CN113589693A - 基于邻域优化的水泥工业分解炉温度模型预测控制方法 - Google Patents

Abstract

本发明公开了一种水泥烧成系统中基于领域优化的分解炉出口温度的预测控制方法，其包括：基于长短时网络构建的分解炉出口温度预测模型；基于长短时网络构建的邻域干预模型；利用邻域信息的局部优化目标函数求解方法;基于预测控制框架的分解炉出口温度控制方法；本发明能够利用邻域信息，不断优化实时控制的目标函数，预测控制方法保证工况的稳定运行。

Description

基于邻域优化的水泥工业分解炉温度模型预测控制方法

技术领域

本发明涉及基于邻域优化的水泥工业分解炉温度模型预测控制方法，属于水泥烧成过程中的控制技术领域。

背景技术

在水泥生产中，水泥分解炉的温度是影响水泥质量的重要因素，确保水泥分解炉温度合理、稳定是保证水泥预分解系统良好运行的关键。然而水泥制造流程中，各工序相互制约，工况动态变化，常造成人工不能及时的调整分解炉温度运行指标。物料波动、工况变化和考虑节约能耗的问题又对分解炉温度的控制带来一定难度。且水泥烧成过程具有复杂随机性，难以用传统的数学方法建立准确的公式模型，又加之水泥的烧成系统具有大时滞性、强非线性、动态性，操作员往往难以根据已经改变的工况，实时调整，加大了控制难度。

现有工厂控制方法多以传统PID为主，且控制器之间相互独立，无法满足全局工况协同控制，效率低下且能耗浪费严重，因此基于邻域信息优化的预测控制方法(先进控制)研究显得尤为重要。

发明内容

本发明需要解决的技术问题是提供一种基于邻域优化的水泥工业分解炉温度模型预测控制方法，够根据分解炉自身未来时刻出口温度与邻域影响实时调整最优设定值，避免人工设定值的不合理、不能及时更新的缺点。

为解决上述技术问题，本发明所采用的技术方案是：

基于邻域优化的水泥工业分解炉温度模型预测控制方法，包括如下步骤：

步骤1：根据工艺选择分解炉出口温度控制量，包括：分解炉喂煤量u₁、喂料量u₂、三次风量u₃；

步骤2：建立基于长短时神经网络构建分解炉出口温度预测模型；

步骤3：建立基于长短时神经网络构建实时邻域信息干预模型；

步骤4：利用领域信息构建实时优化层Real time optimization-RTO局部优化目标函数

并建立底层控制函数

步骤5：根据上述步骤建立预测控制框架并实现控制。

本发明技术方案的进一步改进在于：所述步骤2中分解炉出口温度预测模型训练步骤具体包括：

(1)选择与分解炉相关状态参数包括：分解炉喂煤量u₁、喂料量u₂、三次风量u₃、三次风温x₁、分解炉出口温度y₁；

(2)从水泥烧成系统数据库导出上述所述分解炉相关状态参数的历史数据，对数据进行预处理；

(3)根据预处理的数据，使用长短时神经网络对分解炉出口温度进行建模，表达式如下：

y₁＝f₁(u₁,u₂,u₃,x₁) (1)。

本发明技术方案的进一步改进在于：使用长短时神经网络对分解炉出口温度进行建模的具体方法如下：

A、读取上一时刻输出信息h_t-1与当前时刻输入信息x_t，通过忘记门层即Sigmod层输出一个在0到1之间的数值给每个在细胞状态C_t-1中的数字：1表示“完全保留”，0表示“完全舍弃”，具体公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (2)；

B、确定更新信息并存储到细胞状态中：具体分为两部分，输入门层即Sigmod层决定更新值，tanh层创建候选向量C_t保存到细胞状态中，具体公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (3)，

C、更新细胞状态C_t，具体公式为：

D、输出选择输出，该步骤具体分为两部分，Sigmod层决定输出部分，tanh层进行归一化，其范围为(-1，1)；

该过程具体公式为：

O_t＝σ(W_O·[h_t-1,x_t]+b_o) (6)，

h_t＝O_t*tanh(C_t) (7)。

本发明技术方案的进一步改进在于：所述步骤3中邻域信息干预模型训练步骤具体包括：

(1)确定水泥烧成系统中分解炉子系统的邻域系统包括：旋风预热器、回转窑；

(2)选择旋风预热器相关参数包括：一级筒出口温度x₂、一级筒CO浓度x₃、高温风机电流x₄、喂料量u₄；

选择回转窑相关参数包括：窑头电机电流x₅、二次风温x₆、窑头负压x₇、窑尾温度x₈、窑尾CO浓度x₉、窑尾EP风机转速u₅、窑喂料u₆、窑喂煤量u₇；

(3)从水泥烧成系统数据库导出上述所述旋风预热器和回转窑相关参数的历史数据，对数据进行预处理；

(4)根据预处理的数据，以未来T个时刻的分解炉出口温度的均值作为标签值，使用长短时神经网络对干预模型进行建模，表达式如下：

y_d＝f₄(f₂(x₂,x₃,x₄,u₄),f₃(x₅,x₆,x₇,x₈,x₉,u₅,u₆,u₇)) (8)。

本发明技术方案的进一步改进在于：所述权利要求1步骤4中局部优化目标函数

的表达式如下：

s.t.min₁≤y_s≤max₁，

其中：y_r为分解炉子系统温度设定值，y_s为所要求得的最优设定值，Q₁、R₁为控制系数矩阵，w₁、w₂为各部分的加权系数，y_d为实时邻域信息干预模型的预测值。

本发明技术方案的进一步改进在于：所述步骤4中底层控制函数

的表达式如下：

s.t.min₂≤Δu≤max₂，

其中：P为预测时域步长，M为控制时域步长，y_s为权利要求5中局部优化目标函数所求出的最优设定值，Δu为需要求得的控制量增量，

为分解炉出口温度预测模型所得到的预测值，Q₂、R₂为控制系数矩阵。

本发明技术方案的进一步改进在于：所述步骤5中的预测控制框架的控制步骤如下：

(1)人工输入限制范围与参考设定，利用水泥烧成系统全局优化目标函数J求解分解炉子系统温度设定值y_r；

(2)分解炉子系统根据局部优化目标函数

求解最优设定值，控制层接受最优设定值y_s；

(3)求解器C根据底层控制目标函数

求解控制量U进行控制，并通过预测模型预测输出与实际输出作对比，得到误差，根据误差对控制器进行校正；

(4)分解炉实时状态反馈给局部优化控制器，形成双闭环回路。

由于采用了上述技术方案，本发明取得的技术进步是：

本发明所提出的基于邻域信息优化的水泥工业分解炉出口温度预测控制方法，能够根据分解炉自身未来时刻出口温度与邻域影响实时调整最优设定值，避免人工设定值的不合理、不能及时更新的缺点；控制层控制目标函数能够在保持工况稳定的情况下，计算得出最低能源投入，降低能耗；本发明基于预测控制框架，能够在实现上述功能的情况下，使用预测与反馈方法，保证控制系统具有稳定性、鲁棒性。

附图说明

图1是本发明构架流程图；

图2是本发明长短时神经网络神经元结构与训练流程图；

图3是本发明实时邻域信息干预模型结构图；

图4是本发明预测控制具体流程图；

图5是本发明差分进化求解器求解流程图。

具体实施方式

本发明是针对水泥工业流程本身具有时滞性和随机性，难以用传统的控制方法来进行控制等特点，目前本技术领域现有的研究方法难以解决水泥烧成系统复杂工况下的变量耦合、时变时延等问题而研发的一种水泥烧成系统中基于领域优化的分解炉出口温度的预测控制方法。

下面结合实施例对本发明做进一步详细说明：

图1为本发明构架流程图，其中包括：基于长短时神经网络构建分解炉出口温度预测模型；基于长短时神经网络构建实时邻域信息干预模型；利用领域信息所建立的控制目标函数；控制层控制目标函数以及底层控制方法。

具体步骤为：

步骤1：建立分解炉出口温度预测模型。首先根据工艺选择分解炉控制量，包括：分解炉喂煤量u₁、喂料量u₂、三次风量u₃；然后基于长短时神经网络构建分解炉出口温度预测模型。其中，分解炉出口温度预测模型地搭建步骤具体包括：

选择与分解炉相关状态参数包括：分解炉喂煤量u₁、喂料量u₂、三次风量u₃、三次风温x₁、分解炉出口温度y₁；

从水泥烧成系统数据库导出分解炉相关状态参数的历史数据，对数据进行预处理；预处理方法步骤具体为：对数据按每分钟的采样均值进行聚合；对聚合好的数据进行异常值处理，其各特征值范围由稳态工况决定，如分解炉出口温度范围为(850℃，900℃)；对数据进行归一化处理，归一化使用Min-Max归一化，公式如下：

其中，x₁,x₂,...,x_n为输入序列，y₁,y₂,...,y_n为归一化后的输出序列。

从处理数据中选取40000组作为训练数据集合，10000组作为测试数据集合；使用处理好的数据，使用长短时神经网络对分解炉出口温度进行建模，表达式如下：

y₁＝f₁(u₁,u₂,u₃,x₁) (1)。

其中，长短时网络训练具体步骤为：

首先，读取上一时刻输出信息h_t-1与当前时刻输入信息x_t，通过忘记门层即Sigmod层输出一个在0到1之间的数值给每个在细胞状态C_t-1中的数字。1表示“完全保留”，0表示“完全舍弃”。

更进一步地，具体公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (2)；

第二步，确定更新信息并存储到细胞状态中。该步骤具体分为两部分，输入门层即Sigmod层决定更新值，tanh层创建候选向量C_t保存到细胞状态中。

更进一步地，该过程具体公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (3)，

第三步，更新细胞状态C_t。具体公式为：

最后，输出选择输出。该步骤具体分为两部分，Sigmod层决定输出部分，tanh层进行归一化，其范围为(-1，1)。

更进一步地，该过程具体公式为：

O_t＝σ(W_O·[h_t-1,x_t]+b_o) (6)，

h_t＝O_t*tanh(C_t) (7)；

其流程如图2。

步骤2：基于长短时神经网络构建实时邻域信息干预模型，具体步骤为：

首先确定水泥烧成系统中分解炉子系统的邻域系统包括：旋风预热器、回转窑；

选择旋风预热器相关参数包括：一级筒出口温度x₂、一级筒CO浓度x₃、高温风机电流x₄、喂料量u₄；

选择回转窑相关参数包括：窑头电机电流x₅、二次风温x₆、窑头负压x₇、窑尾温度x₈、窑尾CO浓度x₉、窑尾EP风机转速u₅、窑喂料u₆、窑喂煤量u₇；

从水泥烧成系统数据库导出上述所述旋风预热器和回转窑相关参数的历史数据，对数据进行预处理；预处理方法步骤具体为：对数据按每分钟的采样均值进行聚合；对聚合好的数据进行异常值处理，其各特征值范围由稳态工况决定，如分解炉出口温度范围为(850℃,900℃)；对数据进行归一化处理，归一化使用Min-Max归一化，公式如下：

其中，x₁,x₂,...,x_n为输入序列，y₁,y₂,...,y_n为归一化后的输出序列。

从处理数据中选取40000组作为训练数据集合，10000组作为测试数据集合；

使用处理好的数据，以未来T个时刻的分解炉出口温度的均值作为标签值，使用长短时神经网络对干预模型进行建模，表达式如下：

y_d＝f₄(f₂(x₂,x₃,x₄,u₄),f₃(x₅,x₆,x₇,x₈,x₉,u₅,u₆,u₇)) (8)；

更进一步地，为保证模型的合理性，该模型选用拼接模型，输入分为两个部分，即预热旋风筒状态与回转窑状态，最终输出为未来T个时刻的分解炉出口温度。其中第一层隐藏层为全连接层即Dense层，激活函数为Rule，第二层为长短时网络(LSTM)，激活函数为Sigmod，输出为一个神经元。

其具体架构见图3。

步骤3：将上述两个模型运用到控制框架中，如图4。控制步骤为：首先人工输入限制范围与参考设定，利用水泥烧成系统全局优化目标函数J求解分解炉子系统温度设定值y_r，分解炉子系统根据局部优化目标函数

(包含邻域信息)求解最优设定值，控制层接受最优设定值y_s，求解器C根据控制目标函数

求解控制量U进行控制，并通过预测模型预测输出与实际输出作对比，得到误差，根据误差对控制器进行校正，此外，分解炉实时状态也会反馈给局部优化控制器，形成双闭环回路。

其中，包含邻域信息的局部优化目标函数

为：

s.t.min₁≤y_s≤max₁

其中：y_r为分解炉子系统温度设定值，y_s为所要求得的最优设定值，Q₁、R₁为控制系数矩阵，w₁、w₂为各部分的加权系数，y_d为实时邻域信息干预模型的预测值。

底层控制函数

表达式如下：

s.t.min₂≤Δu≤max₂

其中：P为预测时域步长，M为控制时域步长，y_s为权利要求5中局部优化目标函数所求出的最优设定值，Δu为需要求得的控制量增量，

为分解炉出口温度预测模型所得到的预测值，Q₂、R₂为控制系数矩阵。

求解器C为差分进化算法，其流程如图5，具体步骤为：

(1)确定差分进化算法控制参数，确定适应度函数。差分进化算法控制参数包括：种群大小NP、缩放因子F与杂交概率CR。

(2)随机产生初始种群。

(3)对初始种群进行评价，即计算初始种群中每个个体的适应度值。

(4)判断是否达到终止条件或进化代数达到最大。若是，则终止进化，将得到最佳个体作为最优解输出；若否，继续。

(5)进行变异和交叉操作，得到中间种群。

(6)在原种群和中间种群中选择个体，得到新一代种群。

(7)进化代数g＝g+1，转步骤(4)。

以上所述为本发明的具体内容。本发明所提出的基于邻域信息优化的水泥工业分解炉出口温度预测控制方法，能够根据分解炉自身未来时刻出口温度与邻域影响实时调整最优设定值，避免人工设定值的不合理、不能及时更新的缺点；底层控制层控制目标函数能够在保持工况稳定的情况下，计算的合理的控制量；本发明基于预测控制框架，能够在实现上述功能的情况下，使用预测与反馈方法，保证控制系统具有稳定性、鲁棒性。

Claims (7)

1.基于邻域优化的水泥工业分解炉温度模型预测控制方法，其特征在于：包括如下步骤：

步骤1：根据工艺选择分解炉出口温度控制量，包括：分解炉喂煤量u₁、喂料量u₂、三次风量u₃；

步骤2：建立基于长短时神经网络构建分解炉出口温度预测模型；

步骤3：建立基于长短时神经网络构建实时邻域信息干预模型；

步骤4：利用领域信息构建实时优化层Real time optimization-RTO局部优化目标函数

并建立底层控制函数

步骤5：根据上述步骤建立预测控制框架并实现控制。

2.根据权利要求1所述的基于邻域优化的水泥工业分解炉温度模型预测控制方法，其特征在于：所述步骤2中分解炉出口温度预测模型训练步骤具体包括：

(1)选择与分解炉相关状态参数包括：分解炉喂煤量u₁、喂料量u₂、三次风量u₃、三次风温x₁、分解炉出口温度y₁；

(2)从水泥烧成系统数据库导出上述所述分解炉相关状态参数的历史数据，对数据进行预处理；

(3)根据预处理的数据，使用长短时神经网络对分解炉出口温度进行建模，表达式如下：

y₁＝f₁(u₁,u₂,u₃,x₁) (1)。

3.根据权利要求2所述的基于邻域优化的水泥工业分解炉温度模型预测控制方法，其特征在于：使用长短时神经网络对分解炉出口温度进行建模的具体方法如下：

A、读取上一时刻输出信息h_t-1与当前时刻输入信息x_t，通过忘记门层即Sigmod层输出一个在0到1之间的数值给每个在细胞状态C_t-1中的数字：1表示“完全保留”，0表示“完全舍弃”，具体公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (2)；

B、确定更新信息并存储到细胞状态中：具体分为两部分，输入门层即Sigmod层决定更新值，tanh层创建候选向量C_t保存到细胞状态中，具体公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (3)，

C、更新细胞状态C_t，具体公式为：

D、输出选择输出，该步骤具体分为两部分，Sigmod层决定输出部分，tanh层进行归一化，其范围为(-1，1)；

该过程具体公式为：

O_t＝σ(W_O·[h_t-1,x_t]+b_o) (6)，

h_t＝O_t*tanh(C_t) (7)。

4.根据权利要求1所述的基于邻域优化的水泥工业分解炉温度模型预测控制方法，其特征在于：所述步骤3中邻域信息干预模型训练步骤具体包括：

(1)确定水泥烧成系统中分解炉子系统的邻域系统包括：旋风预热器、回转窑；

(2)选择旋风预热器相关参数包括：一级筒出口温度x₂、一级筒CO浓度x₃、高温风机电流x₄、喂料量u₄；

选择回转窑相关参数包括：窑头电机电流x₅、二次风温x₆、窑头负压x₇、窑尾温度x₈、窑尾CO浓度x₉、窑尾EP风机转速u₅、窑喂料u₆、窑喂煤量u₇；

(3)从水泥烧成系统数据库导出上述所述旋风预热器和回转窑相关参数的历史数据，对数据进行预处理；

(4)根据预处理的数据，以未来T个时刻的分解炉出口温度的均值作为标签值，使用长短时神经网络对干预模型进行建模，表达式如下：

y_d＝f₄(f₂(x₂,x₃,x₄,u₄),f₃(x₅,x₆,x₇,x₈,x₉,u₅,u₆,u₇)) (8)。

5.根据权利要求1所述的基于邻域优化的水泥工业分解炉温度模型预测控制方法，其特征在于：所述权利要求1步骤4中局部优化目标函数

的表达式如下：

s.t.min₁≤y_s≤max₁，

其中：y_r为分解炉子系统温度设定值，y_s为所要求得的最优设定值，Q₁、R₁为控制系数矩阵，w₁、w₂为各部分的加权系数，y_d为实时邻域信息干预模型的预测值。

6.根据权利要求1所述的基于邻域优化的水泥工业分解炉温度模型预测控制方法，其特征在于：所述步骤4中底层控制函数

的表达式如下：

s.t.min₂≤Δu≤max₂，

其中：P为预测时域步长，M为控制时域步长，y_s为权利要求5中局部优化目标函数所求出的最优设定值，Δu为需要求得的控制量增量，

为分解炉出口温度预测模型所得到的预测值，Q₂、R₂为控制系数矩阵。

7.根据权利要求1所述的基于邻域优化的水泥工业分解炉温度模型预测控制方法，其特征在于：所述步骤5中的预测控制框架的控制步骤如下：

(1)人工输入限制范围与参考设定，利用水泥烧成系统全局优化目标函数J求解分解炉子系统温度设定值y_r；

(2)分解炉子系统根据局部优化目标函数

求解最优设定值，控制层接受最优设定值y_s；

(3)求解器C根据底层控制目标函数

求解控制量U进行控制，并通过预测模型预测输出与实际输出作对比，得到误差，根据误差对控制器进行校正；

(4)分解炉实时状态反馈给局部优化控制器，形成双闭环回路。

Images