CN115435603B - 一种水泥烧成系统实时优化控制技术的实现方法 - Google Patents

一种水泥烧成系统实时优化控制技术的实现方法 Download PDF

Info

Publication number
CN115435603B
CN115435603B CN202211384903.5A CN202211384903A CN115435603B CN 115435603 B CN115435603 B CN 115435603B CN 202211384903 A CN202211384903 A CN 202211384903A CN 115435603 B CN115435603 B CN 115435603B
Authority
CN
China
Prior art keywords
clinker
model
data
energy consumption
yield
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
CN202211384903.5A
Other languages
English (en)
Other versions
CN115435603A (zh
Inventor
张成伟
李慧霞
王磊
韩亮
柯金火
张焱
任静
年军
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.)
Sinoma Intelligent Technology Chengdu Co ltd
Original Assignee
Nanjing Kisen International Engineering 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 Nanjing Kisen International Engineering Co Ltd filed Critical Nanjing Kisen International Engineering Co Ltd
Priority to CN202211384903.5A priority Critical patent/CN115435603B/zh
Publication of CN115435603A publication Critical patent/CN115435603A/zh
Application granted granted Critical
Publication of CN115435603B publication Critical patent/CN115435603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0028—Regulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Curing Cements, Concrete, And Artificial Stone (AREA)

Abstract

本发明公开了一种水泥烧成系统实时优化控制技术的实现方法，步骤包括选择反映烧成系统熟料质量、熟料产量和熟料能耗的状态变量X；选择与状态变量X在同一时间段内的熟料质量、熟料产量和熟料能耗数据；展开数据预处理分析，对状态变量X通过聚类分析，经过聚类指标评估后得到聚类效果最好的K类聚类结果；选择每一类结果对应的熟料质量、熟料产量和熟料能耗数据，并计算每一类的熟料质量、熟料产量和熟料能耗数据上下限范围；构建生成式对抗GAN网络；训练GAN网络；GAN网络优化；优化完的GAN网络部署到现场。本发明可以统筹考虑熟料质量、熟料产量和熟料能耗与控制回路的关系；控制模型匹配。

Description

一种水泥烧成系统实时优化控制技术的实现方法
技术领域
本发明涉及实时优化控制技术领域，特别是一种水泥烧成系统实时优化控制技术的实现方法。
背景技术
水泥烧成系统运行时涉及到多种复杂的物理和化学反应过程，属于典型的非线性系统，具有大延时和强耦合性特点。原燃料属性及配比的变化直接关系到最终的熟料质量及熟料能耗水平，操作员窑操经验的差异化也会影响到熟料产量、熟料质量及熟料能耗水平。先进过程控制APC技术从一定程度上解决了原燃料变化以及操作员经验差异引起的系统波动问题，尤其是模型预测控制技术通过预测模型的方式达到提前控制目的，缓解超调现象频繁发生，在水泥厂得到了一定程度的推广应用。
但是APC技术中涉及到的关键参数，如被控变量的设定值通常根据人工经验确定，缺乏统筹考虑全局经济效益、产品质量和熟料能耗消耗等综合因素的理念。随着国家智能制造规划的推行，对高能耗能企业提出了较高要求，如何在保证熟料质量合格、生产熟料产量满足计划要求的前提下，同时达到能源消耗最小，是水泥生产控制中亟需解决的问题。而实时优化控制技术可以从全厂经济效益最高、产品质量合格、熟料能耗最低和熟料产量最大的多目标角度出发，计算被控变量的设定值，将计算出的被控变量设定值输入到APC控制系统中，从而实现烧成系统的最优控制。最终达到节能降耗、提产增质、绿色环保的目的。
发明内容
针对现有技术中存在的问题，本发明提供了一种工况变化引起的APC控制技术中被控变量设定值通过自动计算实时获取；可以统筹考虑产品质量、熟料产量和熟料能耗与控制回路的关系；控制模型匹配的水泥烧成系统实时优化控制技术的实现方法。
本发明的目的通过以下技术方案实现。
一种水泥烧成系统实时优化控制技术的实现方法，步骤包括：
步骤1： 选择反映烧成系统熟料质量、熟料产量和熟料能耗的状态变量X；
步骤2： 选择与状态变量X在同一时间段内的熟料质量、熟料产量和熟料能耗数据；
步骤3：对步骤1和步骤2中数据展开数据预处理分析，包括停机处理、异常值剔除、平滑处理，预处理完的数据供后续步骤使用；
步骤4：在步骤3基础上，对状态变量X通过聚类分析，经过聚类指标评估后得到聚类效果最优的簇数为K的聚类结果，具体某一类标志通过类别C表示；
步骤5：根据步骤4中聚类结果，选择每一类结果对应的熟料质量、熟料产量和熟料能耗数据，并计算每一类的熟料质量、熟料产量和熟料能耗数据上下限范围；
步骤6：构建生成式对抗GAN网络，对抗GAN网络结构包括生成模型G、判别模型D和回归模型F；
步骤7：训练GAN网络，GAN网络的损失函数既要考虑根据生成数据所预测的熟料质量、熟料能耗和熟料产量符合真实熟料质量、熟料能耗和熟料产量的分布，同时要实现生成模型G和判别模型D的零和博弈；
步骤8：GAN网络优化，采用Adam, RMSprop或者SGD优化器对步骤7中的损失函数展开迭代优化，直至模型收敛；
步骤9：优化完的GAN网络部署到现场，将生成模型G产生的数据作为状态变量X的设定值输入到APC控制回路，由APC控制回路实现控制回路的自动控制。
步骤1中状态变量X表示为
Figure 97958DEST_PATH_IMAGE001
，其中x i， i=1,2,...n包含反映窑生产状态，且影响到熟料质量、熟料产量和熟料能耗的特征变量，包括分解炉出口温度、C5下料温度、入窑提升机电流、窑电流、烧成带温度、窑尾烟室NOx 含量、二次风温和熟料出篦冷机温度，状态变量X服从分布px。
步骤2中熟料质量、熟料产量和熟料能耗数据表示为
Figure 734869DEST_PATH_IMAGE002
，其中 q表示熟料质量，o表示熟料产量，e表示熟料能耗。
步骤5中每一类聚类结果对应的熟料质量、熟料产量和熟料能耗的约束范围如下式所示：
Figure 423471DEST_PATH_IMAGE003
，其中K表示聚类簇数，i表示第i个聚类簇，
Figure 295350DEST_PATH_IMAGE004
表示熟料质量、熟料产量、熟料能耗的下限，
Figure 207942DEST_PATH_IMAGE005
，表示熟料质量、熟料产量、熟料能耗的上限，当烧成生产系统运行在最大产量、最优质量和最低能耗时，表明其运行在最佳工作状态。
步骤6的对抗GAN网络的结构包括生成模型G、判别模型D和回归模型F，其中生成模型G的输入包括类别C、随机变量z和状态变量X，其中类别C由中步骤4聚类结果所得，随机变量z由符合某分布pz中随机采用获得，生成模型G用于生成各状态变量X的设定值，
Figure 54851DEST_PATH_IMAGE006
，其中G(z,C,X)表示生成模型G的输出，n表示状态变量X的个数，
Figure 78302DEST_PATH_IMAGE007
表示第i个状态变量的设定值，即步骤9中下发到APC控制回路的状态变量的设定值；回归模型F的输入包括步骤1中的状态变量X，状态变量X所属的类别C以及生成模型G产生的数据G(z,C,X)，回归模型F的输出为与类别C对应的状态数据X在同一时间段的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin，回归模型F采用多输出的神经网络实现，其输出定义如下：
Figure 804687DEST_PATH_IMAGE008
；
其中
Figure 140378DEST_PATH_IMAGE009
表示回归模型F的函数表达式；
判别模型D的输入包括三部分：分别是类别C，回归模型F的预测数据
Figure 984837DEST_PATH_IMAGE010
集合
Figure 44935DEST_PATH_IMAGE011
，以及类别C对应的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin集合f，
定义：
Figure 658450DEST_PATH_IMAGE012
其中f表示类别C时的真实熟料质量、熟料产量和熟料能耗数据，
Figure 414310DEST_PATH_IMAGE011
表示回归模型F的输出得到的预测熟料质量、熟料产量和熟料能耗数据；
给定类别C, 生成模型G生成的数据G(z,C,X)要反应烧成系统生产运行的最佳工作状态，数据G(z,C,X)结合状态变量X输入到回归模型F,由回归模型F计算出的数据如果接近最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin，此时生成模型G生成的数据反应出生产稳定在最佳状态，判别模型D会对该类数据标记为1，否则生成模型G生成的数据输入到回归模型F后，回归模型F产生的的数据与最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin差别大，判别模型D会对该类数据标记为0，判别模型D用于正确判断生成模型G产生的数据是否满足最优熟料质量、最大熟料产量以及最低熟料能耗的要求，生成模型G用于使其生成的数据G(z,C,X)使成产维持在最佳工作状态；通过对判别模型D和生成模型G相互对抗并迭代优化的过程促使两者的性能不断提升，当最终判别模型D的判别能力得到提升，无法正确判别数据来源时，且回归模型F的预测输出与实际值接近时，则认为生成模型G学到了在类别C时的最佳生产状态所对应的状态变量X的设定值。
步骤7具体为：首先固定生成模型G，优化判别模型D和回归模型F，训练判别模型D采用最小化交叉熵的过程，回归模型F采用预测值与实际值均方误差来分析，
判别模型D的损失函数lossD为：
Figure 995333DEST_PATH_IMAGE013
其中，K表示步骤4中的聚类簇数，C表示聚类结果中的某一类;
Figure 626165DEST_PATH_IMAGE014
表示计算期望值，
Figure 595652DEST_PATH_IMAGE015
表示数据分布；D(f)代表的是f来源于最优熟料质量、最大熟料产量和最低熟料能耗真实数据的分布，
Figure 755369DEST_PATH_IMAGE016
代表回归模型F输出的预测数据分布；
判别模型D用于正确判别
Figure 541797DEST_PATH_IMAGE017
和f，而生成模型G的目标是产生表明最佳工作状态的数据G(z,C,X), 以确保回归模型F输出的预测结果满足最优熟料质量、最大熟料产量和最低熟料能耗状态，所以生成模型G的损失函数lossG=-lossD，从而整个GAN网络的损失函数为：
Figure 445162DEST_PATH_IMAGE018
。
相比于现有技术，本发明的优点在于：
1. APC控制技术中被控变量设定值通过GAN网络自动计算获取，控制回路的稳定性得到了显著提升，消除操作偏差，较少操作员劳动强度，提升了整体控制品质。
2.烧成系统熟料质量合格率及稳定性得到了提升，其中稳定性提升了39.3%，观察发现，实施实时优化控制技术后熟料质量更集中于0.6至1.4之间，波动性显著下降。
3.烧成系统喂料量得到了显著提升，相比实施该技术前，烧成系统喂料量提升了1.9%以上。
4.使用本申请技术后熟料标煤耗减少≥3.0%。
5.控制回路自动化投用率得到了显著提升，相比未加入实时优化控制技术的APC控制回路，使用本申请技术后，自动化投用率平均达到96%以上。
附图说明
图1为本发明生成式对抗GAN网络结构图。
图2为熟料质量变化趋势对比图。
图3为熟料标煤耗趋势图。
图4为实施例2022-04-11至2022-04-16期间的停机处理数据趋势图。
图5为分解炉出口温度变量使用zscore方法去除异常值前后的对比图。
图6为分解炉出口温度变量使用zscore方法去除异常值后的数据（即图5的结果），再使用一阶滤波平滑处理的趋势图。
图7为训练过程中损失函数变化趋势图。
具体实施方式
下面结合说明书附图和具体的实施例，对本发明作详细描述。
一种水泥烧成系统实时优化控制技术的实现方法，步骤包括：
步骤1： 选择反映烧成系统熟料质量、熟料产量和熟料能耗的状态变量X；
步骤2： 选择与状态变量X在同一时间段内的熟料质量、熟料产量和熟料能耗数据；
步骤3：对步骤1和步骤2中数据展开数据预处理分析，包括停机处理、异常值剔除、平滑处理，预处理完的数据供后续步骤使用；
步骤4：在步骤3基础上，对状态变量X通过聚类分析，经过聚类指标评估后得到聚类效果最优的簇数为K的聚类结果，具体某一类标志通过类别C表示；
步骤5：根据步骤4中聚类结果，选择每一类结果对应的熟料质量、熟料产量和熟料能耗数据，并计算每一类的熟料质量、熟料产量和熟料能耗数据上下限范围；
步骤6：构建生成式对抗GAN网络，对抗GAN网络结构包括生成模型G、判别模型D和回归模型F；
步骤7：训练GAN网络，GAN网络的损失函数既要考虑根据生成数据所预测的熟料质量、熟料能耗和熟料产量符合真实熟料质量、熟料能耗和熟料产量的分布，同时要实现生成模型G和判别模型D的零和博弈；
步骤8：GAN网络优化，采用Adam, RMSprop或者SGD优化器对步骤7中的损失函数展开迭代优化，直至模型收敛；
步骤9：优化完的GAN网络部署到现场，将生成模型G产生的数据作为状态变量X的设定值输入到APC控制回路，由APC控制回路实现控制回路的自动控制。
步骤1中状态变量X表示为
Figure 280874DEST_PATH_IMAGE001
，其中x i， i=1,2,...n包含反映窑生产状态，且影响到熟料质量、熟料产量和熟料能耗的特征变量，包括分解炉出口温度、C5下料温度、入窑提升机电流、窑电流、烧成带温度、窑尾烟室NOx 含量、二次风温和熟料出篦冷机温度，状态变量X服从分布px。
步骤2中熟料质量、熟料产量和熟料能耗数据表示为
Figure 611492DEST_PATH_IMAGE002
，其中q表示熟料质量，o表示熟料产量，e表示熟料能耗。
步骤5中每一类聚类结果对应的熟料质量、熟料产量和熟料能耗的约束范围如下式所示：
Figure 150796DEST_PATH_IMAGE003
，其中K表示聚类簇数，i表示第i个聚类簇，
Figure 326693DEST_PATH_IMAGE004
表示熟料质量、熟料产量、熟料能耗的下限，
Figure 739613DEST_PATH_IMAGE005
，表示熟料质量、熟料产量、熟料能耗的上限，当烧成生产系统运行在最大产量、最优质量和最低能耗时，表明其运行在最佳工作状态。
如图1所示，步骤6的对抗GAN网络的结构包括生成模型G、判别模型D和回归模型F，其中生成模型G的输入包括类别C、随机变量z和状态变量X，其中类别C由中步骤4聚类结果所得，随机变量z由符合某分布pz中随机采用获得，生成模型G用于生成各状态变量X的设定值，
Figure 241133DEST_PATH_IMAGE019
，其中G(z,C,X)表示生成模型G的输出，n表示状态变量X的个数，
Figure 736574DEST_PATH_IMAGE007
表示第i个状态变量的设定值，即步骤9中下发到APC控制回路的状态变量的设定值；回归模型F的输入包括步骤1中的状态变量X，状态变量X所属的类别C以及生成模型G产生的数据G(z,C,X)，回归模型F的输出为与类别C对应的状态数据X在同一时间段的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin，回归模型F采用多输出的神经网络实现，其输出定义如下：
Figure 981742DEST_PATH_IMAGE008
；
其中
Figure 514748DEST_PATH_IMAGE009
表示回归模型F的函数表达式；
判别模型D的输入包括三部分：分别是类别C，回归模型F的预测数据
Figure 187168DEST_PATH_IMAGE010
集合
Figure 904326DEST_PATH_IMAGE020
，以及类别C对应的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin集合f，
定义：
Figure 218764DEST_PATH_IMAGE021
其中f表示类别C时的真实熟料质量、熟料产量和熟料能耗数据，
Figure 871856DEST_PATH_IMAGE020
表示回归模型F的输出得到的预测熟料质量、熟料产量和熟料能耗数据；
给定类别C, 生成模型G生成的数据G(z,C,X)要反应烧成系统生产运行的最佳工作状态，数据G(z,C,X)结合状态变量X输入到回归模型F,由回归模型F计算出的数据如果接近最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin，此时生成模型G生成的数据反应出生产稳定在最佳状态，判别模型D会对该类数据标记为1，否则生成模型G生成的数据输入到回归模型F后，回归模型F产生的的数据与最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin差别大，判别模型D会对该类数据标记为0，判别模型D用于正确判断生成模型G产生的数据是否满足最优熟料质量、最大熟料产量以及最低熟料能耗的要求，生成模型G用于使其生成的数据G(z,C,X)使成产维持在最佳工作状态；通过对判别模型D和生成模型G相互对抗并迭代优化的过程促使两者的性能不断提升，当最终判别模型D的判别能力得到提升，无法正确判别数据来源时，且回归模型F的预测输出与实际值接近时，则认为生成模型G学到了在类别C时的最佳生产状态所对应的状态变量X的设定值。
步骤7具体为：首先固定生成模型G，优化判别模型D和回归模型F，训练判别模型D采用最小化交叉熵的过程，回归模型F采用预测值与实际值均方误差来分析，
判别模型D的损失函数lossD为：
Figure 715178DEST_PATH_IMAGE013
其中，K表示步骤4中的聚类簇数，C表示聚类结果中的某一类;
Figure 185211DEST_PATH_IMAGE014
表示计算期望值，
Figure 506603DEST_PATH_IMAGE015
表示数据分布，D(f)代表的是f来源于最优熟料质量、最大熟料产量和最低熟料能耗真实数据的分布，
Figure 284373DEST_PATH_IMAGE016
代表回归模型F输出的预测数据分布；
判别模型D用于正确判别
Figure 797131DEST_PATH_IMAGE017
和f，而生成模型G的目标是产生表明最佳工作状态的数据G(z,C,X), 以确保回归模型F输出的预测结果满足最优熟料质量、最大熟料产量和最低熟料能耗状态，所以生成模型G的损失函数lossG=-lossD，从而整个GAN网络的损失函数为：
Figure 521505DEST_PATH_IMAGE018
。
本申请具有以下优点：1. APC控制技术中被控变量设定值通过GAN网络自动计算获取，控制回路的稳定性得到了显著提升，消除操作偏差，较少操作员劳动强度，提升了整体控制品质。
2.烧成系统熟料质量合格率及稳定性得到了提升，其中稳定性提升了39.3%，其变化趋势如图2所示：图中纵向箭头左侧为未实施实时优化控制技术的熟料质量变化趋势，箭头右侧为实施优化控制技术后的熟料质量变化趋势，观察发现，实施实时优化控制技术后熟料质量更集中于0.6至1.4之间，波动性显著下降。
3.烧成系统喂料量得到了显著提升，相比实施该技术前，烧成系统喂料量提升了1.9%以上。
4.使用本申请技术后熟料标煤耗减少≥3.0%，其变化如下表1及图3趋势所示。
表1 优化效果对比表
Figure 148052DEST_PATH_IMAGE022
5.控制回路自动化投用率得到了显著提升，相比未加入实时优化控制技术的APC控制回路，使用本申请技术后，自动化投用率平均达到96%以上。
本发明提供的实施例在国内某万吨线水泥厂展开，具体实施过程：
步骤1： 确定状态变量X和目标变量。
（1）选择反映烧成系统熟料质量、熟料产量和熟料能耗的状态变量X。
Figure 539850DEST_PATH_IMAGE023
其中x i， i=1,2,...n 包含反映窑生产状态，且影响到熟料质量、熟料产量和熟料能耗的特征变量，包括分解炉出口温度、C5下料温度、入窑提升机电流、窑电流、烧成带温度（暂时使用窑头看火温度分析）、窑尾烟室NOx 含量、二次风温。状态变量X服从分布px。（2）选择烧成系统的熟料质量、熟料产量和熟料能耗数据。
Figure 223510DEST_PATH_IMAGE024
其中 q表示熟料质量，o表示熟料产量， e表示熟料能耗。
步骤2：根据步骤1中选择的变量X和Y，通过数据采集软件下载一年左右历史数据，数据采样间隔为15min，下载完成的数据集记为D,数据集D中样本量为23889条。
步骤3：对步骤2中数据展开数据预处理分析，包括停机处理、异常值剔除、平滑处理。预处理完的数据供后续步骤使用。
其中停机判断通过窑电流和熟料产量综合判断得到，选择窑电流大于30且熟料产量在（40，150）区间的数据做为有效运行数据。停机处理后的数据样本量为12524条。其中选取2022-04-11至2022-04-16期间的数据趋势展示如图4所示。
另外，通过管擦数据趋势发现，“窑尾烟室氮氧化物”和“熟料出篦冷机温度”存在大量有效数据缺失现象，因此在本案例中去除这两个变量，即这两个变量的目标值优化不在本案例考虑范围内。
异常值剔除时采用局部离群点方法展开，如图5是其中的分解炉出口温度变量使用zscore方法去除异常值前后的对比图。图中椭圆框标注的点为检测到的异常点。
变量平滑处理采用一阶滤波方法展开，如图6是其中的分解炉出口温度变量使用zscore方法去除异常值后的数据，再使用一阶滤波平滑处理的趋势图。图中“分解炉出口温度”为一阶滤波平滑处理后的趋势图。
所有其他变量也采用类似“分解炉出口温度”变量类似的预处理方式展开异常值剔除和平滑，所采用的的方法不限于zscore方法和一阶滤波方法。剔除异常值后剩余的分析数据样本量为12500条。
步骤4：在步骤3基础上，对状态变量X通过聚类分析，经过聚类指标评估后得到聚类效果最好的k类聚类结果。其中通过结合烧成系统工艺知识以及聚类评估指标分析，最终聚类簇数K值为5。
步骤5：根据步骤4中聚类结果，选择每一类结果对应的熟料质量、熟料产量和熟料能耗数据，并计算每一类的熟料质量、熟料产量和熟料能耗数据上下限范围如下表2所示。其中：
Figure 169600DEST_PATH_IMAGE003
，K表示聚类簇数，i表示第i个聚类簇，
Figure 599838DEST_PATH_IMAGE004
表示熟料质量、熟料产量、熟料能耗的下限，
Figure 314984DEST_PATH_IMAGE005
，表示熟料质量、熟料产量、熟料能耗的上限。
表2 各聚类类别下熟料质量、熟料产量、熟料能耗数据上下限区间
Figure 169546DEST_PATH_IMAGE025
步骤6：构建生成式对抗GAN网络，如图1所示。
基本的GAN网络由生成模型G和判别模型D组成，其核心思想来源于博弈论中的纳什均衡。GAN网络目前主要应用在视觉、语音等领域，如GAN网络可以生成图像、视频、对话等。但GAN网络在工业控制领域应用尚少。为了实现实时优化控制技术的应用，我们在GAN网络中加入了回归模型F。其主要功能点描述如下：
生成模型G的输入包括类别C和随机变量z，其中类别C由步骤4中聚类结果所得，随机变量z由符合某分布pz（如高斯分布）中随机采用获得。生成模型G用于生成各状态变量X的设定值。
Figure 337353DEST_PATH_IMAGE019
在本实施例中，n为6，
Figure 305702DEST_PATH_IMAGE026
为一维向量，对应状态变量 X的待计算设定值 。
回归模型F的输入包括步骤1中的状态变量X即状态变量X，类别C以及生成模型G产生的数据G(z,C,X)。输出或者label为类别C对应的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin。回归模型F采用多输出的神经网络实现，其输出定义如下；
Figure 344196DEST_PATH_IMAGE008
。
神经网络NNwf输入神经元个数为13，输出神经元个数为3，其基干网络采用残差网络resnet结构，训练时batch_size选择64， 神经元激活函数采用Leakyrelu函数。
判别模型D的输入包括类别C，回归模型F的预测数据
Figure 369659DEST_PATH_IMAGE027
，类别C对应的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin。
定义：
Figure 555921DEST_PATH_IMAGE028
。
Figure 339680DEST_PATH_IMAGE020
表示回归模型F的预测输出。
给定类别C, 生成模型G生成的数据尽量的符合真实数据分布px, 如果G(z,C,X)的分布与px非常接近，则输入到回归模型F的数据越容易接近最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin，判别模型D会对该类数据标记为1。否则生成模型G生成的数据与真实数据分布px偏差较大，其输入回归模型F的数据不易产生最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin,判别模型D会对该类数据标记为0。这里的判别模型D的目标是实现对数据来源是否满足最优熟料质量、最大熟料产量以及最低熟料能耗的要求。而生成模型G的目标是使自己生成的数据G(z,C,X)和状态变量X的分布尽量一致。这两个相互对抗并迭代优化的过程促使判别模型D和生成模型G的性能不断提升，当最终判别模型D的判别能力提升到一定程度，无法正确判别数据来源时，且回归模型F的预测输出与实际值（最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin）非常接近时，可以认为生成模型G学到了多有类别的状态变量X的期望值分布。
步骤7：训练GAN网络。
首先固定生成模型G，优化判别模型D和回归模型F。训练判别模型D采用最小化交叉熵的过程，回归模型F采用预测值与实际值均方误差来分析。其损失函数为：
Figure 29418DEST_PATH_IMAGE013
以上的
Figure 22520DEST_PATH_IMAGE029
表示计算期望值。
另一方面，D(f)代表的是f来源于真实最优熟料质量、最大熟料产量和最低熟料能耗真实数据的分布。
Figure 899340DEST_PATH_IMAGE030
代表的时候回归模型F输出数据的分布。判别模型D的目标是正确判别
Figure 943913DEST_PATH_IMAGE017
和f，而生成模型G的目标是产生尽可能与X分布一致的数据G(z,C,X),以确保回归模型F输出的预测结果尽可能满足最优熟料质量、最大熟料产量和最低熟料能耗状态。所以生成模型G的损失函数lossG=-lossD。而整个GAN网络的损失函数为
Figure 222579DEST_PATH_IMAGE018
步骤8：GAN网络优化，采用Adam, RMSprop或者SGD等优化器对步骤7中的损失函数lossGFD展开迭代优化，直至模型收敛。本例中所用优化器为Adam方法，训练过程中损失函数变化趋势如图7所示；
步骤9：优化完的GAN网络部署到现场，模型预测周期为30s。每一个周期读取现场6个被控变量的实时值，根据被控变量实时值预测当前被控变量所属类别c，并寻找该类别下对应的最优熟料质量、最大熟料产量和最低熟料能耗数据。将被控变量的实时值和类别c输入生成模型G，生成模型G所产生的数据作为状态变量X的设定值输入到APC控制回路。由APC控制回路实现对应控制回路的自动控制。解决了长期以来被控变量设定值需要依赖调试工程设定的局面，提升了控制回路调试效率，提升控制回路品质，增强熟料质量，降低熟料生产熟料能耗。

Claims (6)

1.一种水泥烧成系统实时优化控制技术的实现方法，其特征在于步骤包括：
步骤1： 选择反映烧成系统熟料质量、熟料产量和熟料能耗的状态变量X；
步骤2： 选择与状态变量X在同一时间段内的熟料质量、熟料产量和熟料能耗数据；
步骤3：对步骤1和步骤2中数据展开数据预处理分析，包括停机处理、异常值剔除、平滑处理，预处理完的数据供后续步骤使用；
步骤4：在步骤3基础上，对状态变量X通过聚类分析，经过聚类指标评估后得到聚类效果最优的簇数为K的聚类结果，具体某一类标志通过类别C表示；
步骤5：根据步骤4中聚类结果，选择每一类结果对应的熟料质量、熟料产量和熟料能耗数据，并计算每一类的熟料质量、熟料产量和熟料能耗数据上下限范围；
步骤6：构建生成式对抗GAN网络，对抗GAN网络结构包括生成模型G、判别模型D和回归模型F；
步骤7：训练GAN网络，GAN网络的损失函数既要考虑根据生成数据所预测的熟料质量、熟料能耗和熟料产量符合真实熟料质量、熟料能耗和熟料产量的分布，同时要实现生成模型G和判别模型D的零和博弈；
步骤8：GAN网络优化，采用Adam, RMSprop或者SGD优化器对步骤7中的损失函数展开迭代优化，直至模型收敛；
步骤9：优化完的GAN网络部署到现场，将生成模型G产生的数据作为状态变量X的设定值输入到APC控制回路，由APC控制回路实现控制回路的自动控制。
2.根据权利要求1所述的一种水泥烧成系统实时优化控制技术的实现方法，其特征在于步骤1中状态变量X表示为
Figure DEST_PATH_IMAGE001
，其中x i， i=1,2,...n包含反映窑生产状态，且影响到熟料质量、熟料产量和熟料能耗的特征变量，包括分解炉出口温度、C5下料温度、 入窑提升机电流、窑电流、烧成带温度、窑尾烟室NOx 含量、二次风温和熟料出篦冷机温度，状态变量X服从分布px。
3.根据权利要求2所述的一种水泥烧成系统实时优化控制技术的实现方法，其特征在于步骤2中熟料质量、熟料产量和熟料能耗数据表示为
Figure DEST_PATH_IMAGE002
，其中 q表示熟料质量，o表示熟料产量，e表示熟料能耗。
4.根据权利要求3所述的一种水泥烧成系统实时优化控制技术的实现方法，其特征在于步骤5中每一类聚类结果对应的熟料质量、熟料产量和熟料能耗的约束范围如下式所示：
Figure DEST_PATH_IMAGE003
，其中K表示聚类簇数，i表示第i个聚类簇，
Figure DEST_PATH_IMAGE004
表示熟料质量、熟料产量、熟料能耗的下限，
Figure DEST_PATH_IMAGE005
，表示熟料质量、熟料产量、熟料能耗的上限，当烧成生产系统运行在最大产量、最优质量和最低能耗时，表明其运行在最佳工作状态。
5.根据权利要求3所述的一种水泥烧成系统实时优化控制技术的实现方法，其特征在于步骤6的对抗GAN网络的结构包括生成模型G、判别模型D和回归模型F，其中生成模型G的输入包括类别C、随机变量z和状态变量X，其中类别C由步骤4聚类结果所得，随机变量z由符合某分布pz中随机采用获得，生成模型G用于生成各状态变量X的设定值，
Figure DEST_PATH_IMAGE006
，其中G(z,C,X)表示生成模型G的输出，n表示状态变量X的个数，
Figure DEST_PATH_IMAGE007
表示第i个状态变量的设定值，即步骤9中下发到APC控制回路的状态变量的设定值；回归模型F的输入包括步骤1中的状态变量X，状态变量X所属的类别C以及生成模型G产生的数据G(z,C,X)，回归模型F的输出为与类别C对应的状态数据X在同一时间段的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin，回归模型F采用多输出的神经网络实现，其输出定义如下：
Figure DEST_PATH_IMAGE008
；
其中
Figure DEST_PATH_IMAGE009
表示回归模型F的函数表达式；
判别模型D的输入包括三部分：分别是类别C，回归模型F的预测数据
Figure DEST_PATH_IMAGE010
集合
Figure DEST_PATH_IMAGE011
，以及类别C对应的真实最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin集合f，
定义：
Figure DEST_PATH_IMAGE012
其中f表示类别C时的真实熟料质量、熟料产量和熟料能耗数据，
Figure DEST_PATH_IMAGE013
表示回归模型F的输出得到的预测熟料质量、熟料产量和熟料能耗数据；
给定类别C, 生成模型G生成的数据G(z,C,X)要反应烧成系统生产运行的最佳工作状态，数据G(z,C,X)结合状态变量X输入到回归模型F由回归模型F计算出的数据如果接近最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin，此时生成模型G生成的数据反应出生产稳定在最佳状态，判别模型D会对该类数据标记为1，否则生成模型G生成的数据输入到回归模型F后，回归模型F产生的数据与最优熟料质量qmax、最大熟料产量omax和最低熟料能耗emin差别大，判别模型D会对该类数据标记为0，最终判别模型D无法正确判别数据来源时，且回归模型F的预测输出与实际值接近时，则认为生成模型G学到了在类别C时的最佳生产状态所对应的状态变量X的设定值。
6.根据权利要求5所述的一种水泥烧成系统实时优化控制技术的实现方法，其特征在于步骤7具体为：首先固定生成模型G，优化判别模型D和回归模型F，训练判别模型D采用最小化交叉熵的过程，回归模型F采用预测值与实际值均方误差来分析，
判别模型D的损失函数lossD为：
Figure DEST_PATH_IMAGE014
其中，K表示步骤4中的聚类簇数，C表示聚类结果中的某一类；
Figure DEST_PATH_IMAGE015
表示计算期望值，
Figure DEST_PATH_IMAGE016
表示数据分布；D(f)代表的是f来源于最优熟料质量、最大熟料产量和最低熟料能耗真实数据的分布，
Figure DEST_PATH_IMAGE017
代表回归模型F输出的预测数据分布；
判别模型D用于正确判别
Figure DEST_PATH_IMAGE018
和f，而生成模型G的目标是产生表明最佳工作状态的数据G(z,C,X), 以确保回归模型F输出的预测结果满足最优熟料质量、最大熟料产量和最低熟料能耗状态，所以生成模型G的损失函数lossG=-lossD，从而整个GAN网络的损失函数为：
Figure DEST_PATH_IMAGE019
。
CN202211384903.5A 2022-11-07 2022-11-07 一种水泥烧成系统实时优化控制技术的实现方法 Active CN115435603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211384903.5A CN115435603B (zh) 2022-11-07 2022-11-07 一种水泥烧成系统实时优化控制技术的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211384903.5A CN115435603B (zh) 2022-11-07 2022-11-07 一种水泥烧成系统实时优化控制技术的实现方法

Publications (2)

Publication Number Publication Date
CN115435603A CN115435603A (zh) 2022-12-06
CN115435603B true CN115435603B (zh) 2023-02-10

Family

ID=84253100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211384903.5A Active CN115435603B (zh) 2022-11-07 2022-11-07 一种水泥烧成系统实时优化控制技术的实现方法

Country Status (1)

Country Link
CN (1) CN115435603B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906976A (zh) * 2021-03-18 2021-06-04 燕山大学 一种基于r-wgan的水泥熟料游离钙样本数据增强及预测方法
CN114334025A (zh) * 2021-12-31 2022-04-12 武汉理工大学 一种水泥熟料煅烧环境变量的构建及验证方法
CN115016280A (zh) * 2022-06-23 2022-09-06 南京凯盛国际工程有限公司 一种水泥烧成系统的优化控制方法
CN115186996A (zh) * 2022-06-20 2022-10-14 阿里云计算有限公司 回转窑工艺参数控制方法、装置、电子设备及存储介质
CN115271189A (zh) * 2022-07-19 2022-11-01 燕山大学 一种数据驱动的水泥熟料游离氧化钙的预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906976A (zh) * 2021-03-18 2021-06-04 燕山大学 一种基于r-wgan的水泥熟料游离钙样本数据增强及预测方法
CN114334025A (zh) * 2021-12-31 2022-04-12 武汉理工大学 一种水泥熟料煅烧环境变量的构建及验证方法
CN115186996A (zh) * 2022-06-20 2022-10-14 阿里云计算有限公司 回转窑工艺参数控制方法、装置、电子设备及存储介质
CN115016280A (zh) * 2022-06-23 2022-09-06 南京凯盛国际工程有限公司 一种水泥烧成系统的优化控制方法
CN115271189A (zh) * 2022-07-19 2022-11-01 燕山大学 一种数据驱动的水泥熟料游离氧化钙的预测方法

Also Published As

Publication number Publication date
CN115435603A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN110413601B (zh) 基于高斯朴素贝叶斯和预报误差法的发电机数据筛选法
CN106355272B (zh) 一种烧结智能数据寻优方法
CN110263395A (zh) 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统
CN110598929B (zh) 一种风电功率非参数概率区间超短期预测方法
CN102809928A (zh) 一种工业企业热力设备能耗的控制优化方法
CN113405106B (zh) 一种垃圾焚烧过程的人工智能控制方法
CN110762540A (zh) 垃圾焚烧炉的燃烧决策方法和自动燃烧控制方法及系统
CN113589693B (zh) 基于邻域优化的水泥工业分解炉温度模型预测控制方法
CN111881120B (zh) 一种锅炉智能运行优化方法
CN115435603B (zh) 一种水泥烧成系统实时优化控制技术的实现方法
CN114334025A (zh) 一种水泥熟料煅烧环境变量的构建及验证方法
Qiao et al. Intelligence-based temperature switching control for cement raw meal calcination process
CN116720446A (zh) 一种锅炉水冷壁渣层厚度实时监测方法
CN111617876A (zh) 一种磨煤机在线综合运行优化的方法
Shnayder et al. Enhancing blast furnace control efficiency based on self-organizing kohonen neural networks
CN113255204A (zh) 一种利用大数据计算统计炼钢钢铁料消耗的方法
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
CN116127345B (zh) 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法
Sun et al. Chronicle knowledge-based multi-level response prediction for predictive control by forest models in process industry
Barbasova et al. Blast-furnace melting blast control
Pina et al. A glass furnace operation system using fuzzy modelling and genetic algorithms for performance optimisation
CN117490076A (zh) 一种城市固废焚烧过程多用途模块化运行优化系统
Arshak et al. Optimization Algorithms in Neural Network: A Review
CN117332243A (zh) 一种基于热平衡的煤耗模型在线辨识及优化方法
Ning et al. Application of Multivariate Reinforcement Learning Engine in Optimizing the Power Generation Process of Domestic Waste Incineration

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230802

Address after: No. 320 and 436 Pingtang East Road, Puxing Street, Xinjin District, Chengdu City, Sichuan Province, 611400

Patentee after: Sinoma Intelligent Technology (Chengdu) Co.,Ltd.

Address before: 303 Hanzhongmen street, Gulou District, Nanjing City, Jiangsu Province

Patentee before: NANJING KISEN INTERNATIONAL ENGINEERING Co.,Ltd.