卷積神經網絡在水泥熟料fCaO軟測量中的應用

劉沖 ，呂松彥 ，郝曉辰

在水泥生產中，熟料fCaO的含量是衡量水泥質量的重要指標，直接影響著水泥的安定性與熟料的強度。

目前，水泥熟料fCaO含量主要是通過在線監測和離線化驗兩種方式獲得。在線監測儀成本較高，維護費用較大，測量精度易受現場環境影響，因此，我國大部分水泥企業都是采取人工取樣化驗的方式獲得fCaO含量。但人工取樣需每小時采樣一次，采樣周期較長，取樣后送入實驗室化驗所需時間也較長，化驗結果對水泥生產的優化控制存在滯后性。

水泥的煅燒過程復雜，影響熟料fCaO含量的變量較多，而且各變量與熟料fCaO含量之間存在非線性、時變時滯等現象，因此對熟料fCaO含量的預測需要考慮時變時延帶來的影響。

針對以上水泥熟料fCaO測量中存在的問題，本文將卷積神經網絡應用到軟測量中，對fCaO進行預測，該方法通過建立fCaO易測變量與主導變量之間的數學模型，消除非線性、時變時滯對預測精度的影響，實現fCaO的實時測量，為優化控制水泥燒成系統以及保證水泥生產效率提供依據。

1 燒成工藝流程

水泥熟料燒成系統工藝流程如圖1所示。水泥熟料燒成系統主要包括生料預熱、熟料煅燒和熟料冷卻三個階段，各階段中間變量的參數變化均會對熟料fCaO含量產生重要影響。

水泥回轉窯窯內主要進行氣固熱交換，首先，生料均化庫中的生料在均化后進入C1預熱筒，在重力作用下開始下降。同時，生料受高溫風的影響處于懸浮狀態，增加了氣與料的接觸面積。生料可以充分與回轉窯和分解爐排出的高溫氣體進行熱交換，生料中的碳酸鹽在預熱筒內進行預分解。隨后，生料進入分解爐充分受熱分解后，分解率可達90%。生料在分解爐中預分解后由C5預熱筒進入回轉窯，回轉窯勻速轉動，生料中的碳酸鹽進一步分解并發生一系列物理化學反應，生成水泥熟料。熟料經篦冷機冷卻直至達到后續工藝過程所能承受的溫度后，完成采樣，測定水泥質量。

2 軟測量變量的選取及模型建立

軟測量技術的本質是在成熟的硬件傳感器的基礎上，以計算機技術為核心，通過對一些容易測量的變量構成的某種數學關系，來推斷難以測量或者暫時不能測量的重要變量，以軟件測量替代硬件測量[1]。軟測量技術主要由選取模型相關變量、進行數據采集與處理、建立軟測量模型等組成[2]。

圖1 水泥熟料燒成系統工藝流程

2.1 fCaO軟測量模型相關變量的選取

水泥燒成過程中會發生一系列復雜的物理化學反應，這些反應是影響水泥熟料fCaO含量的主要因素。

（1）水泥煅燒需要大量的熱來進行物理化學反應，回轉窯燒成帶的溫度對于水泥熟料的質量有著很大的影響。

（2）預熱器溫度受分解爐出口溫度的影響，而分解爐喂煤量會直接影響分解爐的溫度。

（3）窯頭喂煤量與二次風是影響回轉窯溫度的直接因素，同時物料會隨著窯的轉動緩慢移動至窯頭，回轉窯在轉動過程中需要窯電機提供動力。

（4）在水泥燒成過程中，高溫風機會在燒成帶產生巨大的氣壓差，穩定的氣壓差可以保證燃燒更穩定充分。

（5）原料中不同礦物質的差異會引起出磨生料率值發生較大變化，影響回轉窯的燒成過程。水泥熟料燒成過程中主要有硅率、鋁率和飽和比三個生料率值，這三個率值不僅決定了物料的易燒性，而且對水泥熟料fCaO的含量影響較大。

通過對水泥燒成過程進行分析，最終決定了13個輸入變量：三率值HM、AM、SM，喂料量反饋，分解爐喂煤量，分解爐出口溫度，高溫風機轉速反饋，窯頭煤反饋，二次風溫反饋，EP風機轉速反饋，窯電流平均值，窯頭負壓反饋，窯尾負壓。輸出變量為出窯熟料fCaO的含量。

2.2 基于卷積神經網絡的fCaO軟測量模型的建立

本文建立的基于卷積神經網絡的fCaO軟測量模型如圖2所示。將從水泥燒成系統數據庫中選取的13個變量的數據作為軟測量模型的輸入數據，采用橫向卷積核對輸入層數據進行卷積，降低原始數據噪聲，提取輸入層數據的特征；卷積后的數據經過池化核為2×1的池化層，在保持數據大部分特征的同時降低特征圖的維度；經多次卷積池化后的數據經加權求和后整合到全連接層的神經元中，最后輸出fCaO的值。

3 fCaO軟測量模型的選擇與軟測量實施的流程

操作人員可以根據現場生產過程對工藝進行分析，選取與fCaO含量相關性較大的變量，在軟件中進行組態。操作人員可以用現場歷史數據進行軟測量模型的訓練和測試，選取效果較好的模型，再將模型用來對現場的實時數據進行預測，將預測值存到數據庫中，為后期的優化控制提供依據。

3.1 軟測量模型的選擇

軟件運行管理界面如圖3所示。操作人員可以通過圖3所示界面對模型的訓練誤差進行監控，從而判斷軟測量模型的訓練效果，選出效果較好的模型進行測試，并對fCaO進行實時預測。操作人員也可以對fCaO的實時預測值進行監控，通過該預測值對水泥熟料燒成系統運行參數進行調整，保證水泥熟料燒成系統平穩運行。

3.2 軟測量實施的流程

軟測量實施的流程如圖4所示。

圖2 fCaO軟測量模型結構圖

圖3 軟件運行管理界面

圖4 軟測量實施流程

（1）相關變量組態

操作人員在對現場生產流程進行分析后，在軟件中對相關變量進行組態，作為軟測量模型的輸入變量和輸出變量。

（2）數據樣本的保存

先選出一段時間的數據作為模型的訓練和測試數據，根據每個變量的歷史數據對每個變量進行最大值、最小值配置；同時分析每個變量對fCaO含量影響的時延以及樣本的時長并進行配置；配置好參數后，進行樣本數據的保存；保存樣本時，可根據設置的最大值、最小值進行數據的歸一化處理。

（3）模型參數的配置

樣本保存完成后，需要對軟測量模型進行參數配置，比如網絡層數、神經元個數、全連接層神經元個數、學習率和每層網絡的卷積核數目等。操作人員需對參數進行多次調整，以找到效果較好的參數。

（4）模型效果的檢驗與實時預測

配置好模型參數后，設置模型訓練周期。操作人員可以在軟件中監控模型訓練誤差，也可以觀察fCaO預測值與實際值的對比曲線，根據曲線判斷現場窯況以及模型的準確性。同時，操作人員可以在圖5界面中選擇模型進行測試，判斷模型精度，選取測試效果較好的模型進行實時預測。實時預測曲線見圖6。

4 應用實例

將fCaO軟測量軟件應用到重慶某水泥企業的水泥燒成系統中，訓練數據選用燒成系統數據庫歷史數據，進行多次參數調整后建立了一個較好的fCaO軟測量模型。圖7為利用建立的fCaO軟測量模型進行預測后，存入數據庫的fCaO軟測量預測值與現場工作人員采樣化驗測得的fCaO值的對比曲線。

由圖7可以看出，fCaO軟測量方法對熟料fCaO含量的預測具有較高的精度及較好的泛化能力。對每個樣本的預測誤差求和后，再進行平均計算，得到總體誤差約為4.57%。

5 結語

圖5 軟測量模型測試曲線

圖6 實時預測曲線

圖7 化驗數據與預測數據對比曲線

本文基于卷積神經網絡建立了水泥燒成過程的熟料fCaO軟測量模型，并將軟測量模型用來預測實時的水泥熟料fCaO含量，總體預測誤差約為4.57%，可以彌補fCaO測量周期較長的不足，為水泥生產調度和生產優化提供依據。