CN110766234A - 基于信息融合的水泥冷却过程篦下压力预测方法 - Google Patents

Abstract

本发明公开了一种基于信息融合的水泥冷却过程篦下压力预测方法，包括以下步骤：S1：确定信息融合的特征向量；S2：对现场生产数据进行处理确定合理的生产数据；S3：选择评分模型；S4：确定多模型融合神经网络结构，进行水泥冷却过程篦下压力预测。本发明提出了一种基于信息融合的水泥冷却过程篦下压力预测方法，将特征融合和模型融合相结合的一种预测方法，特征融合能够提高建模数据的质量，保证模型建立的稳定性，模型融合能够综合考虑各种基本预测方法在不同生产数据和不同条件下的预测精度，保证预测结果的稳定性。

Description

基于信息融合的水泥冷却过程篦下压力预测方法

技术领域

本发明涉及一种基于信息融合的水泥冷却过程篦下压力预测方法，属于水泥生产控制技术领域。

背景技术

水泥冷却过程是水泥生产过程中的重要环节，此环节工况的稳定性，将直接决定水泥生产的质量和余热发电的效率，由于该过程具有非线性、强耦合、大时滞等特性的原因，因此对该工段的控制显得尤为重要。

由于现代水泥生产采用的四代篦冷机的风机转速一般维持在一个较为稳定的状态，只有在特殊工况下才调节风机转速，所以工业现场对冷却风的风量调节较少，因此篦下压力成为水泥冷却过程的主要控制变量，当篦下压力过高时，出回转窑熟料的料层偏厚，冷却风机不易吹透料层，此时对于进入窑系统的二次风温、进入预热器的三次风温和进入余热发电系统的电热风温度较高，能源利用率提高，但熟料冷却效果不佳，能源利用率的提高是以冷却效果作为代价的。反之，进入篦冷机的熟料料层厚度薄，虽然保证了冷却的效果，但二三次风温温度达不到要求，影响烧成系统的稳定运行。

在水泥冷却过程篦下压力预测方面，很多学者已经做了大量研究，多数学者对多个算法建模的结果进行综合比较，最终选取较好的算法进行预测模型建模，但无法克服单一模型预测的不稳定性，模型泛化能力较差，针对不同生产线的数据需要进行模型参数调节，多次进行实验才能取得较优的预测值，调参过程繁琐，模型建立时间长，因此实际应用效果不佳。在此基础上，有学者加深研究，在模型建立过程中加入优化算法，例如遗传算法、进化算法等，提高了模型算法参数选取的准确性，减小了预测误差，但整个过程需要对问题进行编码解码，并且优化算法的参数的选择大部分也是依靠经验，会影响解的质量。

发明内容

针对以上方法存在的不足，本发明提出了一种基于信息融合的水泥冷却过程篦下压力预测方法，能够保证预测结果的稳定性。

本发明解决其技术问题采取的技术方案是：

本发明实施例提供的一种基于信息融合的水泥冷却过程篦下压力预测方法，包括以下步骤：

S1：确定信息融合的特征向量；

S2：对现场生产数据进行处理确定合理的生产数据；

S3：选择评分模型；

S4：确定多模型融合神经网络结构，进行水泥冷却过程篦下压力预测。

作为本实施例一种可能的实现方式，

所述特征向量包括回转窑烧成带温度、出回转窑熟料温度、窑头喷煤量、窑头负压、窑电流、入窑提升机电流和二次风温。

作为本实施例一种可能的实现方式，所述对现场生产数据进行处理确定合理的生产数据的过程包括以下步骤：

基于莱以特准则的粗大误差剔除；

基于工艺指标和现场生产指标的异常数据剔除；

数据归一化处理。

作为本实施例一种可能的实现方式，所述基于莱以特准则的粗大误差剔除的过程为：

每一种特征向量X_i的n个数据求平均值

如式1所示：

计算特征向量X_i各项与均值的偏差V_i：

计算标准偏差σ：

如果残余误差的绝对值大于三倍标准偏差时，即V_i(1≤i≤n)，满足|V_i|>3σ，则认为X_i为异常数据，应将其剔除。

作为本实施例一种可能的实现方式，所述数据归一化处理公式为：

其中，max(x)是特征向量X_i的最大值，min(x)是特征向量X_i的最小值。

作为本实施例一种可能的实现方式，所述评分模型包括神经网模型、支持向量机模型和回归树模型。

作为本实施例一种可能的实现方式，所述神经网模型的输入为x＝[x₁x₂...x_n]^T，输出为y＝[y₁y₂...y_m]^T，神经元之间的权重为W_ij和W_jk，φ(x)为隐含层激活函数，ψ(x)为输出层激活函数；

所述神经网模型的输入信号的前向传播过程为：

隐含层第i个节点的输入net_i：

隐含层第i个节点的输出y_i：

输出层第k个节点的输入net_k：

输出层第k个节点的输出y_k：

所述神经网模型权值阈值的反向修正过程为：

对于每一个样本p的二次型误差准则函数为E_p：

系统对p个训练样本的总误差准则函数为：

根据误差梯度下降法依次修正输出层权值的修正量ΔW_ki，输出层阈值的修正量Δα_k，隐含层权值的修正量ΔW_ij，隐含层阈值的修正量Δθ_i；

输出层权值调整公式：

输出层阈值调整公式：

隐含层权值调整公式：

隐含层阈值调整公式：

其中，η为学习速率，0<η<1。

作为本实施例一种可能的实现方式，所述支持向量机模型的建立过程为：

通过非线性函数将给定的样本D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}从低维空间映射到高维空间F，将原始的非线性问题转换为线性问题，的到回归模型公式如下：

f(x)＝ω^Tx+b (3-17)

ω为F空间的权向量，b为阈值；

支持向量机问题形式化为公式(3-17):

其中，e_i为误差变量，C惩罚因子；

通过拉格朗日函数把优先约束下的条件问题转变为无约束条件的优化问题，根据径向基和函数的出组后的输出为式(3-18)

其中，输入量为x，输出量为y，λ_i为拉格朗日乘子，σ²为核函数的一个参数。

作为本实施例一种可能的实现方式，所述回归树模型的建立过程为：

使用平法查最小准则，训练数据集输入为D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}；

选择最优的特征j和分切点s，然后最小化损失函数式(3-20)；

利用j和s将输入空间划分为连个区域，分别为：R₁(j,s)＝{x|x^(j)≤s}和R₂(j,s)＝{x|x^(j)>s}；并输出相应的预测值

其中c₁和c₂分别为R₁和R₂区间内的输出平均值；

依次对每个特征的每个取值进行遍历，计算出当前每一个可能的切分点的误差，最后选择切分误差最小的点将输入空间切分为两个部分，然后递归上述步骤，直到切分结束形成回归树f(x)；

c_m为所划分区域输出的平均值。

本发明实施例的技术方案可以具有的有益效果如下：

本发明提出了一种基于信息融合的水泥冷却过程篦下压力预测方法，将特征融合和模型融合相结合的一种预测方法，特征融合能够提高建模数据的质量，保证模型建立的稳定性，模型融合能够综合考虑各种基本预测方法在不同生产数据和不同条件下的预测精度，保证预测结果的稳定性。

与现有技术相比较，本发明的有益效果如下：

1)预测精度高，本发明采用了三种常用于水泥数据预测的预测算法进行融合，均衡三种算法的优势与不足，提高预测精度。

2)普适性强，本发明是用于水泥冷却过程篦下压力的预测，但方法不仅局限于水泥生产冷却过程，适合工业生产中数据量大，关联性强的数据预测。

3)偶然性低，单一算法参数不固定，每次预测建模多数依靠人工经验选取较优结果，产生较优结果具有一定的偶然性。而此模型预测过程是对单一模型预测不断优化的过程，预测结果会越来越好，出现较优结果偶然性低。

附图说明：

图1是根据一示例性实施例示出的一种基于信息融合的水泥冷却过程篦下压力预测方法的流程图；

图2是本发明基于信息融合的水泥冷却过程篦下压力预测方法的验证流程图；

图3是一种水泥冷却过程示意图；。

图4是一种BP神经网络结构图；

图5是本发明所述的多模型融合神经网示意图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

图1是根据一示例性实施例示出的一种基于信息融合的水泥冷却过程篦下压力预测方法的流程图。如图1所示，本发明实施例提供的一种基于信息融合的水泥冷却过程篦下压力预测方法，包括以下步骤：

S1：确定信息融合的特征向量；

S2：对现场生产数据进行处理确定合理的生产数据；

S3：选择评分模型；

S4：确定多模型融合神经网络结构，进行水泥冷却过程篦下压力预测。

图2是本发明基于信息融合的水泥冷却过程篦下压力预测方法的验证流程图。如图2所示，本发明的一种基于信息融合的水泥冷却过程篦下压力预测方法，具体实现过程如下：

步骤S1：确定信息融合的特征向量；

由于水泥工业是典型的流程工业，生产环节前后关系密切，耦合性强，所以特征向量的选择不能仅局限于冷却环节，根据工艺机理，烧成环节的参数与冷却环节的参数紧密相关，所以应该从两个环节进行特征向量的选取。但从工艺角度，关联参数较多，当特征向量选取较多时不仅费时而且精度较低，如图3所示，因此综合工艺机理和实际生产过程中的实际操纵量和监控量，最终选取7个特征向量，分别是:回转窑烧成带温度、出回转窑熟料温度、窑头喷煤量、窑头负压、窑电流、入窑提升机电流和二次风温。

步骤S2：选取合理生产数据，将现场生产数据经过莱以特准则、现场生产指标、归一化后确定合理的生产数据；

1)基于莱以特准则的粗大误差剔除

将变量X_i的n个数据求平均值，

如式1所示

计算X_i各项与均值的偏差V_i：

计算标准偏差σ：

如果残余误差的绝对值大于三倍标准偏差时，即V_i(1≤i≤n)，满足|V_i|>3σ，则认为X_i为异常数据，应将其剔除。

2)基于工艺指标和现场生产指标的异常数据剔除

在对粗大误差做了提取去除之后，避免了粗大误差对预测模型建立的影响。由于水泥生产原材料主要成分含量不同，生产线生产设备的自动化水平不同，生产设备的老旧程度不同，现场操作员的操作经验水平的不同，很多生产参数会有波动，工艺参数也会有波动，但工艺参数波动较小，而生产参数由于生产设备的先进程度不一样，会有较大波动。

3)数据归一化处理

因为在现场数据采集的过程中，各个数据的量纲不相同的，如果不进行归一化处理，量纲的作用会在模型建立过程中无形加大，导致建模不准确，因此对数据进行归一化处理：

步骤S3：选择评分模型；

1)神经网模型

BP神经网络算法是神经网络算法中应用最广的算法。该算法有两大特点：输入信号的前向传播和权值阈值的反向修正。

如图4所示，BP神经网络的输入为x＝[x₁x₂...x_n]^T，输出为y＝[y₁y₂...y_m]^T，神经元之间的权重为W_ij和W_jk，φ(x)为隐含层激活函数，ψ(x)为输出层激活函数。

(1)信号的前向传播过程

隐含层第i个节点的输入net_i：

隐含层第i个节点的输出y_i：

输出层第k个节点的输入net_k：

输出层第k个节点的输出y_k：

(2)误差的反向传播过程

对于每一个样本p的二次型误差准则函数为E_p：

系统对p个训练样本的总误差准则函数为：

根据误差梯度下降法依次修正输出层权值的修正量ΔW_ki，输出层阈值的修正量Δα_k，隐含层权值的修正量ΔW_ij，隐含层阈值的修正量Δθ_i。

输出层权值调整公式：

输出层阈值调整公式：

隐含层权值调整公式：

隐含层阈值调整公式：

2)支持向量机模型

支持向量机(SVM)的核心是寻找一个非线性的函数，通过该函数将给定的样本D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}从低维空间映射到高维空间F，将原始的非线性问题转换为线性问题，的到回归模型公式如下：

f(x)＝ω^Tx+b

ω为F空间的权向量，b为阈值。

SVM问题形式化为公式(3-17):

其中，e_i为误差变量，C惩罚因子。

通过拉格朗日函数把优先约束下的条件问题转变为无约束条件的优化问题，根据径向基和函数的出组后的输出为式(3-18)

其中，输入量为x，输出量为y，λ_i为拉格朗日乘子，σ²为核函数的一个参数。

3)回归树模型

回归树总体流程类似于分类树，分枝时穷举每一个特征的每一个阈值，来寻找最优切分特征j和最优切分点s，衡量的方法是平方误差最小化。分枝直到达到预设的终止条件(如叶子个数上限)就停止。

使用平法查最小准则，训练数据集输入为D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}。

选择最优的特征j和分切点s，然后最小化损失函数式(3-20)。

利用j和s将输入空间划分为连个区域，分别为：R₁(j,s)＝{x|x^(j)≤s}和R₂(j,s)＝{x|x^(j)>s}。并输出相应的预测值

其中c₁和c₂分别为R₁和R₂区间内的输出平均值。为了使平方误差最小，我们需要依次对每个特征的每个取值进行遍历，计算出当前每一个可能的切分点的误差，最后选择切分误差最小的点将输入空间切分为两个部分，然后递归上述步骤，直到切分结束形成回归树f(x)。

步骤S4：确定多模型融合神经网络结构，进行水泥冷却过程篦下压力预测；

多模型融合神经网是单一神经网络的一种演化，其具有神经网络的结构，神经网络隐含层为中间层的一层、二层到n层，每一层的神经元都是单一的BP神经网络、支持向量机、回归树算法，其结构如图5所示。但不同的是，神经网络模型是信号正向传播，误差反向传播，而融合模型整体只有前向传播，误差的反向传播是每经过一层中间层就调整一次。

将数据分为训练数据和测试数据，按照融合模型结构进行训练。

本发明通过对水泥冷却过程篦下压力的预测，结合模型融合和特征融合的方法，提出了一种新的基于信息融合的水泥冷却过程篦下压力预测方法，其中融合模型中的单一模型可以是三个也可以更多。本发明主要包括四个阶段：第一阶段是结合水泥生产工艺，根据煅烧和冷却两个工段选取与篦下压力相关的特征向量；第二阶段是利用莱以特粗大误差数据剔除方法、对选取的生产数据进行粗大误差剔除，然后根据现场生产实际情况和工艺指标确定采集的数据筛选范围，对采集的数据进行筛选，排除数据波动较大引起的误差，最后将筛选完的数据进行归一化处理；第三阶段是根据水泥生产过程特性以及常用于水泥方面数据预测的方法对评分模型进行筛选；第四阶段将筛选的评分模型进行模型融合，得到多模型融合神经网络，进行数据预测。

本发明提出的基于信息融合的预测方法预测结果不具有偶然性，是通过合理的设计，均衡单一算法的预测优势，从而提高精度，此方法具有普适性，在工程实践中容易实现，拥有广阔的实用前景。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视作为本发明的保护范围。

Claims (9)

1.一种基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，包括以下步骤：

S1：确定信息融合的特征向量；

S2：对现场生产数据进行处理确定合理的生产数据；

S3：选择评分模型；

S4：确定多模型融合神经网络结构，进行水泥冷却过程篦下压力预测。

2.根据权利要求1所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，

所述特征向量包括回转窑烧成带温度、出回转窑熟料温度、窑头喷煤量、窑头负压、窑电流、入窑提升机电流和二次风温。

3.根据权利要求1所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，所述对现场生产数据进行处理确定合理的生产数据的过程包括以下步骤：

基于莱以特准则的粗大误差剔除；

基于工艺指标和现场生产指标的异常数据剔除；

数据归一化处理。

4.根据权利要求3所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，所述基于莱以特准则的粗大误差剔除的过程为：

每一种特征向量X_i的n个数据求平均值

如式1所示：

计算特征向量X_i各项与均值的偏差V_i：

计算标准偏差σ：

如果残余误差的绝对值大于三倍标准偏差时，即V_i(1≤i≤n)，满足|V_i|>3σ，则认为特征向量X_i为异常数据，应将其剔除。

5.根据权利要求3所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，所述数据归一化处理公式为：

max(x)是特征向量X_i的最大值，min(x)是特征向量X_i的最小值。

6.根据权利要求1所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，所述评分模型包括神经网模型、支持向量机模型和回归树模型。

7.根据权利要求6所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，所述神经网模型的输入为x＝[x₁x₂...x_n]^T，输出为y＝[y₁y₂...y_m]^T，神经元之间的权重为W_ij和W_jk，φ(x)为隐含层激活函数，ψ(x)为输出层激活函数；

所述神经网模型的输入信号的前向传播过程为：

隐含层第i个节点的输入net_i：

隐含层第i个节点的输出y_i：

输出层第k个节点的输入net_k：

输出层第k个节点的输出y_k：

所述神经网模型权值阈值的反向修正过程为：

对于每一个样本p的二次型误差准则函数为E_p：

系统对p个训练样本的总误差准则函数为：

根据误差梯度下降法依次修正输出层权值的修正量ΔW_ki，输出层阈值的修正量Δα_k，隐含层权值的修正量ΔW_ij，隐含层阈值的修正量Δθ_i；

输出层权值调整公式：

输出层阈值调整公式：

隐含层权值调整公式：

隐含层阈值调整公式：

其中，η为学习速率，0<η<1。

8.根据权利要求6所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，所述支持向量机模型的建立过程为：

通过非线性函数将给定的样本D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}从低维空间映射到高维空间F，将原始的非线性问题转换为线性问题，的到回归模型公式如下：

f(x)＝ω^Tx+b (3-17)

ω为F空间的权向量，b为阈值；

支持向量机问题形式化为公式(3-17):

s.t.y_i＝ω^Tx+b+e_i I＝1,2,...,N

其中，e_i为误差变量，C惩罚因子；

通过拉格朗日函数把优先约束下的条件问题转变为无约束条件的优化问题，根据径向基和函数的出组后的输出为式(3-18)

其中，输入量为x，输出量为y，λ_i为拉格朗日乘子，σ²为核函数的一个参数。

9.根据权利要求6所述的基于信息融合的水泥冷却过程篦下压力预测方法，其特征是，所述回归树模型的建立过程为：

使用平法查最小准则，训练数据集输入为D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}；

选择最优的特征j和分切点s，然后最小化损失函数式(3-20)；

利用j和s将输入空间划分为连个区域，分别为：R₁(j,s)＝{x|x^(j)≤s}和R₂(j,s)＝{x|x^(j)>s}；并输出相应的预测值

其中c₁和c₂分别为R₁和R₂区间内的输出平均值；

依次对每个特征的每个取值进行遍历，计算出当前每一个可能的切分点的误差，最后选择切分误差最小的点将输入空间切分为两个部分，然后递归上述步骤，直到切分结束形成回归树f(x)；

其中，c_m为所划分区域输出的平均值。

Images