神經網絡與人工智能在水泥企業的應用

靳 威 榮紅敏

（1嵐縣金隅水泥有限公司， 山西 呂梁 035200；2陽泉冀東水泥有限責任公司， 山西 陽泉 045000）

在水泥熟料生產領域，傳統的PID調節方式，已經不能適用現代化生產的需要，這點行業內已經達成了共識。在此情況下，模糊控制的機制及算法在這種情況下應運而生，彌補了PID調節的一些不足。模糊控制一般情況下會結合神經網絡預測算法一起工作，以期實現更好的控制效果。因此，這種自動調節控制機制在面對不精確的監測數據，多生產設備狀態參數之間的復雜且不定量影響關系，預判式調節等方面都有更好的表現。自主學習，自動優化更是神經網絡的重要特性之一。

模糊控制由于其預測模型針對的是相關參數之間的數值關系，因此這種模糊控制機制又存在不足之處：需要對模型進行訓練！訓練就是讓機器進行自我學習。

一方面學習周期長，特別是周圍生產設備環境控制參數闕值區間發生較大范圍變化時，難以短時間、及時性的進行優化調整。舉例說明如果工廠由于特殊情況需要更換原燃材料，或進行較大的工藝調整時，這種控制機制就不能很快完成學習并繼續投用，其自主學習的周期可能十分漫長甚至以周或月為單位。一般情況下可能需要工程師介入并人工組織數據對控制模型進行訓練，即時這樣這個過程也很難在3個月內完成。

另一方面模糊控制在機制上是通過以小步迭代跟蹤控制目標的，它假定最優控制值是固定的（或說是相對穩定的），并通過不斷的小步調節去逼近這個最優值。因此在面對突然出現的工況變化，需要系統盡快穩定生產參數時，其調節手法就顯得笨拙且滯后，很容易出現形似“倒影波”的共振現象。就是說控制參數和被跟蹤參數相向波動，總是難以控制穩定下來的現象，其主要原因就是因為控制操作滯后、單次調節量不足、而累積調節量過高造成的。

基于PID、模糊控制方式的這些缺陷，工業級的人工智能控制方式走上前臺。經過兩年的實踐，采用基于人工智能的控制方式，幾乎解決了所有PID、模糊控制的所有缺陷與問題。

1 基于工業大數據神經網絡人工智能自動化控制系統的實踐

1.1 數學控制模型

1. 穩控模型

穩控模型是整個控制系統的核心部件，以毫秒級監測整體產線的運轉狀態，及時的向產線DCS系統發送產線調節指令，并及時發出預警信號。

2. 量差斜率模型

量差斜率模型以毫秒級動態計算監測點數據的變化特性、變化斜率，為計算調節量準備基礎數據。

3. 積分模型

積分模型，根據產線監測點的狀態波動，以毫秒級動態計算出變化的最大面積、最小面積，為計算調節量準備基礎數據。

4. 預動模型

預動模型以毫秒級自動計算下一步可能向產線發出調節量，是否發出，穩控模型做出判斷，預動模型只是動態計算。

5. 補償模型

補償模型解決的目標是過量調節后的補償行為，補償過大、過小都可能讓產線生產不精準。及時性的補償措施，彌補了產線瞬間的指令不當。

1.2 數據清洗

生產產線每個毫秒都在產生著狀態數據，這些數據的狀態決定了智能化控制系統的控制方向、控制效果。

從實踐來看，產線的生產數據會經常發生莫名其妙的抖動現象，造成這些抖動原因很多，這些瞬間抖動的數據若參與智能化控制計算，將會給產線造成控制不精準、控制效果不良等不利因素。

所以，智能化控制系統必須要對這些“臟數據”進行清洗，確保有價值的數據進入智能化系統，以達到優良的控制效果。

從實踐來看，這個數據清洗的工作，效果非常優越。

1.3 產線投產有效率、優秀率

水泥行業一直用運轉率來衡量一個企業生產的基本狀態。實踐證明，投運率這個概念已經滿足不了實際的生產考核要求。應該使用產線生產有效率、優秀率來衡量一個水泥熟料生產線的生產狀態。

有效率是指產線在工藝指標要求的狀態區間內保持的時間與總生產時間相比。很可能投運率100%，而有效率卻是60%。所以，有效率才是真正反映水泥熟料產線運轉的最好概念。

在有效率基礎之上，又可以劃分出更高的工藝目標。更高的工藝目標的要求會更加苛刻。在確保有效率達到95%以上的情況下，再計算出產線運轉的優秀率。這樣，可以通過優秀率的提升，看出工藝的不斷改進指標是否落地。

優秀率不是固定的值，是工藝路線按照階段不斷深化的結果。

1.4 促進與互動

人工智能工程、設備工程、工藝工程，三者相互融合、相互促進，形成了螺旋式、以加速度上升的過程。人工智能工程非常明確的告知管理者什么設備需要進行技改，確保了設備改造的投入花在了刀刃上。由于人工智能工程的使用，讓產線更加平穩，工藝給工藝的改進提供了較大的空間。而工藝的改進，又讓人工智能工程的控制參數更加精細化。形成了等腰三角形的對稱、穩定關系，三者缺一不可。

從實踐來看，比如對氨水噴槍的技改，再加上智能化系統的跟進，氨水使用量最大化減少，節約氨水達到40%。對篦冷機的改造，再加上智能化系統的跟進，讓熱效率的再利用、熟料質量的提升，都表現出卓越的效果。

2 生產神經網絡下的人工智能控制系統的技術優勢

經過實踐，積累了5大控制模型：動態穩控模型、量差斜率計算模型、預動控制模型、補償對沖模型、積分計算模型。

這五大模型的應用，以及模型之間相互組合、相互嵌套的應用，滿足了水泥熟料生產產線的所有控制思路，讓產線一直處于平穩的狀態！

同時，還有一些輔助的模型。如數據清洗、震蕩等。這些模型的組合或者嵌套組合，構成了產線的工業大腦，隨時應對產線發生的各種狀態，并及時的按照最合理的方式發送執行指令。

我們提出的“有效率”概念是指使被控目標穩定在最優狀態的時間百分比。產線運轉有效率確保95%以上。傳統的概念：即使投運率100%，可能有效率才60%。產線有效率的大小決定著產線的綜合收益。做到穩產、高產、高質、節能的極致，是讓生產設備配合最優秀的工藝以及最穩定的控制。才可以完成。所以，有效率不僅反映綜合收益情況，也是反映生產工藝是否不斷深化、提升的要點。

人工智能的核心就是如何開展、利用機器學習，讓產線的生產工藝參數不斷優化，不斷給工業大腦提供更加逼近最優的控制策略、控制方向，以達到更優的控制效果。

3 結語

采用基于工業大數據的神經網絡人工智能技術，構造更符合人性理解、人性操作、人性感知的應用系統環境。系統平臺啟用之時，首先一步到位的模擬優秀中控室操作員的操作習慣，然后再在這個基礎之上進行自我完善優化。最大程度的節省了機器自我學習自我完善的漫長過程，讓企業的生產線的生產控制更加符合人性習慣，調整更加高效，設備運轉更加有效、更加安全。