一种基于安全评估的水泥粉磨优化控制方法
技术领域
本发明涉及水泥粉磨优化控制技术领域,更具体地说,本发明涉及一种基于安全评估的水泥粉磨优化控制方法。
背景技术
在水泥的生产过程中,水泥制备的最后一个环节就是水泥的粉磨,通过水泥的粉磨坏节能够将水泥熟料以及外加的原材料粉磨至适宜的粒度,使水泥的细度与比表面积达到国家标准,粉磨出的质量较好的水泥具有较大的水化面积,水化速率快,能够满足水泥浆体凝结与硬化要求,对粉磨机的研究一直在不断的进行着,如何提高磨机的粉磨效率、提高水泥产品质量、使生产过程节能降耗一直是研究的重点,水泥粉磨过程的耗能巨大,尤其是耗电情况十分严重,由于操作人员对磨机的操作存在滞后性、不确定性、盲目性等缺点,导致粉磨系统的效率较低,进一步增加了粉磨系统的电耗,粉磨系统操作复杂,磨机的工况也是随着现场的干扰而不断变化的,导致现场经常出现粉磨系统的不稳定情况的发生,比如称重仓仓满溢料、粉磨机饱磨、粉磨机空磨、皮带秤跳停、旋风筒堵料等,如果操作员不能够及时的发现并采取相应的处理措施,就会导致粉磨系统设备的保护跳停,进而必须将整个粉磨系统停下来进行处理,严重的影响了水泥的生产,对水泥的发货造成影响,从而影响了水泥厂的效益,所以在粉磨系统运行时一定要避免极端情况的发生,如果因为操作员的操作出现了停产的情况则要对相应的操作员进行处罚,责任到人,因此,如果能够对粉磨系统采用自动控制代替人工的操作,就能够避免出现极端的情况,并且能够使粉磨系统长时间处于稳定工况,在节约了电耗的同时,能够保护设备并且减少操作人员的劳动强度,具有一定的实用价值。
据统计,我国水泥工业发展较快,水泥产量逐年递增,自1985年起,我国水泥产量连续26年位居世界第一位,2011年总产量达到20.6亿吨,占到世界水泥总产量的50%之多,最近5年内我国水泥年产量及年平均增长率见表1.1,2007年到2011年年平均增长率超过11%,如果通过采用自动控制系统能够将水泥的吨电耗降低1%左右,带来的经济效益是相当可观的,但是现有技术中粉磨机在粉磨控制过程中是一个十分复杂的过程,存在着多变量强耦合、非线性、时变性等多种复杂特征,一些优化控制方法可以根据某一变量进行一种从动变量的调节,但是难以根据不同变量的变化来调节多种变量的变化,因此,研究一种新的基于安全评估的水泥粉磨优化控制方法来解决上述问题具有重要意义。
发明内容
为了克服现有技术的上述缺陷,本发明提供了一种基于安全评估的水泥粉磨优化控制方法,本发明所要解决的技术问题是:现有技术中粉磨机在粉磨控制过程中是一个十分复杂的过程,存在着多变量强耦合、非线性、时变性等多种复杂特征,一些优化控制方法可以根据某一变量进行一种从动变量的调节,但是难以根据不同变量的变化来调节多种变量的变化,这种控制方法在使用时较为不便的问题。
为实现上述目的,本发明提供如下技术方案:一种基于安全评估的水泥粉磨优化控制方法,包括以下步骤:
S1、对粉磨机的各项数据进行采集,并对粉磨过程中的历史数据和实时数据进行采集和处理,对数据进行扫描确定动态安全风险评估的初始预想问题集,基于采集到的数据和问题集中的每个既定预想问题,求取实用动态安全域的临界超平面系数,同时对水泥粉磨过程数据中的特征数据进行提取,采用D-S证据理论对聚类后的特征数据进行特征融合,获得融合后的特征数据集。
S2、获取粉磨机中的主动变量和从动变量,利用灵敏度分析法得到变量之间的映射关系,利用传统的PID控制手段为主导,通过观察数据,分析其物理规律,并通过粉磨机运行状态形成闭环系统结构,再通过深度学习处理方法实现抽象特征提取,最后通过主分量分析部分实现特征降维。
S3、通过运行状态评估模块借助深度学习特征及降维参数,建立关于粉磨机运行状态的模型,最后通过卷积神经网络和机器学习对历史数据进行训练,得到水泥粉磨模型,采用多目标遗传算法优化粉磨参数,同时对基本TLBO算法进行改进,包括教学因子TF的改进,改进之后的教学因子如下:
式中,令TF最大值TFmax,TFi的初始值设计TFi=1,iter_max表示最大迭代次数,iter表示当前迭代次数。
S4、控制模型运行,输入水泥粉磨要求的基本数据,将改进的TLBO算法用于粉磨机制粉系统控制器的参数优化,同时通过优化的粉末参数计算优化偏置,并送DCS实现闭环优化控制,得到粉磨机优化控制方法,在粉磨机运行时,对粉磨机的运行数据进行检测,并将粉磨机的运行数据置入模型内进行优化计算,同时设定各种问题数据阈值,得到新的粉磨机优化控制方法,并通过运行状态评估部分对其进行安全评估后使用。
作为本发明的进一步方案:所述粉磨机的各项数据包括粉磨机的型号、钢球在筒内的运动形态、填充率、转速率、钢球的补加、钢球的尺寸大小、料位高低、给料量、供风量、物料的粒度、筒体的转速和助磨剂的使用。
作为本发明的进一步方案:所述物料的粒度与粉磨机的处理量关系如下:
K=Q2/Q1=(d1/d2)1/4;
其中,K表示产量提高系数、d1、d2表示物料的粒度、Q1、Q2表示粉磨机的产量t/h。
作为本发明的进一步方案:所述粉磨机与钢球内填充率的逻辑关系为:当粉磨机规格及转速一定时,在填充率(Φ)<50%的范围时,粉磨机的生产能力会随着填充率的提高而提高,一般粉磨机填充率=40-50%,格子型粉磨机取高值,溢流型取低值。
作为本发明的进一步方案:所述钢球的尺寸大小主要依据粉磨机内物料的粒度组成来确定,在处理硬度大或者粗粒物料时选择尺寸大的钢球,当处理粒度较软或较细的物料时选择尺寸较小的钢球。
作为本发明的进一步方案:所述运行状态评估部分是在对粉磨机运行状态观测数据深度学习的基础上,结合历史经验参数状态数据,构建粉磨机运行状态的参数描述模型,并将粉磨机运行状态划分为欠磨状态、正常状态、过磨状态,利用总体最小二乘方法实现对粉磨机运行状态的智能辨识,然后通过统计误差分析评估欠磨和过磨状态的偏离程度信息。
作为本发明的进一步方案:所述粉磨过程中对粉磨过程和叶片磨损情况进行监控,在粉磨机给矿粒度大小发生变化或者磨损较为严重时,发出警报通知相关人员。
作为本发明的进一步方案:所述粉磨机的运行数据包括粉磨机的运行负荷、钢球在筒内的运动形态、填充率、转速率、钢球的补加、钢球的尺寸大小、料位高低、给料量、供风量、物料的粒度和筒体的转速。
本发明的有益效果在于:
1、本发明通过对粉磨机的各项数据进行采集,并对粉磨过程中的历史数据和实时数据进行采集和处理,同时对水泥粉磨过程数据中的特征数据进行提取,采用D-S证据理论对聚类后的特征数据进行特征融合,然后获取粉磨机中的主动变量和从动变量,利用灵敏度分析法得到变量之间的映射关系,并基于此建立关于粉磨机运行状态的模型,并通过卷积神经网络进行训练处理,同时对基本TLBO算法进行改进使其可以用于粉磨机制粉系统控制器的参数优化,并送DCS实现闭环优化控制,得到粉磨机优化控制方法,使得本发明可以对粉磨机运行时各个变量的映射关系,使得当其中一些主动变量发生改变时,可以通过改进后的TLBO算法在模型中进行优化处理,从而可以自动根据不同输入的主动变量的变化来调节其他从动变量的变化进行优化处理。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图所示,一种基于安全评估的水泥粉磨优化控制方法,包括以下步骤:
S1、对粉磨机的各项数据进行采集,并对粉磨过程中的历史数据和实时数据进行采集和处理,对数据进行扫描确定动态安全风险评估的初始预想问题集,基于采集到的数据和问题集中的每个既定预想问题,求取实用动态安全域的临界超平面系数,同时对水泥粉磨过程数据中的特征数据进行提取,采用D-S证据理论对聚类后的特征数据进行特征融合,获得融合后的特征数据集。
S2、获取粉磨机中的主动变量和从动变量,利用灵敏度分析法得到变量之间的映射关系,利用传统的PID控制手段为主导,通过观察数据,分析其物理规律,并通过粉磨机运行状态形成闭环系统结构,再通过深度学习处理方法实现抽象特征提取,最后通过主分量分析部分实现特征降维。
S3、通过运行状态评估模块借助深度学习特征及降维参数,建立关于粉磨机运行状态的模型,最后通过卷积神经网络和机器学习对历史数据进行训练,得到水泥粉磨模型,采用多目标遗传算法优化粉磨参数,同时对基本TLBO算法进行改进,包括教学因子TF的改进,改进之后的教学因子如下:
式中,令TF最大值TFmax,TFi的初始值设计TFi=1,iter_max表示最大迭代次数,iter表示当前迭代次数。
S4、控制模型运行,输入水泥粉磨要求的基本数据,将改进的TLBO算法用于粉磨机制粉系统控制器的参数优化,同时通过优化的粉末参数计算优化偏置,并送DCS实现闭环优化控制,得到粉磨机优化控制方法,在粉磨机运行时,对粉磨机的运行数据进行检测,并将粉磨机的运行数据置入模型内进行优化计算,同时设定各种问题数据阈值,得到新的粉磨机优化控制方法,并通过运行状态评估部分对其进行安全评估后使用。
粉磨机的各项数据包括粉磨机的型号、钢球在筒内的运动形态、填充率、转速率、钢球的补加、钢球的尺寸大小、料位高低、给料量、供风量、物料的粒度、筒体的转速和助磨剂的使用。
物料的粒度与粉磨机的处理量关系如下:
K=Q2/Q1=(d1/d2)1/4;
其中,K表示产量提高系数、d1、d2表示物料的粒度、Q1、Q2表示粉磨机的产量t/h。
粉磨机与钢球内填充率的逻辑关系为:当粉磨机规格及转速一定时,在填充率(Φ)<50%的范围时,粉磨机的生产能力会随着填充率的提高而提高,一般粉磨机填充率=40-50%,格子型粉磨机取高值,溢流型取低值。
钢球的尺寸大小主要依据粉磨机内物料的粒度组成来确定,在处理硬度大或者粗粒物料时选择尺寸大的钢球,当处理粒度较软或较细的物料时选择尺寸较小的钢球。
运行状态评估部分是在对粉磨机运行状态观测数据深度学习的基础上,结合历史经验参数状态数据,构建粉磨机运行状态的参数描述模型,并将粉磨机运行状态划分为欠磨状态、正常状态、过磨状态,利用总体最小二乘方法实现对粉磨机运行状态的智能辨识,然后通过统计误差分析评估欠磨和过磨状态的偏离程度信息。
粉磨过程中对粉磨过程和叶片磨损情况进行监控,在粉磨机给矿粒度大小发生变化或者磨损较为严重时,发出警报通知相关人员。
粉磨机的运行数据包括粉磨机的运行负荷、钢球在筒内的运动形态、填充率、转速率、钢球的补加、钢球的尺寸大小、料位高低、给料量、供风量、物料的粒度和筒体的转速。
本发明通过对粉磨机的各项数据进行采集,并对粉磨过程中的历史数据和实时数据进行采集和处理,同时对水泥粉磨过程数据中的特征数据进行提取,采用D-S证据理论对聚类后的特征数据进行特征融合,然后获取粉磨机中的主动变量和从动变量,利用灵敏度分析法得到变量之间的映射关系,并基于此建立关于粉磨机运行状态的模型,并通过卷积神经网络进行训练处理,同时对基本TLBO算法进行改进使其可以用于粉磨机制粉系统控制器的参数优化,并送DCS实现闭环优化控制,得到粉磨机优化控制方法,使得本发明可以对粉磨机运行时各个变量的映射关系,使得当其中一些主动变量发生改变时,可以通过改进后的TLBO算法在模型中进行优化处理,从而可以自动根据不同输入的主动变量的变化来调节其他从动变量的变化进行优化处理。
最后应说明的几点是:虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明的基础上,以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。