[發明專利]一種基于多尺度深度網絡的水泥游離鈣軟測量方法

有效

• 申請號: 202011125721.7
• 申請日: 2020-10-20
• 公開（公告）號: CN112365935B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 趙彥濤;王正坤;張玉玲;丁伯川;張策;閆歡;郝曉辰
• 申請（專利權）人: 燕山大學
• 主分類號: G16C20/60
• 分類號: G16C20/60;G16C60/00;G06N3/04
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123
• 代理人: 張建

本發明公開了一種基于多尺度深度網絡的水泥游離鈣軟測量方法，屬于水泥熟料質量軟測量檢測技術領域，具體方法：分析水泥生產工藝，選取與水泥熟料中f?CaO含量相關的過程變量，確定軟測量模型所需的輔助變量；采用拉伊達準則標記每個輔助變量中的異常值，將每個輔助變量中的異常值和缺失值使用該輔助變量的均值代替；對輔助變量進行3層小波包分解并提取實時特征；將提取的實時特征送入LSTM模型并對模型進行訓練，并通過誤差反向傳播算法對模型參數進行修正；用訓練好的LSTM模型對f?CaO含量進行預測。本申請方法可以提取更多的變量特征，能夠更加準確的預測水泥熟料中的游離鈣值，對水泥生產具有實際指導意義。

技術領域

本發明涉及水泥熟料質量軟測量檢測技術領域，尤其是一種基于多尺度深度網絡的水泥游離鈣軟測量方法。

背景技術

水泥熟料中的游離氧化鈣(f-CaO)含量是衡量水泥質量狀況的一項重要指標。f-CaO含量的高低與水泥產品的安定性、水泥熟料強度、生產能耗息息相關。f-CaO含量過高會導致水泥熟料質量下降，f-CaO含量過低則會導致能耗增加。在目前的水泥生產企業中，主要是采用現場采樣然后進行人工化驗的方法水泥熟料中f-CaO的含量值。但是離線化驗獲取的f-CaO含量結果對指導水泥生產具有嚴重的滯后性，難以實現對水泥生產過程的實時控制。同時在水泥生產過程中過程變量還存在大慣性、多耦合等特性，導致難以建立精確的f-CaO含量預測模型。隨著軟測量技術的發展，基于數據驅動的軟測量建模技術被應用到f-CaO含量預測中。趙朋程等人提出了一種將最小二乘法與支持向量機結合的水泥熟料f-CaO含量軟測量方法。但是由于只選擇了5個過程變量作為輔助變量，當樣本量過大時容易造成過擬合。WanC等人使用滑動窗口遞推最小二乘法建立了水泥熟料f-CaO含量軟測量模型。該方法雖然提高了f-CaO含量測量的實時性，但是當生產工況發生改變時預測精度大大降低。水泥熟料生產是一個復雜多變的過程，如果要獲取高精度、抗干擾強的軟測量模型，不僅要充分考慮生產流程中影響熟料質量的過程變量，也要充分提取過程變量數據中影響f-CaO含量的重要特征。

發明內容

針對上述存在的問題，本發明提供了一種基于多尺度深度網絡的水泥游離鈣軟測量方法。

為實現上述目的，本發明通過以下技術方案來實現：

一種基于多尺度深度網絡的水泥游離鈣軟測量方法包括以下步驟：

步驟1：選取與水泥熟料中f-CaO含量相關的輔助變量。

通過分析水泥熟料的生產流程以及f-CaO產生的機理，選取與f-CaO含量相關的10個過程變量作為軟測量模型的輔助變量。

步驟2：輔助變量的數據預處理。

首先采用拉伊達準則對步驟1中的10個輔助變量中的異常值以及缺失值進行標記，并對每個輔助變量中的異常值以及缺失值使用該輔助變量的均值代替。為了避免輔助變量量綱的不統一對預測結果的影響，對這10個輔助變量的數據全部進行歸一化處理。

步驟3：對輔助變量進行小波包分解并提取實時特征。

將每個輔助變量進行分段，然后每個變量中的每一段進行小波包分解，計算分解后的每個節點的能量，并將能量較大的節點作為該變量在該時間段內的特征。

步驟4：將步驟3中提取的實時特征送入LSTM模型并對模型進行訓練。

LSTM模型訓練中所采用的每個樣本由步驟3中提取的特征以及f-CaO含量值組成。使用隨機初始化的參數對網絡進行前向訓練，并使用反向傳播算法對參數進行調整。

步驟5：用訓練好的LSTM模型對f-CaO含量進行預測。

本發明相對于現有技術具有以下有益效果：

1、本發明采用軟測量方式建立水泥熟料游離鈣軟測量方法，能夠有效降低游離鈣測量成本。