卷积神经网络在水泥熟料fCaO软测量中的应用

水從狡£2020年第5期
摘要：介绍了基于卷积神经网络开发的fCa()软测量软件。

操作人员可以根据现场实际情况，
选取与fCaO含量相关性较大的变量在软件中进行组态，用历史数据进行软测量模型的训练和
测试，获得较好的软测量模型，预测实时的生产数据。

在重庆某水泥厂的实际应用中，fC a0软
测量软件的总体在线预测误差为4.57%,取得了较好效果3
关键词：水泥熟料fCaO;卷积神经网络;软测量；在线预测
中图分类号:TQ172.I4文献标识码:B文章编号:1001-6171(2020)05-0087-05
1)01：10.19698/ki.1001-6171.20205087
Application of Convolutional Neural Network in Soft Measurement
of Free Calcium in Cement Clinker
LIU Chong1,LV Songyan2,HAO Xiaochen2
(1.Department of In f ormation Engineering,Hebei Chemical&Pharmaceutical College,
Shijiazhuang Hebei050026.China; 2.School of Electrical Engineering.Yanshan University,
Qinhuangdao Hebei066004.China)
Abstract:FCaO soft measurement software developed by convolutional neural network is introduced.
According to the actual situation on site,operators can select variables that are more relevant to the
content of fCaO for con f iguration in the software,and use historical data for training and testing of soft-
sensing model to obtain a better soft-sensing model and predict real-time production data.According
to the practical application of a cement plant in Chongqing,the overall online prediction error is
4.57%,and good results have been obtained.
Key words：free calcium in cement clinker;convolutional neural network:soft measuring;online
prediction
通讯地址：1河北化工医药职业技术学院信息工程系，河北石家庄050026；2燕山大学电气工程学院，河北秦皇岛066004；
收稿日期:2020-01-08；编辑：吕光
87
CEMENT TECHNOLOGY 2020/5
在水泥生产中，熟料fCaO 的含量是衡量水泥 质量的重要指标，直接影响着水泥的安定性与熟料
的强度。

目前，水泥熟料fCaO 含量主要是通过在线监 测和离线化验两种方式获得。

在线监测仪成本较
高,维护费用较大，测量精度易受现场环境影响，因 此.我国大部分水泥企业都是采取人工取样化验的 方式获得fCaO 含量。

但人工取样需每小时采样一 次,采样周期较长，取样后送入实验室化验所需时
间也较长,化验结果对水泥生产的优化控制存在滞 后性。

水泥的锻烧过程复杂，影响熟料fCaO 含量的
变量较多，而且各变量与熟料fCaO 含量之间存在
非线性、时变时滞等现象，因此对熟料fCaO 含量的 预测需要考虑时变时延带来的影响。

针对以上水泥熟料fC a 0测量中存在的问题,
本文将卷积神经网络应用到软测量中，对fC a 0进 行预测，该方法通过建立fCaO 易测变量与主导变 量之间的数学模型，消除非线性、时变时滞对预测
精度的影响，实现fCaO 的实时测量，为优化控制水 泥烧成系统以及保证水泥生产效率提供依据。

1烧成工艺流程
水泥熟料烧成系统工艺流程如图1所示。

7K
泥熟料烧成系统主要包括生料预热、熟料锻烧和熟 料冷却三个阶段，各阶段中间变量的参数变化均会 对熟料fCaO 含量产生重要影响。

水泥回转窑窑内主要进行气固热交换.首先, 生料均化库中的生料在均化后进入C1预热筒,在
重力作用下开始下降。

同时,生料受高温风的影响 处于悬浮状态，增加了气与料的接触面积。

生料可
以充分与回转窑和分解炉排出的高温气体进行热
交换,生料中的碳酸盐在预热筒内进行预分解。

随 后，生料进入分解炉充分受热分解后，分解率可达
90%。

生料在分解炉中预分解后由C5预热筒进入
回转窑，回转窑匀速转动，生料中的碳酸盐进一步 分解并发生一系列物理化学反应，生成水泥熟料。

熟料经篦冷机冷却直至达到后续工艺过程所能承
受的温度后,完成采样，测定水泥质量：
2软测量变量的选取及模型建立
软测量技术的本质是在成熟的硬件传感器的
基础上，以计算机技术为核心，通过对一些容易测 量的变量构成的某种数学关系.来推断难以测量或
考暂时不能测量的重要变量，以软件测量替代硬件
测量川。

软测量技术主要由选取模型相关变量、进
生料均化库
分解炉煤
喂料量反馈
7
分解炉 出口温度
窑头煤
窑电机
窑头负压
窑电流平均值
fe fe fe
EP 风机转速
厂®
:EP 风机
—►气路
—►料路
—►煤路
爲
图I 水泥熟料烧成系统工艺流程
88
2020年第5期
行数据采集与处理、建立软测量模型等组成山
2.1 fCaO 软测量模型相关变量的选取
水泥烧成过程中会发生一系列复杂的物理化
学反应，这些反应是影响水泥熟料fCaO 含量的主
要因素。

(1) 水泥锻烧需要大量的热来进行物理化学反
应.回转窑烧成带的温度对于水泥熟料的质量有着 很大的影响。

(2) 预热器温度受分解炉出口温度的影响，而
分解炉喂煤量会直接影响分解炉的温度。

(3) 窑头喂煤量与二次风是影响回转窑温度的
直接因素，同时物料会随着窑的转动缓慢移动至窑
头，回转窑在转动过程中需要窑电机提供动力。

(4) 在水泥烧成过程中，高温风机会在烧成带
产生巨大的气压差，稳定的气压差可以保证燃烧更
稳定充分。

(5) 原料中不同矿物质的差异会引起出磨生料
率值发生较大变化,影响回转窑的烧成过程水泥 熟料烧成过程中主要有硅率、铝率和饱和比三个生
料率值，这三个率值不仅决定了物料的易烧性，而
且对水泥熟料fCaO 的含量影响较大。

通过对水泥烧成过程进行分析，最终决定了
13个输入变量：三率值HM 、AM 、SM.喂料量反馈.
分解炉喂煤量，分解炉出口温度，高温风机转速反
馈，窑头煤反馈，二次风温反馈,EP 风机转速反馈, 窑电流平均值，窑头负压反馈，窑尾负压。

输出变
量为出窑熟料fCaO 的含量。

2.2基于卷积神经网络的fCaO 软测量模型的建立
本文建立的基于卷积神经网络的fCaO 软测量 模型如图2所示。

将从水泥烧成系统数据库中选 取的13个变量的数据作为软测量模型的输入数
据.采用横向卷积核对输入层数据进行卷积，降低
原始数据噪声，提取输入层数据的特征；卷积后的
数据经过池化核为2x1的池化层，在保持数据大部
分特征的同时降低特征图的维度;经多次卷积池化 后的数据经加权求和后整合到全连接层的神经元
中，最后输出fCaO 的值。

3 fCaO 软测量模型的选择与软测量实施的流程
操作人员可以根据现场生产过程对工艺进行
分析,选取与fCa()含量相关性较大的变量,在软件 中进行组态。

操作人员可以用现场历史数据进行 软测量模型的训练和测试,选取效果较好的模型，
再将模型用来对现场的实时数据进行预测，将预测
值存到数据库中，为后期的优化控制提供依据。

3.1软测量模型的选择
软件运行管理界面如图3所示。

操作人员可
以通过图3所示界面对模型的训练误差进行监控,
从而判断软测量模型的训练效果，选出效果较好的
模型进行测试，并对fCaO 进行实时预测。

操作人 员也可以对fC a ()的实时预测值进行监控，通过该
预测值对水泥熟料烧成系统运行参数进行调整，保
证水泥熟料烧成系统平稳运行。

3.2软测量实施的流程
软测量实施的流程如图4所示。

多次卷 积池化
Dropout
处理
o'
O
LQJ
全连接层
熟料『CaO
输出层
f (：a()软测量模型结构图
89
CEMENT TECHNOLOGY2020/5
-
鼻却
yl(12O9
"2"
旨行U te I ii—ytglhfw——11221]霸网殛如202
(12½林"个■MtlUS MW MitAt WM9Hma
ylclIZ*13»00134WM3o ce«ieeM»l O61«O6«
yiciae un正阪懺0029418350
图3软件运行管理界面
图4软测量实施流程
(1)相关变量组态
操作人员在对现场生产流程进行分析后，在软件中对相关变量进行组态，作为软测量模型的输入变量和输出变量。

(2)数据样本的保存
先选出一段时间的数据作为模型的训练和测试数据,根据每个变量的历史数据对每个变量进行最大值、最小值配置；同时分析每个变量对fCaO含量影响的时延以及样本的时长并进行配置;配置好参数后,进行样本数据的保存;保存样本时,可根据设置的最大值、最小值进行数据的归一化处理。

(3)模型参数的配置
样本保存完成后,需要对软测量模型进行参数配置，比如网络层数、神经元个数、全连接层神经元个数、学习率和每层网络的卷积核数目等。

操作人员需对参数进行多次调整，以找到效果较好的参数。

(4)模型效果的检验与实时预测
配置好模型参数后,设置模型训练周期。

操作人员可以在软件中监控模型训练误差，也可以观察fCaO预测值与实际值的对比曲线，根据曲线判断现场窑况以及模型的准确性。

同时,操作人员可以在图5界面中选择模型进行测试，判断模型精度，选取测试效果较好的模型进行实时预测。

实时预测曲线见图6。

4应用实例
将fCaO软测量软件应用到重庆某水泥企业的水泥烧成系统中,训练数据选用烧成系统数据库历史数据，进行多次参数调整后建立了一个较好的fCaO软测量模型。

图7为利用建立的fCaO软测量模型进行预测后，存入数据库的fCaO软测量预测值与现场工作人员采样化验测得的fCaO值的对比曲线。

由图7可以看出，fCaO软测量方法对熟料fCaO 含量的预测具有较高的精度及较好的泛化能力。

对每个样本的预测误差求和后,再进行平均计算,得到总体误差约为4.57%。

5结语
本文基于卷积神经网络建立了水泥烧成过程
90
2 51-
« —I g
图5软测量模型测试曲线
水強殺£ 2020年第5期
Mtmt
二 S3
jiwir
【W —i :
04.8.26Q
3.C 4L L 00_预测值1.09一实际值1.07
07:08:2007:28:20
07:4&20 08:08:19
08:28:19图6实时预测曲线
08:48:1909:06
2.68
[…'…】
—预测值
—实际值
2.25 ・
&.o e y
0.99-
-
3.8
1.41 -
01-05 17:43 01-06 13:43 01-07 09:43 01-08 05:43 01-09 01:43 01-09 21:43
时间
图7化验数据与预测数据对比曲线
的熟料fCaO 软测量模型，并将软测量模型用来预测实时的水泥熟料fCaO 含量，总体预测误差约为
4.57%,可以弥补fCaO 测量周期较长的不足，为水
泥生产调度和生产优化提供依据。

参考文献：
［1 ］俞金寿.软测量技术及其应用［JL 自动化仪表,2008,(1):1-7.
［2］乔弘.火电厂热工参数软测量关键技术和方法研究［D ］.华北电
力大学(北京),2009.0
91。