CN113867289A - 一种基于工业大数据水泥生产烧成系统控制指标优化方法 - Google Patents
一种基于工业大数据水泥生产烧成系统控制指标优化方法 Download PDFInfo
- Publication number
- CN113867289A CN113867289A CN202111150592.1A CN202111150592A CN113867289A CN 113867289 A CN113867289 A CN 113867289A CN 202111150592 A CN202111150592 A CN 202111150592A CN 113867289 A CN113867289 A CN 113867289A
- Authority
- CN
- China
- Prior art keywords
- value
- kiln
- temperature
- condition
- key process
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 239000004568 cement Substances 0.000 title claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000005245 sintering Methods 0.000 title abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 63
- 239000003245 coal Substances 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 30
- 238000005265 energy consumption Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims description 51
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 claims description 38
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 38
- 239000000292 calcium oxide Substances 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010304 firing Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 9
- 238000004134 energy conservation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000007175 bidirectional communication Effects 0.000 description 2
- 238000001354 calcination Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- RMAQACBXLXPBSY-UHFFFAOYSA-N silicic acid Chemical compound O[Si](O)(O)O RMAQACBXLXPBSY-UHFFFAOYSA-N 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Curing Cements, Concrete, And Artificial Stone (AREA)
Abstract
本发明公开了一种基于工业大数据水泥生产烧成系统控制指标优化方法,包括下列步骤：步骤一、采集指征窑况的关键过程变量的历史数据。步骤二、将历史数据做归一化处理，通过数据拟合确定各关键过程变量的权重，得到窑况综合指标值的算式。步骤三、运行中采集上述关键过程变量的实时数据。步骤四、根据步骤二拟合得到的算式计算窑况综合指标值，对窑况进行综合评价。步骤五、将窑况综合指标值引入模型算法实现分解炉温度目标值的自动优化。本发明对包括分解炉温度的目标值和窑头喂煤秤罗茨风机送煤压力目标值在内的指标进行自动优化，实现工况的自适应调整，减少人为因素的影响，并在保证熟料质量的前提下实现较低的能耗。
Description
技术领域
本发明属于水泥熟料生产领域，更具体地说，是涉及一种基于工业大数据水泥生产烧成系统控制指标优化方法。
背景技术
水泥熟料生产属于典型的流程制造，生产工艺复杂，主要生产环节包括原料破碎、生料粉磨、煤磨、烧成(预热器、分解炉、篦冷机)、余热发电及熟料入库等过程。目前水泥生产过程操作，大多由操作人员通过DCS系统监控参数判断产线运行状况，根据工艺知识及经验手动调节喂煤量、喂料量以及风机转速等执行机构，实现生产工况的调整。近些年，随着《中国制造2025》的推进，水泥智能工厂持续推广，建设水平不断提升，水泥生产专家自动操作系统迎来了发展良机，应用范围不断扩大。
目前还出现了水泥生产专家自动操作系统，它的主要原理是根据传统人工操作调整的控制经验，以PID或MPC控制算法为计算核心，加入复杂的人为约束规则，操作人员根据经验设定控制目标，水泥生产专家自动操作系统根据设定的目标自动调整操作变量，让控制变量达到设定的目标值。
但上述现有技术根据水泥生产工况进行调整时都需要操作员根据经验对相应参数的目标值进行修改，因此存在以下技术问题：1.无法根据当前的工况进行适应性的调整。在水泥生产工业控制中，工况极其复杂，一旦系统完工后，它便失去了吸收新知识的能力，只能被动地解决之前出现过的情况，随着时间的推移，设备或工艺上的任何一个小小变更都可能使其失去活力，导致安全风险。2.经验挖掘比较肤浅。水泥专家自动操作系统所依赖的一些人工经验，大多都是线性关系，例如“提高篦速降低篦冷机风机出口压力”、“提高高温风机转速增加预热器出口氧含量”等，这些规则只能反应“1对1”或“2对1”之间的简单逻辑关系，如果再复杂一点的关系，采用经验规则约束的方式就越来越困难，甚至可以说是不可能完成的任务，在这种情况下，怎么样通过历史数据高效地剖析与挖掘参数之间的非线性关系就显得尤为重要。3.节能降耗。水泥专家自动操作系统只考虑了安全自动控制，不能兼顾节能的考量，无法做到进一步降低成本的目的，这也是传统专家系统没有大面积得到应用的主要原因。如何将大数据分析手段结合生产机理，解决多变量间复杂的耦合关系，从而达到生产过程的能耗降低及质量稳定，是实现水泥专家自动操作系统升级迭代的发展方向。
发明内容
本发明的目的是提供一种基于工业大数据水泥生产烧成系统控制指标优化方法，用于解决现有技术中对水泥生产线进行自动操作控制时必须依赖人为调整实现对参数目标值的优化，且相应控制方法在考虑安全控制和保障熟料质量的情况下不能兼顾节能考量的技术问题。
所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，包括下列步骤。
步骤一、采集指征窑况的关键过程变量的历史数据。
步骤二、将历史数据做归一化处理，通过数据拟合确定各关键过程变量的权重，得到窑况综合指标值的算式。
步骤三、运行中采集上述关键过程变量的实时数据。
步骤四、根据步骤二拟合得到的算式计算窑况综合指标值，对窑况进行综合评价。
步骤五、将窑况综合指标值引入模型算法实现分解炉温度目标值的自动优化。
优选的，关键过程变量至少包括：窑头火焰的亮度、二次风温度、窑主电机电流、窑尾高温NOx含量和熟料游离氧化钙含量。
拟合用的窑况综合指标值的算式为：窑况综合指标值＝火焰亮度归一数值*系数1+二次风温度归一数值*系数2+窑主电机电流归一数值*系数3+窑尾高温NOx归一数值*系数4+熟料游离氧化钙含量归一数值*系数5。
优选的，火焰亮度根据每次计算时截取视频画面，对火焰明亮程度进行识别，分五级：亮、较亮、正常、较暗、暗；对应的火焰亮度归一数值：亮(1.0)、较亮(0.5)、正常(0)、较暗(-0.5)、暗(-1.0)。
优选的，如果关键过程变量能被直接测定，则计算相应关键过程变量按时间间隔的滚动平均值，间隔时间为t，采用的每个间隔时间内相应关键过程变量在使用间隔时间内的滚动平均值，归一化的算式为：关键过程变量归一数值＝(关键过程变量滚动平均(当前)-关键过程变量滚动平均(t前))/关键过程变量滚动平均最大变化幅度。
关键过程变量滚动平均(当前)为当前时间起向前一个时间间隔内算出的关键过程变量的滚动平均值，“t前”即一个间隔时间前的关键过程变量滚动平均(当前)，二者差值即一个时间间隔前后关键过程变量滚动平均值之间的变化幅度，该变化幅度的最大值即关键过程变量滚动平均最大变化幅度根据历史数据能直接算出。
采用上述算式的关键过程变量包括二次风温度、窑主电机电流和窑尾高温NOx含量。
优选的，对于熟料游离氧化钙含量，系统应用熟料游离氧化钙预测算法，建立预测模型，用预测值进行控制，利用历史数据中与预测值对应的检测结果对预测模型进行修正，保持预测数据的准确性，相应算式如下：
熟料游离氧化钙含量归一数值＝(熟料游离氧化钙含量预测值(当前)-熟料游离氧化钙含量目标设定值)/熟料游离氧化钙含量与目标设定值间最大差值。
优选的，所述步骤四中计算出的窑况综合指标值是个在-1至1之间的数值，根据试验和经验设定不同窑况综合指标取值区间对应的窑况具体状态：窑况综合指标值≥0.5，说明窑况非常好；0.5＞窑况综合指标值≥0.2，说明窑况较好；0.2>窑况综合指标值>-0.2，说明窑况正常；-0.2≥窑况综合指标值>-0.5，说明窑况较差；-0.5≥窑况综合指标值，说明窑况非常差；这一窑况综合指标值及对应的窑况具体状态为相应参数的目标值的优化调整提供依据。
优选的，所述步骤五中分解炉温度目标值的优化控制方式包括：当窑况综合指标值≥0.5时，系统通过计算一定滚动时间区间内二次风温度的波动幅度对二次风温度波动情况进行判断，相应波动幅度的算式为：二次风温度波动幅度＝二次风温度当前值-二次风温度前t'分钟滚动平均值，t'分钟即滚动时间区间。
若该波动达到下述第一种状态：二次风温度波动幅度绝对值>二次风温度波动幅度设定值(SP)，系统开始进行时间累计，时间累计的时长阈值为t"，若该波动在第一种状态持续时长t"，则提升分解炉温度目标设定值0.1度，并重置累计的时间；若该波动持续不足时长t"但保持第一种状态，则分解炉温度目标值保持不变，并继续时间累计；若该波动发生改变不再保持第一种状态，则分解炉温度目标值保持不变，并重置累计的时间。
若该波动到达下述第二种状态：二次风温度波动幅度绝对值<二次风温度波动幅度设定值(SP)，系统开始进行时间累计，若该波动在第二种状态持续时长t"，则下调分解炉温度目标设定值0.1度，并重置累计的时间；若该波动持续不足时长t"但保持第二种状态，则分解炉温度目标值保持不变，并继续时间累计；若该波动发生改变不再保持第二种状态，则分解炉温度目标值保持不变，并重置累计的时间。
优选的，所述步骤五中分解炉温度目标值的优化控制方式还包括：当窑况综合指标值<0.5时，分解炉温度目标值的算式为：分解炉温度目标值＝分解炉温度目标值(前一次)-窑况综合指标值*K，K为通过历史数据拟合出来的系数，分解炉温度目标值(前一次)为该算式前一次计算得到的分解炉温度目标值，其初始值为初始状态下操作员设定的分解炉温度目标值。
优选的，所述的基于工业大数据水泥生产烧成系统控制指标优化方法还包括步骤六、根据窑况综合指标值优化窑头喂煤秤罗茨风机送煤压力的自动设定值。
窑头喂煤秤罗茨风机送煤压力目标设定值的优化主要依据窑工况的综合指标进行，若窑况综合指标值>0.8，则减小窑头喂煤秤罗茨风机送煤压力目标设定值0.01；若窑况综合指标值<-0.8且当前的分解炉温度目标值已达最高，则增加头煤压力0.01；分解炉温度目标值的最高值为操作员根据历史数据确定的最高值，以避免分解炉温度的目标值过高导致能耗超出上限。
本发明具有以下优点：本发明针对现有技术存在的问题，通过指标优化方法，能够对水泥生产烧成系统工况进行精确的判断，对包括分解炉温度的目标值和窑头喂煤秤罗茨风机送煤压力目标值在内的指标进行自动优化，实现工况的自适应调整，进一步降低操作员劳动强度，减少人为因素的影响，通过对主要过程控制目标的优化调整，能够在保证窑况达到正常运行，在保证熟料质量较好的前提下降低能源消耗、减排CO2。而为了在进行优化时能精确适应烧成系统的实时工况即窑况变化，本方法对窑况选择关联紧密的关键过程变量和能有效判别实际窑况并兼顾计算量合理的算法来实现对相应窑况综合指标值的求取，而后再利用合理有效的优化控制方法，基于窑况综合指标值对分解炉温度的目标值和窑头喂煤秤罗茨风机送煤压力目标值进行实际优化。
附图说明
图1为采用本发明一种基于工业大数据水泥生产烧成系统控制指标优化方法的系统的网络结构示意图。
图2为本发明一种基于工业大数据水泥生产烧成系统控制指标优化方法的流程示意图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和伸入的理解。
本发明提供一种基于工业大数据水泥生产烧成系统控制指标优化方法。如图1所示，应用该方法的系统包括DCS控制系统、水泥专家自动操作系统及窑炉优化控制系统。窑炉优化控制系统边缘端服务器通过OPC与DCS系统相连，实现双向数据通讯，DCS系统与水泥专家自动操作已经实现了双向通讯，这样窑炉优化系统与水泥专家自动操作系统也就可实现双向通讯。
窑炉优化系统设有视频采集装置以采集对窑头火焰监测的视频信号，根据视频信号实时性强的特点，将窑头火焰监测视频信号分流，一路接入中控视频监控，一路接入边缘端服务器，上传至云端，通过截取视频画面，对火焰明亮程度进行识别，分五级：亮、较亮、正常、较暗、暗，判断烧成带状况，亮说明当前窑况好，暗说明当前窑况差，为系统控制提供数据支撑，增强控制的时效性，节能降耗。
如图2所示，上述指标优化方法包括下列步骤：
步骤一、采集指征窑况的关键过程变量的历史数据。关键过程变量至少包括：窑头火焰的亮度、二次风温度、窑主电机电流、窑尾高温NOx含量和熟料游离氧化钙含量。
步骤二、将历史数据做归一化处理，通过数据拟合确定各关键过程变量的权重，得到窑况综合指标值的算式。拟合用的算式为：窑况综合指标值＝火焰亮度归一数值*系数1+二次风温度归一数值*系数2+窑主电机电流归一数值*系数3+窑尾高温NOx归一数值*系数4+熟料游离氧化钙含量归一数值*系数5。
其中，火焰亮度根据每次计算时截取视频画面，对火焰明亮程度进行识别，分五级：亮、较亮、正常、较暗、暗；对应的火焰亮度归一数值：亮(1.0)、较亮(0.5)、正常(0)、较暗(-0.5)、暗(-1.0)。
如果关键过程变量能被直接测定，则计算相应关键过程变量按时间间隔的滚动平均值，间隔时间为t，采用的每个间隔时间内相应关键过程变量在使用间隔时间内的滚动平均值，归一化的算式为：关键过程变量归一数值＝(关键过程变量滚动平均(当前)-关键过程变量滚动平均(t前))/关键过程变量滚动平均最大变化幅度。
关键过程变量滚动平均(当前)为当前时间起向前一个时间间隔内算出的关键过程变量的滚动平均值，“t前”即一个间隔时间前的关键过程变量滚动平均(当前)，二者差值即一个时间间隔前后关键过程变量滚动平均值之间的变化幅度，该变化幅度的最大值即关键过程变量滚动平均最大变化幅度根据历史数据能直接算出。
在本实施例中t为10秒，采用上述算式的关键过程变量包括二次风温度、窑主电机电流和窑尾高温NOx含量，相应算式如下。
二次风温度：二次风温度归一数值＝(二次风温度滚动平均(当前)-二次风温度滚动平均(10s前))/二次风温度滚动平均最大变化幅度。
窑主电机电流：窑主电机电流归一数值＝(窑主电机电流滚动平均(当前)-窑主电机电流滚动平均(10s前))/窑主电机电流滚动平均最大变化幅度。
窑尾高温NOx含量：窑尾高温NOx含量归一数值＝(窑尾高温NOx含量滚动平均(当前)-窑尾高温NOx含量滚动平均(10s前))/窑尾高温NOx含量滚动平均最大变化幅度。
对二次风温度，在本实施例中能根据历史数据先计算出的二次风温度滚动平均最大变化幅度为0.28。则对应算式在实际使用时先转化为：二次风温度归一数值＝(二次风温度滚动平均(当前)-二次风温度滚动平均(10s前))/0.28。之后的窑主电机电流和窑尾高温NOx含量的归一化算式也能采用类似方式转化。
对于熟料游离氧化钙含量，常规技术下该值一般为根据人工取样质检所得，周期为2小时，用于控制会有较大的滞后。为解决该问题，系统应用熟料游离氧化钙预测算法，建立预测模型，用预测值进行控制，利用历史数据中与预测值对应的检测结果对预测模型进行修正，保持预测数据的准确性。这样能避免归一数值计算的滞后，保证能与当前计算得到的其他变量的归一数值一同求得当前的窑况综合指标值。而预测算法通过历史数据中实际检测得到的含量进行修正以确保其在实际使用中的可靠性。相应算式如下。
熟料游离氧化钙含量归一数值＝(熟料游离氧化钙含量预测值(当前)-熟料游离氧化钙含量目标设定值)/熟料游离氧化钙含量与目标设定值间最大差值。熟料游离氧化钙含量与目标设定值间最大差值，可根据实际情况调整。本实施例在上式中根据历史数据能先计算出熟料游离氧化钙含量与目标设定值间最大差值为0.55，则该算式能转化为：熟料游离氧化钙含量归一数值＝(熟料游离氧化钙含量预测值(当前)-熟料游离氧化钙含量目标设定值)/0.55，再应用到实际计算中。
将上述计算得到的归一化数值引入拟合用的算式，通过大量的数据拟合后得出其中各个系数的值，本实施例利用历史数据拟合后得到系数1＝0.2，系数2＝0.2，系数3＝0.1，系数4＝0.3，系数5＝0.2。于是有拟合后的窑况综合指标值的算式：窑况综合指标值＝火焰亮度归一数值*0.2+二次风温度归一数值*＝0.2+窑主电机电流归一数值*0.1+窑尾高温NOx含量归一数值*0.3+熟料游离氧化钙含量归一数值*0.2。
步骤三、运行中采集上述关键过程变量的实时数据。数据实时传递到系统的控制中心，包括窑头火焰的亮度、二次风温度、窑主电机电流、窑尾高温NOx含量和熟料游离氧化钙含量，其中窑头火焰的亮度是根据实时采集的视频画面截取后通过识别模块对窑内火焰亮度识别得到，熟料游离氧化钙含量则根据熟料游离氧化钙预测算法，熟料游离氧化钙预测算法的输入值包括分解炉出口温度、喂料量、二次风温、窑电流平均值、水泥生料硅酸率等与水泥烧成过程游离氧化钙指标相关输入变量，由此获得熟料游离氧化钙含量的预测值。而在之前步骤二中，已经通过历史数据作为训练样本对对熟料游离氧化钙预测的预测模型进行修正，因此能保证预测值具有足够的可靠性。
步骤四、根据步骤二拟合得到的算式计算窑况综合指标值，对窑况进行综合评价。根据步骤二的归一化方法对上一步采集的实时数据处理，并将归一化后的归一数值引入步骤二中拟合得到的窑况综合指标值的算式，求得窑况综合指标值作为对窑况的评价结果。
上述窑况综合指标值的算式可计算出窑况综合指标值是个在-1至1之间的数值，根据试验和经验设定不同窑况综合指标取值区间对应的窑况具体状态，例如：窑况综合指标值≥0.5，说明窑况非常好；0.5>窑况综合指标值≥0.2，说明窑况较好；0.2>窑况综合指标值>-0.2，说明窑况正常；-0.2≥窑况综合指标值>-0.5，说明窑况较差；-0.5≥窑况综合指标值，说明窑况非常差。这一窑况综合指标值及对应的窑况具体状态，为下一步对系统控制指标(即相应参数的目标值)的优化调整提供了依据。
步骤五、将窑况综合指标值引入模型算法实现分解炉温度目标值的自动优化。
分解炉温度是水泥熟料生产过程中关键的控制变量，稳定性的提高到最优值能有效的提升熟料的产品质量，达到降低能源消耗的目的。正常生产过程中，分解炉温度主要通过加减分解炉喂煤秤的煤量进行调节，现有的水泥专家自动操作系统实现了按操作员手动设定分解炉温度目标值进行自动控制，而温度目标值需要操作员根据窑工况进行手动调整。而在本方案中，由于通过窑况综合指标计算可综合判断窑况，将其引入下面的模型算法能实现分解炉温度目标值的自动推荐，达到分解炉温度的全自动控制，无需操作员根据窑况变化人为设定或调整分解炉温度目标值，干预自动控制过程。
具体对分解炉温度目标值的优化控制方式包括：当窑况非常好(即窑况综合指标值≥0.5)时，系统通过计算一定滚动时间区间内二次风温度的波动幅度对二次风温度波动情况进行判断，相应波动幅度的算式为：二次风温度波动幅度＝二次风温度当前值-二次风温度前t'分钟滚动平均值，t'分钟即滚动时间区间，在本实施例中设为5分钟。
若该波动达到下述第一种状态：二次风温度波动幅度绝对值>二次风温度波动幅度设定值(SP)(SP表示Set Point，即设定点)，系统开始进行时间累计，时间累计的时长阈值为t"，在本实施例中为30分钟。若该波动在第一种状态持续时长t"，则提升分解炉温度目标设定值0.1度，并重置累计的时间；若该波动持续不足时长t"但保持第一种状态，则分解炉温度目标值保持不变，并继续时间累计。若该波动发生改变不再保持第一种状态，则分解炉温度目标值保持不变，并重置累计的时间。
若该波动到达下述第二种状态：二次风温度波动幅度绝对值<二次风温度波动幅度设定值(SP)，系统开始进行时间累计。若该波动在第二种状态持续时长t"，则下调分解炉温度目标设定值0.1度，并重置累计的时间；若该波动持续不足时长t"但保持第二种状态，则分解炉温度目标值保持不变，并继续时间累计；若该波动发生改变不再保持第二种状态，则分解炉温度目标值保持不变，并重置累计的时间。
二次风温度影响因素非常多，上述优化方法考虑在窑况非常好的状态下，关键过程变量的各指标都是向好的，二次风温度与窑况间的关联性能表征窑况的变化，而二次风温度波动幅度则体现了这种情况下熟料质量与能耗的关系，在二次风温度波动幅度处于设定值(即通过试验确定的最优点)或在设定值附近波动的情况下，烧成系统能同时兼顾熟料质量和能耗能耗，实现优化目的。
其他情况下(即窑况综合指标值<0.5)，分解炉温度目标值的算式为：分解炉温度目标值＝分解炉温度目标值(前一次)-窑况综合指标值*K，K为通过历史数据拟合出来的系数，分解炉温度目标值(前一次)为该算式前一次计算得到的分解炉温度目标值，其初始值为初始状态下操作员设定的分解炉温度目标值。在本实施例中在步骤二拟合后得到窑况综合指标值的算式，立即据此计算出与历史数据在时间上对应的窑况综合指标值，将历史数据和对应的窑况综合指标值一同引入分解炉温度目标值的算式，即能拟合得到系数K＝3，这样在步骤四中就能在当窑况不是非常好的状态下，利用上述分解炉温度目标值的算式：分解炉温度目标值＝分解炉温度目标值(操作员设定)-窑况综合指标值*3，自动算出分解炉温度目标值，实现对分解炉温度目标设定值的优化。
上述情况为窑况不处于非常好的状态下，由于无法通过单一关键过程变量判断窑况和相应能耗变化，因此对分解炉温度目标值的优化是采用控制分解炉温度的目标值，使其接近或达到窑况综合指标值＝0的状态，这时窑况处于正常状态，并且熟料质量和能耗二者相对平衡。
步骤五、根据窑况综合指标值优化窑头喂煤秤罗茨风机送煤压力的自动设定值。
受煤磨开停及煤粉仓进煤切换等的影响，在设定喂煤量不变的情况下喂煤秤的实际下煤量会有较大的差异。分解炉喂煤秤煤量的多少可通过分解炉温度变化快速的反映出来，可及时的进行加减喂煤量操作，减少影响。而窑头喂煤量的多少没有一个指标能快速的衡量，在此引入了窑头喂煤秤罗茨风机送煤压力这个过程控制变量，来反映窑头真实的喂煤量，通过调整窑头喂煤秤罗茨风机送煤压力目标设定值来进行窑头喂煤量的加减，压力稳定则煤量稳定。
窑头喂煤秤罗茨风机送煤压力目标设定值的优化主要依据窑工况的综合指标进行。若窑况综合指标值>0.8，则减小窑头喂煤秤罗茨风机送煤压力目标设定值0.01；若窑况综合指标值<-0.8且当前的分解炉温度目标值已达最高，则增加头煤压力0.01。分解炉温度目标值的最高值为操作员根据历史数据确定的最高值，以避免分解炉温度的目标值过高导致能耗超出上限。
上述技术方案对技术问题的解决基于下列原理：
1.对数据做“减法”。在复杂的生产过程中，并非所有的生产参数都会直接对熟料质量或者能耗产生关键性影响。借助大数据平台及云计算的超级“算力”，通过数据建模，对工艺参数进行量化分析，分析不同变量间的逻辑关系，寻找最能为生产带来价值的参数组合。本方法由此确定与窑况综合指标值相关的关键过程变量包括：窑头火焰的亮度、二次风温度、窑主电机电流、窑尾高温NOx含量和熟料游离氧化钙含量。
2.引入一种基于数据驱动的水泥产线自动控制技术方案。采用明显区别于以前任何工业控制的研究思路，首次将深度学习技术与传统控制相结合，自适应、自学习，不断通过历史数据充分挖掘参数之间的关联关系，寻找最适用当前工况的控制参数组合，克服了水泥专家自动操作系统死板且复杂的规则约束。另一方面，模型算法能随时自我更新，根据当前工况对算法参数进行实时优化调整，从根本上克服现有技术中系统不能长期适应工况变化的痛点。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。
Claims (9)
1.一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：包括下列步骤：
步骤一、采集指征窑况的关键过程变量的历史数据；
步骤二、将历史数据做归一化处理，通过数据拟合确定各关键过程变量的权重，得到窑况综合指标值的算式；
步骤三、运行中采集上述关键过程变量的实时数据；
步骤四、根据步骤二拟合得到的算式计算窑况综合指标值，对窑况进行综合评价；
步骤五、将窑况综合指标值引入模型算法实现分解炉温度目标值的自动优化。
2.根据权利要求1所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：关键过程变量至少包括：窑头火焰的亮度、二次风温度、窑主电机电流、窑尾高温NOx含量和熟料游离氧化钙含量；
拟合用的窑况综合指标值的算式为：窑况综合指标值＝火焰亮度归一数值*系数1+二次风温度归一数值*系数2+窑主电机电流归一数值*系数3+窑尾高温NOx归一数值*系数4+熟料游离氧化钙含量归一数值*系数5。
3.根据权利要求2所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：火焰亮度根据每次计算时截取视频画面，对火焰明亮程度进行识别，分五级：亮、较亮、正常、较暗、暗；对应的火焰亮度归一数值：亮(1.0)、较亮(0.5)、正常(0)、较暗(-0.5)、暗(-1.0)。
4.根据权利要求2所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：如果关键过程变量能被直接测定，则计算相应关键过程变量按时间间隔的滚动平均值，间隔时间为t，采用的每个间隔时间内相应关键过程变量在使用间隔时间内的滚动平均值，归一化的算式为：关键过程变量归一数值＝(关键过程变量滚动平均(当前)-关键过程变量滚动平均(t前))/关键过程变量滚动平均最大变化幅度；
关键过程变量滚动平均(当前)为当前时间起向前一个时间间隔内算出的关键过程变量的滚动平均值，“t前”即一个间隔时间前的关键过程变量滚动平均(当前)，二者差值即一个时间间隔前后关键过程变量滚动平均值之间的变化幅度，该变化幅度的最大值即关键过程变量滚动平均最大变化幅度根据历史数据能直接算出；
采用上述算式的关键过程变量包括二次风温度、窑主电机电流和窑尾高温NOx含量。
5.根据权利要求2所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：对于熟料游离氧化钙含量，系统应用熟料游离氧化钙预测算法，建立预测模型，用预测值进行控制，利用历史数据中与预测值对应的检测结果对预测模型进行修正，保持预测数据的准确性，相应算式如下：
熟料游离氧化钙含量归一数值＝(熟料游离氧化钙含量预测值(当前)-熟料游离氧化钙含量目标设定值)/熟料游离氧化钙含量与目标设定值间最大差值。
6.根据权利要求2-5中任一所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：所述步骤四中计算出的窑况综合指标值是个在-1至1之间的数值，根据试验和经验设定不同窑况综合指标取值区间对应的窑况具体状态：窑况综合指标值≥0.5，说明窑况非常好；0.5>窑况综合指标值≥0.2，说明窑况较好；0.2>窑况综合指标值>-0.2，说明窑况正常；-0.2≥窑况综合指标值>-0.5，说明窑况较差；-0.5≥窑况综合指标值，说明窑况非常差；这一窑况综合指标值及对应的窑况具体状态为相应参数的目标值的优化调整提供依据。
7.根据权利要求6所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：所述步骤五中分解炉温度目标值的优化控制方式包括：当窑况综合指标值≥0.5时，系统通过计算一定滚动时间区间内二次风温度的波动幅度对二次风温度波动情况进行判断，相应波动幅度的算式为：二次风温度波动幅度＝二次风温度当前值-二次风温度前t'分钟滚动平均值，t'分钟即滚动时间区间；
若该波动达到下述第一种状态：二次风温度波动幅度绝对值>二次风温度波动幅度设定值(SP)，系统开始进行时间累计，时间累计的时长阈值为t"，若该波动在第一种状态持续时长t"，则提升分解炉温度目标设定值0.1度，并重置累计的时间；若该波动持续不足时长t"但保持第一种状态，则分解炉温度目标值保持不变，并继续时间累计；若该波动发生改变不再保持第一种状态，则分解炉温度目标值保持不变，并重置累计的时间；
若该波动到达下述第二种状态：二次风温度波动幅度绝对值<二次风温度波动幅度设定值(SP)，系统开始进行时间累计，若该波动在第二种状态持续时长t"，则下调分解炉温度目标设定值0.1度，并重置累计的时间；若该波动持续不足时长t"但保持第二种状态，则分解炉温度目标值保持不变，并继续时间累计；若该波动发生改变不再保持第二种状态，则分解炉温度目标值保持不变，并重置累计的时间。
8.根据权利要求7所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：所述步骤五中分解炉温度目标值的优化控制方式还包括：当窑况综合指标值<0.5时，分解炉温度目标值的算式为：分解炉温度目标值＝分解炉温度目标值(前一次)-窑况综合指标值*K，K为通过历史数据拟合出来的系数，分解炉温度目标值(前一次)为该算式前一次计算得到的分解炉温度目标值，其初始值为初始状态下操作员设定的分解炉温度目标值。
9.根据根据权利要求2-5中任一所述的一种基于工业大数据水泥生产烧成系统控制指标优化方法，其特征在于：还包括步骤六、根据窑况综合指标值优化窑头喂煤秤罗茨风机送煤压力的自动设定值；
窑头喂煤秤罗茨风机送煤压力目标设定值的优化主要依据窑工况的综合指标进行，若窑况综合指标值>0.8，则减小窑头喂煤秤罗茨风机送煤压力目标设定值0.01；若窑况综合指标值<-0.8且当前的分解炉温度目标值已达最高，则增加头煤压力0.01；分解炉温度目标值的最高值为操作员根据历史数据确定的最高值，以避免分解炉温度的目标值过高导致能耗超出上限。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150592.1A CN113867289A (zh) | 2021-09-29 | 2021-09-29 | 一种基于工业大数据水泥生产烧成系统控制指标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150592.1A CN113867289A (zh) | 2021-09-29 | 2021-09-29 | 一种基于工业大数据水泥生产烧成系统控制指标优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113867289A true CN113867289A (zh) | 2021-12-31 |
Family
ID=78992621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111150592.1A Pending CN113867289A (zh) | 2021-09-29 | 2021-09-29 | 一种基于工业大数据水泥生产烧成系统控制指标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113867289A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
| CN116881677A (zh) * | 2023-09-08 | 2023-10-13 | 苏州科尔珀恩机械科技有限公司 | 一种窑炉运行能耗数据优化采集分析方法 |
-
2021
- 2021-09-29 CN CN202111150592.1A patent/CN113867289A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
| CN116881677A (zh) * | 2023-09-08 | 2023-10-13 | 苏州科尔珀恩机械科技有限公司 | 一种窑炉运行能耗数据优化采集分析方法 |
| CN116881677B (zh) * | 2023-09-08 | 2023-11-17 | 苏州科尔珀恩机械科技有限公司 | 一种窑炉运行能耗数据优化采集分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113867289A (zh) | 一种基于工业大数据水泥生产烧成系统控制指标优化方法 | |
| CN110067764B (zh) | 一种煤矿局部通风机远程切换与智能调控装置及控制方法 | |
| CN105159235B (zh) | 回转窑煅烧过程综合协调控制方法及系统 | |
| CN110124842B (zh) | 一种锅炉机组及其磨煤机出口温度控制方法与系统 | |
| CN105182740B (zh) | 原料粉磨自动控制方法 | |
| CN110397951B (zh) | 一种基于数据驱动及智能算法的锅炉燃烧优化系统和装置 | |
| CN113406313A (zh) | 基于全自动游离氧化钙分析仪数据实时预测熟料f-CaO的方法 | |
| CN109489261A (zh) | 一种能够实时监控的热风炉智能化控制装置 | |
| CN111664470A (zh) | 一种热风炉自动节能燃烧控制系统及设备 | |
| CN110673482B (zh) | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统 | |
| CN110252087B (zh) | 粗苯回收过程智能优化控制系统 | |
| CN110102075B (zh) | 溴素蒸馏工艺中基于视觉识别的加氯控制方法及装置 | |
| WO2019174189A1 (zh) | 一种动态辨识及控制参量再修正系统及方法 | |
| CN117171590B (zh) | 一种电机智能驱动优化方法及系统 | |
| CN107417145B (zh) | 一种水泥熟料烧成分解炉温度的控制方法、装置及系统 | |
| CN111156830A (zh) | 一种炭素罐式煅烧炉温度自动控制系统 | |
| CN113769880B (zh) | 一种基于工业大数据水泥生产原料磨系统控制指标优化方法 | |
| CN116185107A (zh) | 一种鱼类生长智能调控方法 | |
| CN109597301B (zh) | 干熄焦余热锅炉主汽温优化控制方法 | |
| CN118092550A (zh) | 焦炉系统热态调控方法、装置、电子设备及存储介质 | |
| CN211854944U (zh) | 一种炭素罐式煅烧炉温度自动控制系统 | |
| CN115616993B (zh) | 基于工业机器视觉检测技术的工业设备运行管控系统 | |
| CN114063674B (zh) | 一种在通讯受限情况下的分解炉温度切换控制方法 | |
| CN217442300U (zh) | 一种间接空冷机组循环水水质数字化智能监测控制装置 | |
| CN115065710B (zh) | 一种加热炉智慧温控pc端及移动端远程云测控系统 |
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 |