本發(fā)明屬于水泥生產(chǎn)過(guò)程中的分解爐溫度預(yù)測(cè)技術(shù)領(lǐng)域，具體的說(shuō)是一種利用極限學(xué)習(xí)機(jī)預(yù)測(cè)水泥分解爐溫度的方法。

背景技術(shù)：

在水泥的生產(chǎn)過(guò)程中，預(yù)分解系統(tǒng)對(duì)于水泥熟料生產(chǎn)的燃燒效率起著至關(guān)重要的作用。分解爐是預(yù)分解系統(tǒng)的核心部分，因此，有必要檢測(cè)分解爐溫度。由于分解爐非線性、大時(shí)滯的特點(diǎn)，難以建立精確地?cái)?shù)學(xué)模型，給預(yù)測(cè)溫度帶來(lái)了極大的困難。

雖然可以用紅外線測(cè)溫儀測(cè)量分解爐溫度，但由于其價(jià)格昂貴，操作復(fù)雜，難以在長(zhǎng)時(shí)間運(yùn)行的水泥生產(chǎn)線中廣泛應(yīng)用。傳統(tǒng)的機(jī)理建模主要從反應(yīng)動(dòng)力學(xué)角度出發(fā)，或者通過(guò)一些燃燒反應(yīng)機(jī)理，建立分解爐模型。這些模型主要考慮的是分解爐內(nèi)部的一些反應(yīng)機(jī)理，并沒有考慮到主要影響因素與分解爐溫度之間的函數(shù)關(guān)系。因此，機(jī)理建模并沒有太大的參考價(jià)值。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種利用人群搜索算法優(yōu)化極限學(xué)習(xí)機(jī)權(quán)值的水泥分解爐溫度預(yù)測(cè)方法，本方法可以準(zhǔn)確的預(yù)測(cè)分解爐溫度，為后期水泥生產(chǎn)中的分解爐溫度控制提供支持，解決了現(xiàn)有測(cè)量分解爐溫度的上述不足。

本發(fā)明技術(shù)方案結(jié)合附圖說(shuō)明如下：

一種利用極限學(xué)習(xí)機(jī)預(yù)測(cè)水泥分解爐溫度的方法，該方法包括如下步驟：

步驟一、確定影響分解爐溫度的主要因素；

通過(guò)分解爐內(nèi)部燃燒機(jī)理，結(jié)合現(xiàn)場(chǎng)工作人員的經(jīng)驗(yàn)總結(jié)，可以得出影響分解爐溫度的主要因素有喂煤量、喂料量和三次風(fēng)壓；

步驟二、采集數(shù)據(jù)；

從水泥廠dcs系統(tǒng)中獲取喂煤量和喂料量的數(shù)據(jù)，利用紅外線測(cè)溫儀測(cè)分解爐溫度；喂煤量、喂料量和分解爐溫度的數(shù)據(jù)均取100組；

步驟三、使用人群搜索算法對(duì)極限學(xué)習(xí)機(jī)進(jìn)行參數(shù)尋優(yōu)；

使用人群搜索算法對(duì)極限學(xué)習(xí)機(jī)的權(quán)值進(jìn)行尋優(yōu)，并選出最佳權(quán)值；極限學(xué)習(xí)機(jī)的回歸方程為：

其中：y為輸出，xj為輸入，k為隱層節(jié)點(diǎn)數(shù)，ωij為輸入權(quán)值矩陣；bi為隱含層偏置矩陣；βi為輸出權(quán)值矩陣；gi(ωij·xj+bi)為激活函數(shù)；

步驟四、建立預(yù)測(cè)模型；

對(duì)極限學(xué)習(xí)機(jī)的參數(shù)進(jìn)行設(shè)置；根據(jù)步驟一，輸入節(jié)點(diǎn)數(shù)：3，輸出節(jié)點(diǎn)數(shù)：1，根據(jù)經(jīng)驗(yàn)設(shè)置隱層節(jié)點(diǎn)數(shù)：9，將步驟三中尋優(yōu)得到的最佳權(quán)值賦給極限學(xué)習(xí)機(jī)；

步驟五、預(yù)測(cè)結(jié)果；

根據(jù)當(dāng)前采集到的喂煤量、喂料量和三次風(fēng)壓數(shù)據(jù)，利用步驟四得到的模型預(yù)測(cè)分解爐溫度；

步驟六、實(shí)時(shí)優(yōu)化預(yù)測(cè)模型；

根據(jù)步驟五所得到的預(yù)測(cè)結(jié)果，可以利用步驟三和步驟四再次對(duì)參數(shù)尋優(yōu)，重新建立模型，提高精度.

所述的步驟三的具體步驟如下：

step1：計(jì)算人群搜索算法中的空間維數(shù)即權(quán)值個(gè)數(shù)，產(chǎn)生初始搜尋者；

step2：將初始化的權(quán)值賦給極限學(xué)習(xí)機(jī)，進(jìn)行訓(xùn)練，并用預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)差值的均方差作為適應(yīng)度值；

step3：迭代尋優(yōu)，通過(guò)比較，得到適應(yīng)度值最小的權(quán)值；

step4：當(dāng)達(dá)到停止條件時(shí)，停止迭代，輸出最優(yōu)權(quán)值；否則，返回step3繼續(xù)尋優(yōu)。

本發(fā)明的有益效果為：

1、本發(fā)明利用極限學(xué)習(xí)機(jī)所建立的模型僅需要水泥生產(chǎn)過(guò)程中dcs系統(tǒng)數(shù)據(jù)及紅外線測(cè)溫儀測(cè)得的分解爐溫度數(shù)據(jù)，即可通過(guò)訓(xùn)練建立模型，利用模型預(yù)測(cè)分解爐溫度。

2、避免了紅外線測(cè)溫儀等測(cè)量工具價(jià)格昂貴、操作復(fù)雜的問(wèn)題。

3、無(wú)需相關(guān)理論知識(shí)，根據(jù)dcs系統(tǒng)中的有關(guān)數(shù)據(jù)即可預(yù)測(cè)分解爐的溫度。

4、采用極限學(xué)習(xí)機(jī)建立的預(yù)測(cè)模型，可以根據(jù)現(xiàn)場(chǎng)運(yùn)行工況，實(shí)時(shí)修正模型。

附圖說(shuō)明

圖1為從dcs系統(tǒng)獲取的喂煤量數(shù)據(jù)圖；

圖2為從dcs系統(tǒng)獲取的喂料量數(shù)據(jù)圖；

圖3為從dcs系統(tǒng)獲取的三次風(fēng)壓數(shù)據(jù)圖；

圖4為一種分解爐結(jié)構(gòu)示意圖；

圖5為另一種分解爐結(jié)構(gòu)示意圖；

圖6為紅外線測(cè)溫儀測(cè)得的分解爐溫度數(shù)據(jù)圖；

圖7為人群搜索算法優(yōu)化參數(shù)過(guò)程中，每一代適應(yīng)度值的變化曲線；

圖8為使用最佳權(quán)值的極限學(xué)習(xí)機(jī)用于訓(xùn)練集的預(yù)測(cè)結(jié)果圖；

圖9為使用最佳權(quán)值的極限學(xué)習(xí)機(jī)用于預(yù)測(cè)集的預(yù)測(cè)結(jié)果圖。

圖10為本方法具體實(shí)施步驟的流程圖

具體實(shí)施方式

一種利用極限學(xué)習(xí)機(jī)預(yù)測(cè)水泥分解爐溫度的方法，該方法包括如下步驟：

步驟一、確定影響分解爐溫度的主要因素；

通過(guò)分解爐內(nèi)部燃燒機(jī)理，結(jié)合現(xiàn)場(chǎng)工作人員的經(jīng)驗(yàn)總結(jié)，可以得出影響分解爐溫度的主要因素有喂煤量、喂料量和三次風(fēng)壓；

(1)喂煤量的影響

實(shí)際水泥生產(chǎn)過(guò)程表明，在分解爐內(nèi)其他條件不變的情況下，分解爐的溫度隨著喂煤量的增加而增加，隨著喂煤量的減少而減少。但當(dāng)喂煤量超過(guò)一定值時(shí)，會(huì)有剩余的煤粉，進(jìn)入下一級(jí)預(yù)熱器繼續(xù)燃燒。這導(dǎo)致了氣體中的co濃度升高，引起預(yù)熱器結(jié)皮堵塞，導(dǎo)致分解爐溫度不高。由此可見，分解爐內(nèi)其他條件不變時(shí)，在分解爐溫度與喂煤量的函數(shù)里，喂煤量存在一個(gè)極值點(diǎn)，分解爐溫度隨著喂煤量的增加先升高后降低。此外，煤粉的質(zhì)量對(duì)分解爐溫度也有一定影響。因此，喂煤量是影響分解爐溫度的主要因素。

(2)喂料量的影響

根據(jù)預(yù)分解窯的工藝流程可知，生料在各級(jí)預(yù)熱器中與熱氣流混合，預(yù)熱，最后進(jìn)入分解爐。喂料量是在預(yù)熱器入口處給定的，并不是在分解爐處可調(diào)。當(dāng)喂料量驟增時(shí)分解爐溫度會(huì)降低；當(dāng)喂料量驟降時(shí)分解爐溫度會(huì)升高。當(dāng)喂料量較小時(shí)，生料吸熱較少，系統(tǒng)溫度過(guò)高，容易導(dǎo)致預(yù)熱器結(jié)皮；當(dāng)喂料量較大時(shí)，又容易導(dǎo)致局部堵塞。因此，喂料量對(duì)分解爐的擾動(dòng)很大，為了維持分解爐的穩(wěn)定運(yùn)行，應(yīng)避免喂料量的驟增驟降，盡量保持在合適的范圍內(nèi)。

(3)三次風(fēng)量的影響

三次風(fēng)即篦冷機(jī)返回到分解爐的風(fēng)，為煤粉燃燒提供氧氣，影響燃燒效果。當(dāng)三次風(fēng)較小時(shí)，生料換熱不充分，影響煤粉的燃燒和物料的分解；當(dāng)三次風(fēng)較大時(shí)，則會(huì)導(dǎo)致窯內(nèi)通風(fēng)不良，甚至?xí)斐筛G尾縮口處塌料，而且因分解爐出口廢氣量的增大，會(huì)引起熱耗與電耗的增加。三次風(fēng)量對(duì)煤粉燃燒效果的影響比較直接，由此可見，對(duì)于分解爐溫度的變化，三次風(fēng)量也是一個(gè)重要的影響因。

影響分解爐溫度的因素還有很多，但大多數(shù)不是主要因素且無(wú)法實(shí)時(shí)調(diào)整。因此，本方法選取喂煤量、喂料量和三次風(fēng)壓這三個(gè)變量作為分解爐溫度預(yù)測(cè)模型的輸入。

步驟二、采集數(shù)據(jù)；

參閱圖1—圖3，首先，在水泥廠dcs系統(tǒng)中獲取喂煤量、喂料量和三次風(fēng)壓的數(shù)據(jù)。在本實(shí)施例中，每隔1小時(shí)取一組喂煤量和喂料量數(shù)據(jù)，共取100組。每隔6分鐘取一次三次風(fēng)壓數(shù)據(jù)，1個(gè)小時(shí)內(nèi)取10組數(shù)據(jù)，取平均值作為一組數(shù)據(jù)，共100組。參閱圖4～圖7，然后，利用紅外線測(cè)溫儀測(cè)量分解爐溫度：選取燃料裂解和燃燒區(qū)處為測(cè)量截面，兩側(cè)三次風(fēng)入口處為測(cè)點(diǎn)。紅外傳感器為非接觸式測(cè)溫，測(cè)量范圍為-50℃～3000℃，測(cè)量精度可達(dá)0.02～0.1℃，因此傳感器選用紅外傳感器。將兩側(cè)傳感器測(cè)得的溫度取平均值。選取喂煤量、喂料量和三次風(fēng)壓數(shù)據(jù)的時(shí)刻，作為分解爐溫度選取時(shí)刻，每隔6分鐘記錄一組溫度數(shù)據(jù)，1小時(shí)內(nèi)取10組數(shù)據(jù)，取平均值作為一組數(shù)據(jù)，共100組。

步驟三、使用人群搜索算法對(duì)極限學(xué)習(xí)機(jī)進(jìn)行參數(shù)尋優(yōu)

首先，確定極限學(xué)習(xí)機(jī)的輸入節(jié)點(diǎn)數(shù)為3，輸出節(jié)點(diǎn)數(shù)為1，隱層節(jié)點(diǎn)數(shù)為9。并使用人群搜索算法對(duì)極限學(xué)習(xí)機(jī)的權(quán)值進(jìn)行尋優(yōu)，并選出最佳權(quán)值；極限學(xué)習(xí)機(jī)的回歸方程為：

其中：y為輸出，xj為輸入，k為隱層節(jié)點(diǎn)數(shù)，ωij為輸入權(quán)值矩陣；bi為隱含層偏置矩陣；βi為輸出權(quán)值矩陣；gi(ωij·xj+bi)為激活函數(shù)；

基于人群算法的極限學(xué)習(xí)機(jī)優(yōu)化步驟如下：

step1：計(jì)算極限學(xué)習(xí)機(jī)權(quán)值的個(gè)數(shù)作為空間維數(shù)，設(shè)置人群搜索算法的空間維數(shù)，并隨機(jī)生成初始搜尋者；

step2：將初始搜尋者用于極限學(xué)習(xí)機(jī)訓(xùn)練，并用預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)偏差的均方差作為適應(yīng)度值；

step3：開始迭代，計(jì)算每個(gè)搜尋者的適應(yīng)度值，進(jìn)行比較，選出每次比較中適應(yīng)度值較小的搜尋者作為最佳搜尋者zbest；

step4：當(dāng)達(dá)到最大迭代次數(shù)時(shí)，停止迭代，并將最終的zbest作為最優(yōu)權(quán)值；否則，返回step3。

本實(shí)施例中，人群搜索算法的參數(shù)設(shè)置為：種群規(guī)模：30，最大迭代次數(shù)：50，極限學(xué)習(xí)機(jī)輸入數(shù)目：3，隱層節(jié)點(diǎn)數(shù)：9，輸出數(shù)目：1，空間維數(shù)：36，優(yōu)化參數(shù)的變化范圍為[-10,10]。得到最佳權(quán)值為：

ω11＝[-8.59981.0498-10.0000]

ω12＝[2.52881.1687-1.4402]

ω13＝[4.0307-5.4728-1.2693]

ω21＝[4.2394-5.464310.0000]

ω22＝[0.12582.1132-4.3216]

ω23＝[-2.57630.5363-0.6820]

ω31＝[2.03906.8172-0.8140]

ω32＝[-0.78774.5656-0.5437]

ω33＝[5.0381-3.66680.2628]

β1＝[8.1040-9.0870-2.3459]

β2＝[3.18031.2765-0.6899]

β3＝[-5.1972-0.62293.6674]

步驟四、建立預(yù)測(cè)模型；

對(duì)極限學(xué)習(xí)機(jī)的參數(shù)進(jìn)行設(shè)置；根據(jù)步驟一，輸入節(jié)點(diǎn)數(shù)：3，輸出節(jié)點(diǎn)數(shù)：1，根據(jù)經(jīng)驗(yàn)設(shè)置隱層節(jié)點(diǎn)數(shù)：9，將步驟三中尋優(yōu)得到的最佳權(quán)值賦給極限學(xué)習(xí)機(jī)；

參閱圖8，將喂煤量、喂料量和三次風(fēng)壓作為輸入，分解爐溫度作為輸出，利用極限學(xué)習(xí)機(jī)建立模型，將步驟二里優(yōu)化得到的最佳權(quán)值z(mì)best賦給極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練。用80組數(shù)據(jù)訓(xùn)練，訓(xùn)練的預(yù)測(cè)效果如圖7。其中，模型的預(yù)測(cè)溫度為：

分解爐真實(shí)溫度為：

分解爐溫度預(yù)測(cè)的平均絕對(duì)誤差0.2624℃，均方差為0.1436，精度較高。

步驟五、預(yù)測(cè)結(jié)果；

根據(jù)當(dāng)前采集到的喂煤量、喂料量和三次風(fēng)壓數(shù)據(jù)，利用步驟四得到的模型預(yù)測(cè)分解爐溫度；

參閱圖9，采用剩余20組數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試的預(yù)測(cè)效果如圖8。模型預(yù)測(cè)溫度為：

分解爐真實(shí)溫度為：

分解爐溫度預(yù)測(cè)的平均絕對(duì)誤差0.2625℃，均方差為0.1443，精度較高。

步驟六、實(shí)時(shí)優(yōu)化預(yù)測(cè)模型；

根據(jù)步驟五所得到的預(yù)測(cè)結(jié)果，可以利用步驟三和步驟四再次對(duì)參數(shù)尋優(yōu)，重新建立模型，提高精度。當(dāng)預(yù)測(cè)溫度與檢測(cè)溫度誤差沒有達(dá)到預(yù)期值時(shí)(預(yù)期值可自行設(shè)定)，可以返回步驟二和步驟三進(jìn)行重新優(yōu)化參數(shù)、建立模型。參閱圖10，即本方法實(shí)施步驟的流程圖。

綜上所述，本發(fā)明利用水泥廠dcs(集散控制系統(tǒng))中的喂煤量、喂料量和三次風(fēng)壓的實(shí)時(shí)數(shù)據(jù)，和通過(guò)紅外線測(cè)溫儀測(cè)得的分解爐溫度，使用人群搜索優(yōu)化的極限學(xué)習(xí)機(jī)建立水泥分解爐溫度的預(yù)測(cè)模型，提出了一種測(cè)量分解爐溫度的方法。本發(fā)明操作簡(jiǎn)單、經(jīng)濟(jì)實(shí)用，無(wú)需測(cè)量其他數(shù)據(jù)，即可完成對(duì)水泥分解爐溫度的在線檢測(cè)，實(shí)時(shí)性高，提供了一種有效的測(cè)量方法，為控制分解爐溫度、優(yōu)化水泥生產(chǎn)提供了保障。