CN110981240A - 煅烧过程优化方法和系统 - Google Patents

Abstract

本发明公开了一种煅烧过程煤耗优化方法和系统，适用于例如水泥生产过程中节能并降低煤耗。所述方法包括：利用质量守恒、能量守恒和/或最小二乘法对分解炉、回转窑和篦冷机装置构建数学模型；以低煤耗为优化目标，控制回路设定值作为决策变量，利用约束条件构建优化模型；求解优化模型获得控制回路设定值。

Description

煅烧过程优化方法和系统

技术领域

本发明涉及煅烧过程优化方法和系统，尤其涉及煅烧过程煤耗优化方法和系统。

背景技术

新型干法水泥窑炉煅烧过程主要包括分解炉、回转窑和篦冷机三个装置。水泥窑炉煅烧过程主要流程如下。粉磨后的生料从悬浮预热器顶部进入预热器，生料由于重力作用下落，热风进行充分热交换达到脱水预热的目的。预热后的生料进入分解炉，约90％的碳酸盐在分解炉进行煅烧分解；分解后的生料由分解炉进入回转窑进行固相、液相反应，最终形成水泥熟料。高温熟料进入篦冷机进行冷却、破碎，同时换热后的热风可用于回转窑二次风、分解炉三次风以及煤磨用风、余热发电，提高能量利用效率。

水泥窑炉煅烧过程具有高能耗、高污染的特点，国家层面高度重视节能降耗，因此，水泥窑炉煅烧过程迫切需要有效的优化方法，起到节能降耗的作用，提高企业利润。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于提供一种煅烧过程煤耗优化方法。该方法适用于包括但不限于水泥窑炉煅烧过程节能降耗。

本发明第一方面提供一种煅烧过程煤耗优化方法，所述煅烧过程包括分解炉、回转窑和篦冷机装置，所述方法包括：

(1)采集物料参数和系统参数，

(2)利用质量守恒、能量守恒和/或最小二乘法对分解炉、回转窑和篦冷机装置构建数学模型，对回转窑喂煤量、分解炉喂煤量、单位时间进入分解炉生料量进行预处理，

(3)以低煤耗为优化目标，控制回路设定值作为决策变量，利用约束条件构建优化模型，所述控制回路设定值包括分解炉出口温度、回转窑主电机电流和篦冷机篦下压力；

(4)根据约束条件获得控制回路设定值。

在一个或多个实施方案中，物料参数包括分解炉喂煤量Coal_Cal、进料量F_Raw、窑尾烟室温度T_Tail、三次风温度T_Third、回转窑喂煤量Coal_Kiln。

在一个或多个实施方案中，系统参数包括高温风机转速S_Fan。

在一个或多个实施方案中，步骤(2)中分解炉的模型结构如下：

T_Cal＝f(Coal_Cal,F_Raw,T_Tail,T_Third,S_Fan)

其中模型输出T_Cal为分解炉出口温度，模型输入Coal_Cal为分解炉喂煤量，F_Raw为进料量，T_Tail为窑尾烟室温度，T_Third为三次风温度，S_Fan为高温风机转速。

在一个或多个实施方案中，分解炉模型基于分解炉内的质量守恒和能量守恒构建。

在一个或多个实施方案中，分解炉内包含生料分解反应和煤燃烧反应。

在一个或多个实施方案中，生料分解反应是碳酸钙分解反应。

在一个或多个实施方案中，生料分解反应的吸热Q_{R_Caco3}为

Q_{R_Caco3}＝H_Raw*R_Raw

其中H_Raw为每千克碳酸钙分解吸热量，R_Raw为碳酸钙反应速率，与分解炉下料管温度和分解炉内二氧化碳分压相关。

在一个或多个实施方案中，碳酸钙反应速率R_Raw为

其中为A_Caco3反应界面的表面积，M_Caco3为碳酸钙分子量，P_Co2为分解炉中CO2分压，P_e为生料温度为T_Cal时CO2平衡分解压力，其中k_s为

其中P_e为

在一个或多个实施方案中，分解炉中CO₂分压与风机转速S_Fan相关。

在一个或多个实施方案中，煤燃烧反应的放热Q_{R_Coal}为

Q_{R_Coal}＝H_Coal*R_Coal*η_Coal

其中H_Coal为煤粉的燃烧热，R_Coal为煤反应速率，η_Coal为分解炉内煤粉燃尽率。

在一个或多个实施方案中，煤反应速率R_Coal与分解炉温度、分解炉内O₂含量相关。

在一个或多个实施方案中，煤反应速率R_Coal为

其中，k_c为反应速率常数，A_Coal为煤燃烧反应表面积，P_O2为氧气分压，氧气分压与窑尾高温风机转速S_Fan关联。

在一个或多个实施方案中，分解炉内质量守恒如下：

M_Third+M_Tail+M_Clear+M_Raw+M_Coal＝M_Gout+M_Sout+M_Error

其中M_Third为三次风流量，M_Tail为窑尾烟室风流量，M_Clear为入炉一次风流量，M_Raw入炉物料流量，M_Coal入炉煤粉流量。M_Gout和M_Sout分别为分解炉出口气体流量和入窑物料流量，M_Error为质量守恒补偿项，基本为0。

在一个或多个实施方案中，步骤(2)中分解炉的模型包括如下能量守恒模型：

Q_Third+Q_Tail+Q_Clear+Q_Raw+Q_Coal+Q_{R_Coal}-Q_{R_Caco3}＝Q_Gout+Q_Sout+Q_Error

其中Q_Third为三次风显热，Q_Tail为二次风显热，Q_Clear为入炉一次风显热，Q_Raw为入炉物料显热，Q_Coal为入炉煤粉显热，Q_{R_Coal}为煤燃烧放热，Q_{R_Caco3}为碳酸钙分解吸热，Q_Gout为分解炉出口气体显热，Q_Sout为入窑物料显热，Q_Error为补偿项。

在一个或多个实施方案中，Q_Sout＝C_s*M_Sout*T_Cal，Q_Error＝C_s*M_Error*T_Cal。

在一个或多个实施方案中，求解能量守恒模型，即可获得T_Cal。

在一个或多个实施方案中，步骤(2)中回转窑模型结构如下：

I_Kiln＝f(T_Cal,Coal_Kiln,T_Third)

其中回转窑主电机电流I_kiln为模型输出，T_Cal为分解炉出口温度，T_Third为三次风温度，Coal_Kiln为回转窑喂煤量，Coal_cal为分解炉喂煤量。

在一个或多个实施方案中，采用最小二乘法构建如下回转窑模型：

I_Kiln＝A₁*T_Cal+A₂*Coal_Kiln+A₃*T_Third+A₄

其中A₁,A₂,A₃,A₄为模型参数，参数采用最小二乘法进行辨识。相比于现有模型回转窑机理模型中气固反应反应动力学参数难确定，回转窑内部无检测情况，本发明采用基于输入输出数据的数据驱动建模方法，只需要输入输出数据即可获得精确优化模型。

在一个或多个实施方案中，步骤(2)中篦冷机模型结构如下：

T_Third＝f(P_Cool,I_Kiln,S_Fan)

其中三次风温度T_Third为模型输出，P_Cool为篦冷机篦下压力，I_Kiln为回转窑主电机电流，S_Fan为高温风机转速。

在一个或多个实施方案中，篦冷机主体部分为一段篦冷机。

在一个或多个实施方案中，一段篦冷机的气体热量守恒模型如下：

Q_G,In+Q_C,G＝Q_G,Out，

且，一段篦冷机的固体能量守恒模型如下：

Q_C,In＝Q_C,G+Q_C,Out，

其中Q_G,In和Q_G,Out分别为进入一段篦冷机气体和离开一段篦冷机气体热量，Q_C,In和Q_C,out分别为进入一段篦冷机熟料和离开一段篦冷机一段熟料的热量，其中Q_C,G为熟料和气体间换热。

在一个或多个实施方案中，进入一段篦冷机气体热量为

Q_G,In＝C_G,In*M_G,In*T_G,In

M_G,In为篦冷机底层风机吹入篦冷机气体质量流量。

在一个或多个实施方案中，离开一段篦冷机气体热量为

Q_G,Out＝C_Third*M_Third*T_Third+C_Tail*M_Tail*T_Tail

离开一段篦冷机气体热量是二次风和三次风热量，与风机转速S_Fan关联。

在一个或多个实施方案中，

Q_C,In＝C_C,In*M_C*T_C,In

其中T_C,In为进入篦冷机熟料温度。

在一个或多个实施方案中，进入篦冷机熟料温度为

其中T_Base,I_Base为基准温度值和基准电流值。

在一个或多个实施方案中，

Q_C,Out＝C_C,Out*M_C*T_C,Out

其中T_C,Out为离开篦冷机一段熟料温度。

在一个或多个实施方案中，熟料与气体之间换热Q_C,G为

Q_C,G＝K*a*(T_c-T_g)*V_Cooler

其中K为气体间的综合换热系数，a为单位体积床层的有效表面积，(T_c-T_g)为气固之间平均温差，V_Cooler为一段篦冷机熟料的体积，如下所示

(T_c-T_g)＝(T_C,In+T_C,out-T_G,In-T_G,out)

V_Cooler＝L_Cooler*W_Cooler*H_Cooler

其中h为气体对流换热系数，λ_c为熟料导热系数，Φ为颗粒形状校正系数，x为颗粒的透热深度。其中ε为空隙率，d_p为物料尺寸，T_C,In,T_C,Out,T_G,In,T_G,out分别为进入一段篦冷机物料温度，离开一段篦冷机物料温度，进入一段篦冷机气体温度，离开一段篦冷机气体温度，L_Cooler,W_Cooler,H_Cooler分别为一段篦冷机长度、宽度和高度。

在一个或多个实施方案中，采用篦冷机篦下压力P_Cool表征料层高度H_Cooler，优选为

H_Cooler＝B₁*P_Cool ²+B₂*P_Cool+B₃

其中B₁,B₂,B₃为模型参数。

在一个或多个实施方案中，步骤(3)中优化目标为单产熟料煤耗最小

min Energy＝(Coal_Cal+Coal_Kiln)/Clinker

其中Clinker为熟料产量。

在一个或多个实施方案中，步骤(3)中决策变量底层控制回路设定值。优选地，步骤(3)中决策变量包括分解炉出口温度，回转窑主电机电流，篦冷机篦下压力。

在一个或多个实施方案中，步骤(3)中约束条件包括关键质量指标游离氧化钙含量Fcao约束，分解炉预热器出口氧气含量O₂约束，入窑生料分解率Rate约束，和/或决策变量T_Cal、I_Kiln及P_Cool约束。

在一个或多个实施方案中，游离氧化钙含量Fcao模型结构如下所示：

Fcao＝f(T_Cal,I_Kiln,P_Cool)

游离氧化钙模型采用辅助变量为分解炉出口温度T_Cal，回转窑主电机电流I_Kiln和篦冷机篦下压力P_Cool。

在一个或多个实施方案中，分解炉预热器出口氧气含量O₂模型结构如下所示：

O2＝f(Coal_Cal,S_Fan)。

在一个或多个实施方案中，分解炉预热器出口O2含量为：

O2＝O2_Third+O2_Tail-O2_CalCoal

其中O2_Third主要成分是空气，O2_Tail成分与回转窑喂煤量Coal_Kiln有关，O2_CalCoal成分与分解炉喂煤量Coal_Cal有关。

在一个或多个实施方案中，

其中k_Carbon为煤粉含碳量，M_O2为O2摩尔质量，M_C为焦炭摩尔质量。

在一个或多个实施方案中，入窑生料分解率Rate模型结构如下所示：

Rate＝f(T_Cal,F_Raw)

在一个或多个实施方案中，入窑生料分解率Rate为

Rate＝R_Raw/F_Raw

其中R_Raw为生料分解速率，F_Raw为单位时间进入分解炉生料。

决策变量T_Cal、I_Kiln及P_Cool约束

根据本发明的新型干法水泥窑炉煅烧过程全流程优化方法的一实施例，步骤(4)中使用模式搜索算法求解。

在一个或多个实施方案中，决策变量约束选自以下一个或多个：分解炉出口温度：700℃≤T_Cal≤1000℃，回转窑主电机电流：600A≤I_Kiln≤1000A，篦冷机篦下压力：2Kpa≤P_Cool≤6Kpa。

本发明还公开了一种煅烧过程参数调节方法，所述煅烧过程包括使用分解炉、回转窑和篦冷机装置，所述方法包括：

(1)采集物料参数和系统参数，

(2)采用根据权利要求1-6中任一项所述的方法构建的模型对煅烧过程的控制回路设定值进行优化，

(3)根据优化的控制回路设定值调节煅烧过程参数。

在一个或多个实施方案中，物料参数包括分解炉喂煤量、进料量、窑尾烟室温度、三次风温度、回转窑喂煤量，系统参数包括高温风机转速S_Fan。

本发明还公开了一种煅烧过程煤耗优化系统，包括：

数据采集模块，采集物料参数和系统参数，

模型构建模块，利用质量守恒、能量守恒和/或最小二乘法对分解炉、回转窑和篦冷机装置构建数学模型，对回转窑喂煤量、分解炉喂煤量、单位时间进入分解炉生料量进行预处理，

优化模型构建模块，以低煤耗为优化目标，控制回路设定值作为决策变量，利用约束条件构建优化模型，所述控制回路设定值包括分解炉出口温度、回转窑主电机电流和篦冷机篦下压力，

数据处理模块，根据约束条件获得控制回路设定值。

在一个或多个实施方案中，物料参数包括分解炉喂煤量Coal_Cal、进料量F_Raw、窑尾烟室温度T_Tail、三次风温度T_Third、回转窑喂煤量Coal_Kiln。在一个或多个实施方案中，系统参数包括高温风机转速S_Fan。

本发明还公开了一种煅烧过程煤耗优化系统，包括计算机以及运行于计算机上的一计算机程序，计算机程序在计算机上运行如上所述的方法。

本发明还公开了一种存储计算机程序的计算机可读存储介质，其特征在于，存储介质上所存储的计算机程序运行后执行如上所述的方法。

本发明对比现有技术有如下的有益效果：本发明的煅烧过程煤耗优化方法能够通过煅烧全流程过程机理和过程数据建立优化模型，构建能耗最低优化模型，采用优化算法获得优化设定值。

本发明的主要优点在于：

1、相比于传统子单元优化，本发明综合考虑了分解炉、回转窑和篦冷机三个单元全流程优化，即窑炉煅烧过程全流程优化；针对传统回转窑机理模型参数难以获得的问题，本发明采用基于数据驱动建模方法获得有效的模型。

2、相比于设计优化，本发明无需改变任何装置结构，只需修改操作参数即可达到节能降耗的目的，具有成本低、收益好的特点。

总的来说，本发明有效结合水泥窑炉煅烧过程工艺和过程数据，构建优化模型充分考虑各类约束，获得底层回路优化设定值。

附图说明

在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了本发明煅烧过程煤耗优化方法的流程图。

图2示出了本发明一实例中水泥窑炉煅烧过程流程图及优化变量。

图3示出了分解炉出口温度模型值与实际值对比的示意图。

图4示出了回转窑主电机电流模型值与实际值对比的示意图。

图5示出了三次风温度模型值与实际值对比的示意图。

具体实施方式

以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。

图1示出了本发明本发明煅烧过程优化方法的一个实施方案的流程。该实施方案具体以水泥窖炉煅烧过程为例进行说明，但是本发明并不局限于水泥窖炉煅烧，而是能扩展到任何与之类似的场景中。图2示出了水泥窑炉煅烧流程，主要包括预热器、分解炉、回转窑和篦冷机，同时示出了本发明的优化决策变量：分解炉出口温度T_Cal，回转窑主电机电流I_Kiln，篦冷机篦下压力P_Cool。分解炉燃料用量的比例对整个分解系统的热力分布有着重要影响，而分解炉的燃料用量又与分解炉温度控制有关；主电机电流是反映回转窑烧成状况的关键变量；篦下压力反映篦冷机料层厚度，影响篦冷机换热效果。实施方案数据全部来源于实际现场。

本发明中，煤耗表示煅烧过程中所消耗的煤与产物量的比值。在本文中，煤耗包括单产熟料煤耗。在一个或多个实施方案中，煤耗是分解炉用煤量和回转窑用煤量与熟料产量的比值。

步骤S1：建立全流程优化模型

本步骤是对煅烧过程建模的过程，包括针对分解炉、回转窑和篦冷机，利用质量守恒、能量守恒结合最小二乘法等分别得到模型。

(1)分解炉模型：

1)分解炉机理模型结构如下：

T_Cal＝f(Coal_Cal,F_Raw,T_Tail,T_Third,S_Fan)

其中模型输出T_Cal为分解炉出口温度，模型输入Coal_Cal为分解炉喂煤量，F_Raw为进料量，T_Tail为窑尾烟室温度，T_Third为三次风温度，S_Fan为高温风机转速。分解炉出口温度模型基于分解炉质量守恒和能量守恒，主要包含过程反应为a)生料分解反应和b)煤燃烧反应两部分。

a)生料分解反应主要是生料中的碳酸钙反应，碳酸钙反应吸热Q_{R_Caco3}

Q_{R_Caco3}＝H_Raw*R_Raw

其中H_Raw为每千克碳酸钙分解吸热量，在一个或多个实施方案中，H_Raw＝1660kj/kg；R_Raw为碳酸钙反应速率。碳酸钙反应速率R_Raw，主要与分解炉下料管温度和分解炉内二氧化碳分压相关。

其中A_Caco3为反应界面的表面积，与颗粒细度d关系为A_Caco3＝π*d²。颗粒细度可为10-150um，优选为50-80um。在一个或多个实施方案中，颗粒细度d＝70um，M_Caco3＝100g/mol。P_Co2为分解炉中CO₂分压，CO₂分压与高温风机转速S_Fan成比例关系

其中S_{Fan_base}＝600rmp,P_{Co2_base}＝0.36Kpa。P_e为生料温度为T_Cal时CO₂平衡分解压力。

其中k_s为

其中Er可为1.6*10⁵-2*10⁵kj/mol，优选1.8*10⁵-1.9*10⁵kj/mol。在一个或多个实施方案中，E_r＝1.85*10⁵kj/mol，常数R＝8.314J/(mol·K)。

其中P_e为

b)煤燃烧放热Q_{R_Coal}

Q_{R_Coal}＝H_Coal*R_Coal*η_Coal

其中H_Coal为煤粉的燃烧热，R_Coal为煤燃烧反应速率，η_Coal是分解炉内煤粉燃尽率，为80％-95％，优选85-92％。在一个或多个实施方案中，η_Coal＝90％。煤燃烧反应速率R_Coal与分解炉温度、分解炉内O₂含量相关。

其中，k_c为反应速率常数。A_Coal为煤燃烧反应表面积，与颗粒细度d关系为A_Coal＝π*d²。P_O2为氧气分压，氧气分压与窑尾高温风机转速S_Fan成比例关系，

其中

P_{o2_base}＝0.5Kpa。Ec可为1.2*10⁴-1.4*10⁴kj/mol，优选1.3*10⁴-1.35*10⁴kj/mol在一个或多个实施方案中，k_c＝1.32*10⁵mol/(m²·s)，E_C＝6.81*10⁴kj/mol。

2)分解炉内质量守恒如下：

M_Third+M_Tail+M_Clear+M_Raw+M_Coal＝M_Gout+M_Sout+M_Error

其中M_Third为三次风流量，M_Tail为窑尾烟室风流量，M_Clear为入炉一次风流量，M_Raw入炉物料流量，M_Coal入炉煤粉流量。M_Gout和M_Sout分别为分解炉出口气体流量和入窑物料流量，M_Error为质量守恒补偿项，基本为0。

3)分解炉内能量守恒如下：

Q_Third+Q_Tail+Q_Clear+Q_Raw+Q_Coal+Q_{R_Coal}-Q_{R_Caco3}＝Q_Gout+Q_Sout+Q_Error

其中Q_Third为三次风显热，Q_Tail为二次风显热，Q_Clear为入炉一次风显热，Q_Raw为入炉物料显热，Q_Coal为入炉煤粉显热，Q_{R_Coal}为煤燃烧放热，Q_{R_Caco3}为碳酸钙分解吸热，Q_Gout为分解炉出口气体显热，Q_Sout为入窑物料显热，Q_Error为补偿项。

其中

Q_Sout＝C_s*M_sout*T_Cal

Q_Error＝C_S*M_Error*T_Cal

据此求解能量守恒方程，即可获得分解炉模型输出T_Cal，模型输出值和实际值对比结果如图3所示。可以看出，模型输出值和实际值非常接近，表明分解炉模型准确性高，符合窑炉实际情况。

(2)回转窑模型

在一个或多个实施方案中，回转窑模型结构如下：

I_Kiln＝f(T_Cal,Coal_Kiln,T_Third)

其中回转窑主电机电流I_kiln为模型输出，T_Cal为分解炉出口温度，T_Third为三次风温度，Coal_Kiln为回转窑喂煤量，Coal_cal为分解炉喂煤量。

回转窑过程涉及气固、气液和固液反应，具有反应机理复杂，过程噪声大等特点。在一个或多个实施方案中，采用最小二乘建模方法确定回转窑模型参数。回转窑模型如下：

I_Kiln＝A₁*T_Cal+A₂*Coal_Kiln+A₃*T_Third+A₄

参数采用最小二乘方式进行辨识。在一个或多个实施方案中，A₁＝8.0188,A₂＝40,A₃＝0.8311,A₄＝-7882，模型输出值和实际值对比结果如图4所示。可以看出，模型输出值和实际值非常接近，表明回转窑模型准确性高，符合窑炉实际情况。相比于现有模型回转窑机理模型中气固反应反应动力学参数难确定，回转窑内部无检测情况，本发明采用基于输入输出数据的数据驱动建模方法，只需要输入输出数据即可获得精确优化模型。

(3)篦冷机模型

T_Third＝f(P_Cool,I_Kiln,S_Fan)

其中三次风温度T_Third为模型输出，P_Cool为篦冷机篦下压力，I_Kiln为回转窑主电机电流，S_Fan为高温风机转速。篦冷机单元不涉及反应，满足质量守恒。

篦冷机主体部分为一段篦冷机急冷换热，对于一段篦冷机，气体热量守恒如下：

Q_G,In+Q_C,G＝Q_G,Out

固体能量守恒如下：

Q_C,In＝Q_C,G+Q_C,Out

其中Q_G,In和Q_G,Out分别为进入一段篦冷机气体和离开一段篦冷机气体热量；Q_C,In和Q_C,Out分别为进入一段篦冷机熟料和离开一段篦冷机一段熟料的热量；其中Q_C,G为熟料和气体间换热。它们分别通过下述模型表示。

Q_G,In＝C_G,In*M_G,In*T_G,In

其中M_G,In为篦冷机底层风机吹入篦冷机气体质量流量；

Q_G,out＝C_Third*M_Third*T_Third+C_Tail*M_Tail*T_Tail

其中主要是二次风和三次风热量，二次风、三次风流量与高温风机转速S_Fan直接关联；

Q_C,In＝C_C,In*M_C*T_C,In

其中T_C,In为进入篦冷机熟料温度，因为现场无实时检测，为表征温度，将进入篦冷机熟料温度与回转窑主电机电流关联，主电机电流越大，进入篦冷机熟料温度越高。

其中T_Base是基准温度值，为1300-1500℃，优选1300-1500℃。I_Base是基准电流值，为200-1200A，优选500-900A。在一个或多个实施方案中，T_Base＝1400℃,I_Base＝790A。

Q_C,Out＝C_C,Out*M_C*T_C,Out

T_C,Out为离开篦冷机一段熟料温度，温度范围大约为600～700℃。

熟料与气体之间换热Q_C,G是篦冷机模型重点，Q_C,G表征如下所示：

Q_C,G＝K*a*(T_c-T_g)*V_Cooler

其中K为气体间的综合换热系数，a为单位体积床层的有效表面积，(T_c-T_g)为气固之间平均温差，V_Cooler为一段篦冷机熟料的体积。

(T_c-T_g)＝(T_C,In+T_C,Out-T_G,In-T_G,out)

V_Cooler＝L_Cooler*W_Cooler*H_Cooler

其中气体对流换热系数h为45-60w/(m²·K)，优选50-55w/(m²·K)；熟料导热系数λ_c为1-3w/(m·K)，优选1.5-2.5w/(m·K)；颗粒形状校正系数Φ为0.2-0.4，优选0.25-0.3，颗粒的透热深度x为0.003-0.01，优选0.005-0.0055；空隙率ε为0.4-0.6，优选0.4-0.55，物料尺寸d_p为0.008-0.02m，优选0.01-0.02m。T_C,In,T_C,Out,T_G,In,T_G,out分别为进入一段篦冷机物料温度，离开一段篦冷机物料温度，进入一段篦冷机气体温度，离开一段篦冷机气体温度。在一个或多个实施方案中，h＝54w/(m²·K)，λ_c＝2w/(m·K)，Φ＝1/4，x＝0.005m，ε＝0.5，d_p＝0.01m。在一个或多个实施方案中，一段篦冷机长度L_Cooler＝50m、宽度,W_Cooler＝9m。由于高度H_Cooler无法实时监测，采用篦冷机篦下压力P_Cool表征料层高度，关系为非线性关系：

H_Cooler＝B₁*P_Cool ²+B₂*P_Cool+B₃

本领域周知，可以根据历史记录数据获取篦下压力与料层厚度的关系。在一个或多个实施方案中，模型参数B₁＝-0.1006,B₂＝1.1051,B₃＝-2.2134。

据此，求解能量守恒，即可获得三次风温度T_Third，模型输出值和实际值对比结果如图4所示。可以看出，模型输出值和实际值非常接近，表明篦冷机模型准确性高，符合窑炉实际情况。

步骤S2：构建优化模型

本步骤根据目标、变量和条件构建优化模型。

(1)优化目标：单产熟料煤耗最小

min Energy＝(Coal_Cal+Coal_Kiln)/Clinker

其中Clinker为熟料产量，分解炉用煤量Coal_Cal、回转窑用煤量Coal_Kiln如步骤S1所示。

(2)决策变量：对应于底层回路设定值，三个决策变量为分解炉出口温度T_Cal，回转窑主电机电流I_Kiln，篦冷机篦下压力P_Cool。

(3)约束条件：包括但不限于关键质量指标游离氧化钙含量Fcao约束，分解炉预热器出口氧气含量O₂约束，入窑生料分解率Rate约束，以及决策变量T_Cal、I_Kiln及P_Cool上下限约束。在一个或多个实施方案中，上述参数的模型结构和约束条件如下所示。

其中Fcao模型结构如下所示：

0.6≤Fcao＝f(T_Cal,I_Kiln,P_Cool)≤1.2

游离氧化钙模型采用辅助变量为分解炉出口温度T_Cal，回转窑主电机电流I_Kiln和篦冷机篦下压力P_Cool。对游离氧化钙模型采用输入输出数据进行参数辨识得到如下模型：

Fcao＝6.0161-0.002*T_Cal-0.003*I_Kiln-0.2*P_Cool

其中O₂模型结构如下所示：

O2＝f(Coal_Cal,S_Fan)≥0.6

预热器出口O₂含量如下：

O2＝O2_Third+O2_Tail-O2_CalCoal

其中三次风氧气O2_Third主要成分是空气，氧气成分约为21％，窑尾烟室氧气O2_Tail成分与回转窑喂煤量Coal_Kiln有关，分解炉氧气O2_CalCoal成分与分解炉喂煤量Coal_Cal有关。

其中k_Carbon为煤粉含碳量，O₂摩尔质量M_O2＝32g/mol，焦炭摩尔质量M_C＝12g/mol。

其中Rate模型结构如下所示：

Rate＝f(T_Cal,F_Raw)≥0.9

分解率模型如下：

Rate＝R_Raw/F_Raw

其中R_Raw为生料分解速率，F_Raw为单位时间进入分解炉生料。在一个实施方式中，F_Raw＝220kg/s。

在一个或多个实施方案中，决策变量约束上下限为：分解炉出口温度：860℃≤T_Cal≤880℃，回转窑主电机电流：650A≤I_Kiln≤850A，篦冷机篦下压力：4.2Kpa≤P_Cool≤5Kpa。优选地，决策变量约束上下限为：分解炉出口温度：862℃≤T_Cal≤875℃，回转窑主电机电流：700A≤I_Kiln≤820A，篦冷机篦下压力：4.4Kpa≤P_Cool≤4.8Kpa。在一个或多个实施方案中，决策变量约束上下限为：分解炉出口温度：865℃≤T_Cal≤875℃，回转窑主电机电流：740A≤I_Kiln≤800A，篦冷机篦下压力：4.45Kpa≤P_Cool≤4.55Kpa

步骤S3：求解优化模型

本步骤中，对步骤S2中的优化模型求解，可以获得底层回路优化设定值分解炉出口温度T_Cal，回转窑主电机电流I_Kiln，篦冷机篦下压力P_Cool。通过修改设定值达到节能降耗的目的。

在一个或多个实施方案中，采用模式搜索算法求解优化模型。模式搜索算法求解过程如下。

从初始点开始，包括两种类型搜索：探测移动和模式移动，其中探测移动沿着n个坐标轴方向进行，用以确定新的基点和有利于函数值下降的方向，模式移动沿相邻两个基点连线方向进行，目的使得函数值下降更快。算法步骤如下：

(1)给定初始点x¹∈Rⁿ，初始步长δ，加速因子α≥1，缩减率0＜β＜1，精度ε＞0。令y¹＝x¹，k＝1，j＝1。

(2)轴向搜索：

如果f(y^j+δe_j)＜f(y^j)，令y^j+1＝y^j+δe_j，转步骤(3)；

如果f(y^j-δe_j)＜f(y^j)，令y^j+1＝y^j-δe_j，转步骤(3)；

否则，令y^j+1＝y^j。

(3)如果j＜n，则令j：＝j+1，转步骤(2)。如果f(yⁿ⁺¹)＜f(x^k)，转步骤(4)。否则，转步骤(5)。

(4)模式搜索：令x^k+1＝yⁿ⁺¹，y¹＝x^k+1+α(x^k+1-x^k)。令k：＝k+1，j＝1，转步骤(2)。

(5)如果δ≤ε，则停止，得到点x^k；

否则，令δ:＝βδ,y¹＝x^k，x^k+1＝x^k。令k：＝k+1，j＝1，转步骤(2)。

在一个或多个实施方案中，模式搜索算法初始步长δ设置为1，加速因子α设置为1.2，缩减率β设置为0.6。精度设置为0.01。对步骤S2中优化模型进行求解。

求解结果表1所示。

表1优化结果对比

优化变量	优化前	优化后
			分解炉出口温度	871℃	870.4℃
回转窑主电机电流	782A	742A
			篦冷机篦下压力	4.51Kpa	4.55Kpa
优化目标	优化前	优化后
			单产熟料煤耗	107.2kg/t	103.9kg/t

从表1中可以看出，通过全流程过程优化，单吨熟料煤耗可以降低约3.3kg/t。与现有的基于专家知识的优化系统相比，本发明能够精确表征过程运行状态，在满足优化目标和约束条件的前提下，得到操作决策变量，指导系统优化。与传统设计优化相比，在不增加企业硬件设施的前提下，通过精确的过程建模与优化求解，有效起到节能降耗的目的，提高企业利润。

此外，本发明还公开了煅烧过程煤耗优化系统，包括计算机以及运行于计算机上的计算机程序，该计算机程序在该计算机上运行如前述实施例的煅烧过程煤耗优化方法。方法的具体步骤不再赘述。

此外，本发明还揭示了存储计算机程序的计算机可读存储介质，其特征在于，存储介质上所存储的计算机程序运行后执行如前述实施例的煅烧过程煤耗方法。方法的具体步骤不再赘述。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。

结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (10)

1.一种优化煅烧过程煤耗并构建煅烧过程煤耗模型的方法，所述煅烧过程包括使用分解炉、回转窑和篦冷机装置，所述方法包括：

(1)采集物料参数和系统参数，

(2)利用最小二乘法对分解炉、回转窑和篦冷机装置构建模型，对回转窑喂煤量、分解炉喂煤量、单位时间进入分解炉生料量进行预处理，

(3)以低煤耗为优化目标，控制回路设定值作为决策变量，利用约束条件构建优化模型，所述控制回路设定值包括分解炉出口温度、回转窑主电机电流和篦冷机篦下压力，

优选的(4)根据约束条件获得控制回路设定值，

优选地，物料参数包括分解炉喂煤量、进料量、窑尾烟室温度、三次风温度、回转窑喂煤量，系统参数包括高温风机转速S_Fan。

2.如权利要求1所述的方法，其特征在于，步骤(2)中分解炉的模型结构如下：

T_Cal＝f(Coal_Cal,F_Raw,T_Tail,T_Third,S_Fan)

式中模型输出T_Cal为分解炉出口温度，模型输入Coal_Cal为分解炉喂煤量，F_Raw为进料量，T_Tail为窑尾烟室温度，T_Third为三次风温度，S_Fan为高温风机转速，

其中，分解炉模型基于分解炉内的质量守恒和能量守恒构建，

优选地，分解炉内质量守恒模型如下：

M_Third+M_Tail+M_Clear+M_Raw+M_Coal＝M_Gout+M_Sout+M_Error

式中M_Third为三次风流量，M_Tail为窑尾烟室风流量，M_Clear为入炉一次风流量，M_Raw入炉物料流量，M_Coal入炉煤粉流量，M_Gout和M_Sout分别为分解炉出口气体流量和入窑物料流量，M_Error为质量守恒补偿项，

分解炉能量守恒模型如下：

Q_Third+Q_Tail+Q_Clear+Q_Raw+Q_Coal+Q_{R_Coal}-Q_{R_Caco3}

＝Q_Gout+Q_Sout+Q_Error

式中Q_Third为三次风显热，Q_Tail为二次风显热，Q_clear为入炉一次风显热，Q_Raw为入炉物料显热，Q_Coal为入炉煤粉显热，Q_{R_Coal}为煤燃烧放热，Q_{R_Caco3}为碳酸钙分解吸热，Q_Gout为分解炉出口气体显热，Q_Sout为入窑物料显热，Q_Error为补偿项，优选地，Q_Sout＝C_s*M_Sout*T_Cal，Q_Error＝C_s*M_Error*T_Cal，

更优选地，所述方法还具有选自以下的一个或多个特征：

分解炉内包含生料分解反应和煤燃烧反应，其中生料分解反应是碳酸钙分解反应，

其中，碳酸钙反应的吸热Q_{R_Caco3}为

Q_{R_Caco3}＝H_Raw*R_Raw

式中H_Raw为每千克碳酸钙分解吸热量，R_Raw为碳酸钙反应速率，与分解炉下料管温度和分解炉内二氧化碳分压相关，

其中，碳酸钙反应速率R_Raw为

式中为A_Caco3反应界面的表面积，M_Caco3为碳酸钙分子量，P_Co2为分解炉中CO2分压，P_e为生料温度为T_Cal时CO₂平衡分解压力，其中k_s和P_e为

其中，煤燃烧反应的放热Q_{R_Coal}为

Q_{R_Coal}＝H_Coal*R_Coal*η_Coal

式中H_Coal为煤粉的燃烧热，R_Coal为煤反应速率，η_Coal为分解炉内煤粉燃尽率，煤反应速率R_Coal与分解炉温度、分解炉内O₂含量相关，

优选地，煤反应速率R_Coal为

式中k_c为反应速率常数，A_Coal为煤燃烧反应表面积，P_O2为氧气分压，氧气分压与窑尾高温风机转速S_Fan关联。

3.如权利要求1所述的方法，其特征在于，步骤(2)中回转窑模型结构如下：

I_Kiln＝f(T_Cal,Coal_Kiln,T_Third)

式中回转窑主电机电流I_kiln为模型输出，T_Cal为分解炉出口温度，T_Third为三次风温度，Coal_Kiln为回转窑喂煤量，Coal_cal为分解炉喂煤量，

优选地，回转窑模型如下：

I_Kiln＝A₁*T_Cal+A₂*Coal_Kiln+A₃*T_Third+A₄

式中A₁,A₂,A₃,A₄为模型参数，参数采用最小二乘法进行辨识。

4.如权利要求1所述的方法，其特征在于，步骤(2)中篦冷机模型结构如下：

T_Third＝f(P_Cool,I_Kiln,S_Fan)

式中三次风温度T_Third为模型输出，P_Cool为篦冷机篦下压力，I_Kiln为回转窑主电机电流，S_Fan为高温风机转速，

优选地，篦冷机主体部分为一段篦冷机，一段篦冷机的气体热量守恒模型如下：

Q_G,In+Q_C,G＝Q_G,Out，

且，一段篦冷机的固体能量守恒模型如下：

Q_C,In＝Q_C,G+Q_C,Out，

式中Q_G,In和Q_G,Out分别为进入一段篦冷机气体和离开一段篦冷机气体热量，Q_C,In和Q_C,Out分别为进入一段篦冷机熟料和离开一段篦冷机一段熟料的热量，其中Q_C,G为熟料和气体间换热，

更优选地，所述方法还具有选自以下的一个或多个特征：

其中，

Q_C,In＝C_C,In*M_C*T_C,In

式中T_C,In为进入篦冷机熟料温度，

其中，进入一段篦冷机气体热量为

Q_G,In＝C_G,In*M_G,In*T_G,In

式中M_G,In为篦冷机底层风机吹入篦冷机气体质量流量，

其中，离开一段篦冷机气体热量是二次风和三次风热量，与风机转速S_Fan关联，优选地，离开一段篦冷机气体热量为

Q_G,Out＝C_Third*M_Third*T_Third+C_Tail*M_Tail*T_Tail

其中，进入篦冷机熟料温度为

式中T_Base,I_Base为基准温度值和基准电流值，

其中，

Q_C,Out＝C_C,Out*M_C*T_C,Out

式中T_C,Out为离开篦冷机一段熟料温度，

其中，熟料与气体之间换热Q_C,G为

Q_C,G＝K*a*T_c-T_g)*V_Cooler

式中K为气体间的综合换热系数，a为单位体积床层的有效表面积，(T_c-T_g)为气固之间平均温差，V_Cooler为一段篦冷机熟料的体积，如下所示

(T_c-T_g)＝(T_C,In+T_C,Out-T_G,In-T_G,out)

V_Cooler＝L_Cooler*W_Cooler*H_Cooler

式中h为气体对流换热系数，λ_c为熟料导热系数，Φ为颗粒形状校正系数，x为颗粒的透热深度，ε为空隙率，d_p为物料尺寸，T_C,In,T_C,Out,T_G,In,T_G,out分别为进入一段篦冷机物料温度，离开一段篦冷机物料温度，进入一段篦冷机气体温度，离开一段篦冷机气体温度，L_Cooler,W_Cooler,H_Cooler分别为一段篦冷机长度、宽度和高度，

其中，采用篦冷机篦下压力P_Cool表征料层高度H_Cooler，优选为

H_Cooler＝B₁*P_Cool ²+B₂*P_Cool+B₃

式中B₁,B₂,B₃为模型参数。

5.如权利要求1所述的方法，其特征在于，步骤(3)中优化目标为单产熟料煤耗最小

min Energy＝(Coal_Cal+Coal_Kiln)/Clinker

式中Clinker为熟料产量，

优选地，步骤(3)中决策变量包括分解炉出口温度，回转窑主电机电流，篦冷机篦下压力，

优选地，步骤(3)中约束条件包括关键质量指标游离氧化钙含量Fcao约束，分解炉预热器出口氧气含量O₂约束，入窑生料分解率Rate约束，和/或决策变量T_Cal、I_Kiln及P_Cool约束。

6.如权利要求5所述的方法，其特征在于，

其中，游离氧化钙含量Fcao模型结构如下所示：

Fcao＝f(T_Cal,I_Kiln,P_Cool)

式中采用辅助变量：分解炉出口温度T_Cal，回转窑主电机电流I_Kiln和篦冷机篦下压力P_Cool，

其中，分解炉预热器出口氧气含量O₂模型结构如下所示：

O2＝f(Coal_Cal,S_Fan)，

其中，分解炉预热器出口O2含量为：

O2＝O2_Third+O2_Tail-O2_CalCoal

优选地，

式中k_Carbon为煤粉含碳量，M_O2为O2摩尔质量，M_C为焦炭摩尔质量，

其中，入窑生料分解率Rate模型结构如下所示：

Rate＝f(T_Cal,F_Raw)

优选地，入窑生料分解率Rate为

Rate＝R_Raw/F_Raw

式中R_Raw为生料分解速率，F_Raw为单位时间进入分解炉生料，

优选地，步骤(4)使用模式搜索算法求解，更优选地，决策变量约束选自以下一个或多个：分解炉出口温度：700℃≤T_Cal≤1000℃，回转窑主电机电流：600A≤I_Kiln≤1000A，篦冷机篦下压力：2Kpa≤P_Cool≤6Kpa。

7.一种煅烧过程参数调节方法，所述煅烧过程包括使用分解炉、回转窑和篦冷机装置，所述方法包括：

(1)采集物料参数和系统参数，

(2)采用根据权利要求1-6中任一项所述的方法构建的模型对煅烧过程的控制回路设定值进行优化，

(3)根据优化的控制回路设定值调节煅烧过程参数，

优选地，物料参数包括分解炉喂煤量、进料量、窑尾烟室温度、三次风温度、回转窑喂煤量，系统参数包括高温风机转速S_Fan。

8.本发明还公开了一种煅烧过程煤耗优化系统，包括：

数据采集模块，采集物料参数和系统参数，

模型构建模块，利用质量守恒、能量守恒和/或最小二乘法对分解炉、回转窑和篦冷机装置构建数学模型，对回转窑喂煤量、分解炉喂煤量、单位时间进入分解炉生料量进行预处理，

优化模型构建模块，以低煤耗为优化目标，控制回路设定值作为决策变量，利用约束条件构建优化模型，所述控制回路设定值包括分解炉出口温度、回转窑主电机电流和篦冷机篦下压力，

数据处理模块，根据约束条件获得控制回路设定值，

优选地，物料参数包括分解炉喂煤量Coal_Cal、进料量F_Raw、窑尾烟室温度T_Tail、三次风温度T_Third、回转窑喂煤量Coal_Kiln，系统参数包括高温风机转速S_Fan。

9.一种煅烧过程煤耗优化系统，包括计算机以及运行于计算机上的一计算机程序，其中计算机程序在计算机上运行权利要求1-7中任一项所述的方法。

10.一种存储计算机程序的计算机可读存储介质，其特征在于，存储介质上所存储的计算机程序运行后执行权利要求1-7中任一项所述的方法。

Images