CN113033923A - 水泥熟料性能的预测、评价及优化方法及其装置和系统 - Google Patents
水泥熟料性能的预测、评价及优化方法及其装置和系统 Download PDFInfo
- Publication number
- CN113033923A CN113033923A CN202110486224.8A CN202110486224A CN113033923A CN 113033923 A CN113033923 A CN 113033923A CN 202110486224 A CN202110486224 A CN 202110486224A CN 113033923 A CN113033923 A CN 113033923A
- Authority
- CN
- China
- Prior art keywords
- data
- cement clinker
- performance
- performance prediction
- production
- 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.)
- Granted
Links
- 239000004568 cement Substances 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004519 manufacturing process Methods 0.000 claims abstract description 174
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 59
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 53
- 239000000292 calcium oxide Substances 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 39
- 239000000203 mixture Substances 0.000 claims description 38
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 claims description 32
- 239000000126 substance Substances 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 20
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000001354 calcination Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000002994 raw material Substances 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 14
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 12
- 229910052782 aluminium Inorganic materials 0.000 claims description 12
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 229910052710 silicon Inorganic materials 0.000 claims description 11
- 239000010703 silicon Substances 0.000 claims description 11
- 239000003245 coal Substances 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 10
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 claims description 9
- 229910052681 coesite Inorganic materials 0.000 claims description 9
- 229910052906 cristobalite Inorganic materials 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000001035 drying Methods 0.000 claims description 9
- 230000036571 hydration Effects 0.000 claims description 9
- 238000006703 hydration reaction Methods 0.000 claims description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 9
- 239000011707 mineral Substances 0.000 claims description 9
- 229910052682 stishovite Inorganic materials 0.000 claims description 9
- 229910052905 tridymite Inorganic materials 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 6
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 6
- 239000004571 lime Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002050 diffraction method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 11
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 10
- 229910052593 corundum Inorganic materials 0.000 description 10
- 229910001845 yogo sapphire Inorganic materials 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 9
- 239000000377 silicon dioxide Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000005556 structure-activity relationship Methods 0.000 description 3
- 235000019738 Limestone Nutrition 0.000 description 2
- KKCBUQHMOMHUOY-UHFFFAOYSA-N Na2O Inorganic materials [O-2].[Na+].[Na+] KKCBUQHMOMHUOY-UHFFFAOYSA-N 0.000 description 2
- 239000011398 Portland cement Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- JHLNERQLKQQLRZ-UHFFFAOYSA-N calcium silicate Chemical compound [Ca+2].[Ca+2].[O-][Si]([O-])([O-])[O-] JHLNERQLKQQLRZ-UHFFFAOYSA-N 0.000 description 1
- 229910052918 calcium silicate Inorganic materials 0.000 description 1
- 235000012241 calcium silicate Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- -1 sandstone Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Curing Cements, Concrete, And Artificial Stone (AREA)
Abstract
本发明是关于一种水泥熟料性能的预测、评价及优化方法及其装置和系统。本发明方法包括:采用机器学习法,基于水泥熟料生产的历史数据构建水泥熟料的性能预测模型;获取待测水泥熟料的生产数据,输入所述的性能预测模型中,得到待测水泥熟料的性能预测数据;对待测水泥熟料的性能进行评价分析;若待测水泥熟料的性能预测数据满足设定要求,则直接输出;若待测水泥熟料的性能预测数据未达到设定要求,则对待测水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求。本方法利用水泥厂大量积累生产数据,通过构建水泥熟料的性能预测模型对熟料性能进行快速预测和评价,实现熟料生产质量的稳定控制和优化提升。
Description
技术领域
本发明涉及一种水泥检测技术领域,特别是涉及一种水泥熟料性能的预测、评价及优化方法及其装置和系统。
背景技术
快速评价水泥熟料性能,并在熟料生产中及时调整生产方案,优化熟料生产工艺参数,是有效控制和优化提升熟料生产质量的关键。当前我国水泥熟料生产工艺优化一般通过传统的试验试错法。但水泥性能的测定一般至少需要28天时间。因此,采用传统试错法调整工艺和生产参数,不但消耗了大量的时间和资源,也达不到生产控制的时效性需求。
尽管一些学者,也曾尝试了经验公式和理论建模方法,对熟料性能进行预测,但由于影响因素复杂且多维,导致上述模型自身存在理论局限性,可靠性有限。例如,Ono曾通过建立经验公式,利用光学显微镜参数(包括特晶粒尺寸及折光性,贝利特尺寸及色泽度)预测熟料28天强度。但研究表明,其并不可靠。随后许多学者尝试应用孔隙率、孔径分布等建立经验公式,预测熟料强度性能的办法,均未获得理想效果。当前实践中,水泥厂一般通过测定游离氧化钙含量,凭借工程师的经验和常识快速判断熟料质量。这缺乏可靠性和准确性,质量控制成效有限,也达不到稳定优化提升的目的。
水泥工业日常生产积累了大量的生产试验数据。采用当前发展的机器学习方法,利用已有的大量数据积累,深入分析揭示数据规律,构建科学有效的预测模型,形成更加客观可靠的熟料性能预测及评价方法,并结合熟料化学基本原理,集成水泥质量控制和优化提升的高效智能化新技术,必将极大提升水泥行业技术水平和智能化水平,对推动我国水泥工业提质增效和智能化升级具有重要意义。
发明内容
本发明的主要目的在于,提供一种水泥熟料性能的预测、评价及优化方法及其装置和系统,所要解决的技术问题是使其对熟料性能进行快速预测、及时干预,实现熟料生产质量的稳定控制和优化提升,有利于提升水泥产品质量,提升产品市场竞争力,具有可观的产品经济效益。
本发明的目的及解决其技术问题是采用以下技术方案来实现的。依据本发明提出的一种水泥熟料性能的预测、评价及优化方法,其包括如下步骤:
S100、采用机器学习法,基于水泥熟料生产的历史数据构建水泥熟料的性能预测模型;
S200、获取待测水泥熟料的生产数据,输入所述的性能预测模型中,得到待测水泥熟料的性能预测数据;将所述的性能预测数据与水泥熟料的生产要求或历史生产平均水平进行对比,对待测水泥熟料的性能进行评价分析;
若待测水泥熟料的性能预测数据满足设定要求,则直接输出;
若待测水泥熟料的性能预测数据未达到设定要求,则执行步骤S300;
S300、以熟料性能为目标函数,并根据实际生产需要,设定目标函数阈值,建立水泥熟料生产数据的多维参数向量空间;将任意满足所述多维参数向量空间的组合参数输入所述的性能预测模型中,得到组合参数对应的性能预测数据;
若组合参数对应的性能预测数据满足设定要求,则直接输出;
若组合参数对应的性能预测数据未达到设定要求,则对水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求。
本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中在步骤S300中,所述的建立水泥熟料生产数据的多维参数向量空间的步骤,具体包括:
基于水泥熟料生产的历史数据,以熟料性能为目标函数变量Y=(y1,y2,y3,……,yn),以水泥熟料生产数据作为因变量X=(x1,x2,x3,……,xm),建立因变量X与目标函数变量Y的分布关系,并根据设定的目标函数阈值,分别得到目标函数为yi时xj的下限和上限,其中i=1,2,3,……,n,j=1,2,3,……,m,建立因变量X的多维参数向量空间;
当只有一个目标函数变量时,其对应的因变量X的多维参数向量空间即为针对单一目标性能建立的水泥熟料生产数据的多维参数向量空间;
当有两个或两个以上的目标函数变量时,其对应的因变量X的两个或两个以上的多维参数向量空间取交集,得到水泥熟料生产数据的多维参数向量空间。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中在步骤S300中,所述的对水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求,具体包括:
在所述的水泥熟料生产数据的多维参数向量空间中选择K个变量X分别作为迭代循环计算的输入参数起点,其中,K为1~200的整数;
当K=1时,只有一个变量X,其第j个维度变量xj起始取值按照建立的多维参数向量空间,根据相应维度变量取值与性能的关系,选定输入参数起点值;
当K大于1时,有K个变量X,其中每个变量XH第j个维度变量xhj的起始值按照建立的多维参数向量空间,从相应维度变量参数最小值到最大值按K-1份分割,获得K个数据点,按照如下公式计算:
分别将获得的K个多维参数向量X作为起始输入变量,输入所述的性能预测模型,得到K个输入变量对应的性能预测数据,选出最优的性能预测数据作为优化后的性能预测数据,若优化后的性能预测数据满足设定要求,则直接输出;
若优化后的性能预测数据还未达到设定要求,则按照设定步长调节待测水泥熟料的生产数据,对待测水泥熟料的生产数据进行进一步地优化,直至满足设定要求,并确认输出。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中所述的按照设定步长调节待测水泥熟料的生产数据的步骤,具体包括:
将率值参数和化学成分以有效数字的最后一位,按1~9数值梯度递增或递减,分别调整水泥熟料组成信息;和/或
生料进料量、用煤量、窑转速度、煅烧温度、煅烧时间、气氛、风量、风温和风压按最小记数单位步长递增或递减。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中将设定步长转换生成对应变量X的多维步长向量M,M=(Δx1,Δx2,Δx3,…,Δxm),迭代步长向量ΔM=(r1*Δx1,r2*Δx2,r3*Δx3,…,rm*Δxm),其中,rj在-1、0和1三个数值之间随机取值;则第t次迭代变量X的输入值为XHt=XH(t-1)+ΔM,其中1≤t≤1000,且每次迭代取值变量X始终在所建立的多维向量空间中;
当迭代循环计算次数达到1000次仍不能输出获得满足阈值性能要求的参数时,则改变输入变量X的个数K和起始值,重新输入计算。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中步骤S100具体包括如下步骤:
S101、获取水泥熟料的生产数据和实测性能数据,并对其进行预处理,得到水泥熟料生产的历史数据,所述的水泥熟料的生产数据包括水泥熟料组成信息和生产工艺参数;
S102、对所述的历史数据进行分析,选择相关系数不小于0.9的算法并优化;将所述的历史数据拆分为训练数据集和测试数据集,用所述的训练数据集构建水泥熟料的性能预测模型,并用所述的测试数据集验证所述的性能预测模型的有效性。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中在步骤S101中,所述的水泥熟料组成信息包括水泥原料的化学组成及配比、水泥生料的化学组成、水泥熟料的化学组成、矿物组成、各矿物的晶体学性质、两种以上的矿物组成之比、熟料率值、容重和细度中的至少一种;所述的熟料率值包括石灰饱和系数、硅率和铝率;
所述的生产工艺参数包括生料进料量、用煤量、窑转速度、煅烧温度、煅烧时间、气氛、风量、风温和风压中的至少一种;
所述的实测性能数据包括熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中步骤S102具体包括:
以实测性能数据为目标参数,采用多种算法对所述的历史数据进行计算分析,选择相关系数不小于0.9的算法并优化,获得优化算法;所述的算法为神经网络算法、线性回归算法、支持向量机算法、随机森林算法或XG-Boost算法;
对所述的历史数据的变量参数进行归一化处理,并将所述的历史数据拆分为训练数据集和测试数据集,其中训练数据集和测试数据集的比例为1:2-5;
采用所述的优化算法,用训练数据集构建水泥熟料的性能预测模型,将测试数据集中的水泥熟料的生产数据输入所述的性能预测模型中,得到水泥熟料的性能预测数据,将得到的性能预测数据与测试数据集中的实测性能数据进行比对,验证所述的性能预测模型的有效性。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中所述的验证所述的性能预测模型的有效性,具体包括:
分别计算性能预测数据与实测性能数据中的误差;
若90%及以上的误差都在实测性能数据的5%以内,则性能预测模型有效,否则性能预测模型无效;若性能预测模型无效,则重新选取历史数据或优化算法,重新构建水泥熟料的性能预测模型,直至性能预测模型有效。
优选的,前述的水泥熟料性能的预测、评价及优化方法,其中所述的熟料性能为熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种;
所述的性能预测数据为熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种。
本发明的目的及解决其技术问题还采用以下的技术方案来实现。依据本发明提出的一种水泥熟料性能的预测、评价及优化装置,其包括:
性能预测模型构建单元,用于采用机器学习法,基于水泥熟料生产的历史数据构建水泥熟料的性能预测模型;
性能预测及评价单元,用于获取待测水泥熟料的生产数据,输入所述的性能预测模型中,得到待测水泥熟料的性能预测数据;将所述的性能预测数据与水泥熟料的生产要求或历史生产平均水平进行对比,对待测水泥熟料的性能进行评价分析;若待测水泥熟料的性能预测数据满足设定要求,则直接输出;若待测水泥熟料的性能预测数据未达到设定要求,则执行优化单元;
优化单元,用于以熟料性能为目标函数,并根据实际生产需要,设定目标函数阈值,建立待测水泥熟料生产数据的多维参数向量空间;将任意满足所述多维参数向量空间的组合参数输入所述的性能预测模型中,得到组合参数对应的性能预测数据;若组合参数对应的性能预测数据满足设定要求,则直接输出;若组合参数对应的性能预测数据未达到设定要求,则对待测水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求。
本发明的目的及解决其技术问题还采用以下的技术方案来实现。依据本发明提出的一种水泥熟料性能的预测、评价及优化系统,其包括前述的水泥熟料性能的预测、评价及优化装置和生产工艺终端参数调控装置,所述生产工艺终端参数调控装置与所述的水泥熟料性能的预测、评价及优化装置通过电控系统连接,所述生产工艺终端参数调控装置用于获取所述的水泥熟料性能的预测、评价及优化装置的预测和评价结果,并基于所述的预测和评价结果,调节待测水泥熟料的生产数据,并将调节后的生产数据发送给所述的水泥熟料性能的预测、评价及优化装置。
借由上述技术方案,本发明提出的水泥熟料性能的预测、评价及优化方法及其装置和系统至少具有下列优点:
1、本发明的方法采用机器学习法,基于水泥厂大量积累的历史生产数据,通过构建水泥熟料的性能预测模型对熟料性能进行快速预测和评价,并通过构建的性能预测模型实现熟料生产质量的稳定控制和优化提升,充分发挥水泥厂大量积累生产数据的更大价值,有利于提升水泥产品质量,提升产品市场竞争力,具有可观的产品经济效益。
2、本发明的方法基于大量积累的水泥熟料的生产经验,以熟料性能为目标函数,并根据实际生产需要,设定目标函数阈值,建立待测水泥熟料生产数据的多维参数向量空间;将任意满足所述多维参数向量空间的组合参数输入所述的性能预测模型中,得到组合参数对应的性能预测数据;若组合参数对应的性能预测数据未达到设定要求,则对待测水泥熟料的生产数据进行优化,若优化后的性能预测数据还未达到设定要求,则按照设定步长调节待测水泥熟料的生产数据,对待测水泥熟料的生产数据进行进一步地优化,直至满足设定要求。通过该方法实现水泥熟料生产的优化提升,大大减少优化周期,降低优化成本。
3、本发明的方法可及时干预水泥生产过程,显著提升熟料性能,可以加大水泥混合材应用量,降低水泥生产成本和生产能耗,不需对装备或技术进行改造,投入少、见效快。
4、本发明方法突破现有技术水平,提出了熟料生产的智能化控制新方法,有助于提升水泥行业的智能化水平,所形成的数据规律对水泥生产企业具有针对性,因而具有可直接应用实践性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1示出了本发明一个实施例给出的熟料性能预测、评价和优化的工艺流程示意图;
图2示出了本发明实施例A水泥厂的472组有效水泥熟料生产数据的分布特征;
图3a示出了本发明实施例A水泥厂熟料3天强度性能预测结果;
图3b示出了本发明实施例A水泥厂熟料28天强度性能预测结果;
图4a示出了本发明实施例52组样本预测与实测值随误差大小变化趋势;
图4b示出了本发明实施例52组样本预测与实测值误差曲线;
图5示出了本发明实施例A水泥厂硅率与3天强度关系图;
图6示出了本发明实施例A水泥厂硅率与28天强度关系图;
图7示出了本发明实施例A水泥厂铝率与3天强度关系图;
图8示出了本发明实施例A水泥厂铝率与28天强度关系图;
图9示出了本发明实施例A水泥厂Al2O3含量与3天强度关系图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的水泥熟料性能的预测、评价及优化方法及其装置和系统其具体实施方式、结构、特征及其功效,详细说明如后。在下述说明中,不同的“一实施例”或“实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
如图1所示,本发明的一个实施例提出的一种水泥熟料性能的预测、评价及优化方法,其包括如下步骤:
S100、采用机器学习法,基于水泥熟料生产的历史数据构建水泥熟料的性能预测模型;
具体包括如下步骤:
S101、获取水泥熟料的生产数据和实测性能数据,并对其进行预处理,得到水泥熟料生产的历史数据,所述的水泥熟料的生产数据包括水泥熟料组成信息和生产工艺参数;
所述的水泥熟料组成信息包括水泥原料的化学组成及配比、水泥生料的化学组成、水泥熟料的化学组成、矿物组成(熟料的游离氧化钙含量等)、各矿物的晶体学性质、两种以上的矿物组成之比、熟料率值、容重和细度中的至少一种;所述的熟料率值包括石灰饱和系数、硅率和铝率;其中,石灰饱和系数KH=(CaO-1.65Al2O3-0.35Fe2O3)/(2.8SiO2),硅率N=SiO2/(Al2O3+Fe2O3),铝率P=Al2O3/Fe2O3。确定三个熟料率值,再确定CaO、SiO2、Al2O3和Fe2O3四个主要成分中其一,即可确定熟料的基本化学组成。硅酸盐水泥熟料中各氧化物之间的比例关系的系数称作熟料率值,硅酸盐水泥熟料中各氧化物并不是以单独状态存在,而是由各种氧化物化合成的多矿物集合体。因此在水泥生产中不仅控制各氧化物含量,还应控制各氧化物之间的比例即率值。在一定工艺条件下,率值是质量控制的基本要素。
所述的生产工艺参数包括生料进料量、用煤量(煤粉组成及燃烧特性)、窑转速度、煅烧温度、煅烧时间、气氛(O2、CO2和CO浓度)、风量、风温和风压中的至少一种。
所述的实测性能数据包括熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种。
本步骤中,所述的预处理包括:对水泥熟料的生产数据和实测性能数据进行清洗,根据数据特性,筛选出完整且合理的数据;采用正态方法修改有明显错误的数据;对缺失的数据进行补充完善,对重复冗余数据进行删除,舍弃无法完善的数据。
所述的重复冗余数据主要是根据熟料的率值关系,计算获得熟料率值后,CaO、SiO2、Al2O3和Fe2O3四个主要成分只需确定其一,其他三个即可确定,因此可删除其中三种化学成分变量。
S102、对所述的历史数据进行分析,选择相关系数不小于0.9的算法并优化;将所述的历史数据拆分为训练数据集和测试数据集,用所述的训练数据集构建水泥熟料的性能预测模型,并用所述的测试数据集验证所述的性能预测模型的有效性。
具体包括如下步骤:
以实测性能数据为目标参数,采用多种算法对所述的历史数据进行计算分析,选择相关系数不小于0.9(优选不小于0.95)的算法并优化,获得优化算法;所述的算法包括但不限于神经网络算法、线性回归算法、支持向量机算法、随机森林算法或XG-Boost算法;
对所述的历史数据的变量参数进行归一化处理,并将所述的历史数据拆分为训练数据集和测试数据集,其中训练数据集和测试数据集的比例为1:2-5;
采用所述的优化算法,用训练数据集构建水泥熟料的性能预测模型,将测试数据集中的水泥熟料的生产数据输入所述的性能预测模型中,得到水泥熟料的性能预测数据,将得到的性能预测数据与测试数据集中的实测性能数据进行比对,验证所述的性能预测模型的有效性。
所述的验证所述的性能预测模型的有效性,具体包括:
分别计算性能预测数据与实测性能数据中的误差;
若90%及以上的误差都在实测性能数据的5%以内,则性能预测模型有效,否则性能预测模型无效;若性能预测模型无效,则重新选取历史数据或优化算法,重新构建水泥熟料的性能预测模型,直至性能预测模型有效。
进一步的,分别计算性能预测数据中的3天强度和28天强度与实测性能数据中的3天强度和28天强度的误差;
若90%及以上的误差都在2MPa以内(相对误差在0.5%以内),则性能预测模型有效,否则性能预测模型无效;若性能预测模型无效,则需重新选取历史数据或优化算法,重新构建水泥熟料的性能预测模型,直至性能预测模型有效。
具体的,输入KH、N和P等率值变量参数,CaO、Na2O、K2O、MgO等化学成分变量参数以及游离氧化钙f-CaO含量参数,所选用燃煤和煅烧温度等煅烧条件基本恒定,因此可以不作为变量参数输入。分别将3天强度和28天强度作为目标参数,采用神经网络、线性回归、支持向量机、随机森林等多种算法对熟料组成、率值及f-CaO与性能关系模型进行了计算分析,优选出最适宜算法,并对算法进行改进优化,使得计算模型相关系数达到0.90以上,当预测数据变化趋势均基本能与实测数据较好吻合,且90%及以上样本的3天和28天强度预测值和实测值误差在2MPa以内(相对误差在0.5%以内),说明该强度预测模型可以实现对熟料强度的有效预测。
S200、获取待测水泥熟料的生产数据,输入所述的性能预测模型中,得到待测水泥熟料的性能预测数据;将所述的性能预测数据与水泥熟料的生产要求或历史生产平均水平进行对比,对待测水泥熟料的性能进行评价分析;
若待测水泥熟料的性能预测数据满足设定要求,则直接输出;
若待测水泥熟料的性能预测数据未达到设定要求,则执行步骤S300;
S300、以熟料性能为目标函数,并根据实际生产需要,设定目标函数阈值,建立水泥熟料生产数据的多维参数向量空间;将任意满足所述多维参数向量空间的组合参数输入所述的性能预测模型中,得到组合参数对应的性能预测数据;
若组合参数对应的性能预测数据满足设定要求,则直接输出;
若组合参数对应的性能预测数据未达到设定要求,则对水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求。
具体的,所述的熟料性能为熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种;
所述的性能预测数据为熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种。
在一些实施例中,在步骤S300中,所述的建立水泥熟料生产数据的多维参数向量空间的步骤,具体包括:
基于水泥熟料生产的历史数据,以熟料性能为目标函数变量Y=(y1,y2,y3,……,yn),以水泥熟料生产数据作为因变量X=(x1,x2,x3,……,xm),建立因变量X与目标函数变量Y的分布关系,并根据设定的目标函数阈值,分别得到目标函数为yi时xj的下限和上限,其中i=1,2,3,……,n,j=1,2,3,……,m,建立因变量X的多维参数向量空间;
当只有一个目标函数变量时,其对应的因变量X的多维参数向量空间即为针对单一目标性能建立的水泥熟料生产数据的多维参数向量空间;
当有两个或两个以上的目标函数变量时,其对应的因变量X的两个或两个以上的多维参数向量空间取交集,得到水泥熟料生产数据的多维参数向量空间。
例如,x1代表石灰饱和系数KH,将目标性能如强度与KH关系做二维分布关系图,则可得到强度随KH值大小变化规律和趋势。将强度满足60MPa以上的KH值的最小值作为变量KH变量起点下限,强度满足60MPa以上的KH值的最大值作为变量KH起点上限,则得到KH变量优化的取值范围。
又例如,当要求强度达60MPa以上且游离氧化钙含量低于1.5%,有两个目标性能,x2代表氧化钙含量,将目标性能强度、游离氧化钙含量与氧化钙含量关系分别做二维分布关系图,则可分别得到强度和游离氧化钙含量随氧化钙含量的变化规律和趋势。将强度满足60MPa以上,且游离氧化钙含量低于1.5%的氧化钙的最低含量作为氧化钙成分变量起点下限,强度满足60MPa以上且游离氧化钙含量低于1.5%的氧化钙的最高含量作为游离氧化钙变量起点上限,则得到氧化钙成分含量优化的取值范围。
其他变量参数依次按此方法确定。
当生产所要调试参数范围,不在上述由历史数据确定的优化参数区间范围时,可拓宽或降低相应变量取值范围。
在一些实施例中,在步骤S300中,所述的对水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求,具体包括:
在所述的水泥熟料生产数据的多维参数向量空间中选择K个变量X分别作为迭代循环计算的输入参数起点,其中,K为1~200的整数;
当K=1时,只有一个变量X,其中变量X第j个维度变量xj起始取值按照建立的多维参数向量空间,根据相应维度变量取值与性能的关系,选定输入参数起点值;
例如,当x1对应石灰石饱和系数KH时,随着KH增大,强度性能呈现增大趋势,则KH起始输入值为上述建立KH的范围的最大值。当x2对应铝率N时,N降低有利于熟料强度性能,则N的起始输入值为上述建立N的范围的最小值。
当K=1时,只选取一个起始输入变量,则X中各参数xj的取值,应该根据参数与性能的变化关系,按照最易于实现其性能优化变化方向取值。
分别将获得的K个多维参数向量X作为起始输入变量,输入所述的性能预测模型,得到K个输入变量对应的性能预测数据,选出最优的性能预测数据作为优化后的性能预测数据,若优化后的性能预测数据满足设定要求,则直接输出;
需要说明的是,对于存在关联的参数变量,确定其中一个维度变量,根据关联变量之间计算关系,计算确定相关的关联变量,不采用上述K-1份分割取值法。例如根据率值与化学组成的计算关系,熟料率值参数选定后和CaO、SiO2、Al2O3和Fe2O3四个主要成分只需确定其一,其他三个即可相继确定。如当确定熟料率值和CaO成分含量后,SiO2、Al2O3和Fe2O3不再为独立变量,可通过率值和CaO成分含量计算确定。在此基础上,更进一步地,当生产所用原料成分确定后,微量组分MgO、Na2O、K2O、SO3和P2O5等化学组分的含量也属于关联变量,也应计算后获得其相应维度参数输入值。
若优化后的性能预测数据还未达到设定要求,则按照设定步长调节待测水泥熟料的生产数据,对待测水泥熟料的生产数据进行进一步地优化,直至满足设定要求,并确认输出。
进一步的,所述的按照设定步长调节待测水泥熟料的生产数据的步骤,具体包括:
将率值参数和化学成分以有效数字的最后一位,按1~9数值梯度递增或递减,分别调整水泥熟料组成信息,例如,KH=0.899,则步长为0.001~0.009,N=2.55,则步长为0.01~0.09,SiO2、Al2O3、CaO等,步长为0.01~0.09,其他依次类推;和/或
生料进料量、用煤量、窑转速度、煅烧温度、煅烧时间、气氛、风量、风温和风压按最小记数单位步长递增或递减。例如,生料进料量按照1~9kg/h,用煤量按照1~9kg/h,使得煅烧温度以5℃的梯度递增或递减。窑转速度按照0.1~0.9r/h。
以上只是其中的一些实现方式,实际使用时还可以根据每家工厂工艺设计差异,具体的控制参数的类型,如用煤量有些按照生料含量的百分数计,单位有所差异,根据具体参数记数方式,相应设定相应步长。
更进一步的,将设定步长转换生成对应变量X的多维步长向量M,M=(Δx1,Δx2,Δx3,…,Δxm),迭代步长向量ΔM=(r1*Δx1,r2*Δx2,r3*Δx3,…,rm*Δxm),其中,rj在-1、0和1三个数值之间随机取值;则第t次迭代变量X的输入值为XHt=XH(t-1)+ΔM,其中1≤t≤1000,且每次迭代取值变量X始终在所建立的多维向量空间A中,即xHt∈A;
当迭代循环计算次数达到1000次仍不能输出获得满足阈值性能要求的参数时,则改变输入变量X的个数K和起始值,重新输入计算。
在一些具体的实施例中,例如,先确定三率值参数的取值范围和CaO的含量范围,然后确定三率值的输入起始值和CaO的输入起始值,其中石灰饱和系数从最大值开始,硅率从最小值开始,铝率从最大值开始,CaO从中间值开始,根据率值与成分间的关系计算出水泥熟料组成信息,输入所述的性能预测模型,得到优化后的性能预测数据;若优化后的性能预测数据还未达到设定要求,则将三率值参数和CaO的含量分别以0.01的数值梯度递增或递减,调整水泥熟料组成信息。
本实施例分别以游离氧化钙含量和抗压强度为目标函数,根据实际生产水平,设定目标函数阈值。通常游离氧化钙含量不高于1.5%,且越低越好,抗压强度满足熟料产品强度等级要求,一般高于历史平均生产水平,且接近历史最高生产水平。采用无监督学习聚类分析法,构建变量参数与性能的构效关系,建立关键工艺参数的多维参数向量空间。
在一些实施例中,根据得到的性能预测数据,还可对熟料性能优劣进行评价分析,根据生产控制要求和历史生产平均水平,对于预测值绝对误差大于2MPa及以上的样本,进行生产问题诊断分析。
本实施例可采用无监督学习方法分析熟料样品的3天和28天强度与化学组成及率值等属性的分布关系和特征。根据分析结果,对于该水泥厂数据,适当降低硅率N,提高铝率P,可以制备3天和28天强度性能优异的水泥熟料。
本发明利用水泥工业大量生产数据,采用机器学习方法,构建熟料组成-工艺-性能的数据模型,实现对熟料性能的有效预测、评价、诊断分析和优化提升。
本实施例的方法应用优化的工艺或生产参数,调整原料配比或生产控制参数,对生产过程进行优化控制,实现熟料性能的稳定控制和优化提升。
利用上述水泥生产工艺数据形成的性能预测模型,不但可以预测熟料的强度性能,也可用于指导和优化生产工艺,改善熟料烧成品质。
本实施例还提出一种水泥熟料性能的预测、评价及优化装置,其包括:
性能预测模型构建单元,用于采用机器学习法,基于水泥熟料生产的历史数据构建水泥熟料的性能预测模型;
性能预测及评价单元,用于获取待测水泥熟料的生产数据,输入所述的性能预测模型中,得到待测水泥熟料的性能预测数据;将所述的性能预测数据与水泥熟料的生产要求或历史生产平均水平进行对比,对待测水泥熟料的性能进行评价分析;若待测水泥熟料的性能预测数据满足设定要求,则直接输出;若待测水泥熟料的性能预测数据未达到设定要求,则执行优化单元;
优化单元,用于以熟料性能为目标函数,并根据实际生产需要,设定目标函数阈值,建立待测水泥熟料生产数据的多维参数向量空间;将任意满足所述多维参数向量空间的组合参数输入所述的性能预测模型中,得到组合参数对应的性能预测数据;若组合参数对应的性能预测数据满足设定要求,则直接输出;若组合参数对应的性能预测数据未达到设定要求,则对待测水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求。
本实施例还提出一种水泥熟料性能的预测、评价及优化系统,其包括前述的水泥熟料性能的预测、评价及优化装置和生产工艺终端参数调控装置,所述生产工艺终端参数调控装置与所述的水泥熟料性能的预测、评价及优化装置通过电控系统连接,所述生产工艺终端参数调控装置用于获取所述的水泥熟料性能的预测、评价及优化装置的预测和评价结果,并基于所述的预测和评价结果,调节待测水泥熟料的生产数据,并将调节后的生产数据发送给所述的水泥熟料性能的预测、评价及优化装置。
下面将结合具体实施例对本发明作进一步说明,但不能理解为是对本发明保护范围的限制,该领域的技术人员根据上述本发明的内容对本发明作出的一些非本质的改进和调整,仍属于本发明的保护范围。
在本发明以下实施例中,若没有特殊说明,所用试剂皆可在市场上购买得到,若没有特殊说明,所涉及的方法皆为常规方法。
在本发明以下实施例中,若无特殊说明,所涉及的组分均为本领域技术人员熟知的市售商品。
实施例1
在A水泥厂收集获得了500组生产数据,含有化学组成,游离氧化钙f-CaO含量、熟料三率值、3天和28天强度等成套数据信息。对数据进行清洗处理,去掉缺失实验值的数据,舍弃无法完善的数据,整理获得472组有效水泥熟料生产数据样本见图2。根据率值与化学组成的计算关系,进行数据降维。选取熟料率值后和CaO、SiO2、Al2O3和Fe2O3四个主要成分只需确定其一,其他三个即可确定,因此可删除其中三种化学成分变量。
本实施例选用熟料率值和CaO为特征变量,删除SiO2、Al2O3和Fe2O3成分变量。
以CaO、MgO、Na2O和K2O等化学成分,KH、N和P等率值以及游离氧化钙f-CaO含量参数为变量参数,分别将3天强度和28天强度作为目标参数,采用神经网络、线性回归、支持向量机、随机森林(RandomForest)等多种算法对熟料组成、率值及f-CaO与性能关系模型进行了计算分析。优选相关系数达到0.90以上计算方法。对算法进行改进优化,使得计算模型相关系数达到0.95以上。本实施例优选出的随机森林算法相关系数为0.9728。
将数据进行归一化处理,选用472组数据中的420组作为训练数据集,其余52组作为测试数据集,采用优化的数据模型训练,分别建立了熟料3天强度和28天强度的预测模型。3天强度和28天强度平均绝对误差分别为1.04MPa和0.9MPa。
图3a和图3b分别给出了3天和28天熟料强度预测数据与实测数据的对比差异,图3a和图3b中,浅色的圆点代表实测数据,深色的圆点代表预测数据。由图3a和图3b可见,不论3天还是28天强度,预测数据变化趋势均基本能与实测数据较好吻合,表明了该强度预测模型可以实现对熟料强度的有效预测。28天强度性能的预测结果表明,52组数据中的48组数据误差在2MPa以内(相对误差在0.5%以内),即绝对误差在2MPa以内的样本约占92%。
对预测与实测强度性能误差进行分析,发现4个样本的强度误差在2MPa及以上,如图4a所示,为52组样本预测与实测值随误差大小变化趋势;如图4b所示,为52组样本预测与实测值误差曲线;将这四组源数据进行分析,发现这些数据集中在2019年的6月底和7月初的4天。经与水泥厂技术人员核实,6月底和7月初,由于工艺参数控制调试,导致熟料质量存在波动。可见,通过数据分析可以诊断发现生产中可能存在的问题。
实施例2
利用上述实施例1得到的水泥生产工艺数据形成的性能预测模型,不但可以预测熟料的强度性能,也可用于指导和优化生产工艺,改善熟料烧成品质。采用非监督学习方法分析了472组熟料样品的3天和28天强度与化学组成及率值等属性的分布关系和特征,得到各参数变量与性能的构效关系。根据分析结果,对于该水泥厂数据,适当降低硅率N,提高铝率P,可以制备3天和28天强度性能优异的水泥熟料,如图5至图9所示,分别给出了A水泥厂硅率与3天强度关系图、硅率与28天强度关系图、铝率与3天强度关系图、铝率与28天强度关系图和Al2O3含量与3天强度关系图。按照游离氧化钙含量和28天强度性能要求,设定游离氧化钙含量不高于1.5%,28天强度高于60MPa,按照历史参数满足性能要求的上下限起点参数,得到主要工艺参数的多维向量空间:21.52≤SiO2≤22.11;5.28≤Al2O3≤5.61;3.37≤Fe2O3≤3.59;65.71≤CaO≤66.63;MgO≤1.5;0.889≤KH≤0.916;2.34≤N≤2.56;1.5≤P≤1.66。
在建立的工艺参数的多维向量空间,选择1个起始变量X1作为起始输入值。根据变量参数与性能的构效关系,适当降低硅率N,提高铝率P,可以制备3天和28天强度性能优异的水泥熟料,因此X1各维度变量的起始值选取,按照N从最小值,KH、P和CaO从最大值开始赋值,并根据具体的生产原料化学组成依次确定MgO、Na2O和K2O等变量起始值,再确定并输入优选的生产工艺参数。通过熟料性能的预测模型反馈预测,当预测熟料强度性能高于60MPa及以上时,则确认输入,当预测结果低于60MPa,则数据返回迭代计算重新优化输出。其中KH按0.001步长,N和P按照0.01步长,化学成分按0.05%步长,煅烧温度按5℃,其他工艺参数按最小记数单位步长递增或递减。直至满足预测熟料强度性能高于60MPa,确认输入。将输入的生产数据,反馈输出到生产的原料配比等工艺参数,制备水泥熟料。如,当输入KH为0.908、硅率2.53和铝率1.60时,预测可制备得强度61.5MPa熟料。采用上述率值,调整石灰石、砂岩、粘土和铁粉等原料配比,制备目标熟料,其化学组成见表1。经测定,游离氧化钙含量及实测强度结果等见下表1。由表可见,按照上述步骤获得熟料实测其3天强度32.2MPa,28天强度61.9MPa,较该水泥厂平均熟料强度57.89MPa约提高4.01MPa。可见,通过本技术实施,可以实现熟料性能的稳定提升。
表1熟料组成及性能与性能预测值对比
由表1可见,根据实施例2熟料强度性能3D和28D的预测值与实测值接近,可见使用实施例2的方法误差小,预测准确度高。
本发明的实施方法主要是利用水泥企业大量生产数据,采用机器学习方法的大数据分析技术,结合熟料化学基础理论,构建熟料组成-工艺-性能的数据模型,揭示强度性能与各工艺参数的数据规律,提出熟料工艺和生产参数的优化方法,并反馈输出到生产过程的具体控制参数,实现熟料性能的预测、诊断分析和优化提升的一体化。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开的实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本公开的实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本公开的实施例可提供为方法、系统或计算机程序产品。因此,本公开的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本公开的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种水泥熟料性能的预测、评价及优化方法,其特征在于,包括如下步骤:
S100、采用机器学习法,基于水泥熟料生产的历史数据构建水泥熟料的性能预测模型;
S200、获取待测水泥熟料的生产数据,输入所述的性能预测模型中,得到待测水泥熟料的性能预测数据;将所述的性能预测数据与水泥熟料的生产要求或历史生产平均水平进行对比,对待测水泥熟料的性能进行评价分析;
若待测水泥熟料的性能预测数据满足设定要求,则直接输出;
若待测水泥熟料的性能预测数据未达到设定要求,则执行步骤S300;
S300、以熟料性能为目标函数,并根据实际生产需要,设定目标函数阈值,建立水泥熟料生产数据的多维参数向量空间;将任意满足所述多维参数向量空间的组合参数输入所述的性能预测模型中,得到组合参数对应的性能预测数据;
若组合参数对应的性能预测数据满足设定要求,则直接输出;
若组合参数对应的性能预测数据未达到设定要求,则对水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求。
2.根据权利要求1所述的水泥熟料性能的预测、评价及优化方法,其特征在于,在步骤S300中,所述的建立水泥熟料生产数据的多维参数向量空间的步骤,具体包括:
基于水泥熟料生产的历史数据,以熟料性能为目标函数变量Y=(y1,y2,y3,……,yn),以水泥熟料生产数据作为因变量X=(x1,x2,x3,……,xm),建立因变量X与目标函数变量Y的分布关系,并根据设定的目标函数阈值,分别得到目标函数为yi时xj的下限和上限,其中i=1,2,3,……,n,j=1,2,3,……,m,建立因变量X的多维参数向量空间;
当只有一个目标函数变量时,其对应的因变量X的多维参数向量空间即为针对单一目标性能建立的水泥熟料生产数据的多维参数向量空间;
当有两个或两个以上的目标函数变量时,其对应的因变量X的两个或两个以上的多维参数向量空间取交集,得到水泥熟料生产数据的多维参数向量空间。
3.根据权利要求2所述的水泥熟料性能的预测、评价及优化方法,其特征在于,在步骤S300中,所述的对水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求,具体包括:
在所述的水泥熟料生产数据的多维参数向量空间中选择K个变量X分别作为迭代循环计算的输入参数起点,其中,K为1~200的整数;
当K=1时,只有一个变量X,其第j个维度变量xj起始取值按照建立的多维参数向量空间,根据相应维度变量取值与性能的关系,选定输入参数起点值;
当K大于1时,有K个变量X,其中每个变量XH第j个维度变量xHj的起始值按照建立的多维参数向量空间,从相应维度变量参数最小值到最大值按K-1份分割,获得K个数据点,按照如下公式计算:H=1,2,3,……,K;分别将获得的K个多维参数向量X作为起始输入变量,输入所述的性能预测模型,得到K个输入变量对应的性能预测数据,选出最优的性能预测数据作为优化后的性能预测数据,若优化后的性能预测数据满足设定要求,则直接输出;
若优化后的性能预测数据还未达到设定要求,则按照设定步长调节待测水泥熟料的生产数据,对待测水泥熟料的生产数据进行进一步地优化,直至满足设定要求,并确认输出。
4.根据权利要求3所述的水泥熟料性能的预测、评价及优化方法,其特征在于,所述的按照设定步长调节待测水泥熟料的生产数据的步骤,具体包括:
将率值参数和化学成分以有效数字的最后一位,按1~9数值梯度递增或递减,分别调整水泥熟料组成信息;和/或
生料进料量、用煤量、窑转速度、煅烧温度、煅烧时间、气氛、风量、风温和风压按最小记数单位步长递增或递减。
5.根据权利要求4所述的水泥熟料性能的预测、评价及优化方法,其特征在于,将设定步长转换生成对应变量X的多维步长向量M,M=(Δx1,Δx2,Δx3,…,Δxm),迭代步长向量ΔM=(r1*Δx1,r2*Δx2,r3*Δx3,…,rm*Δxm),其中,rj在-1、0和1三个数值之间随机取值,j=1,2,3,……,m;则第t次迭代变量X的输入值为XHt=XH(t-1)+ΔM,其中1≤t≤1000,且每次迭代取值变量X始终在所建立的多维向量空间中;
当迭代循环计算次数达到1000次仍不能输出获得满足阈值性能要求的参数时,则改变输入变量X的个数K和起始值,重新输入计算。
6.根据权利要求1所述的水泥熟料性能的预测、评价及优化方法,其特征在于,步骤S100具体包括如下步骤:
S101、获取水泥熟料的生产数据和实测性能数据,并对其进行预处理,得到水泥熟料生产的历史数据,所述的水泥熟料的生产数据包括水泥熟料组成信息和生产工艺参数;
S102、对所述的历史数据进行分析,选择相关系数不小于0.9的算法并优化;将所述的历史数据拆分为训练数据集和测试数据集,用所述的训练数据集构建水泥熟料的性能预测模型,并用所述的测试数据集验证所述的性能预测模型的有效性。
7.根据权利要求6所述的所述的水泥熟料性能的预测、评价及优化方法,其特征在于,在步骤S101中,所述的水泥熟料组成信息包括水泥原料的化学组成及配比、水泥生料的化学组成、水泥熟料的化学组成、矿物组成、各矿物的晶体学性质、两种以上的矿物组成之比、熟料率值、容重和细度中的至少一种;所述的熟料率值包括石灰饱和系数、硅率和铝率;
所述的生产工艺参数包括生料进料量、用煤量、窑转速度、煅烧温度、煅烧时间、气氛、风量、风温和风压中的至少一种;
所述的实测性能数据包括熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种。
8.根据权利要求6所述的水泥熟料性能的预测、评价及优化方法,其特征在于,步骤S102具体包括:
以实测性能数据为目标参数,采用多种算法对所述的历史数据进行计算分析,选择相关系数不小于0.9的算法并优化,获得优化算法;所述的算法为神经网络算法、线性回归算法、支持向量机算法、随机森林算法或XG-Boost算法;
对所述的历史数据的变量参数进行归一化处理,并将所述的历史数据拆分为训练数据集和测试数据集,其中训练数据集和测试数据集的比例为1:2-5;
采用所述的优化算法,用训练数据集构建水泥熟料的性能预测模型,将测试数据集中的水泥熟料的生产数据输入所述的性能预测模型中,得到水泥熟料的性能预测数据,将得到的性能预测数据与测试数据集中的实测性能数据进行比对,验证所述的性能预测模型的有效性。
9.根据权利要求8所述的水泥熟料性能的预测、评价及优化方法,其特征在于,所述的验证所述的性能预测模型的有效性,具体包括:
分别计算性能预测数据与实测性能数据中的误差;
若90%及以上的误差都在实测性能数据的5%以内,则性能预测模型有效,否则性能预测模型无效;若性能预测模型无效,则重新选取历史数据或优化算法,重新构建水泥熟料的性能预测模型,直至性能预测模型有效。
10.根据权利要求1所述的水泥熟料性能的预测、评价及优化方法,其特征在于,所述的熟料性能为熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种;
所述的性能预测数据为熟料的游离氧化钙含量、抗压强度、抗弯强度、水化热、凝结时间、干燥收缩率、稳定性、膨胀性、耐硫酸盐性中的至少一种。
11.一种水泥熟料性能的预测、评价及优化装置,其特征在于,包括:
性能预测模型构建单元,用于采用机器学习法,基于水泥熟料生产的历史数据构建水泥熟料的性能预测模型;
性能预测及评价单元,用于获取待测水泥熟料的生产数据,输入所述的性能预测模型中,得到待测水泥熟料的性能预测数据;将所述的性能预测数据与水泥熟料的生产要求或历史生产平均水平进行对比,对待测水泥熟料的性能进行评价分析;若待测水泥熟料的性能预测数据满足设定要求,则直接输出;若待测水泥熟料的性能预测数据未达到设定要求,则执行优化单元;
优化单元,用于以熟料性能为目标函数,并根据实际生产需要,设定目标函数阈值,建立待测水泥熟料生产数据的多维参数向量空间;将任意满足所述多维参数向量空间的组合参数输入所述的性能预测模型中,得到组合参数对应的性能预测数据;若组合参数对应的性能预测数据满足设定要求,则直接输出;若组合参数对应的性能预测数据未达到设定要求,则对待测水泥熟料的生产数据进行优化,直至性能预测数据满足设定要求。
12.一种水泥熟料性能的预测、评价及优化系统,其特征在于,包括:
权利要求11所述的水泥熟料性能的预测、评价及优化装置和生产工艺终端参数调控装置,所述生产工艺终端参数调控装置与所述的水泥熟料性能的预测、评价及优化装置通过电控系统连接,所述生产工艺终端参数调控装置用于获取所述的水泥熟料性能的预测、评价及优化装置的预测和评价结果,并基于所述的预测和评价结果,调节待测水泥熟料的生产数据,并将调节后的生产数据发送给所述的水泥熟料性能的预测、评价及优化装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486224.8A CN113033923B (zh) | 2021-04-30 | 2021-04-30 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486224.8A CN113033923B (zh) | 2021-04-30 | 2021-04-30 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033923A true CN113033923A (zh) | 2021-06-25 |
CN113033923B CN113033923B (zh) | 2024-05-14 |
Family
ID=76455363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110486224.8A Active CN113033923B (zh) | 2021-04-30 | 2021-04-30 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033923B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169567A (zh) * | 2021-10-28 | 2022-03-11 | 北京金隅水泥节能科技有限公司 | 一种水泥熟料性能预测方法 |
CN114236104A (zh) * | 2021-10-28 | 2022-03-25 | 阿里云计算有限公司 | 游离氧化钙测量方法、装置、设备、介质及产品 |
WO2023068148A1 (ja) * | 2021-10-19 | 2023-04-27 | 株式会社アマダ | 予測・推定システム、学習装置及び予測・推定装置 |
CN116165988A (zh) * | 2023-04-24 | 2023-05-26 | 格拉默汽车内饰部件(北京)有限公司 | 一种汽车中控台的生产质量管控方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999045367A1 (en) * | 1998-03-05 | 1999-09-10 | Akzo Nobel N.V. | A method for controlling a process for the production of a cellulose fibre containing product |
CN102249576A (zh) * | 2011-05-11 | 2011-11-23 | 中国建筑材料科学研究总院 | 一种低能耗、低排放水泥及其制备方法与应用 |
CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
CN110263911A (zh) * | 2019-04-30 | 2019-09-20 | 福建省水利投资开发集团有限公司 | 一种基于神经网络的堆石混凝土技术适应度反馈调节方法 |
AU2020101453A4 (en) * | 2020-07-23 | 2020-08-27 | China Communications Construction Co., Ltd. | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining |
CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
-
2021
- 2021-04-30 CN CN202110486224.8A patent/CN113033923B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999045367A1 (en) * | 1998-03-05 | 1999-09-10 | Akzo Nobel N.V. | A method for controlling a process for the production of a cellulose fibre containing product |
CN102249576A (zh) * | 2011-05-11 | 2011-11-23 | 中国建筑材料科学研究总院 | 一种低能耗、低排放水泥及其制备方法与应用 |
CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
CN110263911A (zh) * | 2019-04-30 | 2019-09-20 | 福建省水利投资开发集团有限公司 | 一种基于神经网络的堆石混凝土技术适应度反馈调节方法 |
AU2020101453A4 (en) * | 2020-07-23 | 2020-08-27 | China Communications Construction Co., Ltd. | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining |
CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
Non-Patent Citations (1)
Title |
---|
吕清勇等: "BP 神经网络在水泥熟料强度预测中的应用", 微计算机信息, vol. 26, 31 December 2010 (2010-12-31), pages 1 - 3 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023068148A1 (ja) * | 2021-10-19 | 2023-04-27 | 株式会社アマダ | 予測・推定システム、学習装置及び予測・推定装置 |
CN114169567A (zh) * | 2021-10-28 | 2022-03-11 | 北京金隅水泥节能科技有限公司 | 一种水泥熟料性能预测方法 |
CN114236104A (zh) * | 2021-10-28 | 2022-03-25 | 阿里云计算有限公司 | 游离氧化钙测量方法、装置、设备、介质及产品 |
CN116165988A (zh) * | 2023-04-24 | 2023-05-26 | 格拉默汽车内饰部件(北京)有限公司 | 一种汽车中控台的生产质量管控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113033923B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033923B (zh) | 水泥熟料性能的预测、评价及优化方法及其装置和系统 | |
CN109359737B (zh) | 再生骨料透水混凝土bp神经网络预测分析方法 | |
Amin et al. | Prediction of sustainable concrete utilizing rice husk ash (RHA) as supplementary cementitious material (SCM): Optimization and hyper-tuning | |
WO2021087154A1 (en) | Cement kiln modeling for improved operation | |
Babajanzadeh et al. | Compressive strength prediction of self-compacting concrete incorporating silica fume using artificial intelligence methods | |
CN106327004A (zh) | 一种基于熟料质量指标的水泥烧成过程优化方法 | |
Han et al. | Deep learning to predict the hydration and performance of fly ash-containing cementitious binders | |
Sh et al. | THE CAUSAL RELATIONSHIPS IN THE MANAGEMENT PROCESS OF CEMENT PRODUCTION | |
CN117037960A (zh) | 硫铝铁系胶凝材料的性能调控方法及系统 | |
Akin et al. | Modelling of concrete compressive strength admixed with GGBFS using gene expression programming | |
Afzali et al. | The use of machine learning techniques to investigate the properties of metakaolin-based geopolymer concrete | |
CN114334025A (zh) | 一种水泥熟料煅烧环境变量的构建及验证方法 | |
Wudil et al. | Intelligent optimization for modeling carbon dioxide footprint in fly ash geopolymer concrete: A novel approach for minimizing CO2 emissions | |
CN117172116A (zh) | 基于pso-bp组合模型的混凝土抗压强度预测方法 | |
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 | |
Tsamatsoulis | Prediction of cement strength: analysis and implementation in process quality control | |
Kong et al. | Robust real-time optimization for blending operation of alumina production | |
Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
CN114912712A (zh) | 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法 | |
Maddah et al. | Predictive Regression Models for the Compressive Strength of Fly Ash-based Alkali-Activated Cementitious Materials via Machine Learning | |
Liu et al. | Thermal efficiency prediction model of cement clinker production based on fuzzy c-means monitoring clustering | |
CN110516405A (zh) | 硅酸盐水泥基胶凝材料体系水化热无假定预测模型的构建方法 | |
Donhauser et al. | Simulation-Based Optimization of the Energy Consumption in the Hardening Process for Calcium Silicate Masonry Units | |
CN117148729B (zh) | 一种天然硬石膏的水化率控制方法及系统 | |
CN117637049A (zh) | 一种基于LightGBM模型的熟料烧成热耗预测方法及装置 |
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 |