一种基于工业大数据的水泥烧成系统优化控制方法与流程

本发明涉及控制，具体涉及一种基于工业大数据的水泥烧成系统优化控制方法。

背景技术：

1、新型干法水泥生产过程包括生料制备、熟料烧成、水泥制备环节，原料经破碎、研磨、均化、配料制备成生料，生料进入预热器进行预热后，送至分解炉进行碳酸钙预分解分解出氧化钙，最终进入回转窑进行高温加热煅烧成水泥熟料，水泥熟料经篦冷机冷却，再与石膏、混合材料等一起磨细制备为水泥。

2、水泥属于高耗能、高排放、高污染行业，而熟料烧成系统又是水泥生产的关键核心环节。此工序是否平稳优化运行直接关系到水泥的产量和质量，且对企业效益影响最大，实现该系统的智能优化控制无论从经济角度还是环保角度都至关重要。烧成系统具有非线性、多扰动、强耦合、大滞后、大惯性等特性，且窑工况变化频繁，难以建立准确的数学模型，长期以来都只能依赖于有经验的操作人员进行手动控制，需要频繁调整各关键变量设定值。但不同操作人员经验存在差异，无法保证整个系统的平稳优化运行和节能降耗。

3、针对上述问题，现有技术中对水泥熟料烧成系统的优化控制作了一些探索，但仍存在如下问题：

4、1)现有技术主要关注系统中各装置的稳定运行，而变量最佳目标值依赖于人工经验进行设定。

5、2)现有技术未实现窑系统关键变量的实时优化，以及自适应工况变化进行关键变量设定值自动寻优，也无法进行“风、料、煤、速”匹配优化。

6、3)现有技术未考虑回转窑和篦冷机设备间的联动综合优化，如窑系统工况变化对篦冷机装置的影响。

7、因此，将工业大数据、机器学习、专家经验和智能控制技术等深度融合，实现关键变量的自动寻优和智能控制闭环，对熟料烧成系统中的生产装置提产保质及节能降耗具有十分重要的意义。

技术实现思路

1、基于上述背景，本发明提供一种了基于工业大数据的水泥烧成系统优化控制方法，以解决上述现有技术中的至少一个方面的问题。具体采用了如下技术方案：

2、一种基于工业大数据的水泥烧成系统优化控制方法，包括：

3、获取回转窑历史正常运行工况数据，进行预处理后得到基准工况数据；

4、采集回转窑实时运行数据存入实时数据库，进行预处理后得到实时工况数据；

5、基于所述基准工况数据和实时工况数据得到窑况系数；

6、建立游离氧化钙预测模型获取游离氧化钙预测数据；

7、根据所述窑况系数和游离氧化钙预测数据，基于专家规则库中的专家经验进行入窑喂料量推优、头煤推优和分解炉出口温度推优；

8、建立梯度提升决策树模型，基于回转窑历史运行数据获取窑转速推优初始值；

9、基于所述窑况系数获取窑转速推优校正值，并结合所述窑转速推优初始值得到窑转速推优最终值。

10、进一步的，所述回转窑历史正常运行工况数据和回转窑实时运行数据分别包括如下被控变量的数据：

11、入窑生料三率值、窑头看火温度、窑电流、窑尾烟室气体含量、二次风温、三次风温和游离钙。

12、进一步的，获取回转窑历史正常运行工况数据，进行预处理后得到基准工况数据包括：

13、获取预设时间段内的回转窑历史正常运行工况数据；

14、基于工艺规程确定正常状态下各被控变量的上下限范围，并基于所述上下限范围对数据进行筛选；

15、对筛选后的数据进行平滑滤波和异常点剔除，并进行标准化；

16、对标准化后的数据进行主成分分析pca，降维后得到第一主成分，作为基准工况数据。

17、进一步的，基于所述基准工况数据和实时工况数据得到窑况系数包括：

18、对所述基准工况数据和实时工况数据进行相似度对比，得到窑况系数，所述窑况系数包括稳定性系数、趋势性系数和偏移度系数，每个系数的取值范围均为[-1，1]，其中系数接近0表示工况正常；越接近1表示工况越好，越接近-1表示工况越差。

19、进一步的，建立游离氧化钙预测模型获取游离氧化钙预测数据包括：

20、基于长短期记忆lstm人工神经网络模型建立游离氧化钙预测模型；

21、选取入窑化验生料硅率、生料铝率、生料石灰饱和系数、窑电流、窑头看火温度、窑转速、入窑生料喂料量、窑头喂煤量、窑尾喂煤量、分解炉出口温度、二次风温及三次风温作为辅助变量；

22、对所述辅助变量数据和游离氧化钙含量数据进行预处理，并获得相应的训练数据和测试数据；

23、使用训练数据和测试数据对游离氧化钙预测模型进行训练；

24、基于训练好的游离氧化钙预测模型预测预设时间段内游离氧化钙含量变化趋势。

25、进一步的，根据所述窑况系数和游离氧化钙预测数据，基于专家规则库中的专家经验进行入窑喂料量推优、头煤推优和分解炉出口温度推优包括：

26、当窑况向好且游离氧化钙含量偏低时，优先增加入窑喂料量，并减少头煤含量和降低分解炉出口温度；

27、当窑况较差且游离氧化钙含量偏高时，各参数保持不变；

28、当游离氧化钙含量不合格时，根据窑况系数相应减少入窑喂料量，并提高分解炉出口温度。

29、进一步的，建立梯度提升决策树模型，基于回转窑历史运行数据获取窑转速推优初始值包括：

30、采集回转窑运行历史数据并进行数据清洗，所述回转窑运行历史数据包括入窑喂料量、生料硅率、生料铝率、生料石灰饱和系数、熟料游离钙含量和窑电流；

31、建立梯度提升决策树模型，并基于所述回转窑运行历史数据对模型进行训练，通过训练后的模型输出窑转速推优初始值。

32、进一步的，还包括高温风机转速推优、尾排风机转速推优、头排风机转速推优和篦冷机优化控制。

33、进一步的，所述高温风机转速推优包括：

34、基于入窑生料喂料量、头煤与高温风机转速历史数据构建并训练bp神经网络模型，把当前实时运行工况数据输入模型，并将模型输出作为高温风机转速推优初始值；

35、根据回转窑内煅烧状态对高温风机转速推优初始值进行修正，并构造滞环控制策略进行高温风机转速实际控制；所述回转窑内煅烧状态包括窑尾烟室一氧化碳含量、一级预热器处一氧化碳含量、窑尾烟室氧气含量和一级预热器处氧气含量。

36、进一步的，所述尾排风机转速推优包括：

37、基于多台生料磨、煤磨和回转窑在实际生产中积累的稳定运行数据，挖掘符合预设条件的操作模式生成案例库；

38、根据当前生料磨、煤磨和回转窑操作及实时运行状态数据，通过案例模式匹配算法进行尾排风机转速实际控制，以实现高温风机出口负压的实时优化。

39、进一步的，所述头排风机转速推优包括：

40、基于专家经验确定窑头负压设定最优范围；

41、通过调整头排风机转速达到窑头负压设定值，当窑头负压偏高时，提高头排风机转速，反之降低转速。

42、进一步的，所述篦冷机优化控制包括：

43、接收安全保护模块提供的各段各列驱动油压保护参数；

44、基于所述保护参数，根据预设的篦速控制模式和篦速控制周期对篦下压力设定值进行优化；

45、基于优化后的篦下压力设定值控制篦冷机，并反馈实际篦下压力值作为篦下压力设定值，重复上述优化过程。

46、本发明的有益技术效果如下：

47、1)基于本发明的方法进行窑工况实时监控，能够有效提升系统中各装置的操作优化及控制闭环的可行性。

48、2)本发明的方法在系统控制平稳的基础上，实现了各装置的实时优化，能够自适应工况变化进行关键变量设定值自动寻优，并达到“风、料、煤、速”匹配优化。

49、3)本发明的方法考虑了回转窑和篦冷机设备间的联动综合优化，考虑窑系统工况变化对篦冷机装置的影响，可以自适应窑工况变化对篦下压力设定值自动寻优。