叉、约束处理、选择操作如下：

变异处理：在第g次迭代中，从种群随机选择3个个体X_p1(g),X_p2(g),X_p3(g)且_p1≠p2≠p3≠i，生成的变异向量为：

H_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))

其中，X_p1(g)为被变异的个体，X_p2(g),X_p3(g)为随机挑选出对X_p1(g)进行变异的个体，F是缩放因子；

交叉处理的表达式为：

其中，cr∈[0,1]为交叉概率；

约束处理：将生成的变异向量进行约束处理，即对变异向量中不符合实际情况的某个指标值进行处理，若高于约束则按照约束最大值赋值，若低于约束则按照约束最小值赋值；

选择，将变异交叉过后生成的向量，同原向量对比，挑选出更优的个体作为下一代种群，选择方式为：

优选地，缩放因子F的取值范围为0～2之间。

本发明中将训练好的CNN模型作为多目标优化的目标函数，以最小化煤耗与电耗为目标，进行计算。得到符合当前工况的指标值，指导现场操作。现场操作必然存在误差，所以记录指标的实际值，并再次将实际生产值输入到CNN神经网络当中，使预测模型跟踪工况，在依据实际现场情况，通过多目标优化模型更新最优指标值，这是本发明的一个重要发明点。

在一个实施例中，控制步骤的操作为：首先根据水泥生产当天确定的日生产指标与控制参数约束范围，然后将生产指标与控制参数输入至多目标优化模型当中，得到基于当前的最优控制参数，通过调节相应的控制器达到最优控制参数，由于实际控制参数值与理想控制参数值存在着误差，将记录的实际控制参数值再输入到卷积神经网络当中更新训练好的卷积神经网络模型，从而更新多目标优化模型的适应度函数，并根据实际控制参数值确定新的控制参数约束，从而实时调剂控制参数。控制参数包括：分解炉出口温度X₁、喂料量反馈X₂、窑头负压X₃、一级筒出口温度X₄、二次风温X₅、窑尾温度X₆和窑电流平均值X₇，即X₁...X₇属于生产被控变量，即在生产过程中的被控制或被调节的物理变量，通过相应的控制器进行其参数的调节，各参数通过相应的传感器进行采集。

通过本发明建立的基于水泥工业的动态的实时的多目标优化模型，能够跟踪水泥回转窑的工况的实时变化，可以实时的为水泥烧成过程提供规划调度依据，本发明的优化算法更加计算更加快速，为水泥工业的实时优化奠定算法基础，本发明的多目标优化模型的约束为动态的实时的约束，能够使最优解始终符合实际，从而使得水泥转窑的运行参数得以实时调节，降低能耗。

最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种水泥烧成过程中能耗动态实时控制方法，其特征在于，该方法包括：

样本数据选择步骤，基于互信息从水泥烧成系统的数据库选取与水泥烧制能耗相关的9个输入变量并进行处理得到样本数据矩阵；

卷积神经网络训练步骤，构建卷积神经网络并进行使用样本数据矩阵进行训练，得到训练过后的卷积神经网络模型；

卷积神经网络模型优化步骤，以能耗最小值为优化目标对卷积神经网络模型进行优化得到多目标动态优化模型；以及

控制步骤，将水泥烧成过程的生产指标及约束参数输入到多目标动态优化模型进行优化输出水泥烧成过程中的相应控制参数，并将控制参数发送至相应的控制器进行控制。

2.根据权利要求1所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述样本数据选择步骤具体包括：

变量选取子步骤：首先定义两个离散随机变量X和Y的互信息为：

其中，p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数，基于该互信息表达式分析水泥烧成系统的数据库当中的变量与电耗及煤耗的关系，选择9个与电耗及煤耗相关的变量：分解炉出口温度X₁、喂料量反馈X₂、窑头负压X₃、一级筒出口温度X₄、二次风温X₅、窑尾温度X₆、窑电流平均值X₇、历史窑系统单位电耗X₈以及历史吨熟料实物煤耗X₉；

数据处理子步骤：将从水泥烧成系统的数据库中提取出的样本数据通过最大最小值归一化的方法，使每个变量的数值都在[0,1]之间，将归一化后的9个变量数据按单位时间滑动，并选取t时刻到t+n时刻宽度为n的滑动窗口，将9个变量按行依次输入形成样本数据矩阵：

X_i＝{X_i(t),X_i(t+1),…,X_i(t+n)},i＝1,2,3,…,9

其中，X_i为第i行输入样本变量。

3.根据权利要求2所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述卷积神经网络训练步骤具体包括：

卷积子步骤，将样本数据矩阵通过输入层输入到卷积层，卷积层对输入层的输入的样本数据进行卷积操作，首先采用n₁个卷积核对输入层样本数据进行纵向卷积，卷积表达式如下：

a_i,j＝f(w_mx_i,j+b_m),m＝1,2,…n₁

其中，用x_i,j表示输入层数据第i行第j列元素，w_m表示卷积核权重，用b_m表示卷积核的偏置项；a_i,j表示卷积后数据的第i行第j列元素；用f表示激活函数relu，表达式如下：

f(x)＝max(0,x)

激活子步骤，输入层样本数据经过n₁个卷积核卷积计算后由relu函数激活，激活后输出n₁个神经元，每个神经元中包含一个数据矩阵，作为池化层的输入，采用q*1池化核平均池化，其表达式如下：

其中，q表示池化区域的大小，a_i,j卷积层输出的神经元的第i行第j列元素，D和F为单个神经元数据矩阵长度与宽度，由于池化核是纵向池化，神经元矩阵只有长度会减小，p_i/q,j表示池化层输出神经元矩阵元素的第i/q行第j列元素，池化层输出的神经元再由n₂个卷积核进行横向卷积和并再次进行平均池化，输出n₂个神经元；

全连接处理子步骤，经过三次卷积池化后输出的神经元的矩阵数据作为全连接层的输入，全连接层将所有神经元矩阵数据所代表的特征信息整合到全连接层的神经元当中，设全连接层神经元个数为T，经过多次卷积池化后输出的每个神经元中包含k行l列元素，全连接层每个神经元由n₂个[k,l]的卷积核对每个神经元矩阵中的元素进行卷积，具体表达式如下：

其中，x_k,l表示输入层数据第k行第l列元素；w_n表示卷积核权重，用b_n表示卷积核的偏置项；卷积核大小与神经元矩阵大小相同，卷积后输出一个数值，y_u表示全连接层每个神经元中的数值，即卷积后的n₂个数值相加得到的数值，输出层为全连接层输出向量的线性加权求和计算，输入神经元个数为T，输出为表达式如下：

其中，即为输出的能耗值，能表示输出的单位电耗值，能表示输出的吨煤耗值。

4.根据权利要求3所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述卷积神经网络模型优化是将训练好的卷积神经网络模型作为多目标优化的目标函数，以最小化煤耗与电耗为目标进行优化，包括：

构建目标函数及约束变量子步骤，构建的两个目标函数与一系列变量约束如表达式：

min f₁(x₁,x₂,...,x₉)

min f₂(x₁,x₂,...,x₉)

s.t.min₁≤x₁≤max₁

min₂≤x₂≤max₂

-

-

-

min₉≤x₉≤max₉

其中，f₁,f₂为煤耗与电耗，通过对2个目标函数加权使多目标问题简化，X₁...X₇属于生产被控变量，为了防止出现的解偏离实际情况，需要对每个变量均进行约束；

目标优化子步骤：

首先，种群初始化，在解空间中依据当前控制参数均匀产生M个个体，每个的维度均为9，x_i(0)＝(x_i,1(0),x_i,2(0),x_i,3(0),...,x_i,9(0))i＝1,2,3,...,M；

将种群带入到训练好的卷积神经网络模型中，计算出电耗与煤耗，并进行加权，得到综合能耗指标值，判断是否满足终止条件，满足即输出最优值；

然后，进行变异、交叉、约束处理、选择操作如下：

变异处理：在第g次迭代中，从种群随机选择3个个体X_p1(g),X_p2(g),X_p3(g)且_p1≠p2≠p3≠i，生成的变异向量为：

H_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))

其中，X_p1(g)为被变异的个体，X_p2(g),X_p3(g)为随机挑选出对X_p1(g)进行变异的个体，F是缩放因子,生成的H_i(g)称之为第一中间向量；

交叉处理的表达式为：

将上述第一中间向量H_i(g)与X_p1(g)进行交叉操作，其中，cr∈[0,1]为交叉概率，rand(0,1)为0-1之间的随机数，若随机数小于等于cr，则选择h_i,j(g)，否则选择x_i,j(g)，经过交叉，生成第二中间向量V_i(g)；

约束处理：将生成的第二中间向量V_i(g)进行约束处理，即对变异向量中不符合实际情况的某个指标值进行处理，若高于约束则按照约束最大值赋值，若低于约束则按照约束最小值赋值；

选择，约束处理过后的第二中间向量V_i(g)，同X_p1(g)对比，挑选出更优的个体作为下一代种群，选择方式为：

其中，x_i(g+1)为下一代种群中的个体，V_i(g)为经过变异、交叉、约束处理后的第二中间向量，X_i(g)即为X_p1(g)，二者进行比较，若V_i(g)比X_i(g)有优势，则选V_i(g)，否则选X_i(g)。

5.根据权利要求4所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述缩放因子F的取值范围为0～2之间。

6.根据权利要求5所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述控制步骤的操作为：首先根据水泥生产当天确定的日生产指标与控制参数约束范围，然后将生产指标与控制参数输入至多目标优化模型当中，得到基于当前的最优控制参数，通过调节相应的控制器达到最优控制参数，由于实际控制参数值与理想控制参数值存在着误差，将记录的实际控制参数值再输入到卷积神经网络当中更新训练好的卷积神经网络模型，从而更新多目标优化模型的适应度函数，并根据实际控制参数值确定新的控制参数约束，从而实时调剂控制参数。

7.根据权利要求6所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述控制参数包括：分解炉出口温度X₁、喂料量反馈X₂、窑头负压X₃、一级筒出口温度X₄、二次风温X₅、窑尾温度X₆和窑电流平均值X₇。