CN117519042B - 基于ai技术的水泥生产智能控制方法、系统及存储介质 - Google Patents
基于ai技术的水泥生产智能控制方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117519042B CN117519042B CN202311630703.8A CN202311630703A CN117519042B CN 117519042 B CN117519042 B CN 117519042B CN 202311630703 A CN202311630703 A CN 202311630703A CN 117519042 B CN117519042 B CN 117519042B
- Authority
- CN
- China
- Prior art keywords
- data
- variable data
- subsystem
- module
- disturbance
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 78
- 239000004568 cement Substances 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000000737 periodic effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000010304 firing Methods 0.000 claims description 22
- 239000003245 coal Substances 0.000 claims description 18
- 238000013506 data mapping Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 239000002994 raw material Substances 0.000 claims description 16
- 238000011217 control strategy Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于AI技术的水泥生产智能控制方法、系统及存储介质，涉及水泥生产技术领域。通过采集生产过程中的生产线各子系统的数据进行预处理得到周期性数据集，通过构建AI模型预测在未来某个运行周期内子系统的干扰变量数据，将提取的周期性数据集中的干扰变量与被控变量及操作变量与被控变量的历史数据进行映射，根据映射结果及干扰变量数据预测结果，得到在未来某个运行周期内子系统的各项操作变量数据，根据获取的操作变量数据对各所述子系统进行生产流程控制，通过对干扰变量进行实时预测以优化和动态调节生产流程中子系统的运行及控制参数，以提高生产过程的控制品质，减少过程变量的波动，优化生产模式。
Description
技术领域
本发明涉及水泥生产技术领域，特别涉及基于AI技术的水泥生产智能控制方法、系统及存储介质。
背景技术
在水泥生产流程中，传统的生产控制策略多为PID回路控制或前馈控制方式，现有的水泥生产系统需要调控的变量多，数据量大，具有复杂动态特性和存在不可测变量及变量有约束等过程，采用传统的生产控制策略会导致被控变量出现较大的波动性，且控制方式的智能化程度低。为此，我们提出基于AI技术的水泥生产智能控制方法、系统及存储介质。
发明内容
本发明的主要目的在于提供基于AI技术的水泥生产智能控制方法、系统及存储介质，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为，
基于AI技术的水泥生产智能控制方法，包括
获取预定时长内生产线产生的原始数据集，所述原始数据集包括生产数据、设备状态数据、质量数据及环境数据；
对所述原始数据集进行预处理，所述预处理包括补充缺失值、清理重复值、异常数据检验与清理；
将所述原始数据集按照运行周期进行划分得到周期性数据集Uij，Uij表示为第i个子系统的第j个周期的数据，分别提取周期性数据集Uij中同一子系统在连续t个运行周期的被控变量数据、操作变量数据及干扰变量数据；
构建第一AI模型，通过所述第一AI模型预测在第t+1个运行周期第i个子系统的第r项所述干扰变量数据Fvir(t+1)；
基于第二AI模型获取所述干扰变量数据与所述被控变量数据的数据映射y(cv)→x(Fv)，预测在第t+1个运行周期内第i个子系统的第r项所述干扰变量数据Fvir(t+1)带入至所述数据映射y(cv)→x(Fv)中，得到在第t+1个运行周期内第i个子系统的各项所述被控变量数据；
建立第三AI模型，将获取的各项所述被控变量数据输入至所述第三AI模型中，得到第t+1个运行周期内第i个子系统的各项所述操作变量数据，基于所述操作变量数据对生产流程进行控制。
进一步的，所述第二AI模型基于以下步骤确定所述干扰变量数据与所述被控变量数据的所述数据映射：
所述第二AI模型将所述干扰变量数据处理为第一数据和第二数据，所述第一数据影响所述被控变量数据，且不被其它所述干扰变量数据影响，所述第二数据影响所述被控变量数据，且同时被其它所述干扰变量数据影响，所述第二AI模型基于线性回归计算每个所述第一数据与所述被控变量数据的相关系数，基于倾向评分计算所述第二数据与所述被控变量数据的相关系数；
将所述第一数据和所述第二数据与第n种所述被控变量数据的相关系数归一化处理后，基于第一公式设定第n种所述被控变量数据的所述数据映射，所述第一公式为：其中，x(Fv)n为第n种所述被控变量数据的数值，m为所述第一数据和所述第二数据的总数量，y(cv)s为第s种所述干扰变量数据的数值，αs为归一化后、第s种所述干扰变量数据与所述被控变量数据的相关系数。
进一步的，将所述干扰变量数据划分为所述第一数据和所述第二数据包括以下步骤：
从所述干扰变量数据中提取目标数据，将所述目标数据两两组合，生成多个数据组合，提取所述目标数据在各个运行周期内的具体数值，并生成各个所述数据组合的数据序列，所述数据序列为所述数据组合中、两种所述目标数据随运行周期变化的数据队列，基于线性回归分析所述数据序列，以计算每个所述数据组合的相关系数，若多个所述数据组合包含同种所述干扰变量数据、且所述数据组合的相关系数均小于第一阈值，则将所述数据组合包含的所述干扰变量数据设置为所述第一数据，若所述数据组合的相关系数大于等于所述第一阈值，则将其中包括的两种所述干扰变量数据设置为所述第二数据。
进一步的，基于以下步骤从所述干扰变量数据中提取所述目标数据：
为各种所述干扰变量数据设置第一范围、所述被控变量数据设置第二范围，基于第二公式计算第q种所述干扰变量数据影响第p种所述被控变量数据的相关概率aq,p，所述第二公式为：其中，gq,p为第p种所述被控变量数据超过所述第二范围时、第q种所述干扰变量数据超过所述第一范围的数量，Q为所述干扰变量数据超过所述第一范围的总数量，提取数值大于第二阈值的所述相关概率，获取计算出该所述相关概率对应的所述干扰变量数据，将所述干扰变量数据设置为所述目标数据。
进一步的，所述第一AI模型预测在第t+1个运行周期内第i个子系统的第r项所述干扰变量数据包括以下步骤：
所述第一AI模型基于第三公式计算所述干扰变量数据，所述第三公式为：
式中，xir(t-1)、xir(t-2)、...、xir(t-k)分别为第i个子系统的第r项干扰变量数据的前一个周期、前两个周期、前k个运行周期内的所述干扰变量数据；qir1、qir2、qir3、...、qirk分别为权重系数，其中，qir1＝k、qir2＝k-1、qir3＝k-2、...、qirk＝1。
进一步的，所述第三公式中的k值根据第四公式确定，所述第四公式为：其中ceil()为向大取整操作，fi为第i个子系统的运行频率，β为大于0且不为1的常数系数。
本发明还公开了一种基于AI技术的水泥生产智能控制系统，包括数据采集单元、数据处理模块、数据分析模块、数据拟合模块、中心控制模块、控制器模块；
所述数据采集单元包括原料磨子系统数据采集模块、烧成子系统数据采集模块、煤磨子系统数据采集模块、水泥粉磨子系统数据采集模块，分别用于采集生产过程中的生产线下包括原料磨子系统、烧成子系统、煤磨子系统、水泥粉磨子系统的数据，并生成原始数据集，所述原始数据集包括生产数据、设备状态数据、质量数据及环境数据；
所述数据处理模块与所述数据采集单元连接，用于将获取的所述原始数据集进行预处理，所述预处理包括补充缺失值、清理重复值、异常数据检验与清理，将各子系统的所述原始数据集按照运行周期进行划分得到周期性数据集；
所述数据分析模块与所述数据处理模块连接，用于提取周期性数据集中同一子系统在连续t个运行周期的被控变量数据、操作变量数据及干扰变量数据，根据提取的数据构建第一AI模型，通过所述第一AI模型预测在第t+1个运行周期第i个子系统的第r项所述干扰变量数据Fvir(t+1)；
所述数据拟合模块与所述所述数据处理模块连接，基于第二AI模型获取所述干扰变量数据与所述被控变量数据的数据映射y(cv)→x(Fv)，预测在第t+1个运行周期内第i个子系统的第r项所述干扰变量数据Fvir(t+1)带入至所述数据映射y(cv)→x(Fv)中，得到在第t+1个运行周期内第i个子系统的各项所述被控变量数据；
所述中心控制模块与所述数据分析模块及所述数据拟合模块连接，所述中心控制模块建立有第三AI模型，将获取的各项所述被控变量数据输入至所述第三AI模型中，得到第t+1个运行周期内第i个子系统的各项所述操作变量数据，基于所述操作变量数据对生产流程进行控制生成控制策略指令；
所述控制器模块与所述中心控制模块连接，包括原料磨子系统可编程控制模块、烧成子系统可编程控制模块、煤磨子系统可编程控制模块、水泥粉磨子系统可编程控制模块，响应于所述中心控制模块生成的控制策略指令，所述原料磨子系统可编程控制模块或所述烧成子系统可编程控制模块或所述煤磨子系统可编程控制模块或所述水泥粉磨子系统可编程控制模块生成设备控制指令对系统中设备的操作变量数据进行动态调节进一步的，。
进一步的，所述系统还包括显示模块，所述显示模块用于将采集到的所述原始数据集、所述干扰变量数据预测结果、操作变量数据计算结果、所述中心控制模块生成的控制策略指令、设备控制指令以可视化的方式呈现。
进一步的，所述系统还包括存储单元，所述存储单元包括数据存储模块与数据更新模块，所述数据存储模块用于将获取的所述原始数据集进行存储，所述数据更新模块用于根据采集的实时数据对所述原始数据集进行动态更新。
本发明还提供一种基于AI技术的水泥生产智能控制存储介质，所述存储介质中存储有电子程序，所述电子程序被处理器运行时能够实现上述所述的一种基于AI技术的水泥生产智能控制方法。
本发明具有如下有益效果，
本发明根据获取的操作变量数据对各所述子系统进行生产流程控制，有别于传统的PID回路控制或前馈控制方式，本发明技术方案能够通过对干扰变量进行实时预测以优化和动态调节生产流程中子系统的运行及控制参数，能提高生产过程的控制品质，减少过程变量的波动，优化生产模式。
附图说明
图1为本发明基于AI技术的水泥生产智能控制方法的流程图；
图2为本发明基于AI技术的水泥生产智能控制系统的结构框图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明，其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制，为了更好地说明本发明的具体实施方式，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸。
如图1所示的基于AI技术的水泥生产智能控制方法流程图。
本发明技术方案的实施流程包括以下步骤：
基于AI技术的水泥生产智能控制方法，包括
步骤S1：获取预定时长内生产线产生的原始数据集，原始数据集包括生产数据、设备状态数据、质量数据及环境数据。
具体的，预定时长可以为一周，也可以为一个月，生成数据为在生产过程中，各种用于生产的原料中，各种元素的含量，生成过程中各种原料的添加量、质量数据保留最后水泥的各种质量参数，设备状态数据包括各种生产设备自身的状态数据，如焙烧的温度、压力等，环境数据为生生产过程生产线的温度、湿度等数据。
步骤S2：对原始数据集进行预处理，预处理包括补充缺失值、清理重复值、异常数据检验与清理。
补充缺失值、清理重复值和异常数据检验等数据预处理方式为人工智能模型领域的常规技术，因此具体实现方式此处不再赘述。
步骤S3：将原始数据集按照运行周期进行划分得到周期性数据集Uij，Uij表示为第i个子系统的第j个周期的数据，分别提取周期性数据集Uij中同一子系统在连续t个运行周期的被控变量数据、操作变量数据及干扰变量数据。
具体的，一般按照生产的批次将预定时长进行划分，例如运行周期为一天，以一天为时间长度将预定时长划分为多个周期性数据；本实施例的子系统包括原料磨子系统、烧成子系统、煤磨子系统和水泥粉磨子系统；另外，本实施例中的被控变量数据为要控制的变量，操作变量数据为各个设备的操作参数，干扰变量数据为不能被生产控制的数据，如用于生产的原材料中各种元素的含量，其是由上游供应商决定，在生产过程中无法被改变，或者不能被设备控制的参数。
以烧成子系统为例对本实施例进行进一步说明，如下表1-表3所示的烧成子系统中的操纵变量列表、被控变量列表及干扰变量列表；
表1操纵变量列表
表2被控变量列表
表3干扰变量列表
| 序号 | 描述 | 位号 | 单位 |
| 1 | 窑尾喂煤风机出口压力 | [jdjy2_f]Program：MainProgram.LJ1 | Pa |
步骤S4：构建第一AI模型，通过第一AI模型预测在第t+1个运行周期第i个子系统的第r项干扰变量数据Fvir(t+1)。
步骤S5：基于第二AI模型获取干扰变量数据与被控变量数据的数据映射y(cv)→x(Fv)，预测在第t+1个运行周期内第i个子系统的第r项干扰变量数据Fvir(t+1)带入至数据映射y(cv)→x(Fv)中，得到在第t+1个运行周期内第i个子系统的各项被控变量数据；
步骤S6：建立第三AI模型，将获取的各项被控变量数据输入至第三AI模型中，得到第t+1个运行周期内第i个子系统的各项操作变量数据，基于操作变量数据对生产流程进行控制。
第一AI模型和第二AI模型的具体工作原理在之后进行介绍，在通过第一AI模型获得第t+1周期的干扰变量数据后，将获得干扰变量数据代入至数据映射中，从而获得t+1周期的被控变量数据，之后再通过第三AI模型计算出操作变量数据，使得各个子系统可以根据操作变量数据对自动对生产过程进行操作和控制。
特别的，本实施例中的第三AI模型基于BP神经网络构建，通过收集历史的操作变量数据和被控变量数据后，输入至第三AI模型中进行训练拟合，以均方误差MSE为指标评价模型的拟合情况；在第三AI模型训练完成后，后续将被控变量数据直接输入至第三AI模型中，第三AI模型可以直接输出对应的操作变量数据。神经网络隐含层的层数，输入层、隐含层和输出层内神经元数量的具体情况本实施例不再阐述，本领域技术人员可以根据实际需求和训练结果确定。
在本实施例中，第二AI模型基于以下步骤确定干扰变量数据与被控变量数据的数据映射：
第二AI模型将干扰变量数据处理为第一数据和第二数据，第一数据影响被控变量数据，且不被其它干扰变量数据影响，第二数据影响被控变量数据，且同时被其它干扰变量数据影响，第二AI模型基于线性回归计算每个第一数据与被控变量数据的相关系数，基于倾向评分计算第二数据与被控变量数据的相关系数。
第一数据和第二数据的划分方式在之后进行详细介绍，另外，第一数据和第二数据的总数量小于等于干扰变量数据的总数量；在本实施例中，第一数据只影响被控变量数据，自身不会被其它干扰变量数据所影响，第二数据不仅影响被控变量数据，还会被其它干扰变量数据影响，也即存在某一干扰变量数据改变时，第二数据的数值也会跟随改变。
在将干扰数据划分为第一数据和第二数据后，第二AI模型自动使用线性回归的方法分析各个第一数据与各个被控变量数据之间的相关系数，使用倾向评分的方法分析各个第二数据与各个被控变量数据之间的相关系数，线性回归和倾向分析方法均为现有技术，此处不再赘述；由于第一数据不会被其它数据所影响，因此使用线性回归的方法可以较好的计算第一数据的相关系数；而考虑到第二数据会被其它数据影响，因此使用倾向评分的方法计算能够获得更为准确的相关系数。
将第一数据和第二数据与第n种被控变量数据的相关系数归一化处理后，基于第一公式设定第n种被控变量数据的数据映射，第一公式为：其中，x(Fv)n为第n种被控变量数据的数值，m为第一数据和第二数据的总数量，y(cv)s为第s种干扰变量数据的数值，αs为归一化后、第s种干扰变量数据与被控变量数据的相关系数。
在使用第一公式计算之前，先对各个第一数据和第二数据的相关系数进行归一化处理，例如第一数据1和第二数据2与被控变量数据的相关系数均为1，也即是第一数据为1时，被控变量数据为1，第一数据为2时，被控变量数据为2，第二数据同理；那么归一化后，两者的相关系数变为0.5，那么在使用第一公式计算时，假设采集到的第一数据1和第一数据2均为1，那么计算出被控变量数据的结果为1*0.5+1*0.5＝1，因此通过归一化保证计算结果的合理性和准确性。
之后第二AI模型根据第一公式形成针对第n种被控变量数据的数据映射，在第一公式中，被控变量数据的具体数值可以通过干扰变量数据的数值计算得出，通过将每种干扰变量数据的数值与第n种被控变量数据的相关系数相乘后，在将其累加而获得被控变量的数值；由第一公式可知，干扰变量数据对应的相关系数越大，对最终计算出的被控变量数值影响越大。
上述方案的优点在于，首先将干扰变量数据划分为第一数据和第二数据，使得后续可以通过不同的方法分析第一数据、第二数据与被控变量数据的相关程度，从而提升了分析的准确性；之后对分析结果进行归一化处理，再使用第一公式形成各个被控变量数据的数据映射，如此生成的数据映射可以合理的反应被控变量数据与各个干扰变量数据之间的关系，从而为后续提前预测生产控制的方向奠定基础。
在本实施例中，将干扰变量数据划分为第一数据和第二数据包括以下步骤：
从干扰变量数据中提取目标数据，将目标数据两两组合，生成多个数据组合，提取目标数据在各个运行周期内的具体数值，并生成各个数据组合的数据序列，数据序列为数据组合中、两种目标数据随运行周期变化的数据队列，基于线性回归分析数据序列，以计算每个数据组合的相关系数，若多个数据组合包含同种干扰变量数据、且数据组合的相关系数均小于第一阈值，则将数据组合包含的干扰变量数据设置为第一数据，若数据组合的相关系数大于等于第一阈值，则将其中包括的两种干扰变量数据设置为第二数据。
从干扰变量数据中提取目标数据的方式在之后进行描述。在从干扰变量数据中提取出目标数据后，将目标数据两两组合，从而获得多个数据组合；之后确定每个数据组合中包括哪两种目标数据，再从原始数据集中提取对应类型目标数据在多个运行周期的数据，并与根据对应的运行周期形成数据序列。之后对两个数据序列进行线性分析，获得两个数据之间的相关系数，这里将第一阈值设置为0.8；若数据组合1、数据组合2和数据组合3均包括的目标数据1，且数据组合1、数据组合2和数据组合3计算的相关系数均小于第一阈值，就表明干目标数据1与其它的所有目标数据均没有相关性，也就表明目标数据1不受其它数据的影响，因此将目标数据1设定为第一数据。
反之，若数据组合1包括目标数据1和目标数据2，且数据组合的相关系数为0.95，则表明标数据1和目标数据2之间存在相互影响的关系，那么就将目标数据1和目标数据2设定为第二数据。
在本实施例中，基于以下步骤从干扰变量数据中提取目标数据：
为各种干扰变量数据设置第一范围、被控变量数据设置第二范围，基于第二公式计算第q种干扰变量数据影响第p种被控变量数据的相关概率aq,p，第二公式为：其中，gq,p为第p种被控变量数据超过第二范围时、第q种干扰变量数据超过第一范围的数量，Q为干扰变量数据超过第一范围的总数量，提取数值大于第二阈值的相关概率，获取计算出该相关概率对应的干扰变量数据，将干扰变量数据设置为目标数据。
具体的，第一范围和第二范围均是数值范围，第一范围和第二范围可以根据本领域人员的经验设定，也可以根据相关技术手册的记载设定；若干扰变量数据数据超出第一范围，则表明该干扰变量数据出现了异常，同理，若被控变量数据超出第二范围，表明被控变量数据出现了异常，例如被控变量数据为风机出口压力，其第二范围设置为100pa至200pa，若风机出口压力超过了第二范围，则表明风机出口压力异常。
在收集原始数据集后，基于第二公式计算第q种干扰变量数据影响第p种被控变量数据的相关概率，也即是确定当某种干扰变量数据出现异常时，影响某种被控变量数据的概率；在第二公式中，gq,p为第p种被控变量数据超过第二范围时、第q种干扰变量数据超过第一范围的数量，也即是干扰变量数据出现异常数值时，是否也有对应的被控变量数据也出现异常；例如在多个运行周期中，干扰变量数据共有40次超过了第一范围，在这40次异常中，被控变量1出现了10次异常，那么计算出的相关概率为(10/40)*100％＝25％。这里将第二阈值设置为80％，若通过第一公式计算出干扰变量数据1与被控变量数据1的相关概率大于80％，表明该干扰变量数据1会影响被控变量数据1，因此将干扰变量数据1设定为目标数据。
在本实施例中，第一AI模型预测在第t+1个运行周期内第i个子系统的第r项干扰变量数据包括以下步骤：
第一AI模型基于第三公式计算干扰变量数据，第三公式为：
式中，xir(t-1)、xir(t-2)、...、xir(t-k)分别为第i个子系统的第r项干扰变量数据的前一个周期、前两个周期、前k个运行周期内的干扰变量数据；qir1、qir2、qir3、...、qirk分别为权重系数，其中，qir1＝k、qir2＝k-1、qir3＝k-2、...、qirk＝1。
具体的，越靠近当前周期，对应的权重系数越大，而越原理当前周期，对应的权重系数越小；另外，第一AI模型还可以根据去除第三公式中的权重系数，直接采用前N个周期对应干扰变量的平均值作为t+1周期的预测数据。
在本实施中，第三公式中的k值根据第四公式确定，第四公式为：其中ceil()为向大取整操作，fi为第i个子系统的运行频率，β为大于0且不为1的常数系数
如图2所示，本发明还公开了一种基于AI技术的水泥生产智能控制系统，包括数据采集单元、数据处理模块、数据分析模块、数据拟合模块、中心控制模块、控制器模块；
数据采集单元包括原料磨子系统数据采集模块、烧成子系统数据采集模块、煤磨子系统数据采集模块、水泥粉磨子系统数据采集模块，分别用于采集生产过程中的生产线下包括原料磨子系统、烧成子系统、煤磨子系统、水泥粉磨子系统的数据，并生成原始数据集，原始数据集包括生产数据、设备状态数据、质量数据及环境数据；
数据处理模块与数据采集单元连接，用于将获取的原始数据集进行预处理，预处理包括补充缺失值、清理重复值、异常数据检验与清理，将各子系统的原始数据集按照运行周期进行划分得到周期性数据集；
数据分析模块与数据处理模块连接，用于提取周期性数据集中同一子系统在连续t个运行周期的被控变量数据、操作变量数据及干扰变量数据，根据提取的数据构建第一AI模型，通过第一AI模型预测在第t+1个运行周期第i个子系统的第r项干扰变量数据Fvir(t+1)；
数据拟合模块与数据处理模块连接，基于第二AI模型获取干扰变量数据与被控变量数据的数据映射y(cv)→x(Fv)，预测在第t+1个运行周期内第i个子系统的第r项干扰变量数据Fvir(t+1)带入至数据映射y(cv)→x(Fv)中，得到在第t+1个运行周期内第i个子系统的各项被控变量数据；
中心控制模块与数据分析模块及数据拟合模块连接，中心控制模块建立有第三AI模型，将获取的各项被控变量数据输入至第三AI模型中，得到第t+1个运行周期内第i个子系统的各项操作变量数据，基于操作变量数据对生产流程进行控制生成控制策略指令；
控制器模块与中心控制模块连接，包括原料磨子系统可编程控制模块、烧成子系统可编程控制模块、煤磨子系统可编程控制模块、水泥粉磨子系统可编程控制模块，响应于中心控制模块生成的控制策略指令，原料磨子系统可编程控制模块或烧成子系统可编程控制模块或煤磨子系统可编程控制模块或水泥粉磨子系统可编程控制模块生成设备控制指令对系统中设备的操作变量数据进行动态调节进一步的，。
本发明的系统还包括显示模块，显示模块用于将采集到的原始数据集、干扰变量数据预测结果、操作变量数据计算结果、中心控制模块生成的控制策略指令、设备控制指令以可视化的方式呈现。
本发明的系统还包括存储单元，存储单元包括数据存储模块与数据更新模块，数据存储模块用于将获取的原始数据集进行存储，数据更新模块用于根据采集的实时数据对原始数据集进行动态更新。
本发明还提供一种基于AI技术的水泥生产智能控制存储介质，存储介质中存储有电子程序，电子程序被处理器运行时能够实现上述的一种基于AI技术的水泥生产智能控制方法。
本方案在实施过程中，通过烧成子系统数据采集模块采集生产过程中在连续t个运行周期的表中各项描述数据值构建原始数据集，采集方式可通过设置传感器获取专用设备进行，对获取的烧成子系统的原始数据集中的实时数据进行预处理，按照生产周期进行划分得到周期性数据集，通过提取周期性数据集中在连续t个运行周期的被控变量数据、操作变量数据及干扰变量数据，构建预测模型，通过模型预测在第t+1个运行周期内烧成子系统的窑尾喂煤风机出口压力数据，其中，预测模型中的k值可以根据窑尾喂煤风机的运行频率进行确定，通过获取窑尾喂煤风机的额定频率值，带入计算公式其中ceil()为向大取整操作；fi为第i个子系统的运行频率；α为大于0且不为1的常数系数，可以计算得出，然后分别将提取的周期性数据集中的烧成子系统的窑尾喂煤风机出口压力数据与各项被控变量，如分解炉出口温度、物料温度、窑主机电流、烧成带温度平均值等数据及操作变量与被控变量的历史数据进行计算，获取干扰变量数据与被控变量数据及操作变量数据与被控变量数据的数学模型关系，将通过模型预测的在第t+1个运行周期内第i个子系统的第r项干扰变量数据Fvir(t+1)带入至数据映射中，得到在第t+1个运行周期内第i个子系统的各项被控变量数据，再将获取的各项被控变量数据带入第三AI模型中，得到第t+1个运行周期内第i个子系统的各项操作变量数据，并根据操作变量数据确定调节范围，并根据操作变量的调节范围生成控制策略指令，响应于中心控制模块生成的控制策略指令，烧成子系统可编程控制模块生成设备控制指令对系统中设备的操作变量数据进行动态调节，如降低或提高篦速、减少或增加尾煤喂料量等，使烧成子系统的各项被控变量维持在底限与高限范围的合理范围内。
综上，本发明根据获取的操作变量数据对各子系统进行生产流程控制，有别于传统的PID回路控制或前馈控制方式，本发明技术方案能够通过对干扰变量进行实时预测以优化和动态调节生产流程中子系统的运行及控制参数，能提高生产过程的控制品质，减少过程变量的波动，优化生产模式
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于AI技术的水泥生产智能控制方法，其特征在于，包括
获取预定时长内生产线产生的原始数据集，所述原始数据集包括生产数据、设备状态数据、质量数据及环境数据；
对所述原始数据集进行预处理，所述预处理包括补充缺失值、清理重复值、异常数据检验与清理；
将所述原始数据集按照运行周期进行划分得到周期性数据集Uij，Uij表示为第i个子系统的第j个周期的数据，分别提取周期性数据集Uij中同一子系统在连续t个运行周期的被控变量数据、操作变量数据及干扰变量数据；
构建第一AI模型，通过所述第一AI模型预测在第t+1个运行周期第i个子系统的第r项所述干扰变量数据Fvir(t+1)；
基于第二AI模型获取所述干扰变量数据与所述被控变量数据的数据映射y(cv)→x(Fv)，预测在第t+1个运行周期内第i个子系统的第r项所述干扰变量数据Fvir(t+1)带入至所述数据映射y(cv)→x(Fv)中，得到在第t+1个运行周期内第i个子系统的各项所述被控变量数据；
建立第三AI模型，将获取的各项所述被控变量数据输入至所述第三AI模型中，得到第t+1个运行周期内第i个子系统的各项所述操作变量数据，基于所述操作变量数据对生产流程进行控制。
2.根据权利要求1所述的基于AI技术的水泥生产智能控制方法，其特征在于，所述第二AI模型基于以下步骤确定所述干扰变量数据与所述被控变量数据的所述数据映射：
所述第二AI模型将所述干扰变量数据处理为第一数据和第二数据，所述第一数据影响所述被控变量数据，且不被其它所述干扰变量数据影响，所述第二数据影响所述被控变量数据，且同时被其它所述干扰变量数据影响，所述第二AI模型基于线性回归计算每个所述第一数据与所述被控变量数据的相关系数，基于倾向评分计算所述第二数据与所述被控变量数据的相关系数；
将所述第一数据和所述第二数据与第n种所述被控变量数据的相关系数归一化处理后，基于第一公式设定第n种所述被控变量数据的所述数据映射，所述第一公式为：其中，x(Fv)n为第n种所述被控变量数据的数值，m为所述第一数据和所述第二数据的总数量，y(cv)s为第s种所述干扰变量数据的数值，αs为归一化后、第s种所述干扰变量数据与所述被控变量数据的相关系数。
3.根据权利要求2所述的基于AI技术的水泥生产智能控制方法，其特征在于，将所述干扰变量数据划分为所述第一数据和所述第二数据包括以下步骤：
从所述干扰变量数据中提取目标数据，将所述目标数据两两组合，生成多个数据组合，提取所述目标数据在各个运行周期内的具体数值，并生成各个所述数据组合的数据序列，所述数据序列为所述数据组合中、两种所述目标数据随运行周期变化的数据队列，基于线性回归分析所述数据序列，以计算每个所述数据组合的相关系数，若多个所述数据组合包含同种所述干扰变量数据、且所述数据组合的相关系数均小于第一阈值，则将所述数据组合包含的所述干扰变量数据设置为所述第一数据，若所述数据组合的相关系数大于等于所述第一阈值，则将其中包括的两种所述干扰变量数据设置为所述第二数据。
4.根据权利要求3所述的基于AI技术的水泥生产智能控制方法，其特征在于，基于以下步骤从所述干扰变量数据中提取所述目标数据：
为各种所述干扰变量数据设置第一范围、所述被控变量数据设置第二范围，基于第二公式计算第q种所述干扰变量数据影响第p种所述被控变量数据的相关概率aq,p，所述第二公式为：其中，gq,p为第p种所述被控变量数据超过所述第二范围时、第q种所述干扰变量数据超过所述第一范围的数量，Q为所述干扰变量数据超过所述第一范围的总数量，提取数值大于第二阈值的所述相关概率，获取计算出该所述相关概率对应的所述干扰变量数据，将所述干扰变量数据设置为所述目标数据。
5.根据权利要求1所述的基于AI技术的水泥生产智能控制方法，其特征在于，所述第一AI模型预测在第t+1个运行周期内第i个子系统的第r项所述干扰变量数据包括以下步骤：
所述第一AI模型基于第三公式计算所述干扰变量数据，所述第三公式为：
式中，xir(t-1)、xir(t-2)、...、xir(t-k)分别为第i个子系统的第r项干扰变量数据的前一个周期、前两个周期、前k个运行周期内的所述干扰变量数据；qir1、qir2、qir3、...、qirk分别为权重系数，其中，qir1＝k、qir2＝k-1、qir3＝k-2、...、qirk＝1。
6.根据权利要求5所述的基于AI技术的水泥生产智能控制方法，其特征在于，所述第三公式中的k值根据第四公式确定，所述第四公式为：其中ceil()为向大取整操作，fi为第i个子系统的运行频率，β为大于0且不为1的常数系数。
7.一种基于AI技术的水泥生产智能控制系统，其特征在于，包括数据采集单元、数据处理模块、数据分析模块、数据拟合模块、中心控制模块、控制器模块；
所述数据采集单元包括原料磨子系统数据采集模块、烧成子系统数据采集模块、煤磨子系统数据采集模块、水泥粉磨子系统数据采集模块，分别用于采集生产过程中的生产线下包括原料磨子系统、烧成子系统、煤磨子系统、水泥粉磨子系统的数据，并生成原始数据集，所述原始数据集包括生产数据、设备状态数据、质量数据及环境数据；
所述数据处理模块与所述数据采集单元连接，用于将获取的所述原始数据集进行预处理，所述预处理包括补充缺失值、清理重复值、异常数据检验与清理，将各子系统的所述原始数据集按照运行周期进行划分得到周期性数据集；
所述数据分析模块与所述数据处理模块连接，用于提取周期性数据集中同一子系统在连续t个运行周期的被控变量数据、操作变量数据及干扰变量数据，根据提取的数据构建第一AI模型，通过所述第一AI模型预测在第t+1个运行周期第i个子系统的第r项所述干扰变量数据Fvir(t+1)；
所述数据拟合模块与所述所述数据处理模块连接，基于第二AI模型获取所述干扰变量数据与所述被控变量数据的数据映射y(cv)→x(Fv)，预测在第t+1个运行周期内第i个子系统的第r项所述干扰变量数据Fvir(t+1)带入至所述数据映射y(cv)→x(Fv)中，得到在第t+1个运行周期内第i个子系统的各项所述被控变量数据；
所述中心控制模块与所述数据分析模块及所述数据拟合模块连接，所述中心控制模块建立有第三AI模型，将获取的各项所述被控变量数据输入至所述第三AI模型中，得到第t+1个运行周期内第i个子系统的各项所述操作变量数据，基于所述操作变量数据对生产流程进行控制生成控制策略指令；
所述控制器模块与所述中心控制模块连接，包括原料磨子系统可编程控制模块、烧成子系统可编程控制模块、煤磨子系统可编程控制模块、水泥粉磨子系统可编程控制模块，响应于所述中心控制模块生成的控制策略指令，所述原料磨子系统可编程控制模块或所述烧成子系统可编程控制模块或所述煤磨子系统可编程控制模块或所述水泥粉磨子系统可编程控制模块生成设备控制指令对系统中设备的操作变量数据进行动态调节。
8.根据权利要求7所述的基于AI技术的水泥生产智能控制系统，其特征在于，所述系统还包括显示模块，所述显示模块用于将采集到的所述原始数据集、所述干扰变量数据预测结果、操作变量数据计算结果、所述中心控制模块生成的控制策略指令、设备控制指令以可视化的方式呈现。
9.根据权利要求8所述的基于AI技术的水泥生产智能控制系统，其特征在于，所述系统还包括存储单元，所述存储单元包括数据存储模块与数据更新模块，所述数据存储模块用于将获取的所述原始数据集进行存储，所述数据更新模块用于根据采集的实时数据对所述原始数据集进行动态更新。
10.基于AI技术的水泥生产智能控制存储介质，其特征在于，所述存储介质中存储有电子程序，其中，所述电子程序被处理器运行时能够实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311630703.8A CN117519042B (zh) | 2023-11-30 | 2023-11-30 | 基于ai技术的水泥生产智能控制方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311630703.8A CN117519042B (zh) | 2023-11-30 | 2023-11-30 | 基于ai技术的水泥生产智能控制方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117519042A CN117519042A (zh) | 2024-02-06 |
| CN117519042B true CN117519042B (zh) | 2024-04-26 |
Family
ID=89745434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311630703.8A Active CN117519042B (zh) | 2023-11-30 | 2023-11-30 | 基于ai技术的水泥生产智能控制方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117519042B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1567107A (zh) * | 2003-06-09 | 2005-01-19 | 石油大学(北京) | 复杂滞后过程的先进控制方法及其系统 |
| JP2006132357A (ja) * | 2004-11-02 | 2006-05-25 | Honda Motor Co Ltd | プラントの制御装置 |
| CN104503245A (zh) * | 2014-12-29 | 2015-04-08 | 浙江中控软件技术有限公司 | 一种非自衡对象的控制方法和装置 |
| CN112653306A (zh) * | 2020-12-18 | 2021-04-13 | 重庆忽米网络科技有限公司 | 基于工业ai的电动机动平衡工艺优化方法及系统 |
| CN113326945A (zh) * | 2021-06-22 | 2021-08-31 | 中关村科学城城市大脑股份有限公司 | 一种基于量子计算的ai模型训练方法和系统 |
| CN116483003A (zh) * | 2023-03-27 | 2023-07-25 | 万华化学集团股份有限公司 | 水煤浆制作过程的控制方法、装置及设备 |
| CN117075507A (zh) * | 2023-08-15 | 2023-11-17 | 青岛荏原环境设备有限公司 | 基于ai模型含水率在线检测的污泥干化控制系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2570115B (en) * | 2018-01-10 | 2022-12-21 | Spiro Control Ltd | Process control system and method |
-
2023
- 2023-11-30 CN CN202311630703.8A patent/CN117519042B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1567107A (zh) * | 2003-06-09 | 2005-01-19 | 石油大学(北京) | 复杂滞后过程的先进控制方法及其系统 |
| JP2006132357A (ja) * | 2004-11-02 | 2006-05-25 | Honda Motor Co Ltd | プラントの制御装置 |
| CN104503245A (zh) * | 2014-12-29 | 2015-04-08 | 浙江中控软件技术有限公司 | 一种非自衡对象的控制方法和装置 |
| CN112653306A (zh) * | 2020-12-18 | 2021-04-13 | 重庆忽米网络科技有限公司 | 基于工业ai的电动机动平衡工艺优化方法及系统 |
| CN113326945A (zh) * | 2021-06-22 | 2021-08-31 | 中关村科学城城市大脑股份有限公司 | 一种基于量子计算的ai模型训练方法和系统 |
| CN116483003A (zh) * | 2023-03-27 | 2023-07-25 | 万华化学集团股份有限公司 | 水煤浆制作过程的控制方法、装置及设备 |
| CN117075507A (zh) * | 2023-08-15 | 2023-11-17 | 青岛荏原环境设备有限公司 | 基于ai模型含水率在线检测的污泥干化控制系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于苯乙烯过程生产数据驱动的软测量模型研究;张彬;刘文杰;;化学反应工程与工艺;20191025(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117519042A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112817354B (zh) | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 | |
| CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
| CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
| CN110386768B (zh) | 水泥烧成过程中能耗动态实时控制方法 | |
| CN111932015A (zh) | 一种区域供冷供热冷热量负荷的预测方法及系统 | |
| CN110824923A (zh) | 一种基于深度学习与云计算的污水处理控制方法及其系统 | |
| CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
| CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
| CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
| CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
| CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
| Méndez et al. | Finishing mill strip gage setup and control by interval type-1 non-singleton type-2 fuzzy logic systems | |
| CN112845610B (zh) | 一种轧钢电耗参数推荐方法及系统 | |
| CN113156822B (zh) | 基于Mist-边缘-雾-云计算的热误差预测系统及热误差补偿系统 | |
| CN117519042B (zh) | 基于ai技术的水泥生产智能控制方法、系统及存储介质 | |
| CN112180733B (zh) | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 | |
| Zhao et al. | Real-time energy consumption prediction method for air-conditioning system based on long short-term memory neural network | |
| CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
| CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
| CN113198591B (zh) | 基于滚动时域估计的辊式立磨自适应预测控制系统 | |
| CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Jia Inventor after: Gao Liqiang Inventor after: Ma Junfeng Inventor after: Dong Zhanfeng Inventor after: Guo Juntao Inventor after: Zhu Hengtong Inventor before: Li Jia Inventor before: Gao Liqiang Inventor before: Ma Junfeng Inventor before: Dong Zhanfeng Inventor before: Guo Juntao Inventor before: Zhu Hengtong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Floor 11, Building 3, Fusheng International, No. 8-1 Xiangsheng Street, Zhengzhou Area (Zhengdong), Henan Pilot Free Trade Zone, Zhengzhou City, Henan Province, 450000 Patentee after: Tianrui Xinke (Henan) Digital Technology Co.,Ltd. Country or region after: China Address before: Floor 11, Building 3, Fusheng International, No. 8-1 Xiangsheng Street, Zhengzhou Area (Zhengdong), Henan Pilot Free Trade Zone, Zhengzhou City, Henan Province, 450000 Patentee before: TIANRUI GROUP INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |