本發(fā)明涉及水泥熟料燒成過程
技術(shù)領(lǐng)域：
，特別是一種基于熟料質(zhì)量指標(biāo)的新型干法水泥熟料燒成過程生產(chǎn)變量的優(yōu)化方法。
背景技術(shù)：
：新型干法水泥熟料燒成過程是水泥生產(chǎn)過程的重要環(huán)節(jié)，其關(guān)鍵產(chǎn)物水泥熟料中的游離氧化鈣(freecalciumoxideincementclinker，fCaO)含量是水泥熟料質(zhì)量的一項(xiàng)重要指標(biāo)，fCaO含量的高低直接影響水泥的安定性及熟料強(qiáng)度。在水泥燒成過程中，水泥熟料fCaO的含量必須控制在一定范圍內(nèi)，水泥熟料中fCaO含量過高，將會出現(xiàn)水泥安定性不合格現(xiàn)象；反之，fCaO含量過低，水泥熟料往往呈過燒狀態(tài)，水泥熟料質(zhì)量缺乏活性和強(qiáng)度不高，并且導(dǎo)致能源消耗較大。因此，水泥燒成過程中的操作和工藝人員需實(shí)時(shí)掌握當(dāng)前水泥熟料fCaO含量值。另外，當(dāng)水泥熟料fCaO含量不合格時(shí)，現(xiàn)場人員需根據(jù)當(dāng)前fCaO含量值對水泥燒成過程的主要變量進(jìn)行調(diào)整，目前相應(yīng)變量的調(diào)整量主要是操作人員和工藝人員根據(jù)經(jīng)驗(yàn)給出的，不合理的調(diào)整極易導(dǎo)致水泥燒成過程工況波動較大、燃煤用量嚴(yán)重浪費(fèi)和產(chǎn)品質(zhì)量合格率低等問題的發(fā)生。因此，如何根據(jù)實(shí)時(shí)熟料質(zhì)量指標(biāo)fCaO含量給出合理定量的水泥燒成過程優(yōu)化變量的調(diào)整值是一項(xiàng)重要的研究課題。目前在國內(nèi)外水泥生產(chǎn)中，水泥熟料fCaO含量難以實(shí)現(xiàn)在線檢測，其檢測方法主要為離線化學(xué)分析法和熒光在線分析儀法。離線化學(xué)分析法需每隔一段時(shí)間到現(xiàn)場取樣離線化驗(yàn)得到水泥熟料fCaO的含量，由于水泥熟料燒成過程具有一定時(shí)間的延時(shí)，離線分析獲得fCaO含量相對于指導(dǎo)燒成系統(tǒng)的控制具有很大的滯后性；熒光在線分析儀法可以實(shí)現(xiàn)對水泥熟料游離鈣含量實(shí)時(shí)檢測，但設(shè)備成本較大，維護(hù)費(fèi)用高，并且測量的準(zhǔn)確性容易受到現(xiàn)場煙塵和實(shí)際工況的影響，測量精度也不高。近年來，工業(yè)過程中對于一些難以在線測量和無法建立準(zhǔn)確機(jī)理模型的變量常常采用軟測量技術(shù)進(jìn)行估計(jì)，因此，水泥熟料fCaO含量軟測量的研究具有重要的理論和實(shí)際意義。眾多國內(nèi)外工藝專家對此做了大量的研究工作，如王卓等針對水泥熟料質(zhì)量指標(biāo)的測量，提出一種基于最小二乘支持向量機(jī)的軟測量建模方法，該方法相對于基于徑向基神經(jīng)網(wǎng)絡(luò)的測量方法具有明顯優(yōu)勢，建立的軟測量模型對于整個(gè)窯系統(tǒng)優(yōu)化控制具有重要意義；劉文光等人在提出的軟測量建?；A(chǔ)上，給出了一套通過軟件編程的軟儀表實(shí)現(xiàn)方案，該方案對于保證水泥熟料質(zhì)量和實(shí)現(xiàn)回轉(zhuǎn)窯燒成系統(tǒng)的優(yōu)化控制具有重要意義；舒云星等人提出了將核主元分析和支持向量機(jī)相結(jié)合的熟料f-CaO含量預(yù)測方法，該方法能有效的預(yù)測水泥熟料游離氧化鈣含量；Li等人采用權(quán)重隨機(jī)賦值的前饋神經(jīng)網(wǎng)絡(luò)建立了水泥熟料fCaO軟測量模型，對回轉(zhuǎn)窯操作具有一定指導(dǎo)意義。水泥熟料燒成過程包括分解爐預(yù)分解、回轉(zhuǎn)窯高溫煅燒以及篦冷機(jī)快速冷卻，是一個(gè)極其復(fù)雜的物理化學(xué)反應(yīng)過程，并且容易受到生料和燃煤成分含量波動等因素的影響。目前，傳統(tǒng)新型干法水泥熟料燒成過程生產(chǎn)線廣泛采用DCS/PLC控制系統(tǒng)作為生產(chǎn)過程的監(jiān)控系統(tǒng)，主要依靠操作員的經(jīng)驗(yàn)和能力操作。針對水泥燒成過程的優(yōu)化，諸多專家也做了大量的研究工作，田海奎等人提出了一種包括安全模塊、經(jīng)濟(jì)模塊和在線決策控制模塊的水泥生產(chǎn)與優(yōu)化系統(tǒng)，提高了水泥生產(chǎn)過程設(shè)備運(yùn)行的安全性和經(jīng)濟(jì)性；于海濱等人利用水泥生產(chǎn)過程中的歷史數(shù)據(jù)，建立了水泥熟料生產(chǎn)過程的能耗模型和熟料質(zhì)量模型，建模過程簡單，并給出了一種新型干法水泥熟料生產(chǎn)全流程優(yōu)化方法；于現(xiàn)軍等人提出了一種回轉(zhuǎn)窯窯內(nèi)溫度梯度優(yōu)化控制方法，可有效解決回轉(zhuǎn)窯內(nèi)溫度場分布不合理造成的產(chǎn)品質(zhì)量問題，達(dá)到降低燃料消耗，穩(wěn)定產(chǎn)品質(zhì)量的目的。到目前為止，當(dāng)水泥熟料fCaO含量不合格時(shí)，如何根據(jù)實(shí)時(shí)熟料質(zhì)量指標(biāo)fCaO含量給出合理定量的水泥燒成過程生產(chǎn)變量優(yōu)化方法的研究還沒有報(bào)道記載。根據(jù)上述國內(nèi)外研究現(xiàn)狀可知，提供一種基于熟料質(zhì)量指標(biāo)的水泥燒成過程優(yōu)化方法，通過建立一種水泥熟料fCaO含量軟測量模型，實(shí)時(shí)測量出當(dāng)前工況下的熟料fCaO含量值，并基于該軟測量模型和熟料fCaO含量值，采用智能優(yōu)化算法給出當(dāng)前工況下合理定量的水泥燒成過程優(yōu)化變量的調(diào)整值，以此達(dá)到減輕技術(shù)人員的工作強(qiáng)度，提高熟料質(zhì)量的合格率，降低水泥燒成過程能源消耗。技術(shù)實(shí)現(xiàn)要素：針對水泥熟料fCaO含量與輸入變量間具有復(fù)雜非線性特性以及現(xiàn)有水泥燒成過程生產(chǎn)變量優(yōu)化方法不能滿足現(xiàn)場應(yīng)用需求的問題，本發(fā)明要解決的技術(shù)問題是提供一種基于熟料質(zhì)量指標(biāo)的水泥燒成過程優(yōu)化方法，該方法通過建立水泥熟料fCaO軟測量模型，通過內(nèi)嵌水泥熟料fCaO軟測量模型的軟測量儀表實(shí)時(shí)給出當(dāng)前工況下的熟料fCaO含量值，并基于該值采用智能優(yōu)化算法給出合理定量的水泥燒成過程優(yōu)化變量的調(diào)整值，以提高水泥熟料燒成過程設(shè)備運(yùn)行穩(wěn)定性和熟料質(zhì)量合格率。為解決上述技術(shù)問題，本發(fā)明是通過以下的技術(shù)方案實(shí)現(xiàn)的：一種基于熟料質(zhì)量指標(biāo)的水泥燒成過程優(yōu)化方法，其內(nèi)容包括以下步驟：步驟1熟料fCaO含量軟測量模型：建立水泥熟料質(zhì)量指標(biāo)游離氧化鈣fCaO含量軟測量模型，利用多核最小二乘支持向量機(jī)建立水泥熟料fCaO含量軟測量模型，選取水泥燒成過程中分解爐出口溫度1、煙室氮氧化物含量2、煙室溫度3、窯主機(jī)電流4以及二次風(fēng)溫5作為熟料fCaO含量軟測量模型的輸入變量，選取熟料質(zhì)量指標(biāo)fCaO含量作為熟料fCaO含量軟測量模型的輸出變量；步驟2熟料fCaO含量實(shí)時(shí)測量：采集步驟1中熟料fCaO含量軟測量模型輸入變量的現(xiàn)場當(dāng)前值，通過內(nèi)嵌水泥熟料fCaO含量軟測量模型的水泥熟料fCaO含量軟測量儀表實(shí)時(shí)預(yù)測出水泥熟料fCaO含量當(dāng)前值；步驟3水泥燒成過程優(yōu)化：結(jié)合步驟1所建立的熟料fCaO含量軟測量模型以及步驟2中所測量出的熟料fCaO含量當(dāng)前值，采用基于序列二次規(guī)劃方法局部搜索的量子粒子群優(yōu)化算法，根據(jù)設(shè)定的優(yōu)化算法目標(biāo)函數(shù)，迭代尋優(yōu)出水泥燒成過程中優(yōu)化變量的調(diào)整值；所述的水泥燒成過程中優(yōu)化變量即為步驟1中熟料fCaO含量軟測量模型的輸入變量。在步驟1中，所述的多核最小二乘支持向量機(jī)，其中的核函數(shù)是采用多項(xiàng)式、指數(shù)徑向基和高斯徑向基三種核函數(shù)組合構(gòu)建等價(jià)核的方法建立的，因此，充分利用了三種核函數(shù)的特點(diǎn)，增強(qiáng)了所建立的水泥熟料fCaO含量軟測量模型的泛化能力。在步驟2中，所述的水泥熟料fCaO軟測量儀表是將步驟1中建立的水泥熟料fCaO含量軟測量模型嵌入到儀表內(nèi)，包括數(shù)據(jù)采集模塊以及計(jì)算分析模塊；數(shù)據(jù)采集模塊功能是將步驟1中所述水泥熟料fCaO含量軟測量模型輸入變量的現(xiàn)場當(dāng)前值采集到軟測量儀表內(nèi)；計(jì)算分析模塊是采用內(nèi)嵌的軟測量模型計(jì)算分析給出水泥熟料fCaO含量當(dāng)前值。在步驟3中，所述的基于序列二次規(guī)劃方法局部搜索的量子粒子群優(yōu)化算法是采用量子粒子群優(yōu)化算法作為全局搜索器，將序列二次規(guī)劃方法作為局部搜索器，算法根據(jù)尋優(yōu)過程收斂情況在全局與局部搜索之間進(jìn)行切換，并且局部搜索區(qū)域參數(shù)隨迭代次數(shù)遞增，以緩解優(yōu)化算法收斂早熟現(xiàn)象。在步驟3中，所述的優(yōu)化算法目標(biāo)函數(shù)是根據(jù)步驟2測量出的熟料fCaO含量當(dāng)前值而設(shè)定，設(shè)定水泥熟料fCaO含量的范圍值；當(dāng)熟料fCaO含量當(dāng)前值大于高限值，則優(yōu)化方法目標(biāo)函數(shù)為式(1)；當(dāng)熟料fCaO含量當(dāng)前值小于低限值，則優(yōu)化方法目標(biāo)函數(shù)為式(2)；當(dāng)熟料fCaO含量當(dāng)前值在設(shè)定的水泥熟料fCaO含量的范圍值內(nèi)時(shí)，不進(jìn)行優(yōu)化調(diào)整，保證水泥燒成過程的穩(wěn)定性；minf(X)X=[X1,X2,X3,X4,X5]s.t.ci≤Xi≤di,i=1,...,5---(1)]]>maxf(X)X=[X1,X2,X3,X4,X5]s.t.ci≤Xi≤di,i=1,...,5---(2)]]>式中，f(·)為優(yōu)化目標(biāo)，即為步驟1所建立的水泥熟料fCaO軟測量模型測量得到的水泥熟料fCaO含量；X1,…,X5為步驟3所述的水泥燒成過程中優(yōu)化變量；c、d分別為各優(yōu)化變量的下限和上限。本發(fā)明具有以下有益效果：1、采用多核最小二乘支持向量機(jī)建立的水泥熟料fCaO含量軟測量模型泛化能力較強(qiáng)，建模過程較為簡單，并且基于該模型實(shí)現(xiàn)了熟料fCaO含量的實(shí)時(shí)測量，為水泥燒成過程操作人員提供了可靠的生產(chǎn)指導(dǎo)；2、充分利用了水泥燒成過程的工藝知識，結(jié)合水泥熟料質(zhì)量指標(biāo)fCaO含量當(dāng)前值，利用智能優(yōu)化算法迭代尋優(yōu)獲得了優(yōu)化變量的調(diào)整值，保證生產(chǎn)過程設(shè)備長期穩(wěn)定運(yùn)行，增長設(shè)備的使用壽命，降低生產(chǎn)設(shè)備的維護(hù)成本；3、通過優(yōu)化方法，保證了成品質(zhì)量的合格率，達(dá)到了穩(wěn)定水泥熟料燒成過程的質(zhì)量的目的，實(shí)現(xiàn)了燒成過程節(jié)能降耗的生產(chǎn)要求，降低了企業(yè)生產(chǎn)成本，增強(qiáng)了企業(yè)競爭力。附圖說明圖1為水泥熟料燒成過程工藝圖；圖中：1-分解爐出口溫度、2-煙室氮氧化物含量、3-煙室溫度、4-窯主機(jī)電流、5-二次風(fēng)溫；圖2為水泥熟料fCaO含量軟測量模型框圖；圖3為基于熟料質(zhì)量指標(biāo)的水泥燒成過程優(yōu)化方法流程圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)描述。本發(fā)明是一種基于熟料質(zhì)量指標(biāo)的水泥燒成過程優(yōu)化方法，其內(nèi)容包括如下步驟：步驟1熟料fCaO含量軟測量模型圖1所示為水泥熟料燒成過程工藝圖，由圖1所示的水泥生產(chǎn)工藝可知，水泥熟料是生料經(jīng)過分解爐預(yù)分解、回轉(zhuǎn)窯高溫煅燒以及篦冷機(jī)快速冷卻而獲得的固體顆粒物料。水泥熟料中沒有參加化學(xué)反應(yīng)，以游離態(tài)存在的氧化鈣稱為水泥熟料游離氧化鈣fCaO。水泥熟料fCaO含量對水泥的安定性有直接影響，能間接反映物料在燒成帶的燒成狀況，是水泥熟料質(zhì)量的一項(xiàng)重要指標(biāo)。根據(jù)水泥燒成過程的工藝原理，變量分解爐出口溫度1、煙室氮氧化物含量2、煙室溫度3、窯主機(jī)電流4以及二次風(fēng)溫5可直接反應(yīng)水泥熟料燒成過程工況，且關(guān)系著水泥熟料fCaO含量高低。其中，分解爐出口溫度1作為分解爐操作的主要參考變量，可間接反應(yīng)水泥生料在分解爐中的分解狀況，生料分解率的高低對熟料質(zhì)量具有較大影響；回轉(zhuǎn)窯中的氮氧化物氣體主要產(chǎn)生于回轉(zhuǎn)窯的燒成帶，燒成帶溫度高，產(chǎn)生的氮氧化物濃度增加，反之降低，在負(fù)壓作用下可迅速移動到窯尾的煙室中，通過窯尾氣體分析儀測量的煙室氮氧化物含量2可直接反應(yīng)出回轉(zhuǎn)窯燒成帶區(qū)域的溫度，而燒成帶溫度決定了生料中碳酸鈣分解成氧化鈣的分解率，對熟料質(zhì)量具有決定性作用；煙室溫度3為回轉(zhuǎn)窯窯尾距回轉(zhuǎn)窯燒成帶最近的溫度測點(diǎn)，同燒成帶溫度一起表征生料在回轉(zhuǎn)窯內(nèi)的煅燒情況；窯主機(jī)電流4可直接反映回轉(zhuǎn)窯內(nèi)窯皮的狀況，可以間接反映生料在回轉(zhuǎn)窯內(nèi)的煅燒狀況；二次風(fēng)溫5作為篦冷機(jī)熟料冷卻換熱后通往回轉(zhuǎn)窯內(nèi)的熱量，是回轉(zhuǎn)窯內(nèi)生料煅燒的熱量補(bǔ)充，可間接反應(yīng)高溫熟料在篦冷機(jī)篦板上的換熱情況。因此，本發(fā)明建立的水泥熟料fCaO含量軟測量模型的輸入變量即為所述的分解爐出口溫度1、煙室氮氧化物含量2、煙室溫度3、窯主機(jī)電流4以及二次風(fēng)溫5，水泥熟料fCaO含量軟測量模型輸出變量為水泥熟料質(zhì)量指標(biāo)fCaO含量，圖2所示為水泥熟料fCaO含量軟測量模型框圖。本發(fā)明的具體實(shí)施方式從某水泥廠生產(chǎn)線DCS系統(tǒng)和化驗(yàn)室歷史記錄中共獲得樣本數(shù)據(jù)400組，隨機(jī)選擇其中的300組數(shù)據(jù)作為水泥熟料fCaO含量軟測量建模的訓(xùn)練樣本，其余的100組數(shù)據(jù)作為水泥熟料fCaO含量軟測量建模的測試樣本。采用多核最小二乘支持向量機(jī)(multiplekernelleastsquaresupportvectormachine，MKLSSVM)建立水泥熟料fCaO含量軟測量模型，相對于傳統(tǒng)單核最小二乘支持向量機(jī)學(xué)習(xí)方法，MKLSSVM方法通過對多個(gè)不同類型核函數(shù)的線性組合構(gòu)成新的等價(jià)核函數(shù)，可降低單一核函數(shù)及核函數(shù)選擇對所建立的水泥熟料fCaO軟測量模型精度的影響，可更加準(zhǔn)確地表達(dá)水泥熟料fCaO含量與輸入變量間復(fù)雜非線性關(guān)系?；诙嗪俗钚《酥С窒蛄繖C(jī)的水泥熟料fCaO軟測量模型建模過程描述如下；多核最小二乘支持向量機(jī)MKLSSVM的核函數(shù)是將G個(gè)不同類型核函數(shù)K1,···,KG線性加權(quán)組合，得到新的等價(jià)核函數(shù)。假設(shè)給定的用以建立水泥熟料fCaO軟測量模型的訓(xùn)練樣本數(shù)據(jù)集為{(x1,y1),(x2,y2),…,(xN,yN)}，其中N為訓(xùn)練樣本數(shù)，該具體實(shí)施方式中N＝100；xi∈RN為輸入矢量，其中RN為輸入空間；yi∈R為相應(yīng)的期望輸出，其中R為實(shí)數(shù)集，i＝1,2,…,N。RN通過非線性函數(shù)被映射到一個(gè)高維的特征空間Z，高維特征空間采用形如式(3)的表達(dá)式來估計(jì)未知的非線性函數(shù)。式中，wk∈Z為的權(quán)值，λk≥0為第k個(gè)核函數(shù)的系數(shù)，k＝1,2,…,G，b∈R為常值偏差矩陣。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，將求解式(3)轉(zhuǎn)化為在原始空間求解如下最小值優(yōu)化問題的目標(biāo)函數(shù)：minλkminwk,ei12Σk=1GλkwkTwk+12γΣi=1Nei2,γ>0---(4)]]>上述目標(biāo)函數(shù)滿足約束條件：式(4)所示目標(biāo)函數(shù)的第一項(xiàng)反映了水泥熟料fCaO含量軟測量模型的泛化能力，目標(biāo)函數(shù)的第二項(xiàng)體現(xiàn)了水泥熟料fCaO含量軟測量模型的準(zhǔn)確度，正則化系數(shù)γ代表模型泛化能力及精度間的匹配參數(shù)，ei為第i個(gè)水泥熟料fCaO含量數(shù)據(jù)的實(shí)際化驗(yàn)室測量值和預(yù)測期望輸出值間的誤差。采用Lagrange乘子法建立式(4)的Lagrange函數(shù)：式中，αi∈R和βi∈R為Lagrange因子。根據(jù)最優(yōu)性條件，分別求Lagrange函數(shù)L關(guān)于變量wk,b,ei,αi,βi的偏微分：由上式推導(dǎo)得出：因此，在求解過程中可消去Lagrange因子β，根據(jù)式(8)消去變量wk和ei，得到y(tǒng)i表達(dá)式如下：為方便求解式(4)最優(yōu)化問題目標(biāo)函數(shù)的參數(shù)，根據(jù)式(6)和式(8)得矩陣表達(dá)式如下：0ETEΩ+γ-1Ibα=0y---(10)]]>式中，E＝[1,1,···,1]T，α＝[α1,α2,…,αN]T，y＝[y1,y2,…,yN]T，Ω是一個(gè)N×N的對稱矩陣，其中i,j＝1,2,…N。定義為滿足Mercer條件的核函數(shù)，則Ω可表示為：Ωij=Σk=1MλkK(xi,xj),i,j=1,2,...N---(11)]]>假定矩陣可逆，則參數(shù)b及α的解析解為：bα=Φ-10y---(12)]]>因此，將(8)式中代入式(3)，推導(dǎo)得出水泥熟料fCaO軟測量MKLSSVM模型的對偶空間表達(dá)式為：MKLSSVM學(xué)習(xí)方法的非線性映射能力是由核函數(shù)決定的，因此選取合適的核函數(shù)將提高所建立模型的精度和泛化能力。本發(fā)明在綜合常用核函數(shù)特性并權(quán)衡模型精度與計(jì)算復(fù)雜度的基礎(chǔ)上，選用三階多項(xiàng)式Kpoly、指數(shù)型徑向基Kexp和高斯徑向基KRBF三種核函數(shù)進(jìn)行加權(quán)組合，構(gòu)建包含三種核函數(shù)的水泥熟料fCaO含量軟測量MKLSSVM模型。三階多項(xiàng)式核函數(shù)Kpoly(x,xi)＝[(xiTx)+C]3常被用來表示非線性的特征映射，其中參數(shù)C為多項(xiàng)式核函數(shù)參數(shù)；指數(shù)型徑向基核函數(shù)Kexp(x,xi)＝exp(-||x-xi||/(2σ′2))應(yīng)用于離散回歸問題時(shí)可產(chǎn)生一個(gè)線性的分段解，σ′為指數(shù)型核函數(shù)核寬度；高斯徑向基核函數(shù)KRBF(x,xi)＝exp(-(||x-xi||2)/(2σ2))常用來表示非線性特性，σ為其核寬度。將上述三種核函數(shù)共同應(yīng)用于水泥熟料fCaO含量軟測量MKLSSVM建模中，可準(zhǔn)確表示水泥熟料fCaO含量與各個(gè)輸入變量之間的復(fù)雜非線性關(guān)系。因此，用于水泥熟料fCaO含量軟測量MKLSSVM模型中的等價(jià)核函數(shù)可表示為：K＝λ1Kpoly+λ2Kexp+λ3KRBF(14)式中，λ1為三階多項(xiàng)式Kpoly核函數(shù)系數(shù)，λ2為指數(shù)型徑向基Kexp核函數(shù)系數(shù)，λ3為高斯徑向基KRBF核函數(shù)系數(shù)，核函數(shù)系數(shù)λk(k＝1,2,3)分別表示各個(gè)核函數(shù)所占比重，不同的核函數(shù)系數(shù)值表示變量間不同的非線性關(guān)系。根據(jù)式(5)的約束條件知λ1+λ2+λ3＝1，因此，式(14)可簡化為：K＝λ1Kpoly+λ2Kexp+(1-λ1-λ2)KRBF(15)將所選三種核函數(shù)表達(dá)式代入式(13)，水泥熟料fCaO軟測量MKLSSVM模型對偶空間的表達(dá)式為：y(x)=Σi=1Nαi{λ1·[(xiTx)+C]3+λ2·exp(-||x-xi||2σ′2)+(1-λ1-λ2)·exp(-||x-xi||22σ2)}+b---(16)]]>式中，參數(shù)α和b由式(12)求解得出，是關(guān)于γ、C、σ′、σ、λ的參量。因此，通過上述描述即可建立包含三種核函數(shù)的水泥熟料fCaO軟測量MKLSSVM模型。該水泥熟料fCaO含量軟測量建模方法為本發(fā)明步驟2中水泥熟料fCaO實(shí)時(shí)測量和本發(fā)明步驟3中水泥燒成過程優(yōu)化調(diào)整提供了理論支撐。步驟2熟料fCaO含量實(shí)時(shí)測量熟料fCaO含量實(shí)時(shí)測量主要是采用水泥熟料fCaO含量軟測量儀表完成水泥熟料fCaO含量的實(shí)時(shí)測量，圖3所示為基于熟料質(zhì)量指標(biāo)的水泥燒成過程優(yōu)化方法流程圖；將步驟1所建立的水泥熟料fCaO含量軟測量模型嵌入到水泥熟料fCaO含量軟測量儀表內(nèi)，水泥熟料fCaO含量軟測量儀表包括數(shù)據(jù)采集模塊和計(jì)算分析模塊。數(shù)據(jù)采集模塊是通過OPC通訊協(xié)議使軟測量儀表與現(xiàn)場水泥燒成過程DCS系統(tǒng)站進(jìn)行通訊，將步驟1所建立的水泥熟料fCaO含量軟測量模型輸入變量的當(dāng)前值采集到水泥熟料fCaO含量軟測量儀表內(nèi)，供計(jì)算分析模塊使用。計(jì)算分析模塊的功能是根據(jù)上述數(shù)據(jù)采集模塊采集到的輸入變量當(dāng)前值實(shí)時(shí)計(jì)算分析得出水泥熟料fCaO含量的測量當(dāng)前值，根據(jù)步驟1中水泥熟料fCaO含量軟測量建模過程可知，水泥熟料fCaO含量軟測量模型辨識完成后，式(16)中參數(shù)α和b是已知的，當(dāng)給定模型輸入變量x后，即可根據(jù)式(16)計(jì)算得出當(dāng)前輸入下的水泥熟料fCaO含量的當(dāng)前測量值y。步驟3水泥燒成過程優(yōu)化由圖3所示的基于熟料質(zhì)量指標(biāo)的水泥燒成過程優(yōu)化方法流程圖可知，當(dāng)步驟2測量出水泥熟料fCaO含量當(dāng)前值后，結(jié)合步驟1建立的熟料fCaO含量軟測量模型，采用基于序列二次規(guī)劃方法局部搜索的量子粒子群優(yōu)化算法，根據(jù)設(shè)定的優(yōu)化算法目標(biāo)函數(shù)，迭代尋優(yōu)出水泥燒成過程各優(yōu)化變量的調(diào)整值。當(dāng)步驟2測量出的水泥熟料fCaO含量當(dāng)前值超出正常范圍時(shí)，根據(jù)當(dāng)前工況和熟料fCaO含量值，現(xiàn)場操作人員對水泥燒成工況進(jìn)行相應(yīng)調(diào)整；此前的操作人員和工藝人員主要根據(jù)經(jīng)驗(yàn)給出相應(yīng)變量的調(diào)整量，不合理的調(diào)整極易導(dǎo)致熟料燒成工況波動較大、燃煤用量浪費(fèi)嚴(yán)重、質(zhì)量合格率低等問題的發(fā)生。本發(fā)明就是為了解決上述問題，當(dāng)水泥熟料fCaO含量當(dāng)前值超出正常范圍時(shí)，通過基于序列二次規(guī)劃方法局部搜索的量子粒子群優(yōu)化算法迭代尋優(yōu)獲得當(dāng)前工況下合理定量的水泥燒成過程優(yōu)化變量的調(diào)整值，減輕技術(shù)人員的工作強(qiáng)度，提高熟料質(zhì)量的合格率，降低水泥燒成過程能源消耗。設(shè)定水泥熟料fCaO含量的正?？刂品秶禐閇0.5,1.2]，當(dāng)步驟2測量出的水泥熟料fCaO含量當(dāng)前值在設(shè)定的水泥熟料fCaO含量的正常范圍值內(nèi)時(shí)，為了保證水泥燒成過程的穩(wěn)定運(yùn)行，不進(jìn)行相應(yīng)變量的優(yōu)化調(diào)整。當(dāng)步驟2測量出的水泥熟料fCaO含量當(dāng)前值大于正常范圍高限值時(shí)，此時(shí)水泥熟料內(nèi)游離氧化鈣含量過高，水泥熟料質(zhì)量和水泥安定性不合格，極易造成使用這種水泥的建筑出現(xiàn)嚴(yán)重質(zhì)量問題，因此，當(dāng)前優(yōu)化過程應(yīng)是迭代尋優(yōu)獲得使水泥熟料fCaO含量降低的最優(yōu)的優(yōu)化變量調(diào)整值，此時(shí)水泥燒成過程優(yōu)化方法的目標(biāo)函數(shù)如式(17)：minf(X)X=[X1,X2,X3,X4,X5]s.t.ci≤Xi≤di,i=1,...,5---(17)]]>當(dāng)熟料fCaO含量當(dāng)前值小于低限值時(shí)，水泥熟料內(nèi)游離氧化鈣含量過低，此時(shí)水泥熟料往往呈過燒狀態(tài)，熟料質(zhì)量缺乏活性，強(qiáng)度并不高，并且過低的熟料fCaO含量值意味著過多的能源消耗，提高了水泥生產(chǎn)企業(yè)的生產(chǎn)成本。因此，當(dāng)前優(yōu)化過程應(yīng)是迭代尋優(yōu)獲得使水泥熟料fCaO含量增高的最優(yōu)的優(yōu)化變量值，此時(shí)水泥燒成過程優(yōu)化方法的目標(biāo)函數(shù)如式(18)：maxf(X)X=[X1,X2,X3,X4,X5]s.t.ci≤Xi≤di,i=1,...,5---(18)]]>式中，f(·)為優(yōu)化目標(biāo)，即為步驟1所建立的水泥熟料fCaO含量軟測量模型測量得到的水泥熟料fCaO含量；X1,…,X5為水泥燒成過程中待優(yōu)化變量，即為步驟1所述水泥熟料fCaO含量軟測量模型的輸入變量；c、d分別為各優(yōu)化變量的下限和上限。本發(fā)明中水泥燒成過程優(yōu)化方法中的迭代尋優(yōu)算法是一種基于序列二次規(guī)劃方法局部搜索的量子粒子群優(yōu)化算法(improvedquantumparticleswarmoptimization，IQPSO)，該算法是采用量子粒子群優(yōu)化(quantumparticleswarmoptimization，QPSO)算法作為全局搜索器，將序列二次規(guī)劃(sequentialquadraticprogramming，SQP)方法作為局部搜索器，算法根據(jù)尋優(yōu)過程收斂情況在全局與局部搜索之間進(jìn)行切換，且具有局部搜索區(qū)域參數(shù)隨迭代次數(shù)遞增的調(diào)整策略，既可保證算法搜索的全局性，又可增強(qiáng)算法局部搜索能力，有效緩解算法收斂早熟的現(xiàn)象。由于水泥熟料fCaO含量當(dāng)前值大于高限值和小于低限值時(shí)的迭代尋優(yōu)過程類似，現(xiàn)只針對水泥熟料fCaO含量當(dāng)前值大于高限值的情況進(jìn)行說明。本具體實(shí)施方式中設(shè)定水泥燒成過程優(yōu)化的目標(biāo)搜索空間即為優(yōu)化變量個(gè)數(shù)，即D＝5，設(shè)定粒子種群數(shù)M＝30，則在第t次迭代尋優(yōu)中，第i個(gè)粒子位置表示為：Xi(t)＝{Xi,1(t),…,Xi,D(t)},i＝1,2,…,M(19)QPSO優(yōu)化算法的操作算子少，并引入了平均最好位置(meanbestposition，mbest)，使粒子間存在等待效應(yīng)，大大提高了量子粒子的協(xié)同工作能力，體現(xiàn)出較強(qiáng)的全局搜索能力。因此，水泥燒成過程優(yōu)化算法中全局搜索器QPSO優(yōu)化算法的進(jìn)化方程可表示為：X(t+1)＝r±ε|mbest-X(t)|ln(1/u)(20)式中，r＝ηPi+(1-η)Pg，η為[0,1]之間的隨機(jī)數(shù)，Pi為個(gè)體最優(yōu)位置，Pg為當(dāng)前全局搜索的較優(yōu)位置；“±”號取值根據(jù)u大小而定，當(dāng)u≥0.5，取“-”，否則取“+”，u為[0,1]之間隨機(jī)數(shù)；ε＝1-t/T×0.5為收縮-擴(kuò)張因子，t為當(dāng)前迭代次數(shù)，T為最大迭代次數(shù)；mbest為平均最好位置，即所有粒子個(gè)體最好位置的平均值，表達(dá)式如式(21)：mbest=1MΣi=1MPi(t)=(1MΣi=1MPi,1(t),1MΣi=1MPi,2(t),...,1MΣi=1MPi,D(t))---(21)]]>序列二次規(guī)劃SQP方法是一種解帶約束的非線性規(guī)劃方法，能夠解決形如式(22)的規(guī)劃問題。minx∈RnJ(x)s.t.gi(x)≤0,i∈I={1,2,...,m}---(22)]]>式中，J(x)為目標(biāo)函數(shù)，gj(x)(i∈I):Rn→Rm為約束函數(shù)。由于SQP方法在求解尋優(yōu)問題時(shí)具有收斂速度快、局部搜索能力強(qiáng)的特點(diǎn)，因此，采用SQP作為水泥燒成過程優(yōu)化算法IQPSO的局部搜索器，以收斂閾值τ作為切換條件，當(dāng)QPSO搜索到的全局最優(yōu)值變化量小于τ時(shí)，以當(dāng)前全局最優(yōu)位置Pgbest為初始點(diǎn)，調(diào)用SQP方法在給定尋優(yōu)區(qū)域內(nèi)進(jìn)行局部搜索。此時(shí)，水泥燒成過程優(yōu)化算法IQPSO的SQP局部尋優(yōu)問題可表示為如式(23)所示的優(yōu)化問題。minf(X)s.t.X≤Pgbest+ξ≤dX≥Pgbest-ξ≥c---(23)]]>式中，ξ∈(0,0.5×d-0.5×c]為局部尋優(yōu)區(qū)域參數(shù)，c、d分別為全局尋優(yōu)區(qū)域的最小值和最大值。由于全局優(yōu)化算法后期易陷入局部最優(yōu)，因此，設(shè)定局部尋優(yōu)區(qū)域參數(shù)ξ隨著全局迭代次數(shù)t遞增的調(diào)整，其調(diào)整形式如下式：ξ=t2T(d-c)---(24)]]>SQP方法求解式(23)問題時(shí)，可通過求解一系列的QP子問題來逐步逼近最優(yōu)解，在迭代點(diǎn)Xk處QP子問題表示為下式：min▿f(Xk)Tψk+12ψkTBkψks.t.Xk+ψk≤Pgbest+ξ≤dXk+ψk≥Pgbest-ξ≥c---(25)]]>式中，下標(biāo)k是SQP局部搜索過程當(dāng)前迭代次數(shù)，ψ為優(yōu)化變量的搜索方向，B是Hession矩陣，可由擬牛頓法近似求出。通過逐次求解式(7)中的QP子問題，可獲得局部最優(yōu)位置Pgbest,sqp，以Pgbest,sqp作為基準(zhǔn)更新Pi、Pg和Pgbest，繼續(xù)全局搜索，直至獲得全局最優(yōu)解，即可獲得基于熟料質(zhì)量指標(biāo)水泥熟料fCaO含量的水泥燒成過程優(yōu)化變量的調(diào)整值，現(xiàn)場操作人員即可根據(jù)該優(yōu)化變量的調(diào)整值對水泥燒成過程相關(guān)參數(shù)進(jìn)行優(yōu)化調(diào)整，達(dá)到提高熟料質(zhì)量合格率、降低水泥燒成過程能源消耗的目的。綜上，基于熟料指標(biāo)水泥熟料fCaO含量的水泥燒成過程優(yōu)化方法的迭代尋優(yōu)步驟如下：(1)初始化優(yōu)化算法參數(shù)，種群規(guī)模M，最大迭代次數(shù)T，局部尋優(yōu)區(qū)域參數(shù)ξ，切換條件收斂閾值τ，在優(yōu)化變量范圍內(nèi)隨機(jī)初始化所有優(yōu)化變量種群粒子的初始位置Xi，令粒子位置初始為Pi；(2)根據(jù)式(16)計(jì)算當(dāng)前優(yōu)化變量值下的水泥熟料fCaO含量值f(·)，令種群中具有最佳水泥熟料fCaO含量值的量子位置初始為Pg和Pgbest；(3)檢查是否滿足結(jié)束條件：t≥T，如果滿足則跳轉(zhuǎn)到步驟(9)，否則運(yùn)行步驟(4)。(4)按式(20)更新粒子的位置Xi，并根據(jù)以下規(guī)則更新Pi和Pg：若f(Xi)<f(Pi)，則Pi＝Xi，否則Pi不變；若f(Pi)<f(Pg)，則Pg＝Pi，否則Pg不變；(5)記錄Pgbest并更新迭代次數(shù)t；(6)判斷f(Pg)t-1-f(Pg)t＜τ是否滿足：如果滿足，則運(yùn)行步驟(7)，進(jìn)行局部搜索算法；否則，運(yùn)行步驟(8)；(7)以Pgbest為初始點(diǎn)進(jìn)行局部尋優(yōu)，獲得局部最優(yōu)位置Pgbest,sqp，并根據(jù)以下規(guī)則更新Pg及Pgbest：若f(Pgbest,sqp)<f(Pg)，則Pg＝Pgbest,sqp，否則Pg不變；若f(Pgbest,sqp)<f(Pgbest)，則Pgbest＝Pgbest,sqp，否則Pgbest不變；(8)根據(jù)式(16)計(jì)算當(dāng)前優(yōu)化變量值下的水泥熟料fCaO含量值f(·)，返回步驟(3)，繼續(xù)進(jìn)行全局搜索；(9)輸出全局最優(yōu)位置Pgbest，即水泥熟料燒成過程各優(yōu)化變量的調(diào)整值，水泥燒成過程優(yōu)化結(jié)束。當(dāng)前第1頁1 2 3