CN112785080B - 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法 - Google Patents

Abstract

本发明公开了一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法，该方法包括：提取并筛选水泥磨系统的数据；利用构建好的输入输出层数据结合极限学习机算法，将水泥磨系统实际生产中的实时工业参量数据输入到极限学习机预测模型中进行训练；建立基于天牛须搜索算法的优化模型，将训练好的极限学习机模型作为优化模型的目标函数，以能耗的最小值作为优化指标，通过所述优化模型的实现算法得到符合当前工况的输入变量的最优值；利用建立的优化模型的输出吨电耗以及最优决策变量，对水泥磨系统的各个工业参量进行调节。本发明采用基于极限学习机与天牛须搜索优化算法的能耗预测与优化算法(ELM‑BAS)，解决了水泥粉磨过程中难以跟踪工况变化的问题。

Description

一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法

技术领域

本发明涉及水泥磨系统能耗优化技术领域，更具体地说，涉及一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法。

背景技术

水泥磨系统是由辊压机与球磨机等设备组成，在现代水泥生产中被广泛使用，由于其集中分散的控制特点，使系统的水泥质量及产量获得的很大的提升，在水泥磨系统中水泥的产量、质量以及生产过程中的能耗受系统中各设备的运行状况的影响较大。水泥磨需要运行在多工况的条件下，并且生产连续不能间断，系统受到不同生产指标、原料波动、生产设备状态等因素的影响较大。只有根据不同的工况对水泥磨各设备运行指标进行合理且及时的设定，水泥磨在运行过程中才能够有效的避免出现磨机运行效率低，各设备运行不稳定的状况，这些状况导致水泥磨系统无法有序、高效的运行，轻者造成能源的浪费，水泥成品合格率较低，重则很可能导致现场设备的损坏，甚至直接导致生产事故的发生。所以对水泥磨系统电耗进行预测，并建立电耗预测模型得到符合当前工况(如：喂料斗提电流、出磨斗提电流等)的最优能耗值，降低生产过程的电耗，从而减少水泥厂的排放具有重要意义。由于水泥粉磨过程具有复杂随机性，难以用传统的数据方法建立一个精确地水泥能耗预测模型。操作员往往难以根于已经改变的工况，实时调整。

针对上述的问题，一些学者采用了不同的算法研究电耗预测模型。一种是相关分析预测方法，将工业电耗与各个相关变量之间的联系和规律来进行预测，但是该方法需要保证相关变量的可靠性和准确性，当输入变脸个出现干扰或者冗余数据时，会增加预测的负担并降低预测精度。还有一种是使用隐含时间序列深度信念网络对水泥电耗进行预测，消除水泥工业能耗的时变时延，但是深度信念网络采用无监督学习的方式进行预训练，训练缓慢，难以达到水泥磨系统电耗的在线预测。还有一种是建立基于BP的神经网络对污水处理厂的电耗预测模型，但是电耗预测这类问题需要求解得到复杂非线性函数的全局极值，而BP神经网络容易陷入局部最优。

发明内容

有鉴于此，本发明提供一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法，采用基于极限学习机与天牛须搜索优化算法的能耗预测与优化算法(ELM-BAS)，解决了水泥粉磨过程中难以跟踪工况变化的问题，且通过动态更新寻优步长去除了算法可能产生的不可行解。

为实现上述目的，本文提出一种基于水泥工业的实时的动态的水泥粉磨系统能耗优化模型，解决了在水泥工业中，操作员难以准确地根据工况变化实时设置关键参量。该模型利用极限学习机作为电耗的预测模型，利用天牛须搜索优化算法对控制参数进行反向求解，得到符合当前工况的最优运行指标。由于实际生产工况必然会随时间变化，所以模型需要不断地根据实际工况进行实时更新，所以将未来时刻的控制参数与电耗保存下来再次输入到极限学习机中进行训练，并通过当前时刻的实际控制参数值确定约束范围，使得最优解可以满足实际控制参数调整要求，进而实现水泥粉磨过程中实时动态的电耗优化。

本发明所采用的技术方案是：

本发明提供了一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法，该方法包括：

步骤1：通过对水泥磨系统的运行分析，结合主成分分析法选取出与能耗相关的8个运行指标作为输入变量以及1个运行指标作为输出变量；

采用OPC技术将水泥工业DCS设备数据，提取并导入到SQL Server数据库中，从历史数据中提取出选取的8个输入变量及1个输出变量；

采用人工经验去除法和3σ准则筛选法相结合的策略去除提取出的数据中的异常数据，然后对每个变量的进行最大值最小值归一化处理；构建输入层输出层数据；

步骤2：利用步骤1构建好的输入输出层数据结合极限学习机算法，将水泥磨系统实际生产中的实时工业参量数据输入到极限学习机预测模型中进行训练，实现水泥磨系统电耗的在线预测；

步骤3：建立基于天牛须搜索算法的优化模型，将步骤2中训练好的极限学习机模型作为优化模型的目标函数，以能耗的最小值作为优化指标，通过所述优化模型的实现算法得到符合当前工况的输入变量的最优值；周期性的将未来时刻的实际生产数据保存至数据库中，并重新输入到ELM预测模型中再次训练，保证预测能够实时跟踪工况，并且更新通过优化模型输出的最优值和决策变量；

步骤4：利用步骤3中建立的优化模型的输出吨电耗以及最优决策变量，对水泥磨系统的各个工业参量进行调节，以达到最优生产状态。

进一步地，输入变量分别为：喂料量反馈X1、出磨斗提电流反馈X2、选粉机转速反馈X3、喂料斗提电流反馈X4、入库提升机电流反馈X5、比表面积X6、主机电流X7、选粉机进口压力X8；输出变量为：吨电耗Y。

进一步地，所述人工经验去除法包括：根据现场工作人员的经验结合历史生产数据分布来制定的一个大异常数据去除策略，以各参量的期望值为中心，将历史数据中小于0.1倍期望值的数据和大于10倍期望值的数据去除掉。

进一步地，所述3σ准则筛选法的公式如下：

其中，σ_i为该变量数据集合的标准差，U(x_i)为数据x_i的筛选法则，

为该变量数据集合的平均值，x_i为输入变量中第i个数据；

当U(x_i)＝0时，数据x_i是异常数据，当U(x_i)＝1时，数据x_i为正常数据。当U(x_i)＝0时剔除数据，当U(x_i)＝1时保留数据。

进一步地，对N个任意输入，m个输出的样本(X_i,t_i)，其中，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T，t_i＝[t_i1,t_i2,t_i3,…,t_im]^T∈R^m，则存在L个隐含层节点的ELM网络表示为：

其中，W_j为输入权重矩阵，b_j为隐层第j个节点的偏置，g(x)为激活函数，β_j为输出权重，t_i是实际的输出值。

进一步地，所述优化模型的实现算法，包括：

对于多维优化问题，定义目标函数f为ELM预测算法，并初始化天牛的坐标x₀、天牛质心到两触角的距离d⁰；

计算第t次左、右须的坐标：

x_L＝x^t+d^tb；

x_R＝x^t-d^tb；

其中，x^t为第t次迭代后天牛的坐标，d^t为t次迭代天牛质心到两须之间的距离，随机生成的标准化方向向量b，x_L、x_R分别表示天牛左须和右须的坐标；通过比较左、右两须的目标函数值对天牛的位置进行更新：

x^t＝x^t-1+δ^tbsign(f(x_R)-f(x_L))；

然后动态更新天牛须每次移动的步长：

δ^t＝η_δδ^t-1；

其中δ^t代表第t次迭代时天牛移动的步长，x^t表示第t次迭代时天牛的位置，η_δ代表步长的更新衰减系数，取η_δ＝0.95；

若天牛位置更新后，当f(x_(t+1))≥f(x_t)即下次迭代的适应度值大于或者等于当前次迭代的适应度值，天牛的更新天牛的移动步长及方向，反之当f(x_(t+1))≤f(x_t)即下次迭代的适应度值小于上一次迭代的适应度值，保持天牛的步长和方向不变，通过迭代寻找到最优解；

将天牛须搜索优化算法生成的天牛位置向量进行约束处理，即对不符合实际的天牛位置的某个指标值进行处理，如果高于约束上限则按照约束的最大值赋值，如果低于约束下限，则按照约束的最小值赋值。

进一步地，还包括：将实际值输入到极限学习机预测模型中，更新极限学习机预测模型从而更新优化模型的适应度函数，并根据实际生产数据确定新的运行指标的约束。

本发明具有以下有益效果：

1、本发明建立的基于水泥工业的动态的能耗优化模型，能够实时跟踪水泥粉磨系统的工况变化，为水泥粉磨过程中能耗把控提供有效指导。

2、本发明所使用的ELM-BAS算法相比传统的优化算法速度快，甚至可以达到实时，为水泥工业的实时优化奠定算法基础。

3、本发明动态调整天牛的移动步长，使得最优解满足生产设备调节约束，求得的解符合实际生产要求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基于极限学习机的水泥粉磨能耗预测模型的结构；

图2为本发明实施例中基于BAS优化算法的流程框图；

图3为本发明实施例中水泥磨系统的动态优化模型流程框图。

具体实施方式

技术术语：

极限学习机(ELM，Extreme Learning Machines)，又名超限学习机，为人工智能机器学习领域中的一种人工神经网络模型，是一种求解单隐层前馈神经网络的学习算法。

天牛须搜索(BAS，Beetle Antennae Search)，也叫甲壳虫须搜索，是2017年提出的一种高效的智能优化算法。

集散控制系统(DCS，Distributed Control System)，也叫分布式控制系统，目前已广泛应用于水泥工业。

OPC(OLE for Process Control)技术是指为了给工业控制系统应用程序之间的通信建立一个接口标准，在工业控制设备与控制软件之间建立统一的数据存取规范。它给工业控制领域提供了一种标准数据访问机制，将硬件与应用软件有效地分离开来，是一套与厂商无关的软件数据交换标准接口和规程，主要解决过程控制系统与其数据源的数据交换问题，可以在各个应用之间提供透明的数据访问。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种基于BAS的水泥磨系统能耗优化模型，首先采用OPC技术对所需变量数据进行收集，采用主成分分析法(PCA)选取与水泥磨电耗相关的8个变量，采用3σ准则和人工经验去除法相结合的方法去除异常数据，随后进行归一化处理，建立水泥磨系统能耗预测模型，具体结构如图1所示；然后将预测模型利用到基于天牛须算法的优化模型中，通过ELM-BAS算法求出运行指标最优解，ELM-BAS算法流程图如图2所示；最后将实际生产运行指标重新输入ELM预测模型当中，并更新天牛移动步长，使模型时刻跟踪实际工况，流程图如图3所示。

参见图3，本发明实施例中的一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法，该方法包括如下步骤：

步骤1：输入、输出变量筛选：通过对水泥磨系统的运行分析，结合主成分分析法选取出与能耗相关的8个运行指标作为输入变量以及1个运行指标作为输出变量，输入变量分别为：喂料量反馈X1、出磨斗提电流反馈X2、选粉机转速反馈X3、喂料斗提电流反馈X4、入库提升机电流反馈X5、比表面积X6、主机电流X7、选粉机进口压力X8；输出变量为：吨电耗Y。采用OPC技术将水泥工业DCS设备数据，提取并导入到SQLServer数据库中，从历史数据中提取出上面得到的8个输入变量及1个输出变量。采用3σ准则筛选法结合人工经验的策略对历史数据进行清洗。

3σ准则筛选法的公式如下：

其中：σ_i为该变量数据集合的标准差，U(x_i)为数据x_i的筛选法则，

为该变量数据集合的平均值，x_i为输入变量中第i个数据。

当U(x_i)＝0时，数据x_i是异常数据，当U(x_i)＝1时，数据x_i为正常数据。当U(x_i)＝0时剔除数据，当U(x_i)＝1时保留数据。在数据归一化之前，将数据按照每10分钟取一组数，利用当前时刻60分钟的输入预测未来10分钟水泥粉磨系统吨电耗的平均值。

下一步采用最大最小法对数据进行归一化处理：

对序列x₁...x₈进行变换：

其中：n是序列长度，

是原始样本数据的最小值，

为原始样本数据的最大值。

则新序列x′_1,q,x′_2,q,…,x′_8,q∈[0,1]且无量纲，使用处理好的数据构建水泥磨系统电耗预测模型的输入、输出层。

步骤2：利用步骤1构建好的输入输出层数据结合ELM算法，进行ELM水泥粉磨系统电耗预测模型的训练；

对N个任意输入，m个输出的样本(X_i,t_i)，其中，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T，t_i＝[t_i1,t_i2,t_i3,…,t_im]^T∈R^m，则存在L个隐含层节点的ELM网络表示为：

其中，W_j为输入权重矩阵，b_j为隐层第j个节点的偏置，g(x)为激活函数，β_j为输出权重，t_i是实际的输出值，上述公式的矩阵表达形式为：

Hβ＝T (4)

其中：

H的第i列是对输入X_i第i个隐藏节点的输出。其中T表示样本的目标标签值。极限学习机作为单隐层神经网络的延伸，现有技术中已经证实激活函数是无限可微的，输入权重和隐含层偏差可以随机分配。对于已经随机分配的权重W和偏置b，由以下公式可知，训练基于极限学习机的电耗预测模型就相当于寻找系统的最小二乘解

初始化输入权重和偏置后，隐含层输出矩阵H就可以确定，此时可求得输出权值矩阵：

称为H矩阵的摩尔-彭罗斯广义逆，并且该等式对应的解具有唯一性，使其训练误差达到最小。这样整个基于极限学习机的电耗预测模型即被确定。

步骤3：将步骤2中训练好的ELM模型作为天牛须搜索优化算法的目标函数，最小化吨电耗为目标，进行计算。得到符合当前工况的指标值。由于现场操作存在误差，所以将运行指标的真实值记录下来并再次将实际值输入到ELM预测模型中，保证预测模型实时跟踪工况。使基于天牛须搜索优化模型更新指标的最优值。

本发明的优化问题是由ELM作为目标函数与一系列变量约束组成，数学公式如下：

式中f₁为电耗，x₁...x₈是生产被控量，式中对每个变量均进行约束，防止解出现偏离实际的情况，根据工艺选取变量实际值的上下一定范围作为约束。优化模型的实现算法为ELM-BAS算法，如图2所示。

首先，对于多维优化问题，定义目标函数f为ELM预测算法，并初始化天牛的坐标x₀、天牛质心到两触角的距离d⁰等。计算第t次左、右须的坐标：

x_L＝x^t+d^tb (13)

x_R＝x^t-d^tb (14)

其中，x^t为第t次迭代后天牛的坐标，d^t为t次迭代天牛质心到两须之间的距离，随机生成的标准化方向向量b，x_L、x_R分别表示天牛左须和右须的坐标；通过比较左、右两须的目标函数值对天牛的位置进行更新：

x^t＝x^t-1+δ^tbsign(f(x_R)-f(x_L)) (15)

然后动态更新天牛须每次移动的步长：

δ^t＝η_δδ^t-1 (16)

其中δ^t代表第t次迭代时天牛移动的步长，x^t表示第t次迭代时天牛的位置，η_δ代表步长的更新衰减系数，取η_δ＝0.95；若天牛位置更新后，当f(x_(t+1))≥f(x_t)即下次迭代的适应度值大于或者等于当前次迭代的适应度值，天牛的更新天牛的移动步长及方向，反之当f(x_(t+1))≤f(x_t)即下次迭代的适应度值小于上一次迭代的适应度值，保持天牛的步长和方向不变，通过迭代寻找到最优解。

将天牛须搜索优化算法生成的天牛位置向量进行约束处理，即对不符合实际的天牛位置的某个指标值进行处理，如果高于约束上限则按照约束的最大值赋值，如果低于约束下限，则按照约束的最小值赋值。

步骤4：利用步骤3中训练好的优化模型对水泥粉磨系统中的运行指标值进行优化，并对预测模型和优化模型进行更新使得模型能够跟踪实时工况，得到符合工况的优化运行指标。

如图3所示，首先根据当天实际生产数据确定生产指标和运行指标的约束范围，并输入到优化模型中，得到最优电耗值，根据最优电耗值调节其他运行指标及各个控制器的参数。由于水泥磨系统多变量耦合的存在，实际值跟理想值必然存在误差，所以将实际值输入到极限学习机预测模型中，更新预测模型从而更新优化模型的适应度函数，并根据实际生产数据确定新的运行指标的约束。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法，其特征在于，所述方法包括：

步骤1：通过对水泥磨系统的运行分析，结合主成分分析法选取出与能耗相关的8个运行指标作为输入变量以及1个运行指标作为输出变量；

采用OPC技术将水泥工业DCS设备数据，提取并导入到SQL Server数据库中，从历史数据中提取出选取的8个输入变量及1个输出变量；

采用人工经验去除法和3σ准则筛选法相结合的策略去除提取出的数据中的异常数据，然后对每个变量的进行最大值最小值归一化处理；构建输入层输出层数据；

步骤2：利用步骤1构建好的输入输出层数据结合极限学习机算法，将水泥磨系统实际生产中的实时工业参量数据输入到极限学习机预测模型中进行训练，实现水泥磨系统电耗的在线预测；

步骤3：建立基于天牛须搜索算法的优化模型，将步骤2中训练好的极限学习机模型作为优化模型的目标函数，以能耗的最小值作为优化指标，通过所述优化模型的实现算法得到符合当前工况的输入变量的最优值；周期性的将未来时刻的实际生产数据保存至数据库中，并重新输入到ELM预测模型中再次训练，保证预测能够实时跟踪工况，并且更新通过优化模型输出的最优值和决策变量；

步骤4：利用步骤3中建立的优化模型的输出吨电耗以及最优决策变量，对水泥磨系统的各个工业参量进行调节，以达到最优生产状态。

2.根据权利要求1所述的方法，其特征在于，输入变量分别为：喂料量反馈X1、出磨斗提电流反馈X2、选粉机转速反馈X3、喂料斗提电流反馈X4、入库提升机电流反馈X5、比表面积X6、主机电流X7、选粉机进口压力X8；输出变量为：吨电耗Y。

3.根据权利要求1所述的方法，其特征在于，所述人工经验去除法包括：根据现场工作人员的经验结合历史生产数据分布来制定的一个大异常数据去除策略，以各参量的期望值为中心，将历史数据中小于0.1倍期望值的数据和大于10倍期望值的数据去除掉。

4.根据权利要求1所述的方法，其特征在于，所述3σ准则筛选法的公式如下：

其中，σ_i为该变量数据集合的标准差，U(x_i)为数据x_i的筛选法则，

为该变量数据集合的平均值，x_i为输入变量中第i个数据；

当U(x_i)＝0时，数据x_i是异常数据，当U(x_i)＝1时，数据x_i为正常数据；当U(x_i)＝0时剔除数据，当U(x_i)＝1时保留数据。

5.根据权利要求1所述的方法，其特征在于，对N个任意输入，m个输出的样本(X_i,t_i)，其中，X_i＝[x_i1,x_i2,x_i3,…,x_in]^T，t_i＝[t_i1,t_i2,t_i3,…,t_im]^T∈R^m，则存在L个隐含层节点的ELM网络表示为：

其中，W_j为输入权重矩阵，b_j为隐层第j个节点的偏置，g(x)为激活函数，β_j为输出权重，t_i是实际的输出值。

6.根据权利要求1所述的方法，其特征在于，所述优化模型的实现算法，包括：

对于多维优化问题，定义目标函数f为ELM预测算法，并初始化天牛的坐标x₀、天牛质心到两触角的距离d⁰；

计算第t次左、右须的坐标：

x_L＝x^t+d^tb；

x_R＝x^t-d^tb；

其中，x^t为第t次迭代后天牛的坐标，d^t为t次迭代天牛质心到两须之间的距离，随机生成的标准化方向向量b，x_L、x_R分别表示天牛左须和右须的坐标；通过比较左、右两须的目标函数值对天牛的位置进行更新：

x^t＝x^t-1+δ^tbsign(f(x_R)-f(x_L))；

然后动态更新天牛须每次移动的步长：

δ^t＝η_δδ^t-1；

其中δ^t代表第t次迭代时天牛移动的步长，x^t表示第t次迭代时天牛的位置，η_δ代表步长的更新衰减系数，取η_δ＝0.95；

若天牛位置更新后，当f(x_(t+1))≥f(x_t)即下次迭代的适应度值大于或者等于当前次迭代的适应度值，天牛的更新天牛的移动步长及方向，反之当f(x_(t+1))≤f(x_t)即下次迭代的适应度值小于上一次迭代的适应度值，保持天牛的步长和方向不变，通过迭代寻找到最优解；

将天牛须搜索优化算法生成的天牛位置向量进行约束处理，即对不符合实际的天牛位置的某个指标值进行处理，如果高于约束上限则按照约束的最大值赋值，如果低于约束下限，则按照约束的最小值赋值。

7.根据权利要求1所述的方法，其特征在于，还包括：将实际值输入到极限学习机预测模型中，更新极限学习机预测模型从而更新优化模型的适应度函数，并根据实际生产数据确定新的运行指标的约束。

Images