水泥生料立磨粉磨生產(chǎn)過程的ELM模型

林小峰 梁金波

(廣西大學電氣工程學院，廣西 南寧 530004)

水泥生料立磨粉磨生產(chǎn)過程的ELM模型

林小峰 梁金波

(廣西大學電氣工程學院，廣西 南寧 530004)

為了降低水泥生料立磨粉磨生產(chǎn)過程的能耗，提高系統(tǒng)的穩(wěn)定性和生產(chǎn)效率，提出了采用極限學習機網(wǎng)絡(luò)建立水泥生料立磨粉磨生產(chǎn)過程的生產(chǎn)指標預測模型。結(jié)合某水泥廠水泥生料立磨粉磨生產(chǎn)過程的實測參數(shù)數(shù)據(jù)，對模型進行了訓練和測試。試驗結(jié)果表明，該建模方法實現(xiàn)了立磨粉磨過程關(guān)鍵指標參數(shù)的在線預估，對立磨生料粉磨生產(chǎn)過程中相關(guān)參數(shù)的優(yōu)化設(shè)定和降低生產(chǎn)過程的能耗具有一定的參考意義。

立磨 粉磨 極限學習機 數(shù)據(jù)處理 預測

0 引言

立磨作為現(xiàn)代新型干法水泥生料粉磨生產(chǎn)過程的首選設(shè)備，集破碎、烘干、粉磨、選粉、輸送功能于一體[1]。水泥生料立磨粉磨是水泥生產(chǎn)過程的重要生產(chǎn)環(huán)節(jié)和典型耗能環(huán)節(jié)。據(jù)統(tǒng)計，其粉磨生產(chǎn)過程的電耗占整個水泥生產(chǎn)電耗的75%[2-3]。水泥生料立磨粉磨生產(chǎn)過程具有多變量、非線性、強耦合等特點，難以建立精確的數(shù)學模型[4]，且關(guān)鍵參數(shù)指標無法在線測量，參數(shù)的設(shè)定值主要依靠操作人員的人工經(jīng)驗手動調(diào)節(jié)，使水泥生料立磨粉磨生產(chǎn)過程具有很大的主觀性與滯后性。

客觀及時地自動調(diào)節(jié)各工藝指標參數(shù)，降低水泥生料立磨粉磨生產(chǎn)過程的能耗，提高生產(chǎn)過程的穩(wěn)定性和生產(chǎn)效率，實現(xiàn)水泥生料粉磨生產(chǎn)過程的最優(yōu)控制是目前亟待解決的問題。

隨著智能控制的發(fā)展以及一些復雜生產(chǎn)過程的實際控制要求，神經(jīng)網(wǎng)絡(luò)技術(shù)也得到不斷發(fā)展，其研究領(lǐng)域涉及石油、化工和環(huán)保等諸多領(lǐng)域。由于前向神經(jīng)網(wǎng)絡(luò)的種種優(yōu)良特性，使得它在軟測量建模領(lǐng)域中有著非常廣泛的應用[5]。然而，傳統(tǒng)的學習算法存在速度較慢、求解過程易陷入局部極小問題等。

極限學習機(extreme learning machine，ELM)是Huang等人在2006年首次提出的一種新型單隱藏層前饋神經(jīng)網(wǎng)絡(luò)的學習方法。該方法避免了基于梯度下降學習方法存在的一些問題，如落入局部最小點、迭代次數(shù)多以及學習率的設(shè)定問題等，在保證網(wǎng)絡(luò)具有良好的泛化性能的同時，極大地提高了前向神經(jīng)網(wǎng)絡(luò)的學習速度。

本文通過分析水泥生料立磨粉磨生產(chǎn)過程中各變量之間的耦合關(guān)系，利用極限學習機建立其粉磨生產(chǎn)過程的關(guān)鍵指標的預測模型。結(jié)合某水泥廠水泥生料立磨粉磨工藝過程的實測參數(shù)數(shù)據(jù)，對該模型進行訓練和測試，使網(wǎng)絡(luò)模型能夠根據(jù)某時刻的輸入信息直接計算出下一時刻需要測量的指標值。

1 生料立磨粉磨工藝流程

水泥生料立磨粉磨流程主要分為粉磨和選粉兩個階段。在粉磨階段，通過喂料皮帶機將混合原料輸送到磨機的喂料口，物料沿喂料管道進入立磨機內(nèi)部，落入旋轉(zhuǎn)磨盤平面中心；然后，在物料間的推力作用和離心力作用下，移動到磨輥和磨盤之間的研磨層粉磨。在選粉階段，物料經(jīng)磨輥研磨后，繼續(xù)運動直到離開磨盤邊緣遇到通過風環(huán)進入磨機內(nèi)的熱氣體；粗粉落入磨機底部，通過外循環(huán)再次進入磨機粉磨；細粉被風環(huán)處高速氣流吹起，經(jīng)過分離器選粉，不合格的細粉落到磨盤繼續(xù)粉磨，合格的細粉隨氣流排出立磨機，再經(jīng)過旋風分離器細選，達到要求的細粉由收塵器收集為成品[6]。

生料立磨粉磨工藝流程如圖1所示。

圖1 生料立磨粉磨工藝流程圖

在生料粉磨生產(chǎn)過程中，針對物料和設(shè)備運行參數(shù)的變化適時進行調(diào)節(jié)控制，是確保系統(tǒng)穩(wěn)定運行的關(guān)鍵環(huán)節(jié)。影響系統(tǒng)穩(wěn)定運行的主要因素[7-8]如下。

① 喂料量。穩(wěn)定的喂料量是確保磨機內(nèi)壓差的前提條件，并且是一個非常重要的調(diào)節(jié)變量。當喂料量不足時，磨盤上的料層變得不穩(wěn)定，如果風量一定，那么磨機內(nèi)壓差會降低。當喂料量過少，容易導致立磨機的振動跳停；當喂料量過大時，磨盤上會出現(xiàn)“犁料”現(xiàn)象。料層同樣難以穩(wěn)定，過多的物料，不僅容易導致“飽磨”，而且會使磨機內(nèi)壓差升高。

② 入磨機風溫。入磨機風溫會對磨機內(nèi)風量和壓差造成一定影響。入磨機風溫度高，會使物料變得松散，使料層變薄，回料量上升，磨機內(nèi)壓差也相應增大；入磨機風溫度過低，物料含水量大，粉磨和選粉效率都會降低，磨機內(nèi)壓差也相應降低，使產(chǎn)量受到影響。

③ 研磨壓力。過小的研磨壓力不能充分細磨物料，使吐渣量增多、壓力增大；粉磨效率雖高，但功率消耗也增大，易引起振動。

④ 分離器轉(zhuǎn)速。分離器的轉(zhuǎn)速將直接影響生料細度指標，而生料細度指標是選粉階段非常重要的監(jiān)測指標。選粉機轉(zhuǎn)速過大或過小都會直接影響最終收集的生料粉磨顆粒的質(zhì)量。

⑤ 循環(huán)風閥門開度。風量的大小也將直接影響生料細度指標。磨內(nèi)風量的調(diào)節(jié)一般是通過控制循環(huán)風閥門開度來實現(xiàn)的。如果在風壓不變的條件下，磨機內(nèi)風量較大，會使磨內(nèi)粉塵濃度變小，降低磨機內(nèi)壓差。風量大、風速快會使更多的粉塵通過選粉機，造成生料細度值增大。

綜上可知，整個生產(chǎn)過程中的多種變量相互影響，主要參數(shù)之間帶有很強的耦合性。對立磨生料粉磨生產(chǎn)過程來講，反映其過程好壞的兩個最主要評價指標是磨機內(nèi)壓差和生料細度。在實際生產(chǎn)中，磨機內(nèi)壓差是磨機運行狀態(tài)好壞的核心判斷指標，而生料細度的大小將直接影響后續(xù)水泥的煅燒。影響水泥生料細度和磨機內(nèi)部壓差這兩個關(guān)鍵指標的因素主要是喂料量、入磨機風溫度、研磨壓力、分離器轉(zhuǎn)速和循環(huán)風閥門開度。

2 模型建立

2.1 極限學習機

極限學習機(ELM)的網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖2所示。

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

圖2中，ai、bi為隱藏層神經(jīng)元節(jié)點參數(shù)；β1、βi、βL為隱藏層神經(jīng)元輸出權(quán)值，L為隱藏層神經(jīng)元個數(shù)；xj(j∈1,...，n)為輸入神經(jīng)元個數(shù)；oj(j∈1,...，n)為輸出神經(jīng)元個數(shù)[9]。

ELM的核心學習方法如下。

② 隨機選取輸入權(quán)值向量和隱藏層神經(jīng)元節(jié)點閾值ai,bi,i=1,…,L；

③ 計算隱藏層節(jié)點輸出矩陣H=g(a,b,x)；

一般來說，ELM模型的訓練過程包括兩部分。第一部分是確定隱藏層節(jié)點的數(shù)量，第二部分是計算隱藏層輸出權(quán)值。其傳遞函數(shù)可以是任意非線性分段連續(xù)的函數(shù)，例如下面的S函數(shù)和高斯函數(shù)等。

① S型函數(shù)：

(1)

② 高斯函數(shù)：

g(x;θ)=exp(-b‖x-a‖)

(2)

ELM方法的一個重要特點是隱藏層映射函數(shù)的參數(shù)可以根據(jù)在區(qū)間(-1,1)之間的連續(xù)概率分布自由選擇。人工給定模型網(wǎng)絡(luò)的隱藏層節(jié)點個數(shù)，模型唯一需要確定的是隱藏層神經(jīng)元到輸出神經(jīng)元之間的權(quán)值。那么，ELM的訓練過程就轉(zhuǎn)換為解決一個最小二乘的問題。

(3)

然后，通過最小化預測誤差的平方誤差之和得到輸出權(quán)值，公式為：

(4)

式中：ei∈Rno為第i個訓練樣本的誤差向量；C為對訓練誤差的一個影響因子。

通過取代目標函數(shù)的約束，得到以下無約束的求最優(yōu)解問題：

(5)

以上問題就是我們熟知的正則化最小二乘法。通過設(shè)置LELM從β到0的梯度，得到以下公式：

(6)

如果H的行數(shù)大于列數(shù)并且是列滿秩，即訓練樣本的個數(shù)大于隱層神經(jīng)元個數(shù)，那么:

(7)

式中：Inh為nh維單位矩陣。

需要注意的是，在式(7)的實際計算過程中，可以用高斯消元法簡化求矩陣的逆陣，這樣可以使解線性方程的過程更高效、更穩(wěn)定。

(8)

(9)

式中：IN為一個N維的單位矩陣。

因此，在訓練樣本大于隱藏層神經(jīng)元個數(shù)時，用式(7)來得到輸出權(quán)值，否則用式(9)計算。

2.2 數(shù)據(jù)預處理

根據(jù)某水泥廠5 000t/d生產(chǎn)線中生料生產(chǎn)過程采集數(shù)據(jù)并記錄，這些數(shù)據(jù)包含在線記錄和離線化驗數(shù)據(jù)。在線數(shù)據(jù)是控制站監(jiān)控軟件實時記錄的數(shù)據(jù)，包括操作變量、工況等實時數(shù)據(jù)；離線數(shù)據(jù)是化驗室人員通過現(xiàn)場采集樣本化驗分析的結(jié)果，主要是生料細度指標。從實際粉磨生產(chǎn)過程中采集到的原始數(shù)據(jù)不能直接使用，必須進行預處理。這是因為，一方面，數(shù)據(jù)需要按時間進行匹配。由于在線和離線數(shù)據(jù)采樣時間不同，離線參數(shù)指標生料細度的抽樣化驗周期為1h，而在線數(shù)據(jù)采集周期為1min，因此需要對采集到的數(shù)據(jù)進行時間匹配。以離線數(shù)據(jù)的記錄時間作為標準，找出時間匹配的在線數(shù)據(jù)進行組合。另一方面，這些原始數(shù)據(jù)含有人為因素造成的主觀誤差，以及因測量信號受噪聲污染產(chǎn)生的隨機誤差。這些都會使所建模型與實際過程不符導致生產(chǎn)指標預測不準確。

在數(shù)據(jù)預處理過程中，首先應消除主觀誤差，根據(jù)實際生產(chǎn)中變量的操作范圍，采用限幅的方法剔除不在范圍內(nèi)的數(shù)據(jù)，當數(shù)據(jù)樣本與總體平均值的偏差大于3倍標準差時就剔除該組數(shù)據(jù)。其次，降低隨機誤差。采用七點線性平滑法對數(shù)據(jù)進行平滑處理，消除隨機噪聲。這種方法作為一種數(shù)據(jù)補救措施是對原始數(shù)據(jù)進行填充和平滑。最后，采用主成分分析法對數(shù)據(jù)進行壓縮和降維。算法如下。

① 對于n維隨機向量x=(x1,x2,…,xn)T，原始數(shù)據(jù)標準化如下。

(10)

(11)

(12)

② 計算相關(guān)矩陣R：

(13)

式中：X*為標準化后的數(shù)據(jù)矩陣；X*T為X*的轉(zhuǎn)置矩陣。

③ 計算相關(guān)矩陣R的特征值λi和相應的正交單位特征向量，主成分的方差貢獻率即為：

(14)

方差積累貢獻率如下：

(15)

④ 最后，根據(jù)方差積累貢獻率大于85%的原則，確定選擇的主成分個數(shù)。

經(jīng)過預處理，獲得450組有效數(shù)據(jù)，部分數(shù)據(jù)如表1所示。其中，在線指標包括喂料量、選粉機轉(zhuǎn)速、循環(huán)風閥門開度、入磨風溫和磨機內(nèi)壓差，離線數(shù)據(jù)是生料細度指標。

表1 水泥廠生料生產(chǎn)過程部分數(shù)據(jù)

3 模型仿真及結(jié)果分析

將450組數(shù)據(jù)按8∶1的比例分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集,其中訓練數(shù)據(jù)400組，測試數(shù)據(jù)50組。每組數(shù)據(jù)集包含6個數(shù)據(jù)。前面4個數(shù)據(jù)作為網(wǎng)絡(luò)模型的輸入變量，它們代表的物理意義分別為循環(huán)風閥門的開度x1、分離器的轉(zhuǎn)速x2、入磨機風的溫度x3和磨機的喂料量x4；后面2個數(shù)據(jù)作為網(wǎng)絡(luò)模型的輸出，它們代表的物理意義分別為生料細度y1和立磨機內(nèi)的壓差y2。

采用基于ELM方法的立磨粉磨生產(chǎn)過程的神經(jīng)網(wǎng)絡(luò)預測模型，模型基本結(jié)構(gòu)為單隱藏層結(jié)構(gòu)。網(wǎng)絡(luò)初始化后設(shè)置的相關(guān)參數(shù)如下：模型的輸入為4個節(jié)點，輸出為2個節(jié)點，網(wǎng)絡(luò)模型的隱藏層節(jié)點參數(shù)為50個，循環(huán)次數(shù)為1次。將400組訓練數(shù)據(jù)代入ELM模型進行訓練，訓練完成后再將50組測試數(shù)據(jù)代入模型進行測試，得到模型輸出的2個指標泛化曲線分別如圖3、圖4所示。

圖3 基于ELM的生料細度預測曲線

圖4 基于ELM的磨內(nèi)壓差預測曲線

采用相同方法，建立BP神經(jīng)網(wǎng)絡(luò)預測模型，該模型為單隱藏層結(jié)構(gòu)。網(wǎng)絡(luò)初始化后，設(shè)置網(wǎng)絡(luò)的相關(guān)參數(shù)如下：網(wǎng)絡(luò)的隱藏層節(jié)點個數(shù)為50，輸入神經(jīng)元為4個，輸出神經(jīng)元為2個，網(wǎng)絡(luò)的學習速率為0.01，誤差精度為0.05，最大訓練次數(shù)為2 000次。BP神經(jīng)網(wǎng)絡(luò)預測模型與ELM模型仿真結(jié)果的比較如表2所示。

表2 ELM與BP的模型性能比較

從表2可以看出，在保證網(wǎng)絡(luò)模型具有一定的預測誤差前提下，基于ELM方法的指標預測模型相比BP模型的學習速度快，經(jīng)過的迭代次數(shù)少，訓練時間短。

4 結(jié)束語

本文針對水泥生料立磨粉磨生產(chǎn)過程的高能耗、難以在線監(jiān)測生料細度指標以及人工設(shè)定參數(shù)存在的問題，提出了基于極限學習機學習方法，建立了生料立磨粉磨生產(chǎn)過程的指標預測模型。結(jié)合模型，利用某水泥廠水泥生料立磨粉磨生產(chǎn)過程各變量的在線記錄和離線化驗所得的數(shù)據(jù)對模型訓練和測試。實驗結(jié)果驗證了該方法是有效的， ELM模型能夠反映水泥生料立磨粉磨生產(chǎn)過程的關(guān)鍵工藝指標之間的映射關(guān)系。該方法在保證較小誤差的情況下，具有更快的在線預估速度，對降低立磨粉磨生產(chǎn)過程的電耗具有一定的參考意義。

[1] 肖爭鳴，李堅利.水泥工藝技術(shù)[M].北京:化學工業(yè)出版社，2006:65-76.

[2] Ajaya K P,Hare K M.A hybrid soft sensing approach of a cement mill using principal component analysis and artificial neural networks[C]//2013 IEEE International Advance Computing Conference,2013：713-718.

[3] Ajaya K P,Hare K M.Soft sensing of particle size in a grinding process:application of support vector regression,fuzzy inference and adaptive neuro fuzzy inference techniques for online monitoring of cement fineness[J].Powder Technology,2014(264):484-497.

[4] 秦偉，顏文俊.水泥立磨流程的建模和控制優(yōu)化[J].控制工程，2012,19(6):929-943.

[5] 劉晴，張正則，丁維明.神經(jīng)網(wǎng)絡(luò)預測PID控制在氣化爐中的應用[J].自動化儀表，2014,35(5):60-62.

[6] 賈華平.水泥粉磨新型節(jié)能工藝的發(fā)展現(xiàn)狀[J].四川水泥，2014(3)：106-112.

[7] 周正立，周君玉.水泥粉磨工藝與設(shè)備問答[M].北京：化學工業(yè)出版社，2009:70-77.

[8] 苑明哲，王卓，寧艷艷.水泥生料立磨壓差廣義預測PID控制[J].信息與控制，2012,41(3):378-390.

[9] Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006，70(3):489-501.

[10]Huang G,Jatinder N D,Song S J.Semi-supervised and unsupervised extreme learning machines[C]//2014 IEEE Transactions on Cybernetics,2014:2405-2417.

ELM Model of Cement Raw Material Vertical Mill Grinding Production Process

In order to reduce the energy consumption in cement raw material vertical mill grinding production process, and enhance the stability of the system and the production efficiency, it is proposed that by adopting extreme learning machine (ELM) network to establish the prediction model of production quotas for such process. Combining with the measured parameteric data of the process in certain cement plant, the model is trained and tested. The experimental results show that the modeling method proposed is effective for implementing online preditive estimation of critical parameters for vertical mill grinding process, in addition, it posseses certain reference significance for optimizing the parameters for raw material veritical mill grinding process and reducing energy consumption of the production process.

Vertical mill Powder grinding Extreme learning machine Data processing Prediction

國家自然科學基金重點資助項目(編號：61034002)；

國家自然科學基金資助項目(編號：61364007)。

林小峰(1955-)，男，1979年畢業(yè)于廣西大學電氣工程專業(yè)，獲學士學位，教授；主要從事復雜系統(tǒng)智能控制與優(yōu)化、過程控制、計算機控制、電工新技術(shù)、新能源轉(zhuǎn)換與控制等方面的研究。

TH89;TP29

A

10.16086/j.cnki.issn1000-0380.201509002

修改稿收到日期：2015-01-14。