立磨生料粉磨過程建模與優(yōu)化設(shè)定

林小峰 錢 哲 梁金波

(廣西大學(xué)電氣工程學(xué)院，南寧 530004)

立磨生料粉磨過程建模與優(yōu)化設(shè)定

林小峰 錢 哲 梁金波

(廣西大學(xué)電氣工程學(xué)院，南寧 530004)

針對立磨生料粉磨過程中生料細(xì)度指標(biāo)無法在線檢測，以及因粉磨工況不斷變化而導(dǎo)致的不能對關(guān)鍵變量給予較準(zhǔn)確設(shè)定值的問題，采用小波神經(jīng)網(wǎng)絡(luò)建立了立磨生料粉磨過程的生產(chǎn)指標(biāo)預(yù)測模型，并與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，驗證了模型的有效性；然后，將案例推理技術(shù)與粒子群優(yōu)化算法、指標(biāo)預(yù)測模型相結(jié)合，實現(xiàn)了對粉磨過程中關(guān)鍵變量的優(yōu)化設(shè)定。仿真結(jié)果證明：筆者提出的優(yōu)化設(shè)定方法對于立磨生料粉磨過程的變量設(shè)定是有效的。

建模 優(yōu)化設(shè)定 立磨 生料粉磨 水泥 小波神經(jīng)網(wǎng)絡(luò) 案例推理

立磨生料粉磨過程是新型干法水泥生產(chǎn)的關(guān)鍵環(huán)節(jié)。生料的質(zhì)量和粉磨過程的穩(wěn)定性是衡量生料粉磨效果好壞的關(guān)鍵因素[1]。在實際的粉磨過程中，合適的磨內(nèi)壓差及適宜的分離器轉(zhuǎn)速等是保持立磨正常運(yùn)行的重要指標(biāo)[2]。保證立磨具有穩(wěn)定的循環(huán)負(fù)荷，才能使生產(chǎn)穩(wěn)定持久地進(jìn)行[3]。

當(dāng)前，對于立磨的研究主要集中在操作變量的控制方面，控制方法多以PID或模糊PID為主[4]。文獻(xiàn)[5]對立磨控制回路建立數(shù)學(xué)模型，采用預(yù)測控制方法對回路實現(xiàn)優(yōu)化控制；文獻(xiàn)[6]基于支持向量機(jī)建立主控制回路模型，通過模糊聚類分析和主成分分析建立故障診斷的專家數(shù)據(jù)庫。以上研究僅涉及到如何使控制器更好地跟蹤設(shè)定值，而沒有考慮到不斷變化的粉磨工況對變量設(shè)定值的影響，以及如何給出最優(yōu)設(shè)定值的問題。現(xiàn)階段，實際粉磨過程中變量的設(shè)定一般是操作人員憑經(jīng)驗進(jìn)行手動調(diào)整，這樣會使整個粉磨過程變量設(shè)定帶有很強(qiáng)的主觀性與隨意性；并且，立磨生料粉磨過程是一個同時含有物理、化學(xué)變化的復(fù)雜過程，具有非線性及強(qiáng)耦合等特點，無法依據(jù)傳統(tǒng)方法建立準(zhǔn)確的數(shù)學(xué)模型。

針對以上問題，筆者將小波神經(jīng)網(wǎng)絡(luò)和案例推理相結(jié)合，基于建模和推理方法，提出了一種立磨生料粉磨過程關(guān)鍵變量的優(yōu)化設(shè)定方法。

立磨生料粉磨工藝流程如圖1所示。原料通過輸送皮帶進(jìn)入立磨，通過磨盤的轉(zhuǎn)動和磨輥的加壓對原料進(jìn)行粉磨。同時，來自窯尾的熱風(fēng)對磨內(nèi)含水物料進(jìn)行烘干并起到輸送粉塵的作用，大顆粒回落到磨盤上進(jìn)行重新粉磨；小顆粒被氣流帶入分離器，進(jìn)行分選。粗粉返回磨盤再粉磨，合格的成品(細(xì)粉)隨氣流帶出機(jī)外被收集作為產(chǎn)品。在粉磨過程穩(wěn)定的情況下，磨內(nèi)壓差一般控制在4 500～6 500kPa，出磨生料粒度一般維持在80μm的篩余量不大于25%，一般控制在20%左右。根據(jù)磨機(jī)的運(yùn)行過程、操作規(guī)則和現(xiàn)場操作員的經(jīng)驗可知，判斷粉磨過程好壞與否的兩個主要指標(biāo)是磨內(nèi)壓差(即立磨進(jìn)出口壓差)和生料粒度，影響這兩個指標(biāo)的變量主要有喂料量、入磨風(fēng)溫、分離器轉(zhuǎn)速和循環(huán)風(fēng)閥門開度這4個指標(biāo)。

圖1 立磨生料粉磨工藝流程

2 立磨生料粉磨過程指標(biāo)預(yù)測模型的建立

2.1小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)(WNN)是基于小波變換的前饋型神經(jīng)網(wǎng)絡(luò)[7～9]，隱層節(jié)點的激勵函數(shù)為小波基函數(shù)，隱層權(quán)值和閾值由小波基函數(shù)的伸縮因子和平移因子替代。多輸入多輸出小波神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖2所示。

圖2 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中，xi(1,2,…,M)是小波神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，yk(1,2,…,K)是小波神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出，ωij是輸入層到隱層的連接權(quán)值，ωjk是隱層到輸出層的連接權(quán)值。隱層神經(jīng)元的輸入和輸出分別為：

(1)

(2)

式中aj、bj——伸縮因子和平移因子；

H(j)——第j個神經(jīng)元的輸入；

N——隱層神經(jīng)元個數(shù)；

ψ(j)——第j個神經(jīng)元的輸出；

ψj——小波基函數(shù)。

網(wǎng)絡(luò)的輸出為：

(3)

式中K——網(wǎng)絡(luò)輸出個數(shù)。

設(shè)定網(wǎng)絡(luò)的目標(biāo)訓(xùn)練誤差為：

(4)

式中dk、yk——期望輸出和實際輸出；

P——訓(xùn)練樣本數(shù)。

根據(jù)誤差函數(shù)，可以得到權(quán)值的調(diào)整量：

(5)

式中η——網(wǎng)絡(luò)學(xué)習(xí)速率。

通過增加動量項α來克服訓(xùn)練過程的振蕩，避免在調(diào)整權(quán)值的過程中陷入局部極小，可以加快訓(xùn)練速度，輸入層到隱層的權(quán)值調(diào)整形式如下：

ωij(t+1)=ωij(t)+Δωij(t+1)+α(ωij(t)-ωij(t-1))

(6)

同理可以得到ωjk(t+1)、aj(t+1)和bj(t+1)。

2.2模型仿真結(jié)果和分析

筆者采用小波神經(jīng)網(wǎng)絡(luò)建立指標(biāo)預(yù)測模型，將喂料量x1、分離器轉(zhuǎn)速x2、循環(huán)風(fēng)閥門開度x3和入磨風(fēng)溫x4作為網(wǎng)絡(luò)輸入，生料細(xì)度y1和磨內(nèi)壓差y2作為網(wǎng)絡(luò)輸出。將從山東某水泥廠實地采集到的281組數(shù)據(jù)分為200組訓(xùn)練數(shù)據(jù)和81組測試數(shù)據(jù)，選取網(wǎng)絡(luò)結(jié)構(gòu)為4-30-2，泛化效果如圖3、4所示。

圖3 基于WNN的生料細(xì)度泛化曲線

圖4 基于WNN的磨內(nèi)壓差泛化曲線

為了驗證所建WNN指標(biāo)預(yù)測模型的有效性，利用相同的數(shù)據(jù)和網(wǎng)絡(luò)結(jié)構(gòu)，建立了BP模型。兩個模型的比較見表1。從兩個模型的泛化效果可以看出，基于WNN的指標(biāo)預(yù)測模型比BP模型有更好的泛化精度，誤差更小。

表1 WNN與BP的模型比較

3 立磨生料粉磨過程優(yōu)化設(shè)定方法

3.1優(yōu)化設(shè)定方法框架

案例推理(Case-Based Reasoning,CBR)是一種基于經(jīng)驗問題的求解方法[10～12]，通過修改已經(jīng)存在的案例解來滿足新問題的需要。筆者將案例推理、粒子群優(yōu)化算法和指標(biāo)預(yù)測模型相結(jié)合，提出了針對立磨生料粉磨過程的優(yōu)化設(shè)定方法，如圖5所示。

圖5 立磨生料粉磨過程優(yōu)化設(shè)定策略

在構(gòu)建案例庫時，筆者依照上述WNN指標(biāo)預(yù)測模型和變量約束條件，采用粒子群優(yōu)化算法完成對案例的優(yōu)化，將優(yōu)化后的案例存入案例庫。當(dāng)出現(xiàn)新的粉磨工況需要對變量進(jìn)行設(shè)定時，通過案例搜索查找匹配案例，并將通過案例修正與重用后得到的案例解送入指標(biāo)預(yù)測模型，如果預(yù)測結(jié)果滿足期望，則不用進(jìn)行調(diào)整，直接應(yīng)用并存儲；如果不滿足期望，則需進(jìn)行專家修正。

3.2案例庫的建立與案例優(yōu)化

根據(jù)已建立的指標(biāo)預(yù)測模型，確定生料細(xì)度值y1和磨內(nèi)壓差y2的理想指標(biāo)如下：

y1=20.7,y2≤5700

(7)

其中，生料細(xì)度的建議范圍為(20.7±2)%，磨內(nèi)壓差一般控制在5 700kPa以下。因此建立優(yōu)化模型如下：

(8)

(9)

采用粒子群優(yōu)化算法(PSO)對每一個工況進(jìn)行求解[13]，算法流程如下：

a. 初始化種群，設(shè)定最大迭代次數(shù)和學(xué)習(xí)因子；

b. 計算粒子的適應(yīng)度，根據(jù)適應(yīng)度值確定粒子個體的當(dāng)前最優(yōu)和全局最優(yōu)位置；

c. 對比粒子的當(dāng)前最優(yōu)位置和全局最優(yōu)位置，引導(dǎo)粒子向最優(yōu)飛行；

d. 更新粒子的位置和速度；

e. 判斷是否達(dá)到最大迭代次數(shù)，如果沒有達(dá)到則轉(zhuǎn)到步驟c繼續(xù)優(yōu)化,否則輸出最優(yōu)解。

將得到的優(yōu)化案例解與原始案例描述以如下方式組合成新的案例存儲到案例庫中：

Ck=(Fk,Jk),k=1,2,…,m

(10)

式中Ck——案例庫中案例；

Fk——案例描述；

Jk——案例解；

m——案例數(shù)量。

案例結(jié)構(gòu)見表2。

表2 案例結(jié)構(gòu)

3.3案例搜索

筆者采用最近相鄰法進(jìn)行案例搜索，設(shè)當(dāng)前工況為C，相應(yīng)的工況描述為F={fi}(i=1,2,3)，案例庫中Ck的案例描述為Fk={fi,k}(k=1,2,…,m)，則工況描述fi和fi,k的相似度為：

(11)

工況C和案例Ck的相似度為：

(12)

(13)

其中，ωi為案例屬性的特征權(quán)值，根據(jù)經(jīng)驗知識確定。案例的相似度閾值simth表示如下：

(14)

將檢索出達(dá)到案例相似度閾值的所有案例作為備選案例。

3.4案例重用與修正

一般情況下，搜索出來的案例不能直接應(yīng)用，需要對其進(jìn)行案例重用。假設(shè)搜索到r個案例{C1,C2,…,Cr}，相似度可以表示為sim(C,Ck)，相應(yīng)的案例解為：

Jk=(j1,k,j2,k,j3,k,j4,k),k=1,2,…,r

(15)

將經(jīng)過案例重用后得到的案例解代入指標(biāo)預(yù)測模型中，若得到的預(yù)測值滿足期望指標(biāo)的范圍，則無需進(jìn)行修正，否則將采用專家規(guī)則進(jìn)行修正。現(xiàn)階段是憑借人工經(jīng)驗進(jìn)行矯正，直到滿足條件為止，然后將修正后的案例解作為當(dāng)前工況的操作設(shè)定值，賦予下層控制器進(jìn)行跟蹤。

3.5仿真分析

利用上述立磨生料粉磨過程優(yōu)化設(shè)定方法，對各工況下的關(guān)鍵變量的設(shè)定值進(jìn)行尋優(yōu)。圖6、7分別給出了在工況不斷變化時，通過人工設(shè)定和利用優(yōu)化設(shè)定方法給出的設(shè)定值，使生料細(xì)度和磨內(nèi)壓差這兩個指標(biāo)變化的情況。

從圖6中可以看出，人工設(shè)定的變量值使得生料細(xì)度指標(biāo)波動較大，很難穩(wěn)定在期望指標(biāo)附近；而采用筆者的優(yōu)化設(shè)定方法后，生料粉磨指標(biāo)圍繞期望值小幅波動，滿足工藝的相關(guān)要求。從圖7中可以看出，通過應(yīng)用優(yōu)化設(shè)定方法，磨內(nèi)壓差相比人工設(shè)定減小，這樣有利于保持磨內(nèi)的循環(huán)穩(wěn)定，降低磨機(jī)負(fù)荷。

圖6 優(yōu)化前后生料細(xì)度的變化曲線

圖7 優(yōu)化前后磨內(nèi)壓差的變化曲線

4 結(jié)束語

針對立磨生料粉磨過程缺乏精確數(shù)學(xué)模型、工藝機(jī)理復(fù)雜、影響因素眾多、具有強(qiáng)非線性及強(qiáng)耦合等復(fù)雜特性，以及在實際生產(chǎn)過程中存在人工設(shè)定參數(shù)的隨意性等問題，筆者利用小波神經(jīng)網(wǎng)絡(luò)，建立了立磨生料粉磨過程指標(biāo)預(yù)測模型；然后將案例推理技術(shù)、粒子群優(yōu)化算法和WNN指標(biāo)預(yù)測模型三者相結(jié)合，建立粉磨過程的優(yōu)化設(shè)定模型，實現(xiàn)對于不斷變化的工況給予關(guān)鍵變量最優(yōu)設(shè)定值的功能，避免了人工設(shè)定的主觀性和隨意性，仿真結(jié)果表明了該方法的有效性。筆者的建模和智能優(yōu)化設(shè)定方法對類似的復(fù)雜工業(yè)過程生產(chǎn)優(yōu)化有一定的參考意義。

[1] 肖爭鳴.水泥工藝技術(shù)[M].北京:化學(xué)工業(yè)出版社,2006.

[2] 孫常寶.立式輥磨機(jī)原料磨系統(tǒng)工藝的控制[J].散裝水泥,2007,(2):57～59.

[3] 寧艷艷,苑明哲,王卓.水泥生料立磨壓差的廣義預(yù)測PID控制[J].信息與控制,2012,41(3):378～390.

[4] Cao H B, Yu Y, Ge Y J.A Research of Multi-axis Force Sensor Static Decoupling Method Based on Neural Network[C].Proc of the IEEE International Conference on Automation and Logistics.Shenyang：IEEE,2009: 875～879.

[5] 顏文俊,秦偉.水泥立磨流程的建模和控制優(yōu)化[J].控制工程,2012,19(6):929～934.

[6] Qin W, Yan W, Xu J. Application of Fault Diagnosis Expert System in Grinding Process[C]. 2010 IEEE International Conference on Automation and Logistics (ICAL).HongKong and Macau:IEEE,2010:290～295.

[7] Oussar Y,Rivals I,Personnaz L,et al.Training Wavelet Networks for Nonlinear Dynamic Input-output Modeling[J]. Neurocomputing,1998,20(1-3):173～188.

[8] Wang J G,Wan L,Jiang C M,et al.Wavelet Neural Network Applied to Fault Diagnosis of Underwater Vehicle[C].2011 30th Chinese Control Conference (CCC).Yantai:IEEE,2011:4301～4306.

[9] 李偉，吳超群，王艷茹，等.基于小波神經(jīng)網(wǎng)絡(luò)的FRP復(fù)合材料損傷聲發(fā)射信號識別[J].化工機(jī)械，2011，38(3)：294～297.

[10] 耿增顯,柴天佑.基于案例推理的浮選過程智能優(yōu)化設(shè)定[J].東北大學(xué)學(xué)報(自然科學(xué)版),2008,29(6):761～764.

[11] 柴天佑,丁進(jìn)良,王宏,等.復(fù)雜工業(yè)過程運(yùn)行的混合智能優(yōu)化控制方法[J].自動化學(xué)報,2008,34(5):505～515.

[12] 譚明皓,柴天佑.基于案例推理的層流冷卻過程建模[J].控制理論與應(yīng)用,2005,22(2):248～253.

[13] 孫俊,方偉,吳小俊,等.量子行為粒子群優(yōu)化:原理及其應(yīng)用[M].北京:清華大學(xué)出版社,2011.

ModelingandOptimalSettingofVerticalMillRawGrindingProcess

LIN Xiao-feng, QIAN Zhe, LIANG Jin-bo

(CollegeofElectricalEngineering,GuangxiUniversity,Nanning530004,China)

Considering the incapability of online detecting raw meal’s fineness in the grinding process and accurately setting key variables incurred by ever-changing grinding process, and making use of wavelet neural network, a prediction model for production index of vertical mill raw meal grinding process was established and compared with the BP neural network model to verify the validity of this novel model. Having this case-based reasoning techniques combined with both particle swarm optimization and index prediction model to realize optimization setting of the key variables in the grinding process. The simulation results prove validity of this proposed optimal setting method for the vertical mill raw meal grinding process.

modelling, optimal setting, vertical mill, raw grinding, cement, wavelet neural network, case-based reasoning

TH865

A

1000-3932(2016)02-0154-05

2015-04-15(修改稿)基金項目：國家自然科學(xué)基金重點項目(61034002)；國家自然科學(xué)基金資助項目(61364007)