CN113419050A - 水泥生料成分软测量的方法及装置 - Google Patents

水泥生料成分软测量的方法及装置 Download PDF

Info

Publication number
CN113419050A
CN113419050A CN202110816564.2A CN202110816564A CN113419050A CN 113419050 A CN113419050 A CN 113419050A CN 202110816564 A CN202110816564 A CN 202110816564A CN 113419050 A CN113419050 A CN 113419050A
Authority
CN
China
Prior art keywords
state variable
variable data
raw material
cao
soft measurement
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.)
Pending
Application number
CN202110816564.2A
Other languages
English (en)
Inventor
王孝红
纪强强
于宏亮
刘化果
韩珑
周建利
高红卫
王飞宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Hengtuo Scientific Technology Development Co ltd
Original Assignee
Shandong Hengtuo Scientific Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Hengtuo Scientific Technology Development Co ltd filed Critical Shandong Hengtuo Scientific Technology Development Co ltd
Priority to CN202110816564.2A priority Critical patent/CN113419050A/zh
Publication of CN113419050A publication Critical patent/CN113419050A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
    • G01N33/383—Concrete or cement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Ceramic Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种水泥生料成分软测量的方法及装置，方法包括以下步骤：采集水泥厂辊磨机运行过程中的状态变量数据；使用灰色关联度从所述状态变量数据中提取在线特征变量；利用提取的在线特征变量建立生料CaO软测量模型；采用生料CaO软测量模型对水泥生料CaO进行测量。本发明不仅能够提供检测精度，而且减少了水泥生料生产过程中的滞后性。

Description

水泥生料成分软测量的方法及装置
技术领域
本发明涉及一种水泥生料成分软测量的方法及装置，属于水泥生产制造技术领域。
背景技术
生料制备是水泥生产过程中的重要环节，生料成分是否稳定将影响后续熟料的煅烧状况。
辊磨机运行参数主要受原材料易磨性的影响，其对不同种类的原材料和化学成分反应较为灵敏。定辊电流作为衡量生料磨运行功率的主要参数，在一定条件下定辊电流有规律的变化可以反映生料CaO的变化趋势。但是，大多数水泥厂采用离线式荧光分析仪检测出磨生料成分，从生料操作员调整配比到荧光分析仪检验再到把化验结果反馈给生料操作员整个过程需要1小时左右，时间滞后性长，不利于生料操作员及时干预配比。
因此，如何提供一种提高检测精度和效率的水泥生料成分软测量方法是本领域技术人员亟需解决的问题。
发明内容
为了解决上述问题，本发明提出了一种水泥生料成分软测量的方法及装置，不仅能够提供检测精度，而且可以减少水泥生料生产过程中的滞后性。
本发明解决其技术问题采取的技术方案是：
第一方面，本发明实施例提供的一种水泥生料成分软测量的方法，包括以下步骤：
采集水泥厂辊磨机运行过程中的状态变量数据；
使用灰色关联度从所述状态变量数据中提取在线特征变量；
利用提取的在线特征变量建立生料CaO软测量模型；
采用生料CaO软测量模型对水泥生料CaO进行测量。
作为本实施例一种可能的实现方式，所述状态变量数据包括：定辊电流、辊磨压力、斗提电流、选粉机电流、小仓仓重、循环风机电流、辊缝差、出磨温度和入磨温度。
作为本实施例一种可能的实现方式，所述在线特征变量包括：定辊电流、辊磨压力和小仓仓重。
作为本实施例一种可能的实现方式，所述提取在线特征变量，包括：
对状态变量数据使用线性插值来填充原始数据的瞬时缺失值，并用依达拉准则剔除异常值；
对剔除异常值后的状态变量数据进行均值滤波；
采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度。
作为本实施例一种可能的实现方式，所述对状态变量数据使用线性插值来填充原始数据的瞬时缺失值的计算公式为：
Figure BDA0003170703990000021
式中，tb与yb是待求数据点对应的时刻与估计值，th与yh是数据缺失时间段后有效记录点对应的时刻与实际值，tq与yq是数据缺失时间段前最近有效记录点对应的时刻与实际值。
作为本实施例一种可能的实现方式，所述用依达拉准则剔除异常值的计算公式为：
Figure BDA0003170703990000022
式中，xi为状态变量数据的值，n表示样本数目总个数，σ表示标准差。
作为本实施例一种可能的实现方式，所述对剔除异常值后的状态变量数据进行均值滤波的计算公式为：
Figure BDA0003170703990000031
式中，n为均值滤波的时间窗口长度，Xj为状态变量数据，Xi为均值滤波后的均值滤波。
作为本实施例一种可能的实现方式，所述采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度，包括：
选取确定的原始序列，以状态变量数据为自变量，生料CaO含量为因变量构成一个比较数列；
采用归一化公式对状态变量数据进行无量纲处理；
对归一化后的状态变量数据求差序列、两级差；
计算关联度系数和灰色关联度。
作为本实施例一种可能的实现方式，所述采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度，包括：
选取确定的原始序列：以小仓仓重、定辊电流、辊磨压力、斗提电流、选粉机电流、循环风机电流、出磨温度、入磨温度、辊缝差为自变量，生料CaO含量为因变量构成一个比较数列如下：
Xi＝(xi(1),xi(2),xi(3),xi(4),K,xi(n))
X1＝(x1(1),x1(2),x1(3),x1(4),K,x1(n))
式中，Xi为比较数列即为自变量，i为比较数列的序号i＝1,2,3,4Km，m表示自变量因素个数，n表示每个变量的数目；
对状态变量数据进行无量纲化：采用归一化公式对状态变量数据进行无量纲处理，使其在[0,1]之间均匀分布，所述归一化公式如下：
Figure BDA0003170703990000032
式中，Yi(k)为归一化后的状态变量数据，Xi(k)为状态变量数据，maxXi和minXi为状态变量数据的最大值和最小值，k＝1,2,3,4K n；
对归一化后的状态变量数据求差序列：
Δi1(k)＝|Yi(k)-Y1(k)|
求两级差：
Figure BDA0003170703990000041
Figure BDA0003170703990000042
计算关联度系数
Figure BDA0003170703990000043
式中，ξ为分辨系数，ξ∈(0,1)。
计算灰色关联度：
Figure BDA0003170703990000044
其中，λi1为灰色关联度。
作为本实施例一种可能的实现方式，所述利用提取的在线特征变量建立生料CaO软测量模型，包括：
给定样本集合是{(xi，yi),i＝1,2,3,L,n}，并且xi∈Rm为输入向量，yi∈R为目标向量，n为样本数量；
进行线性回归处理：
f(x)＝ωTφ(x)+b
式中，ω表示权向量，b表示偏置项，φ(x)为非线性映射函数；
根据结构风险最小化原则，LSSVM的优化目标为：
Figure BDA0003170703990000045
其约束条件为：
yi＝ωTφ(xi)+b+εi
式中：ε为误差变量；c>0为惩罚系数；
引入拉格朗日函数将该问题转化到其对偶空间进行求解，即：
Figure BDA0003170703990000051
其中，αi为拉格朗日乘子；
根据最优化理论中的KKT条件，并用最小二乘法求出α和b，得到软测量输出，所述最小二乘法的计算公式为：
Figure BDA0003170703990000052
其中，核函数K(xi·x)选择为径向基函数：
Figure BDA0003170703990000053
式中，σ表示核宽。
作为本实施例一种可能的实现方式，利用提取的在线特征变量建立生料CaO软测量模型，具体为通过GA-LSSVM(遗传算法+LSSVM算法)建立生料CaO软测量模型。
作为本实施例一种可能的实现方式，所述生料CaO软测量模型的训练过程为：
输入预处理后的数据集，并将其分成训练集和测试集；
初始设定核函数参数σ2和惩罚系数c的区间长度，对其进行基因编码，在参数取值范围内通过随机函数产生LSSVM学习参数初始种群；
设置初始种群规模、进化代数、交叉概率和变异概率等参数；
使用训练集数据建立LSSVM模型，并计算种群中每个个体的适应度。判断是否满足训练终止条件，若满足转至“根据适应度选择再生个体”，否则，转到“结束遗传训练”；
根据适应度选择再生个体，适应度高的个体被选中的概率高；反之，适应度低的个体可能被抛弃；
结束遗传训练，得到最优的核函数参数σ2和惩罚系数c，并建立GA-LSSVM模型，并利用GA-LSSVM模型对测试集进行验证。
第二方面，本发明实施例提供的一种水泥生料成分软测量的装置，其特征是，包括：
数据采集模块，用于采集水泥厂辊磨机运行过程中的状态变量数据；
特征变量提取模块，用于使用灰色关联度从所述状态变量数据中提取在线特征变量；
模型建立模块，用于利用提取的在线特征变量建立生料CaO软测量模型；
生料CaO测量模块，用于采用生料CaO软测量模型对水泥生料CaO进行测量。
本发明实施例的技术方案可以具有的有益效果如下：
本发明实施例的技术方案的一种水泥生料成分软测量的方法，采集水泥厂辊磨机运行过程中的状态变量数据；使用灰色关联度从所述状态变量数据中提取在线特征变量；利用提取的在线特征变量建立生料CaO软测量模型；采用生料CaO软测量模型对水泥生料CaO进行测量。本发明不仅能够提供检测精度，而且减少了水泥生料生产过程中的滞后性。
本发明实施例的技术方案的一种水泥生料成分软测量的装置，以水泥厂实际生产数据为基础，确定模型所需参数；将确定的参数通过GA-LSSVM的训练建立模型；通过模型对水泥生料成分进行测量，它通过精度较高的测量可以减少水泥生料生产过程中的滞后性同时为成分在线检测与控制提供数据补充。
附图说明：
图1是根据一示例性实施例示出的一种水泥生料成分软测量的方法的流程图；
图2是根据一示例性实施例示出的一种水泥生料成分软测量的装置的结构图；
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水泥生料成分软测量的方法的流程图。如图1所示，本发明实施例提供的一种水泥生料成分软测量的方法，包括以下步骤：
采集水泥厂辊磨机运行过程中的状态变量数据；
使用灰色关联度从所述状态变量数据中提取在线特征变量；
利用提取的在线特征变量建立生料CaO软测量模型；
采用生料CaO软测量模型对水泥生料CaO进行测量。
作为本实施例一种可能的实现方式，所述状态变量数据包括：定辊电流、辊磨压力、斗提电流、选粉机电流、小仓仓重、循环风机电流、辊缝差、出磨温度和入磨温度。
作为本实施例一种可能的实现方式，所述在线特征变量包括：定辊电流、辊磨压力和小仓仓重。
从辊磨机出口处到离线取样位置滞后时间约10min，化验室人员从取样再到荧光分析仪检测反馈时间约20min。根据荧光分析仪检测CaO含量的采样时间，按照滞后时间匹配好同时间段的辊磨机各运行状态变量数据，再将辊磨机各状态变量实时值小时均值化后与离线检测值对比如表1所示。
表1辊磨机变量与生料CaO时间对应关系
Figure BDA0003170703990000081
作为本实施例一种可能的实现方式，所述提取在线特征变量，包括：
对状态变量数据使用线性插值来填充原始数据的瞬时缺失值，并用依达拉准则剔除异常值；
对剔除异常值后的状态变量数据进行均值滤波；
采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度。
由于采集的辊压机各运行状态变量数据存在不同时间段的短暂丢失，在流程工业数据中，可以使用线性插值来填充原始数据的瞬时缺失值。作为本实施例一种可能的实现方式，所述对状态变量数据使用线性插值来填充原始数据的瞬时缺失值的计算公式为：
Figure BDA0003170703990000082
式中，tb与yb是待求数据点对应的时刻与估计值，th与yh是数据缺失时间段后有效记录点对应的时刻与实际值，tq与yq是数据缺失时间段前最近有效记录点对应的时刻与实际值。
作为本实施例一种可能的实现方式，所述用依达拉准则(又称3σ准则)剔除异常值的计算公式为：
Figure BDA0003170703990000091
式中，xi为状态变量数据的值，n表示样本数目总个数，σ表示标准差。
3σ准则用程序设计如下：
Figure BDA0003170703990000092
THEN保留xi；
ELSE用前四个均值代替xi。
作为本实施例一种可能的实现方式，所述对剔除异常值后的状态变量数据进行均值滤波的计算公式为：
Figure BDA0003170703990000093
式中，n为均值滤波的时间窗口长度，Xj为状态变量数据，Xi为均值滤波后的均值滤波。均值滤波算法主要用于平滑数据，减少数据波动。在实际应用过程中，首选这种方法对数据进行噪声去除。
作为本实施例一种可能的实现方式，所述采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度，包括：
选取确定的原始序列，以小仓仓重、定辊电流、辊磨压力、斗提电流、选粉机电流、循环风机电流、出磨温度、入磨温度、辊缝差等状态变量数据为自变量，生料CaO含量为因变量构成一个比较数列如下：
Xi＝(xi(1),xi(2),xi(3),xi(4),K,xi(n))
X1＝(x1(1),x1(2),x1(3),x1(4),K,x1(n))
式中，Xi为比较数列即为自变量，i为比较数列的序号i＝1,2,3,4Km，m表示自变量因素个数，n表示每个变量的数目；
对状态变量数据进行无量纲化：在比较两个序列之间的关联度时，需要对序列中不同维度或大小的数据进行均匀分布和排序，否则会影响数据分析的精度，因此，本实施例采用归一化公式对状态变量数据进行无量纲处理，使其在[0,1]之间均匀分布，所述归一化公式如下：
Figure BDA0003170703990000101
式中，Yi(k)为归一化后的状态变量数据，Xi(k)为状态变量数据，maxXi和minXi为状态变量数据的最大值和最小值，k＝1,2,3,4K n；
对归一化后的状态变量数据求差序列：
Δi1(k)＝|Yi(k)-Y1(k)|
求两级差：
Figure BDA0003170703990000102
Figure BDA0003170703990000103
计算关联度系数
Figure BDA0003170703990000104
式中，ξ为分辨系数，ξ∈(0,1)。
计算灰色关联度：
Figure BDA0003170703990000105
其中，λi1为灰色关联度。
作为本实施例一种可能的实现方式，所述利用提取的在线特征变量建立生料CaO软测量模型，包括：
给定样本集合是{(xi，yi),i＝1,2,3,L,n}，并且xi∈Rm为输入向量，yi∈R为目标向量，n为样本数量；
φ(x)函数的作用是将线性不可分的低维样本映射到高维空间使之线性可分，并通过权重ω及偏差b在高维空间进行线性回归；因此，进行线性回归处理：
f(x)＝ωTφ(x)+b
式中，ω表示权向量，b表示偏置项，φ(x)为非线性映射函数；
根据结构风险最小化原则，LSSVM的优化目标为：
Figure BDA0003170703990000111
其约束条件为：
yi＝ωTφ(xi)+b+εi
式中：ε为误差变量；c>0为惩罚系数；
通过平衡经验风险和结构风险，使所求模型复杂度降低，因此，引入拉格朗日函数将该问题转化到其对偶空间进行求解，即：
Figure BDA0003170703990000112
其中，αi为拉格朗日乘子；
根据最优化理论中的KKT条件，并用最小二乘法求出α和b，得到软测量输出，所述最小二乘法的计算公式为：
Figure BDA0003170703990000113
其中，核函数K(xi·x)选择为径向基函数：
Figure BDA0003170703990000114
式中，σ表示核宽。
作为本实施例一种可能的实现方式，利用提取的在线特征变量建立生料CaO软测量模型，具体为通过GA-LSSVM(遗传算法+LSSVM算法)建立生料CaO软测量模型。
作为本实施例一种可能的实现方式，所述生料CaO软测量模型的训练过程为：
输入预处理后的数据集，并将其分成训练集和测试集；
初始设定核函数参数σ2和惩罚系数c的区间长度，对其进行基因编码，在参数取值范围内通过随机函数产生LSSVM学习参数初始种群；
设置初始种群规模、进化代数、交叉概率和变异概率等参数；
使用训练集数据建立LSSVM模型，并计算种群中每个个体的适应度。判断是否满足训练终止条件，若满足转至“根据适应度选择再生个体”，否则，转到“结束遗传训练”；
根据适应度选择再生个体，适应度高的个体被选中的概率高；反之，适应度低的个体可能被抛弃；
结束遗传训练，得到最优的核函数参数σ2和惩罚系数c，并建立GA-LSSVM模型(即生料CaO软测量模型)，并利用GA-LSSVM模型对测试集进行验证。
需要使用评价函数衡量模型训练与测试效果，本文选择两个常用的评价函数，即相对误差RE和均方根误差RMSE，计算公式如下：
Figure BDA0003170703990000121
Figure BDA0003170703990000122
其中，n为样本数量，yi为实际值，
Figure BDA0003170703990000123
表示测试值。
第二方面，本发明实施例提供的一种水泥生料成分软测量的装置，其特征是，包括：
数据采集模块，用于采集水泥厂辊磨机运行过程中的状态变量数据；
特征变量提取模块，用于使用灰色关联度从所述状态变量数据中提取在线特征变量；
模型建立模块，用于利用提取的在线特征变量建立生料CaO软测量模型；
生料CaO测量模块，用于采用生料CaO软测量模型对水泥生料CaO进行测量。
作为本实施例一种可能的实现方式，所述状态变量数据包括：定辊电流、辊磨压力、斗提电流、选粉机电流、小仓仓重、循环风机电流、辊缝差、出磨温度和入磨温度。
作为本实施例一种可能的实现方式，所述在线特征变量包括：定辊电流、辊磨压力和小仓仓重。
作为本实施例一种可能的实现方式，所述特征变量提取模块，包括：
原始数据处理模块，用于对状态变量数据使用线性插值来填充原始数据的瞬时缺失值，并用依达拉准则剔除异常值；
均值滤波模块，用于对剔除异常值后的状态变量数据进行均值滤波；
关联度计算模块，用于采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度。
作为本实施例一种可能的实现方式，所述对状态变量数据使用线性插值来填充原始数据的瞬时缺失值的计算公式为：
Figure BDA0003170703990000131
式中，tb与yb是待求数据点对应的时刻与估计值，th与yh是数据缺失时间段后有效记录点对应的时刻与实际值，tq与yq是数据缺失时间段前最近有效记录点对应的时刻与实际值。
作为本实施例一种可能的实现方式，所述用依达拉准则剔除异常值的计算公式为：
Figure BDA0003170703990000132
式中，xi为状态变量数据的值，n表示样本数目总个数，σ表示标准差。由于采集的辊压机各运行状态变量数据存在不同时间段的短暂丢失，在流程工业数据中，通常使用线性插值来填充原始数据的瞬时缺失值。
作为本实施例一种可能的实现方式，所述对剔除异常值后的状态变量数据进行均值滤波的计算公式为：
Figure BDA0003170703990000133
式中，n为均值滤波的时间窗口长度，Xj为状态变量数据，Xi为均值滤波后的均值滤波。
作为本实施例一种可能的实现方式，所述关联度计算模块，具体用于：
选取确定的原始序列，以状态变量数据为自变量，生料CaO含量为因变量构成一个比较数列；
采用归一化公式对状态变量数据进行无量纲处理；
对归一化后的状态变量数据求差序列、两级差；
计算关联度系数和灰色关联度。
作为本实施例一种可能的实现方式，所述采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度，包括：
选取确定的原始序列：以小仓仓重、定辊电流、辊磨压力、斗提电流、选粉机电流、循环风机电流、出磨温度、入磨温度、辊缝差为自变量，生料CaO含量为因变量构成一个比较数列如下：
Xi＝(xi(1),xi(2),xi(3),xi(4),K,xi(n))
X1＝(x1(1),x1(2),x1(3),x1(4),K,x1(n))
式中，Xi为比较数列即为自变量，i为比较数列的序号i＝1,2,3,4Km，m表示自变量因素个数，n表示每个变量的数目；
对状态变量数据进行无量纲化：采用归一化公式对状态变量数据进行无量纲处理，使其在[0,1]之间均匀分布，所述归一化公式如下：
Figure BDA0003170703990000141
式中，Yi(k)为归一化后的状态变量数据，Xi(k)为状态变量数据，maxXi和minXi为状态变量数据的最大值和最小值，k＝1,2,3,4K n；
对归一化后的状态变量数据求差序列：
Δi1(k)＝|Yi(k)-Y1(k)|
求两级差：
Figure BDA0003170703990000151
Figure BDA0003170703990000152
计算关联度系数
Figure BDA0003170703990000153
式中，ξ为分辨系数，ξ∈(0,1)。
计算灰色关联度：
Figure BDA0003170703990000154
其中，λi1为灰色关联度。
作为本实施例一种可能的实现方式，所述利用提取的在线特征变量建立生料CaO软测量模型，包括：
给定样本集合是{(xi，yi),i＝1,2,3,L,n}，并且xi∈Rm为输入向量，yi∈R为目标向量，n为样本数量；
进行线性回归处理：
f(x)＝ωTφ(x)+b
式中，ω表示权向量，b表示偏置项，φ(x)为非线性映射函数；
根据结构风险最小化原则，LSSVM的优化目标为：
Figure BDA0003170703990000155
其约束条件为：
yi＝ωTφ(xi)+b+εi
式中：ε为误差变量；c>0为惩罚系数；
引入拉格朗日函数将该问题转化到其对偶空间进行求解，即：
Figure BDA0003170703990000156
其中，αi为拉格朗日乘子；
根据最优化理论中的KKT条件，并用最小二乘法求出α和b，得到软测量输出，所述最小二乘法的计算公式为：
Figure BDA0003170703990000161
其中，核函数K(xi·x)选择为径向基函数：
Figure BDA0003170703990000162
式中，σ表示核宽。
作为本实施例一种可能的实现方式，利用提取的在线特征变量建立生料CaO软测量模型，具体为通过GA-LSSVM(遗传算法+LSSVM算法)建立生料CaO软测量模型。
作为本实施例一种可能的实现方式，所述生料CaO软测量模型的训练过程为：
输入预处理后的数据集，并将其分成训练集和测试集；
初始设定核函数参数σ2和惩罚系数c的区间长度，对其进行基因编码，在参数取值范围内通过随机函数产生LSSVM学习参数初始种群；
设置初始种群规模、进化代数、交叉概率和变异概率等参数；
使用训练集数据建立LSSVM模型，并计算种群中每个个体的适应度。判断是否满足训练终止条件，若满足转至“根据适应度选择再生个体”，否则，转到“结束遗传训练”；
根据适应度选择再生个体，适应度高的个体被选中的概率高；反之，适应度低的个体可能被抛弃；
结束遗传训练，得到最优的核函数参数σ2和惩罚系数c，并建立GA-LSSVM模型，并利用GA-LSSVM模型对测试集进行验证。
本发明实施例的技术方案的一种水泥生料成分软测量的方法，采集水泥厂辊磨机各运行状态变量数据；采用灰色关联度计算辊压机各运行状态变量与生料CaO含量的相关性程度，提取与生料CaO含量相关程度较高的辊压机运行状态变量为在线特征变量；将确定的在线特征变量通过LSSVM算法建立生料CaO软测量模型，并使用遗传算法(GA)对LSSVM模型的核函数参数σ2和惩罚系数c进行了优化组合；通过精度较高的测量可以减少水泥生料生产过程中的滞后性同时为成分在线检测与控制提供数据补充。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种水泥生料成分软测量的方法，其特征是，包括以下步骤：
采集水泥厂辊磨机运行过程中的状态变量数据；
使用灰色关联度从所述状态变量数据中提取在线特征变量；
利用提取的在线特征变量建立生料CaO软测量模型；
采用生料CaO软测量模型对水泥生料CaO进行测量。
2.根据权利要求1所述的水泥生料成分软测量的方法，其特征是，所述状态变量数据包括：定辊电流、辊磨压力、斗提电流、选粉机电流、小仓仓重、循环风机电流、辊缝差、出磨温度和入磨温度。
3.根据权利要求1所述的水泥生料成分软测量的方法，其特征是，所述在线特征变量包括：定辊电流、辊磨压力和小仓仓重。
4.根据权利要求1所述的水泥生料成分软测量的方法，其特征是，所述提取在线特征变量，包括：
对状态变量数据使用线性插值来填充原始数据的瞬时缺失值，并用依达拉准则剔除异常值；
对剔除异常值后的状态变量数据进行均值滤波；
采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度。
5.根据权利要求4所述的水泥生料成分软测量的方法，其特征是，所述对状态变量数据使用线性插值来填充原始数据的瞬时缺失值的计算公式为：
Figure FDA0003170703980000011
式中，tb与yb是待求数据点对应的时刻与估计值，th与yh是数据缺失时间段后有效记录点对应的时刻与实际值，tq与yq是数据缺失时间段前最近有效记录点对应的时刻与实际值。
6.根据权利要求4所述的水泥生料成分软测量的方法，其特征是，所述用依达拉准则剔除异常值的计算公式为：
Figure FDA0003170703980000021
式中，xi为状态变量数据的值，n表示样本数目总个数，σ表示标准差。
7.根据权利要求4所述的水泥生料成分软测量的方法，其特征是，所述对剔除异常值后的状态变量数据进行均值滤波的计算公式为：
Figure FDA0003170703980000022
式中，n为均值滤波的时间窗口长度，Xj为状态变量数据，Xi为均值滤波后的均值滤波。
8.根据权利要求4所述的水泥生料成分软测量的方法，其特征是，所述采用灰色关联度计算均值滤波后的状态变量数据与生料CaO含量的相关性程度，包括：
选取确定的原始序列，以状态变量数据为自变量，生料CaO含量为因变量构成一个比较数列；
采用归一化公式对状态变量数据进行无量纲处理；
对归一化后的状态变量数据求差序列、两级差；
计算关联度系数和灰色关联度。
9.根据权利要求3所述的水泥生料成分软测量的方法，其特征是，所述利用提取的在线特征变量建立生料CaO软测量模型，包括：
给定样本集合是{(xi，yi),i＝1,2,3,L,n}，并且xi∈Rm为输入向量，yi∈R为目标向量，n为样本数量；
进行线性回归处理：
f(x)＝ωTφ(x)+b
式中，ω表示权向量，b表示偏置项，φ(x)为非线性映射函数；
根据结构风险最小化原则，LSSVM的优化目标为：
Figure FDA0003170703980000031
其约束条件为：
yi＝ωTφ(xi)+b+εi
式中：ε为误差变量；c>0为惩罚系数；
引入拉格朗日函数将该问题转化到其对偶空间进行求解，即：
Figure FDA0003170703980000032
其中，αi为拉格朗日乘子；
根据最优化理论中的KKT条件，并用最小二乘法求出α和b，得到软测量输出。
10.一种水泥生料成分软测量的装置，其特征是，包括：
数据采集模块，用于采集水泥厂辊磨机运行过程中的状态变量数据；
特征变量提取模块，用于使用灰色关联度从所述状态变量数据中提取在线特征变量；
模型建立模块，用于利用提取的在线特征变量建立生料CaO软测量模型；
生料CaO测量模块，用于采用生料CaO软测量模型对水泥生料CaO进行测量。
CN202110816564.2A 2021-07-20 2021-07-20 水泥生料成分软测量的方法及装置 Pending CN113419050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110816564.2A CN113419050A (zh) 2021-07-20 2021-07-20 水泥生料成分软测量的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110816564.2A CN113419050A (zh) 2021-07-20 2021-07-20 水泥生料成分软测量的方法及装置

Publications (1)

Publication Number Publication Date
CN113419050A true CN113419050A (zh) 2021-09-21

Family

ID=77721496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110816564.2A Pending CN113419050A (zh) 2021-07-20 2021-07-20 水泥生料成分软测量的方法及装置

Country Status (1)

Country Link
CN (1) CN113419050A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114653288A (zh) * 2022-02-22 2022-06-24 中国恩菲工程技术有限公司 充填料浆浓度的调控方法及调控装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336107A (zh) * 2013-05-30 2013-10-02 中国科学院沈阳自动化研究所 一种水泥熟料f-CaO含量软测量方法
CN104268647A (zh) * 2014-09-28 2015-01-07 山东科技大学 一种小断层走向延展长度的检测方法
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN105224738A (zh) * 2015-09-23 2016-01-06 上海大学 Lssvm非高斯脉动风速预测方法
CN106202946A (zh) * 2016-07-18 2016-12-07 燕山大学 基于深度信念网络模型的水泥熟料游离钙含量预测方法
CN107016455A (zh) * 2017-02-27 2017-08-04 浙江大学 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法
CN107589089A (zh) * 2017-10-30 2018-01-16 中国科学院合肥物质科学研究院 水泥生料成分的检测系统及其控制方法
CN109085136A (zh) * 2018-08-07 2018-12-25 山东大学 近红外漫反射光谱测定水泥生料氧化物成分含量的方法
CN110852344A (zh) * 2019-09-27 2020-02-28 武汉船舶职业技术学院 一种基于智能变电站网络故障分类的方法
CN111751320A (zh) * 2020-07-06 2020-10-09 济南大学 基于波段挑选的水泥生料成分含量检测方法及系统
CN113119425A (zh) * 2021-03-22 2021-07-16 广东工业大学 一种基于改进支持向量机的注塑产品质量预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336107A (zh) * 2013-05-30 2013-10-02 中国科学院沈阳自动化研究所 一种水泥熟料f-CaO含量软测量方法
CN104268647A (zh) * 2014-09-28 2015-01-07 山东科技大学 一种小断层走向延展长度的检测方法
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN105224738A (zh) * 2015-09-23 2016-01-06 上海大学 Lssvm非高斯脉动风速预测方法
CN106202946A (zh) * 2016-07-18 2016-12-07 燕山大学 基于深度信念网络模型的水泥熟料游离钙含量预测方法
CN107016455A (zh) * 2017-02-27 2017-08-04 浙江大学 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法
CN107589089A (zh) * 2017-10-30 2018-01-16 中国科学院合肥物质科学研究院 水泥生料成分的检测系统及其控制方法
CN109085136A (zh) * 2018-08-07 2018-12-25 山东大学 近红外漫反射光谱测定水泥生料氧化物成分含量的方法
CN110852344A (zh) * 2019-09-27 2020-02-28 武汉船舶职业技术学院 一种基于智能变电站网络故障分类的方法
CN111751320A (zh) * 2020-07-06 2020-10-09 济南大学 基于波段挑选的水泥生料成分含量检测方法及系统
CN113119425A (zh) * 2021-03-22 2021-07-16 广东工业大学 一种基于改进支持向量机的注塑产品质量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JI QIANGQIANG, XU LEI，YU HONGLIANG，WANG XIAOHONG: "Research on soft sensing of CaO in raw meal of vertical mill based on LS-SVM", pages 599 - 603 *
潘沛 等: "5500t/d熟料生产线生料粉磨系统问题及优化建议", vol. 1, no. 4, pages 72 - 74 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114653288A (zh) * 2022-02-22 2022-06-24 中国恩菲工程技术有限公司 充填料浆浓度的调控方法及调控装置

Similar Documents

Publication Publication Date Title
CN107632592B (zh) 基于高效递推核主元分析的非线性时变过程故障监测方法
CN110378044B (zh) 基于注意力机制的多时间尺度卷积神经网络软测量方法
CN108803520B (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
Thomassen et al. Multivariate data analysis on historical IPV production data for better process understanding and future improvements
CN110716500B (zh) 用于确定温度敏感区间分段建模点的方法与系统
CN110889091A (zh) 基于温度敏感区间分段的机床热误差预测方法与系统
CN113419050A (zh) 水泥生料成分软测量的方法及装置
Besenhard et al. A multivariate process monitoring strategy and control concept for a small-scale fermenter in a PAT environment
CN110908361B (zh) 一种基于在线孪生支持向量回归机的发酵过程软测量方法
CN101446828A (zh) 一种非线性过程质量预报方法
CN110751217A (zh) 基于主元分析的设备能耗占比预警分析方法
CN110763830B (zh) 一种水泥熟料游离氧化钙含量预测方法
CN104263960A (zh) 金湿法冶金置换过程中置换率和金泥品位的在线预测方法
CN112541296A (zh) 一种基于pso-lssvm的so2预测方法
CN112505079A (zh) 一种基于pxrf的对薄（有限量）水蛭样品的分析方法
CN115436342A (zh) 降低多批次样本间libs检测不确定性的方法及装置
CN104848883A (zh) 一种基于稀疏表示的传感器噪声与故障的判别方法
CN114722888A (zh) 一种基于Wasserstein距离的早期故障检测方法
CN208606794U (zh) 一种油浸式电力变压器故障检测系统
CN109721264B (zh) 获取智能化水泥工厂烧成带温度设定值方法、装置及设备
CN111580463A (zh) 机床热关键点选取方法
CN112949183A (zh) 一种水泥生料立磨系统异常工况检测系统及方法
CN114492551A (zh) 一种基于改进gwo-svm的软测量策略
CN113029624B (zh) 一种水泥生料粉磨过程的故障检测方法
CN118047351B (zh) 一种高纯氢气生产制备系统及方法

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