CN113657484B - 水泥篦冷机典型工况划分与识别的方法 - Google Patents

水泥篦冷机典型工况划分与识别的方法 Download PDF

Info

Publication number
CN113657484B
CN113657484B CN202110933996.1A CN202110933996A CN113657484B CN 113657484 B CN113657484 B CN 113657484B CN 202110933996 A CN202110933996 A CN 202110933996A CN 113657484 B CN113657484 B CN 113657484B
Authority
CN
China
Prior art keywords
grate cooler
working condition
identifying
typical working
working conditions
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
Application number
CN202110933996.1A
Other languages
English (en)
Other versions
CN113657484A (zh
Inventor
于宏亮
王硕
王孝红
路士增
张荣丰
孟庆金
解云朝
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.)
University of Jinan
Original Assignee
University of Jinan
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 University of Jinan filed Critical University of Jinan
Priority to CN202110933996.1A priority Critical patent/CN113657484B/zh
Publication of CN113657484A publication Critical patent/CN113657484A/zh
Application granted granted Critical
Publication of CN113657484B publication Critical patent/CN113657484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Furnace Details (AREA)

Abstract

本发明公开了一种水泥篦冷机典型工况划分与识别的方法，包括以下步骤：筛选可表征篦冷机工作状况的特征参数；对特征参数进行降维处理；对降维后的特征参数利用SAGA‑FCM算法划分篦冷机典型工况；设计典型工况识别器，并对篦冷机典型工况进行识别。本发明通过基于局部保留投影技术和SAGA‑FCM算法结合，实现了篦冷机典型工况的划分与识别，消除了不同操作工程师之间的知识经验的差异性；有效解决了由于操作工程师技术水平的差异以及操作行为易受主观意愿的支配，判断出水泥篦冷机工作状态不准确导致熟料的冷却和热量回收的效果受到影响的问题。

Description

水泥篦冷机典型工况划分与识别的方法
技术领域
本发明涉及一种水泥篦冷机典型工况划分与识别的方法，属于水泥生产控制技术领域。
背景技术
水泥工业是我国国民经济的支柱产业之一，水泥篦冷机已经成为现代水泥生产中冷却水泥熟料的主要设备。建设水泥生产智能化工厂，提高水泥企业的高度自动化、集成化和绿色化已经成为水泥工业的重要发展方向。
在水泥生产过程中，篦冷机作为冷却高温熟料和回收热量的关键设备，其稳定高效的运行对于水泥企业提高熟料品质、降耗节能具有重要意义。
但是，由于篦冷机工况变化频繁，篦冷机的优化控制主要依赖操作工程师的知识经验，而由于操作工程师技术水平的差异以及操作行为易受主观意愿的支配，导致对篦冷机当前工况判断不准，进而影响水泥熟料的冷却和热量的回收。
发明内容
为了解决上述问题，本发明提出了一种水泥篦冷机典型工况划分与识别的方法，能够消除不同操作工程师之间对于典型工况判断知识经验的差异性。
本发明解决其技术问题采取的技术方案是：
本发明实施例提供的一种水泥篦冷机典型工况划分与识别的方法，其特征是，包括以下步骤：
筛选可表征篦冷机工作状况的特征参数；
对特征参数进行降维处理；
对降维后的特征参数利用SAGA-FCM算法划分篦冷机典型工况；
设计典型工况识别器，并对篦冷机典型工况进行识别。
作为本实施例一种可能的实现方式，所述筛选可表征篦冷机工作状况的特征参数，包括：
选取与篦冷机工作状态的相关参数，所述相关参数包括篦冷机一室风压、生料下料量、窑主机电流、烧成带温度、一段篦速、二次风温、窑头负压、三次风温、破碎机电流、拉链机电流、窑头废气温度和窑头电收尘入口温度；
对选取的相关参数数据通过拉依达准则剔除异常值，并对剔除异常值后的参数数据进行均值滤波处理。
作为本实施例一种可能的实现方式，所述对选取的相关参数数据通过拉依达准则剔除异常值，包括：
将变量xi的N个数据求取平均值
计算xi各项与均值的偏差ei：
计算标准偏差σ：
当数据xi的偏差ei满足|ei|>3σ，1≤i≤n，则判定xi为异常值，予以剔除。
作为本实施例一种可能的实现方式，所述对所选参数数据进行处理的均值滤波公式为：
式中，m为均值滤波的时间窗口长度，x′为均值滤波后的参数。
作为本实施例一种可能的实现方式，所述对特征参数进行降维处理，包括：
将特征参数的原始数据表示成矩阵X的形式：
对于样本数据X，利用映射矩阵A将样本X投影到Y上：
式中，m<12，n为每种特征参数的数据数，yi＝ATxi；
得到局部保留投影算法的目标函数如下：
S是定义的一个相似性矩阵，令当样本xi在xj的k最近邻域时，或者xj在xi的k最近邻域时，Sij＝exp(-||xi-xj||2/t)，否则，Sij＝0，t是总体样本方差；
得到最优值的求解公式为：
argmin ATXLXTA
同时满足条件ATXDXTA＝I，L是拉普拉斯算子矩阵，L＝D-S，
将求解映射矩阵A的问题转化为求解下列方程中的广义特征向量：
XLXTA＝λXDXTA
求出特征向量后，将Ak＝(a1,a2,a3,L,ak)作为映射矩阵。
作为本实施例一种可能的实现方式，所述对降维后的特征参数利用SAGA-FCM算法划分篦冷机典型工况，包括：
初始化控制参数：种群个体大小sizepop，最大进化次数MAXGEN，交叉概率P，变异概率Pm，退火初始温度T0，温度冷却系数k，终止温度Tend；
随机初始化c个聚类中心，并生成初始种群Chorm，对每个聚类中心用下式计算各样本的隶属度，以及每个个体的适应度值fi，其中i＝1,2,L sizepop；
设循环技术变量gen＝0；
对群体Chorm实施选择、交叉和变异等遗传操作，对新产生的个体用下式计算c个聚类中心、各样本的隶属度，以及每一个体的适应度值fi′，如果fi′>fi，则以新个体替换旧个体，否则，以概率P＝exp((fi-fi′)T)接收新个体，舍弃旧个体；
如果gen<MAXGEN，则gen＝gen+1，转至上个步骤，否则，进行下一个步骤；
如果Ti<Tend，则算法成功结束，返回全局最优解，否则，执行降温操作Ti+1＝kTi，重新进入设循环技术变量gen＝0，继续向下运行；
利用SAGA-FCM算法对特征参数降维得到的数据按照上述步骤分析运算，划分出相应的簇群，得到工况区间。
作为本实施例一种可能的实现方式，所述设计典型工况识别器，包括：
根据SAGA-FCM工况聚类和特征参数相关性分析，选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量，作为工况识别的主要参数；
将SAGA-FCM聚类算法划分出的中心点对应篦冷机典型工况的基准值，3个簇的数据范围作为篦冷机工况的范围；
设计一种以选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量为主要参数的工况识别器，对篦冷机的典型工况进行识别。
作为本实施例一种可能的实现方式，所述选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量，作为工况识别的主要参数，包括：
将篦冷机一室风压作为工况识别的主要变量；
将生料下料量和窑主机电流作为工况识别的次要变量。
作为本实施例一种可能的实现方式，所述对篦冷机典型工况进行识别，包括：
利用推理规则对篦冷机典型工况进行识别。
作为本实施例一种可能的实现方式，所述推理规则是根据篦冷机一室风压、生料下料量和窑主机电流的数据范围，判定所处的工况类型以及权重系数阵，具体包括：
规则一：如果篦冷机一室风压在(5100,5500)且生料下料量属于(340,375)且窑主机电流属于(540,636)，那么所处的工况类型为工况一，权重系数阵为{1,0,0}；
规则二：如果篦冷机一室风压在(3990,4500)且生料下料量属于(340,360)且窑主机电流属于(583,630)，那么所处的工况类型为工况二，权重系数阵为{0,1,0}；
规则三：如果篦冷机一室风压在(4700,4900)且生料下料量属于(375,390)且窑主机电流属于(638,750)，那么所处的工况类型为工况三，权重系数阵为{0,0,1}；
规则四：如果篦冷机一室风压在(4500,4700)且生料下料量属于(340,360)且窑主机电流属于(583,630)，那么所处的工况类型为工况二和工况三，权重系数阵为{0,y2,y3}；
规则五：如果篦冷机一室风压在(4500,4700)且生料下料量属于(375,390)且窑主机电流属于(638,750)，那么所处的工况类型为工况二和工况三，权重系数阵为{0,y2,y3}；
规则六：如果篦冷机一室风压在(4900,5100)且生料下料量属于(340,375)且窑主机电流属于(540,636)，那么所处的工况类型为工况一和工况三，权重系数阵为{y1,0,y3}；
规则七：如果篦冷机一室风压在(4900,5100)且生料下料量属于(375,390)且窑主机电流属于(638,750)，那么所处的工况类型为工况一和工况三，权重系数阵为{y1,0,y3}；
其中，yi为工况权重系数，{y1,y2,y3}为权重系数阵，i＝1,2,3。
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首先以水泥工厂的实际生产数据为基础，筛选出了可表征篦冷机工作状况的模板参数；通过滤波的方式将参数数据进行平滑处理；然后为消除高维特征的冗余信息，利用局部保留投影技术对特征参数进行降维处理；基于SAGA-FCM聚类算法对工况进行划分，确定篦冷机工况模板，在工况模板的基础上设计了工况识别器，进一步推进了水泥工业生产自动化的进程，有效解决了由于操作工程师技术水平的差异以及操作行为易受主观意愿的支配，判断出水泥篦冷机工作状态不准确导致熟料的冷却和热量回收的效果受到影响的问题。
本发明实施例的技术方案通过基于局部保留投影技术和SAGA-FCM算法结合，实现了篦冷机典型工况的划分与识别，消除了不同操作工程师之间的知识经验的差异性。
附图说明：
图1是根据一示例性实施例示出的一种水泥篦冷机典型工况划分与识别的方法的流程图；
图2是根据一示例性实施例示出的一种篦冷机工况识别的权重函数的曲线图。
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篦冷机典型工况划分与识别的方法的流程图。如图1所示，本发明实施例提供的一种用于划分与识别篦冷机典型工况方法，包括以下步骤：
筛选可表征篦冷机工作状况的特征参数；
对特征参数进行降维处理；
对降维后的特征参数利用SAGA-FCM算法划分篦冷机典型工况；
设计典型工况识别器，并对篦冷机典型工况进行识别。
作为本实施例一种可能的实现方式，所述筛选可表征篦冷机工作状况的特征参数，包括：
以水泥企业的实际生产数据为基础，选取与篦冷机工作状态的相关参数；所述相关参数包括篦冷机一室风压、生料下料量、窑主机电流、烧成带温度、一段篦速、二次风温、窑头负压、三次风温、破碎机电流、拉链机电流、窑头废气温度和窑头电收尘入口温度，上述参数数据均可在线采集；
对上述所选参数数据通过拉依达准则剔除异常值，并对剔除异常值后的参数数据进行均值滤波处理。
作为本实施例一种可能的实现方式，所述对选取的相关参数数据通过拉依达准则剔除异常值，包括：
将变量xi的N个数据求取平均值
计算xi各项与均值的偏差ei：
计算标准偏差σ：
当数据xi的偏差ei满足|ei|>3σ，1≤i≤n，则判定xi为异常值，予以剔除。
作为本实施例一种可能的实现方式，所述对所选参数数据进行处理的均值滤波公式为：
式中，m为均值滤波的时间窗口长度，x′为均值滤波后的参数。
作为本实施例一种可能的实现方式，所述对特征参数进行降维处理，包括：
将特征参数(篦冷机一室风压等12个参数)的原始数据表示成矩阵X的形式：
对于样本数据X，利用映射矩阵A将样本X投影到Y上：
式中，m<12，n为每种特征参数的数据数，yi＝ATxi；
得到局部保留投影算法的目标函数如下：
S是定义的一个相似性矩阵，令当样本xi在xj的k最近邻域时，或者xj在xi的k最近邻域时，Sij＝exp(-||xi-xj||2/t)，否则，Sij＝0，t是总体样本方差；
得到最优值的求解公式为：
argmin ATXLXTA
同时满足条件ATXDXTA＝I，L是拉普拉斯算子矩阵，L＝D-S，
将求解映射矩阵A的问题转化为求解下列方程中的广义特征向量：
XLXTA＝λXDXTA
求出特征向量后，将Ak＝(a1,a2,a3,L,ak)作为映射矩阵。
利用局部保留投影技术对特征参数进行降维处理，消除了高维特征的冗余信息。
作为本实施例一种可能的实现方式，所述对降维后的特征参数利用SAGA-FCM算法划分篦冷机典型工况，包括：
初始化控制参数：种群个体大小sizepop，最大进化次数MAXGEN，交叉概率P，变异概率Pm，退火初始温度T0，温度冷却系数k，终止温度Tend；
随机初始化c个聚类中心，并生成初始种群Chorm，对每个聚类中心用下式计算各样本的隶属度，以及每个个体的适应度值fi，其中i＝1,2,L sizepop；
设循环技术变量gen＝0；
对群体Chorm实施选择、交叉和变异等遗传操作，对新产生的个体用下式计算c个聚类中心、各样本的隶属度，以及每一个体的适应度值fi′。如果fi′>fi，则以新个体替换旧个体，否则，以概率P＝exp((fi-fi′)T)接收新个体，舍弃旧个体；
如果gen<MAXGEN，则gen＝gen+1，转至上个步骤，否则，进行下一个步骤；
如果Ti<Tend，则算法成功结束，返回全局最优解，否则，执行降温操作Ti+1＝kTi，重新进入设循环技术变量gen＝0，继续向下运行。
利用SAGA-FCM算法对特征降维得到的数据按照上述步骤分析运算，划分出相应的簇群，得到工况区间，以此建立篦冷机的工况模板。
作为本实施例一种可能的实现方式，所述设计典型工况识别器，包括：
根据SAGA-FCM工况聚类和特征参数相关性分析，选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量，作为工况识别的主要参数；
将SAGA-FCM聚类算法划分出的中心点对应篦冷机典型工况的基准值，3个簇的数据范围作为篦冷机工况的范围；
设计一种以选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量为主要参数的工况识别器，对篦冷机的典型工况进行识别；
为解决识别范围界限重叠问题，在篦冷机的典型工况识别中引入工况权重系数，使典型工况识别重叠判据时能根据系数大小判断工况类型；
根据主要参数范围，在工况二与工况三之间、工况三与工况一之间分别划分一个渐变范围，通过定义的权重函数计算范围内的权重系数。
作为本实施例一种可能的实现方式，所述选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量，作为工况识别的主要参数，包括：
篦冷机一室风压是反映篦冷机熟料厚度的变量，最直观反映工况变化，将其作为工况识别的主要变量；生料下料量和窑主机电流由于直接反映掉落至篦冷机的物料量，因此，将这两个变量作为工况识别的次要变量。
作为本实施例一种可能的实现方式，将SAGA-FCM聚类算法划分出的中心点对应篦冷机典型工况的基准值，3个簇的数据范围作为篦冷机工况的范围包括：
作为本实施例一种可能的实现方式，所述在篦冷机的典型工况识别中引入工况权重系数，使典型工况识别重叠判据时能根据系数大小判断工况类型包括：
作为本实施例一种可能的实现方式，所述通过定义的权重函数计算范围内的权重系数包括：
定义篦冷机工况识别的权重函数，其曲线如图2所示。
根据上图得到权重函数的具体数学形式如下：
作为本实施例一种可能的实现方式，所述对篦冷机典型工况进行识别，包括：
利用推理规则对篦冷机典型工况进行识别。
作为本实施例一种可能的实现方式，所述利用推理规则对篦冷机典型工况进行识别，包括：
将篦冷机一室风压用S代替、生料下料量用A代替、窑主机电流用B代替，工况类型用Gi表示，工况权重系数用yi表示，ωk表示实时篦冷机一室风压。
工况识别器的推理规则如下：
规则一：如果篦冷机一室风压在(5100,5500)且生料下料量属于(340,375)且窑主机电流属于(540,636)，那么所处的工况类型为工况一，权重系数阵为{1,0,0}。即：
R1:IF S is(5100,5500)AND A is(340,375)AND B is(540,636)
THEN G＝{工况一}，y＝{y1＝1,y2＝0,y3＝0}
规则二：如果篦冷机一室风压在(3990,4500)且生料下料量属于(340,360)且窑主机电流属于(583,630)，那么所处的工况类型为工况二，权重系数阵为{0,1,0}。即：
R2:IF S is(3900,4500)AND A is(340,360)AND B is(580,630)
THEN G＝{工况二}，y＝{y1＝0,y2＝1,y3＝0}
规则三：如果篦冷机一室风压在(4700,4900)且生料下料量属于(375,390)且窑主机电流属于(638,750)，那么所处的工况类型为工况三，权重系数阵为{0,0,1}。即：
R3:IF S is(4700,4900)AND A is(375,390)AND B is(638,750)
THEN G＝{工况三}，y＝{y1＝0,y2＝0,y3＝1}
规则四：如果篦冷机一室风压在(4500,4700)且生料下料量属于(340,360)且窑主机电流属于(583,630)，那么所处的工况类型为工况二和工况三，权重系数阵为{0,y2,y3}。即：
R4:IF S is(4500,4700)AND A is(340,360)AND B is(583,630)
THEN G＝{工况二，工况三}，y＝{y1＝0,y2＝(4700-ωk)/200,y3＝(ωk-4500)/200}
规则五：如果篦冷机一室风压在(4500,4700)且生料下料量属于(375,390)且窑主机电流属于(638,750)，那么所处的工况类型为工况二和工况三，权重系数阵为{0,y2,y3}。即：
R5:IF S is(4500,4700)AND A is(375,390)AND B is(638,750)
THEN G＝{工况二，工况三}，y＝{y1＝0,y2＝(4700-ωk)/200,y3＝(ωk-4500)/200}
规则六：如果篦冷机一室风压在(4900,5100)且生料下料量属于(340,375)且窑主机电流属于(540,636)，那么所处的工况类型为工况一和工况三，权重系数阵为{y1,0,y3}。即：
R6:IF S is(4900,5100)AND A is(340,375)AND B is(540,636)
THEN G＝{工况一，工况三}，y＝{y1＝(ωk-4900)/200,y2＝0,y3＝(5100-ωk)/200}
规则七：如果篦冷机一室风压在(4900,5100)且生料下料量属于(375,390)且窑主机电流属于(638,750)，那么所处的工况类型为工况一和工况三，权重系数阵为{y1,0,y3}。即：
R7:IF S is(4900,5100)AND A is(375,390)AND B is(638,750)
THEN G＝{工况一，工况三}，y＝{y1＝(ωk-4900)/200,y2＝0,y3＝(5100-ωk)/200}
本发明以水泥企业的实际生产数据为基础，筛选出了可表征篦冷机工作状况的模板参数；利用局部保留投影技术对特征参数进行降维处理，消除高维特征的冗余信息；针对降维后的特征变量利用SAGA-FCM算法划分篦冷机典型工况；根据专家规则设计典型工况识别器，对篦冷机典型工况进行识别。本发明旨在解决传统聚类方法应用于水泥篦冷机典型工况划分中只能通过两个或者三个变量实现聚类分析，不具有代表性且无法真正分类的问题。
本发明通过基于局部保留投影技术和SAGA-FCM算法结合，实现了篦冷机典型工况的划分与识别，消除了不同操作工程师之间的知识经验的差异性；有效解决了由于操作工程师技术水平的差异以及操作行为易受主观意愿的支配，判断出水泥篦冷机工作状态不准确导致熟料的冷却和热量回收的效果受到影响的问题。
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 (8)

1.一种水泥篦冷机典型工况划分与识别的方法，其特征是，包括以下步骤：
筛选可表征篦冷机工作状况的特征参数；
对特征参数进行降维处理；
对降维后的特征参数利用SAGA-FCM算法划分篦冷机典型工况；
设计典型工况识别器，并对篦冷机典型工况进行识别；
所述对特征参数进行降维处理，包括：
将特征参数的原始数据表示成矩阵的形式：
对于样本数据，利用映射矩阵/>将样本/>投影到/>上：
式中，<12，n为每种特征参数的数据数，/>；
得到局部保留投影算法的目标函数如下：
是定义的一个相似性矩阵，令当样本/>在/>的k最近邻域时，或者/>在/>的k最近邻域时，/>，否则，/>，/>是总体样本方差；
得到最优值的求解公式为：
同时满足条件，/>是拉普拉斯算子矩阵，/>，/>；
将求解映射矩阵的问题转化为求解下列方程中的广义特征向量：
求出特征向量后，将作为映射矩阵；
所述对降维后的特征参数利用SAGA-FCM算法划分篦冷机典型工况，包括：
初始化控制参数：种群个体大小sizepop，最大进化次数MAXGEN，交叉概率P，变异概率，退火初始温度/>，温度冷却系数k，终止温度/>；
随机初始化c个聚类中心，并生成初始种群Chorm，对每个聚类中心用下式计算各样本的隶属度，以及每个个体的适应度值，其中/>;
设循环技术变量gen=0;
对群体Chorm实施选择、交叉和变异等遗传操作，对新产生的个体用下式计算c个聚类中心、各样本的隶属度，以及每一个体的适应度值，如果/>，则以新个体替换旧个体，否则，以概率/>接收新个体，舍弃旧个体；
如果gen<MAXGEN，则gen=gen+1，转至上个步骤，否则，进行下一个步骤；
如果，则算法成功结束，返回全局最优解，否则，执行降温操作/>，重新进入设循环技术变量gen=0，继续向下运行；
利用SAGA-FCM算法对特征参数降维得到的数据按照上述步骤分析运算，划分出相应的簇群，得到工况区间。
2.根据权利要求1所述的水泥篦冷机典型工况划分与识别的方法，其特征是，所述筛选可表征篦冷机工作状况的特征参数，包括：
选取与篦冷机工作状态的相关参数，所述相关参数包括篦冷机一室风压、生料下料量、窑主机电流、烧成带温度、一段篦速、二次风温、窑头负压、三次风温、破碎机电流、拉链机电流、窑头废气温度和窑头电收尘入口温度；
对选取的相关参数数据通过拉依达准则剔除异常值，并对剔除异常值后的参数数据进行均值滤波处理。
3.根据权利要求2所述的水泥篦冷机典型工况划分与识别的方法，其特征是，所述对选取的相关参数数据通过拉依达准则剔除异常值，包括：
将变量的/>个数据求取平均值/>：
计算各项与均值的偏差/>：
计算标准偏差：
当数据的偏差/>满足/>，/>，则判定/>为异常值，予以剔除。
4.根据权利要求3所述的水泥篦冷机典型工况划分与识别的方法，其特征是，所述对所选参数数据进行处理的均值滤波公式为：
式中，为均值滤波的时间窗口长度，/>为均值滤波后的参数。
5.根据权利要求1-4任意一项所述的水泥篦冷机典型工况划分与识别的方法，其特征是，所述设计典型工况识别器，包括：
根据SAGA-FCM工况聚类和特征参数相关性分析，选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量，作为工况识别的主要参数；
将SAGA-FCM聚类算法划分出的中心点对应篦冷机典型工况的基准值，3个簇的数据范围作为篦冷机工况的范围；
设计一种以选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量为主要参数的工况识别器，对篦冷机的典型工况进行识别。
6.根据权利要求5所述的水泥篦冷机典型工况划分与识别的方法，其特征是，所述选择对篦冷机工况变化影响最大、篦冷机工况变化表征明显的特征变量，作为工况识别的主要参数，包括：
将篦冷机一室风压作为工况识别的主要变量；
将生料下料量和窑主机电流作为工况识别的次要变量。
7.根据权利要求5所述的水泥篦冷机典型工况划分与识别的方法，其特征是，所述对篦冷机典型工况进行识别，包括：
利用推理规则对篦冷机典型工况进行识别。
8.根据权利要求7所述的水泥篦冷机典型工况划分与识别的方法，其特征是，所述推理规则包括：
根据篦冷机一室风压、生料下料量和窑主机电流的数据范围，判定所处的工况类型以及权重系数阵。
CN202110933996.1A 2021-08-13 2021-08-13 水泥篦冷机典型工况划分与识别的方法 Active CN113657484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110933996.1A CN113657484B (zh) 2021-08-13 2021-08-13 水泥篦冷机典型工况划分与识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110933996.1A CN113657484B (zh) 2021-08-13 2021-08-13 水泥篦冷机典型工况划分与识别的方法

Publications (2)

Publication Number Publication Date
CN113657484A CN113657484A (zh) 2021-11-16
CN113657484B true CN113657484B (zh) 2024-02-09

Family

ID=78480329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110933996.1A Active CN113657484B (zh) 2021-08-13 2021-08-13 水泥篦冷机典型工况划分与识别的方法

Country Status (1)

Country Link
CN (1) CN113657484B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101423348A (zh) * 2008-11-27 2009-05-06 济南大学 水泥回转窑烧成工况综合识别方法
CN104881516A (zh) * 2015-04-27 2015-09-02 中信重工机械股份有限公司 一种推料棒式篦冷机输送熟料效率的计算方法
CN105045104A (zh) * 2015-07-29 2015-11-11 铜陵有色设计研究院 基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法
CN107633274A (zh) * 2017-10-16 2018-01-26 湖南科技大学 一种轧机振动工况划分的聚类方法
CN109446028A (zh) * 2018-10-26 2019-03-08 中国人民解放军火箭军工程大学 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法
CN109684968A (zh) * 2018-12-17 2019-04-26 华东理工大学 一种水泥回转窑烧成工况识别方法和系统
CN109858093A (zh) * 2018-12-28 2019-06-07 浙江工业大学 Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法
CN110187636A (zh) * 2019-05-30 2019-08-30 济南大学 适用于水泥预粉磨过程的模型的建立方法、装置及应用
CN110766234A (zh) * 2019-10-29 2020-02-07 济南大学 基于信息融合的水泥冷却过程篦下压力预测方法
CN111768390A (zh) * 2020-07-01 2020-10-13 南京凯盛国际工程有限公司 一种基于图像识别的篦冷机红河识别方法
CN112182962A (zh) * 2020-09-24 2021-01-05 青岛大学 一种混合动力汽车行驶车速预测方法
CN112380738A (zh) * 2020-10-20 2021-02-19 济南大学 水泥回转窑燃烧场重构误差补偿与优化方法、存储介质及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform
CN112100916B (zh) * 2020-09-10 2023-07-25 北京百度网讯科技有限公司 用于构建强化学习模型的方法、装置、电子设备及介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101423348A (zh) * 2008-11-27 2009-05-06 济南大学 水泥回转窑烧成工况综合识别方法
CN104881516A (zh) * 2015-04-27 2015-09-02 中信重工机械股份有限公司 一种推料棒式篦冷机输送熟料效率的计算方法
CN105045104A (zh) * 2015-07-29 2015-11-11 铜陵有色设计研究院 基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法
CN107633274A (zh) * 2017-10-16 2018-01-26 湖南科技大学 一种轧机振动工况划分的聚类方法
CN109446028A (zh) * 2018-10-26 2019-03-08 中国人民解放军火箭军工程大学 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法
CN109684968A (zh) * 2018-12-17 2019-04-26 华东理工大学 一种水泥回转窑烧成工况识别方法和系统
CN109858093A (zh) * 2018-12-28 2019-06-07 浙江工业大学 Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法
CN110187636A (zh) * 2019-05-30 2019-08-30 济南大学 适用于水泥预粉磨过程的模型的建立方法、装置及应用
CN110766234A (zh) * 2019-10-29 2020-02-07 济南大学 基于信息融合的水泥冷却过程篦下压力预测方法
CN111768390A (zh) * 2020-07-01 2020-10-13 南京凯盛国际工程有限公司 一种基于图像识别的篦冷机红河识别方法
CN112182962A (zh) * 2020-09-24 2021-01-05 青岛大学 一种混合动力汽车行驶车速预测方法
CN112380738A (zh) * 2020-10-20 2021-02-19 济南大学 水泥回转窑燃烧场重构误差补偿与优化方法、存储介质及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Application of least square support vector machine with adaptive particle swarm parameter optimization in grate pressure optimization setting of grate cooler;Shuo Wang 等;2020 35th Youth Academic Annual Conference of Chinese Association of Automation;978-983 *
水泥熟料 f-CaO 含量的多模型 软测量方法;金姣;CNKI优秀硕士学位论文全文库 工程科技I辑(第2020年第7期);1-82 *
水泥生产过程篦冷机工况识别研究;刘万丽;中国优秀硕士论文全文库 工程科技I辑(第第2013年第4期);1-82 *
篦冷机热效分析与优化指导系统;高龙;中国优秀硕士论文库全文库 工程科技I辑(第第2017年第3期期);1-99 *

Also Published As

Publication number Publication date
CN113657484A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN112070109B (zh) 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法
CN110245850B (zh) 一种考虑时序的烧结过程工况识别方法及系统
WO2020124779A1 (zh) 一种工况状态建模与修正模型方法
Xu et al. A novel multimanifold joint projections model for multimode process monitoring
CN110175247B (zh) 一种优化基于深度学习的异常检测模型的方法
CN113048807B (zh) 一种空冷机组背压异常检测方法
CN112231971B (zh) 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法
CN106600076B (zh) 一种转塔式rto废气处理设备的监控数据分析与预警方法
CN111325410A (zh) 基于样本分布的通用故障预警系统及其预警方法
CN116700172A (zh) 结合工业互联网的工业数据集成处理方法及系统
CN112700085A (zh) 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质
CN111833970A (zh) 一种水泥熟料质量表征参数预测模型构建方法及其应用
CN113657484B (zh) 水泥篦冷机典型工况划分与识别的方法
CN112229206B (zh) 水泥回转窑窑头喂煤控制方法
CN114326639A (zh) 基于混合注意力卷积神经网络的工业过程性能评估方法
Wang et al. An artificial immune and incremental learning inspired novel framework for performance pattern identification of complex electromechanical systems
Bu et al. Process operation performance assessment based on multisource heterogeneous information with semisupervised transfer generative adversarial network for electrofused magnesium furnace
CN112559591A (zh) 一种用于冷轧辊制造过程的离群检测系统及其检测方法
CN108364095B (zh) 基于数据挖掘的炼钢生产过程钢水质量诊断方法
CN113532138B (zh) 一种基于决策融合框架的辊道窑烧成带异常检测算法
CN112183642A (zh) 一种基于随机森林模型的水泥烧成煤耗检测方法与系统
CN113986892A (zh) 一种火电机组煤耗预测、数据清洗方法及系统
Lv et al. A spatial–temporal variational graph attention autoencoder using interactive information for fault detection in complex industrial processes
Yang et al. Anomaly detection of dust removal system through gradient boosting decision tree algorithm
CN111680715B (zh) 考虑类别不平衡的回转窑烧结状态识别方法

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