CN116339153A - 基于粒子群优化的石灰炉窑控制方法 - Google Patents

Abstract

本发明涉及基于粒子群优化的石灰炉窑控制方法，其包括计算其下一控制时点的炉窑系统的系统状态以及确定下一控制时点的燃料投入两个主要过程。在过程一中，通过从历史数据中与系统当前控制时点的系统状态足够接近的系统状态数据中寻找石灰品质最优的记为系统状态的局部最优值X_pbest，并记对应的石灰品质为F_pbest；从历史数据的满足要求的标准生产批次集C中，计算其系统状态全局平均X_gbest与石灰品质的全局平均F_gbest；根据F_pbest与F_gbestt的大小按照PSO算法的更新思路选择性更新下一控制时点的系统状态。该控制方法可以保证系统的优化方向，因此能够保证生产过程有利于提升石灰产物的质量以及出灰率，降低石灰分解过程中出现“欠烧”与“过烧”现象的频次。

Description

基于粒子群优化的石灰炉窑控制方法

技术领域

本发明涉及石灰生产中石灰炉窑的温度控制技术领域，具体涉及一种基于粒子群优化的石灰炉窑控制方法。

背景技术

石灰，即生石灰是常用的无机材料，广泛用于建筑工程、工业冶金、轻工食品、环境工程等领域。近年来，中国境内的石灰产量均在3亿吨以上。

石灰的生产主要原料是以碳酸钙为主要成分的各种天然石料。将石灰投入900～1300℃的石灰炉窑中高温锻烧，使其中的碳酸钙成分分解释放出二氧化碳，得到以氧化钙为主要成分的生石灰。在该过程中得到的石灰质量与反应的温度控制和锻烧时间以及原料品质均有比较大的关系。不当的反应条件会导致石灰出现“过烧”和“欠烧”现象。“欠烧”即原料中的碳酸钙没有完全转化为石灰，还残留有碳酸钙内核，不仅导致石灰转化率低，也影响后续的产业应用，比如在建筑行业“欠烧”石灰经消化处理后由于残渣含量较高会导致其黏结力降低。“过烧”现象得到的石灰其氧化钙晶粒粗大，在消化时不能完全转化为氢氧化钙，因此用于建筑物中后还能继续缓慢消化，导致墙体膨胀或者裂缝。

在工业领域，生产石灰的常见设备包括回转石灰炉窑。石料通过入料段液压推杆进入窑尾，同时会被燃烧完的尾气预热。进入回转炉后，通过炉窑机械旋转运动经过高温煅烧到达窑头，落入出料口同时被冷却风机降温，通过振动筛与皮带等收入成品仓。在回转石灰炉窑中，烧炉波动会导致尾气对石灰石的预热效果不稳定，不同批次的石灰石成分质量差异对窑内温度的要求也不一致，因此也容易出现欠烧和过烧的现象，欠烧除了会导致前述石灰质量问题外，还会使窑内物料质量增加使得主传电机电流增大，石灰预热效果减轻产量降低。过烧除了导致前述石灰质量问题外，也会造成炉窑燃料浪费，煤气用量上升，增加生产成本、增加单位产物的碳排放量。

发明内容

鉴于现有的回转炉窑锻烧生产石灰工艺中存在的温度不稳定而导致的锻烧过程不受控，容易发生“欠烧”或者“过烧”现象导致石灰产物质量下降，生产能耗上升的问题，本发明提供一种基于粒子群优化的石灰炉窑控制方法。

本发明的技术方案提供一种基于粒子群优化的石灰炉窑控制方法，包括

S1.根据炉窑系统的当前控制时点的系统状态计算其下一控制时点的系统状态；

S2.根据步骤S1获取的下一控制时点的系统状态确定下一控制时点的燃料投入；

其中S1步骤包括：

S12.采集炉窑系统的当前控制时点的系统状态X_c，计算当前控制时点的系统状态变化速度V_c；

S13.获取局部优化目标：从历史数据的多个生产批次中抽取每个生产批次中同一控制时点的系统状态数据，选择其中与S12步骤中得到的系统当前控制时点的系统状态足够接近的系统状态数据组成生产数据序列D；取生产数据序列D中对应石灰品质最优的一组生产数据记为系统状态的局部最优值X_pbest，并记局部最优值X_pbest对应的石灰品质为F_pbest；

S14.获取全局优化目标：从历史数据的多个生产批次中选取石灰品质满足预定质量要求的生产批次组成标准生产批次集C，计算标准生产批次集C的系统状态全局平均X_gbest与石灰品质的全局平均F_gbest；

S15.优化更新得出下一控制时点的系统状态：若F_pbest>=F_gbest，则下一控制时点的系统状态为X_c+1=X_c；若F_pbest<F_gbest，则下一控制时点的系统状态X_c+1按下式计算：

其中，ω为惯性权重因子，c₁，c₂为加速因子，r₁，r₂为学习率，下标c为系统状态的时序标记。

优选地，所述S13获取局部优化目标的步骤中的选择与系统当前控制时点的系统状态足够接近的系统状态数据组成生产数据序列D的过程中通过计算每个生产批次中同一控制时点的系统状态数据数据与系统当前控制时点的系统状态之间在多维空间中的距离或者加权距离确定。

优选地，所述S13获取局部优化目标中的取生产数据序列D步骤中以及所述S14获取全局优化目标步骤中涉及的石灰品质通过下式计算：F_i=a*Q_i+b*R_i，其中，i为生产数据序列D中数据标记，F为石灰品质，Q为一个生产批次得到的石灰质量，R为一个生产批次的出灰率，a、b为系数项。

优选地，所述炉窑系统的系统状态至少包括至少包括窑尾温度t、主传电流I以及预热后温度P三个维度。

优选地，所述S14计算标准生产批次集C的系统状态全局平均X_gbest与石灰品质的全局平均F_gbest的步骤中；标准生产批次集C的系统状态全局平均X_gbest按下式计算：

其中，i为系统状态的维度的计数，z为维度总数，X_i,sum为标准生产批次集C中同一维度系统状态数据之和，g为C中生产批次的计数，总数记为g_sum，j为每一生产批次中系统状态数据的计数，总数记为j_sum，n_sum为标准生产批次集C中系统状态数据的总数，X_i,gbest为标准生产批次集C的系统状态中第i个维度的全局平均，X_gbest为标准生产批次集C的系统状态的全局平均；

石灰品质的全局平均F_gbest按下式计算：

其中，F_g为标准生产批次集C中每一生产批次的石灰质量。

优选地，所述S12步骤中计算当前控制时点的系统状态变化速度V_c的方式为V_c=X_c-X_c-1。

优选地，所述S1根据炉窑系统的当前控制时点的系统状态计算其下一控制时点的系统状态还包括数据准备步骤S11；选取本次生产前的多个生产批次的集合B，其中的每一个生产批次记为B_i；获取每一生产批次Bi的完整的系统状态数据以及生产质量数据，对其中的系统状态数据预定的时间间隔做切分得到系统状态时序数据。

优选地，所述S1根据炉窑系统的当前控制时点的系统状态计算其下一控制时点的系统状态还包括更新历史数据步骤S16；在完成本次生产后，将若本次生产的系统状态数据与质量数据更新到历史数据中。

优选地，所述更新历史数据步骤S16中，若本次生产的质量数据满足预定的质量要求，将其放入标准生产批次集C，并按下式更新标准生产批次集C的系统状态全局平均X_gbest与石灰品质的全局平均F_gbest：

其中，下标up表示更新后标准生产批次集C中的相应数据，j_c为本次生产的生产数据总数。

优选地，所述S2步骤中使用神经网络算法通过预训练的神经网络模型基于步骤S1中得到的下一控制时点的系统状态估计下一控制时点的燃料流量与空气流量，该神经网络模型为具有4个输入单元、2个输出单元、多个隐含层的误差反向传播的多层全联接BP神经网络。

本发明通过借鉴PSO算法的思路实现了根据石灰炉窑的当前状态对其下一步状态的最优预测，然后根据预测得到的目标值调整燃料投入从而实现对燃料投入与生产质量和效率的最优化控制，由于该过程的第一步骤中利用了大量有效的往期生产数据作为递推优化过程中的判据，可以保证系统的优化方向是准确的，因此能够保证得到的下一步状态确定有利于提升石灰产物的质量以及出灰率，降低石灰分解过程中出现“欠烧”与“过烧”现象的频次，并由此提高石灰锻烧过程中的燃料利用率，降低生产过程中的能耗和碳排放。

附图说明

图1为本发明对应的石灰炉窑的示意图；

图2为本发明的整体步骤的流程示意图；

图3为本发明的步骤1的流程示意图。

图中：

11,窑尾；12,窑身；13,窑头；2,喷煤管；3,主传电机；4,托轮； F1,石料方向； F2,高温气体方向。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明，在本说明书中，附图尺寸比例并不代表实际尺寸比例，其只用于体现各部件之间的相对位置关系与连接关系，名称相同或标号相同的部件代表相似或相同的结构，且仅限于示意的目的。

图1是一台回转石灰炉窑的示意图，回转窑为管状通道且通常以与水平面呈一个较小的α角设置，其稍高的一端为窑尾11，石料通过窑尾投入回转窑中，其稍低的一端为窑头13，窑头13一般设置有喷煤管2。连接窑尾11与窑头13的为窑身12，窑身12或者回转窑的一部分在主传电机3的驱动下绕其轴线自转，一般回转窑下方也会设置支撑其自转的托轮4。石料在窑尾11投入回转窑中，在安装时的倾斜角度的作用下，随着回转窑的转动，在回转窑内翻滚的同时逐渐从窑尾11运动至窑头13。与此同时，燃料，一般为煤气或者天然气在窑头的喷煤管2处燃烧，高温气体在回转窑内沿管道上升，使整个回转窑内达到石料分解所需的温度，因此在窑头可以得到石料热分解后的石灰产物。现有证据表明，碳酸钙石料热解产石灰的过程所得石灰的质量与石料原料质量以及工艺过程中的温度控制有较大的关系。一个良好的石灰生产过程应当是将石料原料中的碳酸钙有效成分最大程度分解为氧化钙，同时又能够保证产物的氧化钙成分具有合适的晶粒大小以利于后续的产业应用。

现有的石灰炉窑为了得到较高的石灰质量与石灰产量，普遍都具有生产监控功能，在日常生产过程中记录了大量的生产运行数据，这些数据在目前的行业现状下，基本都没有得到妥善长期的保存，更没有对这些生产数据进行深入分析之应用。还需要说明的是，这些生产数据基本上只涉及生产时的设备监控数据，而不包含相应的石料原料质量与石灰产物质量等数据。在实际的企业管理中，生产运行数据与产品质量数据由不同的部门所掌控，因此客观上也存在将两者进行结合的实际障碍。虽然石灰的热解过程比较复杂，难以通过预先设置的精确的工艺参数实现最优化生产，但是本质上该过程中目标量与相应的主要的影响参数基本上是先验可知的。如果能够同步整合相应的生产运行数据与产品质量数据，是有可能从历史数据中得到有效信息进而辅助优化石灰炉窑中石灰锻烧过程的控制的。

基于以上分析，本发明拟提供一种基于石灰生产中的历史数据（指生产运行数据以及产品质量数据等）对石灰炉窑进行控制的控制方法，通过优化锻烧过程中的燃料投入实现对产物石灰的质量提升并同时优化燃料消耗，这本质上是一个优化问题。重点在于，本发明将石灰锻烧过程视作一个时间上前后相关的动态过程，因此采用炉窑系统当前控制时点的系统状态估计下一控制时点的系统状态，然后再据此计算下一控制时点的燃料投入。因此本发明整个控制过程包括图2所示的两个主要步骤，即：

S1. 递推计算炉窑系统下一控制时点的系统状态。这是基于收集的历史数据与当前控制时点的系统状态计算的。就本发明而言，这一过程的具体实现可以借鉴粒子群优化算法的思想。

S2. 确定下一控制时点的燃料投入。这是基于S1步骤中得到的下一控制时点下炉窑系统的系统状态实现的，在一般情况下，这意味着特定的燃料（可以是煤气、天然气等）流量与空气流量。这意味着问题可以转化为寻找符合特定属性，即炉窑系统的一组系统状态，的特定特征，即燃料投入，也就是下一控制时点的燃料流量与空气流量。对此可以考虑使用神经网络算法求解该问题中的燃料投入。

对于S1步骤，一个完整的生产周期可以作为一个生产批次，根据图1的示意图，与石料在回转窑内分解密切相关的工艺参数主要包括窑尾温度t、主传电流I以及预热后石料温度P，即预热器内石料的温度。其中大体上预热后石料温度P决定了石料初始投入前在预热器中接收的热量，主传电流I确定了石料在回转窑中的翻转速度，窑尾温度t则体现了石料在炉窑中的温度情况，可以决定石料在回转窑中是否充分翻转进而均匀受热分解。另外主传电流导致的回转窑的自转速度的不同也决定了石料在回转窑中运动的总时间。

生产结束，在窑头得到石灰产物，对于每一生产批次所得的石灰产物需要进行质量检测，通过标准方法检测其中氧化钙的有效含量得到产物石灰的质量Q，此外也可以得到产物石灰质量(此处指重量)与投入原料质量的比值得到该批次的出灰率R。

S1步骤包括数据准备步骤S11。在该过程中获取多个历史生产批次的状态数据与其对应的质量数据作为优化过程的基础数据。具体的，该过程中，选取本次生产前的多个生产批次的集合B，其中的每一个生产批次记为B_i。集合B中的生产批次的选取方式可以是任意的，也可以是经人为或自动筛选的，之所以建议对生产批次进行筛选是为了剔除无效数据。在生产过程中，由于明显的原料问题或者设备问题而造成的生产过程偏离正常范围导致的石灰质量与出灰率降低的数据可以事先去除，从而提高历史数据的有效性，提高优化过程的准确率。对于每一个生产批次B_i，从历史数据中的生产数据中抽取该批次完整的生产周期中的时序分布的状态数据，这些数据中的工艺参数至少包括窑尾温度t、主传电流I以及预热后温度P。同样的，对于每一个生产批次B_i，总是可以对应于一组在生产结束后检测得到的质量数据，即石灰产物的质量Q_i与出灰率R_i，这里的下标i表示对应第i个生产批次的数据，显然一个生产批次应当只对应其本身的一组质量数据。为了方便后续的操作，对状态数据按照预定的时间间隔做切分，得到对应每一个生产批次B_i的按标准切分的状态数据X_i，根据前述描述，序列X_i中的每一项应该具有多个维度，其中一个维度为时序计数m_k，其他的每一个维度表示一个工艺参数，即X_(i,j)=[m_k, t, I, P, ...]。j为X_i中每一项的计数，总数记为j_sum，这里的省略号意味着存在其他的工艺参数的作为X_i的为维度，以致于此外还选择哪些工艺参数是可以根据实际情况灵活变化的。

需要注意的是，所谓预定的时间间隔与原始数据的采样周期未必成倍数关系，在预定的时间间隔与采样周期相同或为其整数倍时，固然可以得到序列T_i的每一项，而在其他条件下，为了得到序列X_i的每一项，可以考虑对原始数据做插值处理等方式使之连续。可选地，可以将同一个生产批次B_i的质量数据附加到其工艺参数序列中拓展其维度得到对应生产批次B_i的历史数据序列D_i，D_i=[m_k, t, I, P, ...], Q_i,R_i, ...]。同样的省略号意味着附加进D_i的质量数据可以是Q_i,R_i之外的数据，只要其在历史上做过检测并有记录。对于质量数据可以规定石灰石的品质F_i=a*Q_i+b*R_i，其中a，b为权重系数，存在Q_i,R_i之外的质量数据时也可以在此式基础上扩展计算F_i。

在得到上述整理后的历史数据后，就可以基于以上历史数据进行锻烧在线控制了。S1步骤中的控制控制还包括：S12. 采集当前控制时点系统状态；S13. 抽取对应控制时点的历史数据获取局部优化目标；S14. 抽取质量符合要求的生产批次的历史数据获取全局优化目标；S15. 优化更新得出下一控制时点的系统状态；S16. 更新历史数据。

S12. 采集当前控制时点系统状态。在石灰炉窑执行当前的石灰锻烧分解过程中，生产监控系统同步运行，因此可以得到系统运行的任一控制时点的运行数据与工艺参数。在系统当前状态下，通过传感器采集系统当前控制时点m_c的状态数据，状态数据的维度是与历史数据的维度相同的。对应于前述S11的准备过程，状态数据则应当包括系统当前控制时点m_c下的窑尾温度t_c,主传电流 I_c和预热后温度 P_c。将当前控制时点的状态数据记为X_c，则X_c=[t_c, I_c, P_c, ... ]并同时计算系统的状态变化速度。同时当前控制时点的系统状态与上一控制时点时的系统状态的差值体现了系统的单位时间的变化量，这是系统的变化速度Vc=X_c- X_c-1=[Δt_c, ΔI_c, ΔP_c]。

S13. 抽取对应控制时点的历史数据获取局部优化目标。对应于当前控制时点m_c，在历史的生产批次集合B中的每一个生产批次B_i，总可以定位与之对应的时序计数m_k，使得m_k=m_c，即在历史生产批次B_i中m_k所对应的时间点与在当前生产过程中m_c所对应的时间点是时间上等价的。因此，可以得到历史数据中与控制时点m_c的相同控制时点下并与系统当前状态足够接近的生产数据序列D={X_{(i, k)}| i∈[1, 2, ... n]}，n为历史数据中满足条件的生产批次的数量，D中的任一X_{(i, k)}表示满足条件的第i个生产批次中对应mc控制时点的系统状态，X_{(i, k)}=[m_k, t_k, I_k, P_k, ...]。另外需要说明的是，其中衡量历史数据中的数据与当前系统状态之间是否足够接近可以衡量两者在多维空间中的距离确定。当计算结果在设定的范围内时，认为两者足够接近。考虑到不同工艺参数对生产品质的影响效果存在高低，此处的距离优选是加权处理的。对应于X(i, k)，存在一个其所在生产周期结束后测得的质量数据品质F_i=a*Q_i+b*R_i。因此与生产数据序列D所对应的还存在一个质量序列F，F={F_i| i∈[1, 2, ... n]}，取质量序列F中的最大值作为局部最优值F_pbest，相应的局部最优值对应的系统状态为X_pbest=[t_p, I_p, P_p]。

S14. 抽取质量符合要求的生产批次的历史数据获取全局优化目标。在历史的生产批次的集合B中每一个生产批次B_i中取质量数据工艺参数时序序列T_i中选取石灰石品质F_i满足预定质量要求的批次组成标准生产批次集C，记C中的元素为C_g，g为C中元素的计数，总数记为g_sum，其中C_g∈B，且C_g满足预定的质量要求。对包含在C中的生产批次中所有控制时点(包括每一生产批次中从设备开始至设备结束的所有控制时点)的系统状态取全局平均，即：

其中所得的X_gbest即为全局最优状态。X_gbest所对应的全局状态最优的品质可以通过全局平均得到，为：

其中，F_g为集合C中每一个批次C_g对应的石灰石品质。

S15. 优化更新得出下一控制时点的系统状态。以S12中采集计算的当前控制时点的系统状态X_c以及系统状态变化速度V_c为基准，综合S13与S14中得到的优化目标确定，系统向下一控制时点推进的方向。该过程中首先判断F_pbest与F_gbest之间的关系。

若F_pbest>=F_gbest，则下一控制时点的状态为X_c+1=X_c，系统的变化速度V_c=X_c- X_c-1=[Δt_c, ΔI_c, ΔP_c]。

若F_pbest<F_gbest，则下一控制时点的状态为X_c+1按下式计算：

上式中，ω为惯性权重因子，表征系统状态变动的惯性，可以考虑在[0,1]之间取值，例如当窑尾温度不断上升，我们通过降低煤气和空气平抑其上升时，窑尾温度曲线可能会持续上升一段时间后开始慢慢降下来而不是立刻降下来。c₁、c₂为加速因子，一般取值范围可在[0,4] 之间，r₁、r₂为学习率，一般取值范围在[0,1] 之间。对于上式中的系数ω、c₁、c₂与r₁、r₂在本方法中通常在计算推进前通过其它方式事先确定。

在生产过程中，通过S15步骤对石灰炉窑的状态进行递推更新，通过当前控制时点的系统状态寻找下一控制时点时系统的最佳状态。S15步骤借鉴了PSO(粒子群)优化算法的思想，即将历史数据中的同时控制时点的系统状态作为粒子群，那么其中全局最优值与局部最优值可以分别看做系统群体的记录的优化目标以及每个个体的优化目标，从而使得系统下一步拥有更好的表现。不过需要注意的是，这与PSO算法在过程与构思上还是存在很大区别的。在PSO算法中初始粒群是随机生成的，需要对粒群中的每一个粒子进行多轮迭代才能得到最终的优化结果。而本方案中，粒群的优化目标是从历史数据中得到的，而不是粒群进化的结果，这保证了即使在非随机分布以及没有多次迭代的情况下，系统演化的方向性。

可选的，S1步骤还包括S16步骤，即在完成本批次的石灰生产后，更新历史数据。即若本次生产的质量数据满足预定的质量要求，则其可以在下一个批次的生产中作为有效的历史数据采用。因此将其放入标准生产批次集C，并按下式更新标准生产批次集C的系统状态全局平均X_gbest与石灰品质的全局平均F_gbest：

其中，下标up表示更新后标准生产批次集C中的相应数据，j__c为本次生产的生产数据总数。

需要注意的是，在石灰炉窑的运行过程中，温度控制主要依赖控制喷煤管2的燃料控制。因此得到S15步骤中的系统下一控制时点的状态后，还需要根据下一步的系统状态的优化目标X_c+1=[t_c+1, I_c+1, P_c+1]调整喷煤管2的燃料投入。对此，本申请S2步骤提供一种基于神经网络学习的调整方案。

S2确定下一控制时点的燃料投入步骤首先需要基于历史数据训练一个神经网络模型，然后将S1步骤中得到的下一控制时点的系统状态数据输入该模型得到相应的燃料投入方案。具体的，其步骤为：

使用历史数据训练神经网络模型。在石灰炉窑的生产过程中，燃料投入通常是通过控制燃料流量M与空气流量K实现的，其会影响S1步骤中所考虑的工艺参数：窑尾温度t、主传电流I以及预热后石料温度P等，除此之外，系统处于生产过程的具体阶段也会对燃料投入的结果产生影响，因此控制时点的值m也应当包含在待训练的数据中。以S1步骤中考虑窑尾温度t、主传电流I以及预热后石料温度P的情况为例，基于以上分析，本发明的S2步骤拟采用4个输入单元、2个输出单元、中间设置q个隐含层的误差反向传播的多层全联接BP神经网络。对应的训练数据集为S={(x_i, y_i) }，i为数据集中数据的计数。其中x=(m_c, t, I,P)，y=(K, M)。

定义输出层第j个神经元的阈值用θ_j表示,隐含层第h个神经元的阈值用γ_h表示,输入层第i个神经元与隐含层第h个神经元之间的连接权为ν_ih,隐含层第h个神经元与输出层第j个神经元之间的连接权为ω_hj. 记隐含层第h个神经元接受到的输入为

，输出层第j个神经元接收到的输入为/>

，学习率为η，控制算法每次迭代中更新的步长。

该模型中，均方误差为：

。

则BP网络中的权重更新:

于是在上一步训练的权重的基础上，可以得到如下更新：

训练结束后，网络中的权重趋于稳定，保存模型。

将S1步骤中得到的下一控制时点的系统状态X_c+1=[t_c+1, I_c+1, P_c+1]以及下一控制时点的值m_c+1输入上述步骤中训练好的神经网络模型得到期望的燃料流量M与空气流量K输出。以该燃料流量M与空气流量K为标准调整喷煤管2的阀门实现燃料投入控制，进而使得石灰炉窑下一控制时点的系统状态朝着预设的优化目标前进。

上述内容仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (10)

1.一种基于粒子群优化的石灰炉窑控制方法，其特征在于，包括

S1、递推计算炉窑系统下一控制时点的系统状态步骤：根据炉窑系统的当前控制时点的系统状态计算其下一控制时点的系统状态；

S2、确定下一控制时点的燃料投入步骤：根据步骤S1获取的下一控制时点的系统状态确定下一控制时点的燃料投入；

其中S1步骤包括：

S12、采集当前控制时点系统状态步骤：采集炉窑系统的当前控制时点的系统状态X_c，计算当前控制时点的系统状态变化速度V_c；

S13、获取局部优化目标步骤：从历史数据的多个生产批次中抽取每个生产批次中同一控制时点的系统状态数据，选择其中与S12步骤中得到的系统当前控制时点的系统状态足够接近的系统状态数据组成生产数据序列D；取生产数据序列D中对应石灰品质最优的一组生产数据记为系统状态的局部最优值X_pbest，并记局部最优值X_pbest对应的石灰品质为F_pbest；

S14、获取全局优化目标步骤：从历史数据的多个生产批次中选取石灰品质满足预定质量要求的生产批次组成标准生产批次集C，计算标准生产批次集C的系统状态全局平均X_gbest与石灰品质的全局平均F_gbest；

S15、优化更新得出下一控制时点的系统状态步骤：若F_pbest≥F_gbest，则下一控制时点的系统状态为X_c+1=X_c；若F_pbest＜F_gbest，则下一控制时点的系统状态X_c+1按下式计算：

其中，ω为惯性权重因子，c₁，c₂为加速因子，r₁，r₂为学习率，下标c为系统状态的时序标记。

2.如权利要求1所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述S13获取局部优化目标的步骤中的选择与系统当前控制时点的系统状态足够接近的系统状态数据组成生产数据序列D的方法为：通过计算每个生产批次中同一控制时点的系统状态数据与系统当前控制时点的系统状态之间在多维空间中的距离或者加权距离确定。

3.如权利要求1所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述S13获取局部优化目标步骤中以及所述S14获取全局优化目标步骤中涉及的石灰品质通过下式计算：F_i=a*Q_i+b*R_i，其中，i为生产数据的序数标记，F为石灰品质，Q为一个生产批次得到的石灰质量，R为一个生产批次的出灰率，a、b为系数项。

4.如权利要求1所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述炉窑系统的系统状态至少包括窑尾温度t、主传电流I以及预热后温度P三个维度。

5.如权利要求1所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述S12步骤中计算当前控制时点的系统状态变化速度V_c的方式为V_c=X_c- X_c-1。

6.如权利要求1所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述S1根据炉窑系统的当前控制时点的系统状态计算其下一控制时点的系统状态的步骤中还包括数据准备步骤S11；数据准备步骤选取本次生产前的多个生产批次的集合B，其中的每一个生产批次记为B_i；获取每个生产批次B_i的完整的系统状态数据以及生产质量数据，对其中的系统状态数据按预定的时间间隔做切分处理。

7.如权利要求1所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述S14计算标准生产批次集C的系统状态全局平均X_gbest与石灰品质的全局平均F_gbest的步骤中；标准生产批次集C的系统状态全局平均X_gbest按下式计算：

其中，i为系统状态的维度的计数，z为维度总数，X_i,sum为标准生产批次集C中同一维度系统状态数据之和，g为C中生产批次的计数，总数记为g_sum，j为每一生产批次中系统状态数据的计数，总数记为j_sum，n_sum为标准生产批次集C中系统状态数据的总数，X_i,gbest为标准生产批次集C的系统状态中第i个维度的全局平均，X_gbest为标准生产批次集C的系统状态的全局平均；

石灰品质的全局平均F_gbest按下式计算：

其中，F_g为标准生产批次集C中每一生产批次的石灰质量。

8.如权利要求7所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述S1根据炉窑系统的当前控制时点的系统状态计算其下一控制时点的系统状态的步骤中还包括更新历史数据步骤S16；更新历史数据步骤为在完成本次生产后，将本次生产的系统状态数据与质量数据更新到历史数据中。

9.如权利要求8所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述更新历史数据步骤S16中，若本次生产的质量数据满足预定的质量要求，将其放入标准生产批次集C，并按下式更新标准生产批次集C的系统状态全局平均X_gbest与石灰品质的全局平均F_gbest：

其中，下标up表示更新后标准生产批次集C中的相应数据，j_c为本次生产的生产数据总数。

10.如权利要求1-9任一项所述的基于粒子群优化的石灰炉窑控制方法，其特征在于，所述S2步骤中使用神经网络算法通过预训练的神经网络模型基于步骤S1中得到的下一控制时点的系统状态估计下一控制时点的燃料流量与空气流量，该神经网络模型为具有4个输入单元、2个输出单元、多个隐含层的误差反向传播的多层全联接BP神经网络。

Images