CN117826734A - 水泥窑控制参数目标值确定方法和水泥窑况优化控制方法 - Google Patents
水泥窑控制参数目标值确定方法和水泥窑况优化控制方法 Download PDFInfo
- Publication number
- CN117826734A CN117826734A CN202410020059.0A CN202410020059A CN117826734A CN 117826734 A CN117826734 A CN 117826734A CN 202410020059 A CN202410020059 A CN 202410020059A CN 117826734 A CN117826734 A CN 117826734A
- Authority
- CN
- China
- Prior art keywords
- data
- kiln
- cement kiln
- variable
- target value
- 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
- 239000004568 cement Substances 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 33
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 239000003245 coal Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 235000012054 meals Nutrition 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 3
- 229910052791 calcium Inorganic materials 0.000 claims description 3
- 239000011575 calcium Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002817 coal dust Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 1
- 239000002994 raw material Substances 0.000 abstract description 17
- 238000005265 energy consumption Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000004927 clay Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 235000019738 Limestone Nutrition 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000006028 limestone Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Curing Cements, Concrete, And Artificial Stone (AREA)
Abstract
本发明公开了一种水泥窑控制参数目标值确定方法和水泥窑况优化控制方法,该水泥窑控制参数目标值确定方法包括:获取水泥窑的控制变量和被控变量;根据变量之间的相互关系确定每个变量的权重;根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分;构建数据评分模型,基于历史样本数据和评分对数据评分模型训练,得到训练好的数据评分模型;通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值。本方案能够在原料发生变化时自动调整控制参数的目标值,提高水泥窑的运行稳定度,降低水泥窑的能耗。
Description
技术领域
本发明涉及工业控制技术领域,具体涉及一种水泥窑控制参数目标值确定方法和水泥窑况优化控制方法、水泥窑控制参数目标值确定装置、计算设备及存储介质。
背景技术
水泥生产工艺流程中存在复杂的串并联关系,物料依次通过生料制备、熟料煅烧、水泥粉磨三个串联阶段,最终得到水泥产品。而水泥窑作为水泥生产线中的重要设备,对水泥质量起到决定性作用,其工作原理是将原料如石灰石、黏土、膨胀剂等在高温下煅烧使其化学反应生成水泥熟料。因此水泥生产是能耗较大的过程,需要对其进行能源管理和优化,提高能源利用率。
在实际生产中,并不是产量越高,能耗越低,而是需要寻求产量运行稳定度与能耗之间的平衡点,才能提高水泥窑的效能。水泥窑在实际运行过程中需要人工结合原物料的质量,即游离氧化钙(f-CaO),摸索控制变量(如投料量、用煤量、用风量等)的给定值,使之运行稳定,并在此基础之上降低能耗。
当前水泥窑控制参数的目标值是人工设定的,采用PID控制算法自适应调节窑温。由于不同时期的原材料的品位是会发生变化的,人工摸索的过程是相对滞后的,不会及时根据磨况变化自动调整参数的控制目标值。也就是说,水泥窑在原料发生变化时无法调整控制参数的目标值,导致窑运行不稳定、能耗过高等情况,增加了生产成本。
发明内容
针对现有技术存在的上述不足,本方案提出了一种水泥窑控制参数目标值确定方法、水泥窑况优化控制方法、水泥窑控制参数目标值确定装置、计算设备及存储介质,可在窑况发生变化时自动调整控制参数的目标值,达到优化综合窑况、节煤、提高质量的目的。
根据本发明的第一方面,提供了一种水泥窑控制参数目标值确定方法,包括:获取水泥窑的控制变量和被控变量;根据变量之间的相互关系确定每个变量的权重;根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分;构建数据评分模型,基于历史样本数据和评分对数据评分模型训练,得到训练好的数据评分模型; 通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值。
可选地,在本发明提供的水泥窑控制参数目标值确定方法中,控制变量包括窑喂料量、头煤量、尾煤量、高温风机转速、窑速、篦速、头排风机转速;被控变量包括分解炉温度、预热器出口氧含量、预热器出口CO含量、窑电流、窑尾氮氧化物含量、窑尾氧含量、窑尾CO、窑尾温度、窑尾负压、窑头负压、二次风温、篦冷机篦下压力、篦冷机风机电流、熟料游离钙温度、生料KH、生料IM、生料SM与煤粉热值。
可选地,在本发明提供的水泥窑控制参数目标值确定方法中,根据水泥窑实际生产需求调节优化目标的基准权重,优化目标为综合窑况、煤耗和质量;根据变量之间的相互关系,将基准权重逐级分配权重至每个变量,确定每个变量的权重。
可选地,在本发明提供的水泥窑控制参数目标值确定方法中,获取距离当前时间第一预设时间内的历史样本数据,在历史样本数据中截取距离当前时间第二预设时间的数据作为最佳窑况统计数据,第一预设时间大于第二预设时间;按照时间顺序将最佳窑况统计数据拆分为多个连续的数据块,计算每个数据块的窑电流标准差,将窑电流标准差最小的数据块作为最佳窑况变量;计算历史样本数据中每一条数据变量与最佳窑况变量之间的绝对误差,将绝对误差与对应变量的权重加权求和;将加权求和后的数据归一化处理,转化为指定整数区间内的数据评分。
可选地,在本发明提供的水泥窑控制参数目标值确定方法中,构建包含LSTM、Transformer 和 MLP神经网络算法的深度神经网络模型和基于梯度提升决策树的机器学习模型,作为数据评分模型;对历史样本数据进行差分处理、滑窗处理和滚动中值滤噪处理;将处理后的历史样本数据分割成预设时间长度的多个数据片段,对每个数据片段使用深度神经网络模型进行特征提取,获取前期历史变化特征、滚动中值特征和神经网络提取特征;基于前期历史变化特征、滚动中值特征和神经网络提取特征,对机器学习模型训练得到模型最优解,得到训练好的数据评分模型。
可选地,在本发明提供的水泥窑控制参数目标值确定方法中,将训练好的数据评分模型载入寻优程序,设置寻优条件和寻优阈值,寻优条件包括通过数据评分模型对操作参数的预估评分以及操作参数的当前煤耗,寻优阈值为最优化参数上限和下限;根据寻优条件定期收集水泥窑系统运行参数,利用贝叶斯最优化算法对数据评分模型的当前判断结果寻优;将贝叶斯最优化寻优结果与当前参数相加,得到当前参数的推荐值。
根据本发明的第二方面,提供了一种水泥窑况优化控制方法,包括:使用如上的水泥窑控制参数目标值确定方法获取水泥窑控制参数的推荐值;将推荐值推送到水泥窑的APC控制系统对水泥窑况进行优化控制。
根据本发明的第三方面,提供了一种水泥窑控制参数目标值确定装置,包括:
获取模块,用于获取水泥窑的控制变量和被控变量。
计算模块,用于根据变量之间的相互关系确定每个变量的权重。
评分模块,用于根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分。
训练模块,用于构建数据评分模型,基于历史样本数据的评分对数据评分模型训练,得到训练好的数据评分模型;
寻优模块,用于通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值。
根据本发明的第四方面,提供一种计算设备,包括:至少一个处理器;和存储有程序指令的存储器,其中,程序指令被配置为适于由至少一个处理器执行,程序指令包括用于执行上述水泥窑控制参数目标值确定方法和水泥窑况优化控制方法的指令。
根据本发明的第五方面,提供一种存储有程序指令的可读存储介质,当程序指令被计算设备读取并执行时,使得计算设备执行上述的水泥窑控制参数目标值确定方法和水泥窑况优化控制方法。
根据本发明提供的水泥窑控制参数目标值确定方法和水泥窑况优化控制方法,通过构建数据评分模型,引入大数据分析功能,可在原料发生变化时自动调整控制参数的目标值,解决实际生产过程中在原料发生变化而导致水泥窑的APC控制系统不会自动优化控制的问题,有效地提高水泥窑的运行稳定度,降低水泥窑的能耗。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的计算设备100的结构图;
图2示出了根据本发明一个实施例的水泥窑控制参数目标值确定方法200的流程示意图;
图3示出了根据本发明一个实施例的水泥窑的变量关系示意图;
图4示出了根据本发明一个实施例的水泥窑况优化控制方法400的流程示意图;
图5示出了根据本发明一个实施例的水泥窑控制参数目标值确定装置500的结构示意图。
具体实施方式
水泥窑控制参数的目标值取决于生产工艺、设备性能、产品质量要求等因素,主要包括窑转速、进料量、窑头端温度、窑尾端温度等,需要根据具体生产情况进行调整和优化。
为了实现水泥高效、安全和稳定的生产,本方案基于深度神经网络模型训练和最优化算法自动调整操作参数的目标值,结合大数据分析,解决实际生产过程中出现原料变化而导致水泥窑的APC控制系统不会自动优化控制的问题,以最大程度地提高窑内热量利用和物料转化效率。
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的计算设备100的结构图。如图1所示,计算设备100可以包括存储器106和处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
存储器106可以包括操作系统120、应用122以及程序数据124。应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。应用122包括用于实现各种用户期望的功能的程序指令。
在计算设备100启动运行时,处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上,利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时,应用122会加载至存储器106中,处理器104从存储器106中读取并执行应用122的程序指令。
计算设备100还包括储存设备132和输出设备142,储存设备132与储存接口总线134连接。以及有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)经由总线/接口控制器130的通信的接口总线140。
外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。在根据本发明的计算设备100中,应用122包括用于执行本发明的水泥窑控制参数目标值确定方法200和水泥窑况优化控制方法400的指令。
图2示出了根据本发明一个实施例的水泥窑控制参数目标值确定方法200的流程示意图。如图2所示,该方法200始于步骤S210,获取水泥窑的控制变量和被控变量。
其中,控制变量主要包括窑喂料量、头煤量、尾煤量、高温风机转速、窑速、篦速、头排风机转速等。
被控变量包括分解炉出口温度、预热器出口氧含量、预热器出口CO含量、窑电流、窑尾氮氧化物含量、窑尾氧含量、窑尾CO、窑尾温度、窑尾负压、窑头负压、二次风温、篦冷机篦下压力、篦冷机风机电流、熟料游离钙温度、入窑生料KH、生料IM、生料SM与煤粉热值生料KH(K为石灰石,H为黏土,KH为石灰石与黏土的化学含量比例)、生料IM(I为铁矿石,M为黏土,IM为铁矿石与黏土的化学含量比例)、生料SM(S为硅酸盐,M为黏土,SM为硅酸盐和黏土的化学含量比例)与煤粉热值。
随后执行步骤S220,根据变量之间的相互关系确定每个变量的权重。
图3示出了根据本发明一个实施例的水泥窑的变量关系示意图。如图3所示,变量之间的关系包括控制变量影响被控变量,控制变量、被控变量影响优化目标。
在本发明的一个实施例中,以质量、能耗和综合窑况为优化目标。其中,综合窑况是水泥窑整体运行状态和工艺参数,直接关系到水泥生产的各项指标,主要包括温度分布、燃烧状态、窑转速和料层厚度、窑内气流、设备磨损和维护情况等。
可以根据水泥窑实际生产需求调节综合窑况、煤耗和质量的基准权重。根据图3中所示的变量之间的相互关系,将所述基准权重逐级分配权重至每个变量,确定每个变量的权重。也就是,将分配到窑况、煤耗、质量这三个方面的权重再进一步细分到各被控变量,进而回溯到控制变量上。
接着执行步骤S230,根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分。
具体地,首先获取距离当前时间第一预设时间内的历史样本数据,在历史样本数据中截取距离当前时间第二预设时间的数据作为最佳窑况统计数据,第一预设时间大于第二预设时间。
例如,获取过去3个月内的历史样本数据,然后从三个月内的历史样本数据中截取距离当前两周内的部分数据作为最佳窑况统计数据。这些历史样本数据可以是综合窑况、煤耗、质量等方面的指标数据,包括窑喂料量设定值、头煤量、尾煤量、高温风机转速、窑速、篦速以及头排风机转速设定值等。
按照时间顺序将最佳窑况统计数据拆分为多个连续的数据块,数据块之间的时间不间断。计算每个数据块的窑电流标准差,将窑电流标准差最小的数据块作为最佳窑况变量。
其中,窑电流标准差是衡量水泥窑热态稳定性的一个重要指标,可以计算每个数据块窑电流数据的平均值,然后计算每个数据点与平均值之间偏差的平方值,再计算所有偏差的平均值即为该数据块的窑电流标准差。
窑电流标准差越小,说明窑电流变化越小,热态稳定性越好,因此可以将窑电流标准差最小的数据块作为最佳窑况变量。
接着,计算历史样本数据中每一条数据变量与最佳窑况变量之间的绝对误差,将绝对误差与对应变量的权重加权求和;将加权求和后的数据归一化处理,转化为指定整数区间内的数据评分。
历史数据与最佳窑况变量之间的绝对误差可以评估生产过程的稳定性和优化空间,进而指导调整生产参数以改善窑况和生产效率。
计算得到的数据评分可以反映生产过程中偏差的程度,并可以用于监测和评估生产过程的稳定性,从而更好地指导生产过程的优化和改进。。
接着执行步骤S240,构建数据评分模型,基于历史样本数据和评分对数据评分模型训练,得到训练好的数据评分模型。
首先构建包含LSTM、Transformer 和 MLP神经网络算法的深度神经网络模型和基于梯度提升决策树的机器学习模型,作为数据评分模型。
其中,LSTM(Long Short-Term Memory,长短期记忆网络)可以用于处理具有时间序列特征的数据,例如窑况数据的时间序列信息。Transformer是一种自注意力机制模型,适用于处理具有长距离依赖关系的数据,可以捕捉窑况数据中的全局相关性。MLP(多层感知器)是一种常见的前馈神经网络,适用于捕捉输入特征之间的非线性关系。
通过将这些模型结合起来,可以构建一个复杂而强大的深度神经网络模型,用于对窑况数据进行评分。
梯度提升决策树是一种集成学习算法,通过迭代地构建多个决策树来提升模型性能,例如XGBoost或LightGBM。
然后,对历史样本数据进行差分处理、滑窗处理和滚动中值滤噪处理。这样可以去除数据中的噪声和趋势,并提取出有用信息。
其中,差分处理用于去除时间序列数据的趋势成分。通过计算相邻时间点之间的差值,可以将原始数据转化为其变化量的序列。
滑窗处理通过定义窗口大小,对数据进行局部统计或聚合。例如,可以计算滑动窗口内的均值、最大值、最小值等统计量。滑窗处理有助于捕捉数据的局部特征和变化趋势。
滚动中值滤噪用于去除数据中的噪声。它通过在滑动窗口内计算数据的中位数来平滑数据,并减少突发噪声的影响,提高数据的质量。
接着,将处理后的历史样本数据分割成预设时间长度的多个数据片段,对每个数据片段使用深度神经网络模型进行特征提取,获取前期历史变化特征、滚动中值特征和神经网络提取特征。
例如,将每个数据片段作为LSTM的输入,并将LSTM隐藏层的输出作为Transformer的输入,提取得到前期历史变化特征。
计算每个数据片段的滚动中值特征,滚动中值特征是指在一个固定窗口内计算数据的中值,可以捕捉数据的整体趋势。
将LSTM和Transformer特征表示以及滚动中值特征作为输入,通过MLP(多层感知机)进一步的特征提取,得到神经网络提取特征。
最后,基于前期历史变化特征、滚动中值特征和神经网络提取特征,对机器学习模型训练得到模型最优解,得到训练好的数据评分模型。
可以将前期历史变化特征、滚动中值特征和神经网络提取特征整合成一个数据集。确保数据集包含输入特征和对应的控制变量。将数据集划分为训练集和测试集,用于模型训练和评估。
LightGBM模型具有多个参数可供调节,如树的深度、学习率、子样本比例等。可以根据数据集的特点和实际需求,选择合适的参数设置。
使用训练集对LightGBM模型进行训练,使用测试集对训练好的模型进行评估。通过将测试集的特征输入到模型中,得到预测结果,并与测试集的控制变量进行比较,计算评估指标(如均方误差、准确率等)来评估模型性能。根据模型的评估结果,可以进行参数调优,以获取最优的模型解。一旦获得最优的模型解,可以将其用于预测新的样本数据。
最后执行步骤S250,通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值。
在本发明的一个实施例中,可以将训练好的数据评分模型载入寻优程序,设置寻优条件和寻优阈值。其中,寻优条件包括通过数据评分模型对操作参数的预估评分以及操作参数的当前煤耗,寻优阈值为最优化参数上限和下限,可以确保推荐参数的可靠性。
根据寻优条件定期收集水泥窑系统运行参数,利用贝叶斯最优化算法对数据评分模型的当前判断结果寻优。例如,每八个小时收集水泥窑系统运行参数。调用Hyperopt(实现贝叶斯最优化方法的工具库)提供的优化函数,传入目标函数、超参数空间和优化算法等参数,运行优化过程。优化函数可以根据指定的算法自动选择超参数组合,并调用目标函数进行评估。通过不断地采样和更新先验概率分布来有效地搜索超参数空间,并逐步收敛得到一个或多个最优的超参数组合。
最后,将贝叶斯最优化寻优结果与当前参数相加,得到当前参数的推荐值。对于连续型参数,可以将当前参数与贝叶斯最优化结果的平均值进行相加,得到推荐值。对于离散型参数,可以将当前参数与贝叶斯最优化结果中出现次数最多的取值进行相加,得到当前参数的推荐值。
图4示出了根据本发明一个实施例的水泥窑况优化控制方法400的流程示意图。如图4所示,首先执行步骤S410,使用水泥窑控制参数目标值确定方法获取水泥窑控制参数的推荐值。
在步骤S420中,将推荐值推送到水泥窑的APC控制系统对水泥窑况进行优化控制。
水泥窑的APC(高级过程控制)系统会根据推送的参数和优化算法调整水泥窑的操作,这些参数可以包括窑内温度、氧气含量、压力、物料配比等。。
在步骤S430中,监测APC系统的运行情况和效果,根据运行情况和效果调整控制参数以达到优化目标。
图5示出了根据本发明一个实施例的水泥窑控制参数目标值确定装置500的结构示意图。如图5所示,该装置500可以包括:获取模块510、计算模块520、评分模块530、训练模块540和寻优模块550。
其中,获取模块510可以获取水泥窑的控制变量和被控变量。
计算模块520可以根据变量之间的相互关系确定每个变量的权重。
评分模块530可以根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分。
训练模块540可以构建数据评分模型,基于历史样本数据的评分对数据评分模型训练,得到训练好的数据评分模型。
寻优模块550可以通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值。
上述各装置的具体功能可参照水泥窑控制参数目标值确定方法的描述,本方案在此不再赘述。
根据本发明提供的水泥窑控制参数目标值确定方法和水泥窑况优化控制方法,通过构建数据评分模型,引入大数据分析功能,可在原料发生变化时自动调整控制参数的目标值,解决实际生产过程中在原料发生变化而导致水泥窑的APC控制系统不会自动优化控制的问题,有效地提高水泥窑的运行稳定度,降低水泥窑的能耗。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种水泥窑控制参数目标值确定方法,其特征在于,包括:
获取水泥窑的控制变量和被控变量;
根据变量之间的相互关系确定每个变量的权重;
根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分;
构建数据评分模型,基于所述历史样本数据的评分对所述数据评分模型训练,得到训练好的数据评分模型;
通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值。
2.根据权利要求1所述的水泥窑控制参数目标值确定方法,其特征在于,所述控制变量包括窑喂料量、头煤量、尾煤量、高温风机转速、窑速、篦速、头排风机转速;
所述被控变量包括分解炉温度、预热器出口氧含量、预热器出口CO含量、窑电流、窑尾氮氧化物含量、窑尾氧含量、窑尾CO、窑尾温度、窑尾负压、窑头负压、二次风温、篦冷机篦下压力、篦冷机风机电流、熟料游离钙温度、生料KH、生料IM、生料SM与煤粉热值。
3.根据权利要求2所述的水泥窑控制参数目标值确定方法,其特征在于,所述根据变量之间的相互关系确定每个变量的权重的步骤包括:
根据水泥窑实际生产需求调节优化目标的基准权重,所述优化目标为综合窑况、煤耗和质量;
根据变量之间的相互关系,将所述基准权重逐级分配权重至每个变量,确定每个变量的权重。
4.根据权利要求1所述的水泥窑控制参数目标值确定方法,其特征在于,所述根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分的步骤包括:
获取距离当前时间第一预设时间内的历史样本数据,在所述历史样本数据中截取距离当前时间第二预设时间的数据作为最佳窑况统计数据,所述第一预设时间大于第二预设时间;
按照时间顺序将所述最佳窑况统计数据拆分为多个连续的数据块,计算每个数据块的窑电流标准差,将窑电流标准差最小的数据块作为最佳窑况变量;
计算所述历史样本数据中每一条数据变量与所述最佳窑况变量之间的绝对误差,将绝对误差与对应变量的权重加权求和;
将加权求和后的数据归一化处理,转化为指定整数区间内的数据评分。
5.根据权利要求1所述的水泥窑控制参数目标值确定方法,其特征在于,所述构建数据评分模型,基于所述历史样本数据的评分对所述数据评分模型训练,得到训练好的数据评分模型的步骤包括:
构建包含LSTM、Transformer 和 MLP神经网络算法的深度神经网络模型和基于梯度提升决策树的机器学习模型,作为数据评分模型;
对所述历史样本数据进行差分处理、滑窗处理和滚动中值滤噪处理;
将处理后的历史样本数据分割成预设时间长度的多个数据片段,对每个数据片段使用所述深度神经网络模型进行特征提取,获取前期历史变化特征、滚动中值特征和神经网络提取特征;
基于所述前期历史变化特征、滚动中值特征和神经网络提取特征,对所述机器学习模型训练得到模型最优解,得到训练好的数据评分模型。
6.根据权利要求1所述的水泥窑控制参数目标值确定方法,其特征在于,所述通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值的步骤包括:
将训练好的数据评分模型载入寻优程序,设置寻优条件和寻优阈值,所述寻优条件包括通过数据评分模型对操作参数的预估评分以及操作参数的当前煤耗,所述寻优阈值为最优化参数上限和下限;
根据所述寻优条件定期收集水泥窑系统运行参数,利用贝叶斯最优化算法对数据评分模型的当前判断结果寻优;
将贝叶斯最优化寻优结果与当前参数相加,得到当前参数的推荐值。
7.一种水泥窑况优化控制方法,其特征在于,包括:
使用如权利要求1-6任一项所述的水泥窑控制参数目标值确定方法获取水泥窑控制参数的推荐值;
将所述推荐值推送到水泥窑的APC控制系统对水泥窑况进行优化控制;
监测APC系统的运行情况和效果,根据运行情况和效果调整控制参数以达到优化目标。
8.一种水泥窑控制参数目标值确定装置,其特征在于,包括:
获取模块,用于获取水泥窑的控制变量和被控变量;
计算模块,用于根据变量之间的相互关系确定每个变量的权重;
评分模块,用于根据最佳窑况变量值和对应变量的权重对历史样本数据进行评分;
训练模块,用于构建数据评分模型,基于所述历史样本数据的评分对所述数据评分模型训练,得到训练好的数据评分模型;
寻优模块,用于通过训练好的数据评分模型对水泥窑的实时变量数据进行寻优分析,以获取当前状态下的综合评分最优的水泥窑控制参数目标值。
9.一种计算设备,包括:
至少一个处理器;和存储有程序指令的存储器,其中,所述程序指令被配置为适于由所述至少一个处理器执行,所述程序指令包括用于执行如权利要求1-6中任一项所述的水泥窑控制参数目标值确定方法和如权利要求7所述的水泥窑况优化控制方法的指令。
10.一种存储有程序指令的可读存储介质,当所述程序指令被计算设备读取并执行时,使得所述计算设备执行如权利要求1-6中任一项所述的水泥窑控制参数目标值确定方法和如权利要求7所述的水泥窑况优化控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410020059.0A CN117826734A (zh) | 2024-01-06 | 2024-01-06 | 水泥窑控制参数目标值确定方法和水泥窑况优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410020059.0A CN117826734A (zh) | 2024-01-06 | 2024-01-06 | 水泥窑控制参数目标值确定方法和水泥窑况优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117826734A true CN117826734A (zh) | 2024-04-05 |
Family
ID=90511314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410020059.0A Pending CN117826734A (zh) | 2024-01-06 | 2024-01-06 | 水泥窑控制参数目标值确定方法和水泥窑况优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826734A (zh) |
-
2024
- 2024-01-06 CN CN202410020059.0A patent/CN117826734A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN111275335A (zh) | 一种基于数据驱动的浆液循环泵寻优方法及系统 | |
CN112465239B (zh) | 基于改进pso-fcm算法的脱硫系统运行优化方法 | |
CN113450880A (zh) | 一种脱硫系统入口so2浓度智能预测方法 | |
CN113515049A (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN111444963A (zh) | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 | |
CN115186996A (zh) | 回转窑工艺参数控制方法、装置、电子设备及存储介质 | |
CN111639821A (zh) | 一种水泥炉窑生产能耗预测方法及系统 | |
CN117826734A (zh) | 水泥窑控制参数目标值确定方法和水泥窑况优化控制方法 | |
CN117473770A (zh) | 一种基于数字孪生信息的钢铁设备智能管理系统 | |
WO2020188549A2 (en) | Method and system for monitoring and optimizing the operation of an alumina rotary kiln | |
Zheng et al. | Just-in-time learning for cement free lime prediction with empirical mode decomposition and database monitoring index | |
CN117345440A (zh) | 低碳燃料供应设备及控制方法 | |
WO2022059753A1 (ja) | 溶解炉のエネルギー効率を予測する学習済み予測モデルを生成する方法、溶解炉のエネルギー効率を予測する方法、およびコンピュータプログラム | |
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 | |
CN113579849A (zh) | 一种面向弱刚性钻削的数字孪生控制方法及系统 | |
Xu et al. | Low-cost sensor outlier detection framework for on-line monitoring of particle pollutants in multiple scenarios | |
CN112200447A (zh) | 一种基于大数据的电厂前馈控制优化方法 | |
CN115435603B (zh) | 一种水泥烧成系统实时优化控制技术的实现方法 | |
US12038738B2 (en) | Method and system for monitoring and optimizing the operation of an alumina rotary kiln | |
Fernandes et al. | Modeling vertical roller mill raw meal residue by implementing neural network | |
CN113657484B (zh) | 水泥篦冷机典型工况划分与识别的方法 | |
WO2023163172A1 (ja) | 溶解炉において発生するドロス量を予測する学習済み予測モデルを生成する方法、溶解炉において発生するドロス量を予測する方法、およびコンピュータプログラム | |
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 | |
CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 |
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 |