论文部分内容阅读
水泥烧成过程是水泥生产的关键生产过程,对水泥烧成过程中能耗、质量等关键参数的预测可以为水泥生产过程的节能降耗及质量管理提供依据。但是水泥生产过程中存在时变时延性、不确定性和非线性等特性,且实际生产中质量与能耗预测存在着共性与差异性的问题。针对水泥烧成过程关键参数的预测问题,提出了基于LightGBM(Light Gradient Boosting Machine)的水泥烧成过程游离氧化钙预测模型和基于MC-CNN(Multi-channel Convolutional Ceural Network)的水泥烧成过程能耗预测模型。具体研究工作如下:(1)基于水泥烧成过程工艺机理,分析影响水泥烧成过程质量与能耗的关键因素,选取影响水泥烧成过程中质量与能耗的待选变量。采用互信息法度量待选变量与目标变量的相关性系数,将人工经验分析转换为基于相关性系数的变量选取,筛选出影响水泥烧成过程中质量与能耗的关键变量,减少了冗余信息的引入,为后续水泥烧成过程关键参数预测模型的建立奠定了基础。(2)针对水泥生产数据中存在的时变时延性、不确定性和非线性等共性问题以及游离氧化钙数据化验间隔时间大,且工程要求速度快等个性问题。采用离散时间序列输入窗口的方法选取水泥烧成过程生产过程变量时间序列数据,避免了数据错位对精度的干扰,解决了时变延迟难以确定的问题;并基于LightGBM算法,构建时间序列特征直方图以及游离氧化钙预测模型,在解决了时变延迟问题的基础上,提高了计算效率,实现了对游离氧化钙含量的预测。(3)针对水泥生产数据中存在的时变时延性、不确定性和非线性等共性问题以及水泥烧成过程的电耗和煤耗相互耦合且两者共同决定综合能耗的个性问题。将连续时间序列输入窗口融入卷积神经网络的输入层,解决了时变延迟难以确定的问题;同时针对电耗和煤耗之间的强耦合性,采用MC-CNN多通道卷积神经网络对两个能耗指标相关特征进行同步提取,并将不同通道特征整合到全连接层,最终实现了更全面而同步的能耗预测,且同时减少了建模负担。