CN112149342B - 一种优化水泥生料质量的模型方法 - Google Patents
一种优化水泥生料质量的模型方法 Download PDFInfo
- Publication number
- CN112149342B CN112149342B CN202010848491.0A CN202010848491A CN112149342B CN 112149342 B CN112149342 B CN 112149342B CN 202010848491 A CN202010848491 A CN 202010848491A CN 112149342 B CN112149342 B CN 112149342B
- Authority
- CN
- China
- Prior art keywords
- model
- variable
- quality
- raw material
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种优化水泥生料质量的模型方法,包括以下步骤:采集水泥生料生产过程中涉及的各参数数据;对采集的数据整合,根据目标问题梳理出目标变量,输入变量;对输入变量、目标变量进行探索性分析,得到可用的输入变量;围绕各目标变量,进行相应的特征工程,得到不同的入模特征;针对每个目标变量通过选择不同的回归算法模型,构建多个率值质量预测模型,根据评估效果,不断迭代训练;将评估最优模型部署上线后,利用新数据对模型进行更新;基于上述对各输入参数的分析,将输入变量分为不可调变量、可调节变量;对可调变量通过网格搜索算法找出最优参数;得到的最优参数值做为模型的输出,能够达到优化水泥生料质量的目的,普适性较强。
Description
【技术领域】
本发明涉及工业互联网的技术领域,特别是一种优化水泥生料质量的模型方法。
【背景技术】
水泥生产过程中存在多变量、非线性、纯滞后、大惯性、强时变的情况,人为操作差异大、存在操作上的滞后、难以实现精细化操作、系统运行波动大(质量、产量)难以保证系统连续、稳定、经济运行,导致生料质量波动性较大。
当前国内水泥生料质量的控制,主要有两种方式:
1、依据原材料成分的检测数据,采用人工估算各原料配比的方法来控制调节生料质量,此方法依赖有经验的操作员凭借经验估算各原料的最终配比,因此对生料质量的控制缺乏理论指导以及统一的调节标准,由于人工经验差别很大,水平不一,受人为主观影响严重,生产经验无法积累,导致生料的周期和质量稳定性差。
2、根据原材料成分数据、生料质量率值标准通过公式计算出原料配比参数,操作员根据计算出的配比进行生产,此方法在原料达到4种或者更多之后,将会变得非常困难甚至无法计算,并且该方法考虑参数不全,只使用了原料成分数据,没有考虑生产过程中其他参数的影响,对质量的优化控制不够精准。
【发明内容】
本发明的目的就是解决现有技术中的问题,提出一种优化水泥生料质量的模型方法,能够达到优化水泥生料质量的目的。
为实现上述目的,本发明提出了一种优化水泥生料质量的模型方法,包括两个阶段,构建生料质量预测模型和构建生料配比优化模型,构建生料质量预测模型具体包括以下步骤:
S11.采集水泥生料生产过程中涉及的各参数数据;
S12.对步骤S11所采集的数据进行整合,根据目标问题梳理出目标变量,以及可能进入模型的输入变量;
S13.对输入变量、目标变量进行探索性分析,得到可用的输入变量;
S14.围绕各目标变量,进行相应的特征工程,对应每个目标变量分别得到不同的入模特征;
S15.针对每个目标变量通过选择不同的回归算法模型,构建多个率值质量预测模型,不断迭代训练;
S16.通过每个率值质量预测模型在测试集上的表现,评估模型效果;
S17.将模型部署上线后,可根据新数据持续对模型进行更新;
构建生料配比优化模型具体包括以下步骤:
S21.基于生料质量预测模型构建过程中对各输入参数的分析,将输入变量分为不可调变量、可调节变量;
S22.针对某组不可调变量的数据,通过搜索算法找出该组数据对应的可调变量的最优参数值;
S23.得到的可调变量最优参数值,做为模型的输出。
作为优选,步骤S11中所采集的数据包括进厂原材料各成分占比数据、生产流程中各环节原料水分、粒度参数、过程中其他参数数据、原料配比比例参数、率值质量数据等。
作为优选,步骤S12中梳理出的目标变量为3个,包括生料质量参数KH率值、N率值、P率值,所述可能进入模型的输入变量为采集的数据参数中除了目标变量以外所有的参数。
作为优选,步骤S13中探索性分析包括:对数据进行单变量分析、多变量的相关性分析等。
作为优选,步骤S14中特征工程通过数据处理、特征提取、特征选择等过程,对应每个目标变量分别得到不同的入模特征。
作为优选,步骤S15中所采用的回归算法模型包括随机森林、GBDT、SVM、XGBoost等。
作为优选,步骤S16评估模型效果,既从回归模型直接的预测结果进行评估,同时也对预测结果集目标变量进行0/1处理后从分类结果的准确率角度进行评估。
作为优选,根据评估结果情况,重复进行步骤S13、步骤S14、步骤S15,进行数据探索性分析、特征工程、模型训练,直到模型评估效果达到最优。
作为优选,步骤S22中根据可调变量的数值范围或业务要求确定搜索区间形成网格,同时结合不可调变量的数据,将生料质量预测模型中多个率值质量预测模型做为目标函数,采用网格搜索算法找出某组不可调变量对应的可调变量最优参数值。
作为优选,步骤S21中输入变量中的原料配比比例参数作为可调节变量,其余参数作为不可调变量。
本发明基于生料磨制环节的各参数历史数据,构建水泥生料质量优化模型,通过模型给出最优参数值,最终达到生料质量合格、稳定。通过采集水泥生产过程中各物理、化学等参数信息同时结合机器学习的算法,构建水泥生料质量优化模型体系,达到了优化水泥生料质量的目的。
本发明的有益效果:
1、本方法充分利用了历史生产过程的数据,利用机器学习算法学习生产经验,将历史经验数据模型化,做到经验可积累,避免过度依赖老师傅,同时本方法中采用的各种机器学习算法原理旨在找出历史数据中输入变量、目标变量的某种潜在映射关系,具有很强的理论指导。
2、影响质量因素较多且生产过程复杂多变,涉及参数也较多,公式计算仅能使用原材料成分的数据调整优化质量,对质量的优化控制不够精准,本方法的模型基于生产过程全流程、多方面的参数数据进行训练构建,相比较于公式计算方法,考虑的参数更全面。
3、本方法可实现实时预测,即刻给出最优参数建议,调参效率高,使质量更稳定。
4、本方法中的模型可根据新的数据不断自动迭代更新,实现自我优化,使质量更优。
5、在生产环境变化、生产参数种类增加变化时,根据采集数据重新训练模型,相比较于人工总结经验、机理分析公式计算,可以做到快速适应,普适性较强。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明一种优化水泥生料质量的模型方法的流程框图。
【具体实施方式】
本发明是一种优化水泥生料质量的模型方法,基于生料磨制环节的各参数历史数据,构建水泥生料质量优化模型,通过模型给出最优参数值,最终达到生料质量合格、稳定。包括两个阶段,构建生料质量预测模型和构建生料配比优化模型。
构建生料质量预测模型具体包括以下步骤
S11.采集水泥生料生产过程中各参数近一年原始数据,包括进厂石灰石CaO成分占比、进厂石灰石MgO成分占比、进厂石灰石水分、进厂石灰石出破碎机粒度、各辅料(细砂岩、铝矾土、铁尾矿、炉渣等)中SiO2、Al2O3、Fe2O3、K2O、Na2O等成分占比、水分、粒度等参数、各原料入磨水分、生料(石灰石、砂岩、铁矿石、炉渣等)配比比例参数、KH率值、N率值、P率值等参数。
S12.对采集的数据进行整合,根据目标问题梳理出目标变量:生料质量参数KH率值、N率值、P率值3个目标变量,以及31个输入变量(除了目标变量以外所有的参数)。
S13.对每个输入变量、目标变量进行探索性分析,通过对数据进行单变量分析、多变量的相关性分析等,得到可用的输入变量。
S14.分别围绕3个目标变量,进行相应的特征工程,通过数据处理、特征提取、特征选择等过程,对应每个目标变量分别得到不同的入模特征。
S15.针对每个目标变量通过选择不同的回归算法模型,随机森林、GBDT、SVM、XGBoost等,构建3个率值质量预测模型,不断迭代训练。
S16.通过每个率值质量预测模型在测试集上的表现,评估模型效果,模型的效果评估既从回归模型直接的预测结果进行评估,同时也对预测结果集目标变量进行0/1处理后从分类结果的准确率角度进行评估。根据评估结果情况,重复进行数据探索性分析,不断进行特征工程、模型训练步骤,直到模型评估效果达到最优。
S17.将最优的3个质量预测模型进行部署上线。
构建生料配比优化模型具体包括以下步骤:
S21.基于上述质量预测模型构建过程对各输入参数的分析,将生料(石灰石、砂岩、铁矿石、炉渣等)配比比例参数作为可调变量,其余参数作为不可调变量。
S22.结合可调变量的历史数据范围及业务逻辑确定出网格搜索区间,将上述3个率值质量预测模型做为目标函数,采用网格搜索算法找出某组不可调变量对应的可调变量最优参数值。
S23.模型输出可调变量生料(石灰石、砂岩、铁矿石、炉渣等)配比比例参数的最优参数值。
本发明中通过模型推荐的配比参数进行生产,相比较于传统方法生料质量更稳定,3个率值的质量趋势图表现更平稳,同时作为生料质量主要考察的KH率值,质量合格率提升了5.43%。
上述实施例是对本发明的说明,不是对本发明的限定,任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (8)
1.一种优化水泥生料质量的模型方法,其特征在于:包括两个阶段,构建生料质量预测模型和构建生料配比优化模型,构建生料质量预测模型具体包括以下步骤:
S11.采集水泥生料生产过程中涉及的各参数数据;
S12.对步骤S11所采集的数据进行整合,根据目标问题梳理出目标变量,以及可能进入模型的输入变量,所述目标变量包括生料质量参数KH率值、N率值、P率值,所述可能进入模型的输入变量为所采集的数据参数中除了目标变量以外所有的参数;
S13.对输入变量、目标变量进行探索性分析,得到可用的输入变量;
S14.围绕各目标变量,进行相应的特征工程,对应每个目标变量分别得到不同的入模特征;
S15.针对每个目标变量通过选择不同的回归算法模型,构建多个率值质量预测模型,不断迭代训练;
S16.通过每个率值质量预测模型在测试集上的表现,评估模型效果;所述评估模型效果既从回归模型直接的预测结果进行评估,同时也对预测结果集目标变量进行0/1处理后从分类结果的准确率角度进行评估;
S17.将模型部署上线后,根据新数据持续对模型进行更新;
构建生料配比优化模型具体包括以下步骤:
S21.基于生料质量预测模型构建过程中对各输入参数的分析,将输入变量分为不可调变量、可调节变量;
S22.针对某组不可调变量的数据,通过搜索算法找出该组数据对应的可调变量的最优参数值;
S23.得到的可调变量最优参数值,做为模型的输出。
2.如权利要求1所述的一种优化水泥生料质量的模型方法,其特征在于:步骤S11中所采集的数据包括进厂原材料各成分占比数据、生产流程中各环节原料水分、粒度参数、原料配比比例参数、率值质量数据。
3.如权利要求1所述的一种优化水泥生料质量的模型方法,其特征在于:步骤S13中探索性分析包括:对数据进行单变量分析、多变量的相关性分析。
4.如权利要求1所述的一种优化水泥生料质量的模型方法,其特征在于:步骤S14中特征工程通过数据处理、特征提取、特征选择过程,对应每个目标变量分别得到不同的入模特征。
5.如权利要求1所述的一种优化水泥生料质量的模型方法,其特征在于:步骤S15中所采用的回归算法模型包括随机森林、GBDT、SVM、XGBoost。
6.如权利要求1所述的一种优化水泥生料质量的模型方法,其特征在于:根据评估结果情况,重复进行步骤S13、步骤S14、步骤S15,进行数据探索性分析、特征工程、模型训练,直到模型评估效果达到最优。
7.如权利要求1所述的一种优化水泥生料质量的模型方法,其特征在于:步骤S22中根据可调变量的数值范围或业务要求确定搜索区间形成网格,同时结合不可调变量的数据,将生料质量预测模型中多个率值质量预测模型做为目标函数,采用网格搜索算法找出某组不可调变量对应的可调变量最优参数值。
8.如权利要求1所述的一种优化水泥生料质量的模型方法,其特征在于:步骤S21中输入变量中的原料配比比例参数作为可调节变量,其余参数作为不可调变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848491.0A CN112149342B (zh) | 2020-08-21 | 2020-08-21 | 一种优化水泥生料质量的模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848491.0A CN112149342B (zh) | 2020-08-21 | 2020-08-21 | 一种优化水泥生料质量的模型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149342A CN112149342A (zh) | 2020-12-29 |
CN112149342B true CN112149342B (zh) | 2022-07-12 |
Family
ID=73888016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010848491.0A Active CN112149342B (zh) | 2020-08-21 | 2020-08-21 | 一种优化水泥生料质量的模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149342B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591362A (zh) * | 2021-04-26 | 2021-11-02 | 湖南师范大学 | 一种基于大数据智能控制算法的熟料比例优化调节方法 |
CN113033923B (zh) * | 2021-04-30 | 2024-05-14 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
CN116880404B (zh) * | 2023-07-28 | 2024-05-03 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104350021B (zh) * | 2012-05-30 | 2017-03-01 | 太平洋水泥株式会社 | 水泥的品质或制造条件的预测方法 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
WO2018061239A1 (ja) * | 2016-09-30 | 2018-04-05 | 太平洋セメント株式会社 | セメントの品質または製造条件の予測方法 |
CN106802977B (zh) * | 2016-12-14 | 2020-10-02 | 同济大学 | 一种用于烧结矿性能指标预测及综合质量评价方法 |
CA3067975A1 (en) * | 2019-01-16 | 2020-07-16 | Bay-Lynx Manufacturing Inc. | Volumetric mixer control system |
CN110070217A (zh) * | 2019-04-11 | 2019-07-30 | 武汉科技大学 | 一种基于过程参数的烧结矿质量预测方法 |
CN110263431B (zh) * | 2019-06-10 | 2023-04-07 | 中国科学院重庆绿色智能技术研究院 | 一种混凝土28d抗压强度预测方法 |
CN111158336A (zh) * | 2019-11-22 | 2020-05-15 | 万洲电气股份有限公司 | 一种基于水泥窑故障诊断的工业智能优化节能系统 |
CN111080150A (zh) * | 2019-12-23 | 2020-04-28 | 杭州雷数科技有限公司 | 生产数据分析方法、装置、设备及介质 |
-
2020
- 2020-08-21 CN CN202010848491.0A patent/CN112149342B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112149342A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149342B (zh) | 一种优化水泥生料质量的模型方法 | |
CN108469180B (zh) | 基于大数据和机器学习的烧结终点预测系统的建立方法 | |
Wu et al. | An intelligent integrated optimization system for the proportioning of iron ore in a sintering process | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
Jiang et al. | Real-time moisture control in sintering process using offline–online NARX neural networks | |
CN103869783A (zh) | 一种精矿产量在线预测方法 | |
CN112329269B (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
CN100583136C (zh) | 一种高炉炼铁专家系统决策合成方法 | |
CN111617876B (zh) | 一种磨煤机在线综合运行优化的方法 | |
Yan et al. | Estimation of copper concentrate grade for copper flotation | |
CN116861224A (zh) | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 | |
CN111144051A (zh) | 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 | |
CN112509642B (zh) | 一种高炉炉渣粘度的在线预测方法 | |
CN114186878A (zh) | 一种基于模型池的流程工业质量数据预测算法 | |
CN110361972B (zh) | 一种基于水泥生料燃烧的分解炉炉温快速优化控制方法 | |
CN108446799B (zh) | 基于Elman神经网络的余压透平装置发电功率预测方法 | |
CN112380779B (zh) | 一种烧结终点的鲁棒软测量方法及系统 | |
Zhang et al. | An adaptive PID control for cement grinding particle size based on simultaneous perturbation stochastic approximation | |
Qiang et al. | The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM | |
CN107544578B (zh) | 基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法 | |
CN116705211B (zh) | 基于数字孪生的富氧铜熔池铜损失率在线预测方法及系统 | |
Xiang et al. | Coordinating fuzzy control of the sintering process | |
Liu et al. | Robust prediction for quality of industrial processes | |
CN111679584B (zh) | 一种高炉冶炼的调控方法和装置 | |
CN111444477B (zh) | 基于梯度提升回归模型的玻璃绝缘子配方自动生成方法 |
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 |