基于高斯过程的水泥预热分解系统预测控制方法

1.本发明涉及一种工业系统建模，具体为一种基于高斯过程回归的水泥预热分解系统模型预测控制方法，属于热工建模技术领域。


背景技术：

2.预热分解是新型干法水泥生产的核心技术。分解炉是水泥预热分解技术的关键设备，其作用是将原本在回转窑内进行的燃料燃烧、气固换热和碳酸盐分解工作部分转移到分解炉内完成，极大的减轻回转窑的热负荷，降低系统能耗。生料粉末经过旋风预热器层层换热，进入到分解炉中与窑尾煤粉充分混合，煤粉燃烧释放出热量加速生料粉末中caco3的分解，使caco3的分解率达到95％左右。分解炉系统设备的平稳运行决定着水泥熟料质量的好坏，分解炉出口温度是分解炉稳定运转的重要指标。但是因为预热分解系统内部复杂的过程机理，各变量相互耦合，使得分解炉温度特性更加难以把握。但是为了节能降耗和提高熟料品质，建立分解炉温度模型显得十分重要。而高斯过程回归作为数据驱动建模的一种方法，具有超参数自适应获取，输出具有概率意义，易于实现等优点，可以充分运用于复杂的热工过程建模，同时相比于神经网路巨量的超参数，高斯过程因为超参数少所以减少了迭代计算的难度，模型预测控制对于复杂的系统而言，由于其考虑整体控制状态，所以往往相比于传统的pid控制算法有着更好的控制精度，将高斯过程建立的模型和模型预测控制结合起来，共同处理了从无模型到有模型控制的跨越，整套的方法论具有很好的迁移性和参考价值，对于化工反应中复杂的控制环节提供借鉴。


技术实现要素：

3.本发明的目的就在于为了解决对于水泥分解炉因其多复杂变量相互耦合，化学反应多，完全通过机理建模具备一定困难的问题，通过近年在数据建模领域兴起的高斯过程回归方法来建立相关模型，同时结合随机模型预测方法进行选取的控制量的控制，从而实现相对平滑的控制效果。
4.本发明可以使用以下的步骤实现:
5.步骤一:数据预处理，对于历史数据进行异常值检测和数据校正，以修复异常值，填补缺失值，保障数据品质；
6.步骤二:特征变量提取，从历史数据的多个影响因素中进行筛选，得到重要的影响因素，从而降低模型的维度，减少评估的参数；
7.步骤三:建立基于高斯过程的预分解炉温度预测模型，其中核函数选取优化的平方核函数，均值选取为0，在训练数据集中根据最大似然估计确定模型的相关的超参数；
8.步骤四:在预先分配好的测试数据上进行步骤三中得到的高斯模型的精度校验；
9.步骤五:基于训练得到的高斯模型，结合随机模型预测方法对于控制量在一定的滑动窗口内进行控制，选取离散序列下第一个控制量作为新的控制参数；
10.步骤六:在仿真平台和实际的生产环境进行控制方法的效果校验。
11.优选地，步骤一的具体过程描述如下：对于在水泥预分解炉，采集到的历史数据，例如喂煤量，生料喂料量，三次风温等时间序列数据使用局部离群因子的方法进行异常数值的检测，具体来说对于具体时刻的数据定义为[x1 x2 x3 x4 x5]表示为一个对象p，其中定义对象p的k近邻领域，代表所有的与p的距离不大于k的距离的数据对象o的集合为:
[0012]
nk(p)＝{o∈d∣d(p,o)≤dk(p)} (1.1)
[0013]
同时数据对象p和o的可达距离记为:
[0014][0015]
数据对象p的局部可达密度表示点p的第k邻域内到点p的平均可达距离的倒数,即:
[0016]
数据对象p的局部离群因子表示为点p的邻域n_{k}(p)的局部可达密度与点p的局部可达密度之比的平均数,即:
[0017][0018]
然后对于检测到的异常数值直接采取弃用的方式，对于异常值剔除后的数据进行归一化处理，如:
[0019][0020]
避免因为量纲属性的不同造成信息特征的缺失从而给模型和辨识带来不必要的影响，并且可以加快模型建立的收敛速度。
[0021]
优选地，步骤二的具体过程描述如下：通过对预分解模型的机理的分析以及专家经验的获取，最终在诸多的影响因素中选取了喂煤量，生料喂料量和三次风温这三个输入的参数作为影响到预分解炉温度的主要影响因素。
[0022]
优选地，步骤三的具体过程描述如下:对于采集得到的数据集d＝{(xi,yi)∣i＝1,2,
…
,n}，假设带有噪声的模型:
[0023][0024]
其中假设所有的变量满足高斯过程分布的特点，那么可以得到以下的式子:
[0025]
f(x)～gp(μ(x),k(x,x
′
))
ꢀꢀ
(3.2)
[0026]
其中我们可以选择rbf平方核函数:
[0027][0028]
现在将采集到的数据分为训练集和测试集其中，训练集的部分可以作为先验知识的输入，满足:
[0029]
f(x)～n(μf,k
ff
)
ꢀꢀ
(3.4)
[0030]
那么对于测试集的部分y可以知道也是满足高斯过程的，也就是满足如下的高斯联合分布:
[0031][0032]
其中k
ff
＝κ(x,x),k
fy
＝κ(x,x
*
),k
yy
＝κ(x
*
,x
*
)
[0033]
从而得到关于输出的分布，从而获取最有可能的输出值
[0034][0035]
对于核函数中的参数的优化，可以采用最大似然的方式获取，即
[0036][0037]
优选地，步骤四的步骤具体过程描述如下:对于训练得到的高斯模型在测试数据上进行精度的校验，主要采用平方差的方式进行评估。
[0038]
优选地，步骤五的步骤具体过程描述如下:对于训练得到的高斯模型，集合随机模型控制的方法，设定如下的代价函数，通过最小化的方式在窗口n内可以动态的对于三次风温，喂煤料等输入变量进行控制，从而调整水泥分解炉的温度，方便于实际的生产环境，
[0039][0040]
优选地，步骤六的具体过程描述如下：在水泥分解炉仿真平台中进行温度控制的仿真效果测试，在实际的生产平台上通过实时采集生产线上的数据来动态优化高斯过程中的均值和协方差矩阵的参数，从而提高模型的预测精度。
[0041]
与现有技术相比，本发明的有效收益是：水泥预分解炉系统规模庞大、设备结构复杂,由此导致用以描述生产过程机理及运行状态的测量数据具有极其复杂的动静态特性。在生产过程中,由于传感器长时间处于高温、高压的恶劣环境中,因此在数据测量和传输过程中难免存在测量数据异常、数据缺失等情况；另外,由于执行机构的频繁动作导致测量数据中不可避免地包含了各种噪声。对于现场工程师和科研工作者来说,直接研究热工过程历史生产数据的特性是十分困难的,在使用这些数据前首先需要对其进行异常值检测和数据校正,以修正异常值、填补缺失值,保障数据品质。对其进行分析和建模应用具有重要意义。通过将采集的历史数据和数据驱动中的高斯过程方法结合起来，建立有一定精度的预测模型，对于水泥预分解的实际生产环境具有一定的参考价值，同时也根据建立的高斯模
型在控制层面结合随机模型预测控制的算法通过滑动窗口的方式在动态优化模型超参数的同时也优化预测输出的第一个时刻的控制量，对于非线性系统的控制在仿真层面上做了一定的精度校验，之后有利于进一步的在生产环境上进行实际的控制效果的评估。
附图说明
[0042]
图1为本发明中预分解炉示意图；
[0043]
图2为本发明的整体流程图。
具体实施方式
[0044]
以下通过特定的具体实施例说明本发明的实施方式，本领域的技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。
[0045]
如图2所示，基于高斯过程的水泥预热分解系统预测控制方法，具体包括如下步骤：
[0046]
步骤一:数据预处理，对于历史数据进行异常值检测和数据校正，以修复异常值，填补缺失值，保障数据品质；对于在水泥预分解炉，如图1所示，生料粉末经由燃烧喷嘴1的位置进入分解室2，伴随着三次风在涡旋分解室2以约1100℃的温度进行分解反应，最终经由上升通道3在旋风筒4的位置进行粗细颗粒度的物料分离，传感器分布在不同的位置采集到的历史数据，例如喂煤量，生料喂料量，三次风温等时间序列数据，对于采集到的数据使用局部离群因子的方法进行异常数值的检测，具体来说对于具体时刻的数据定义为[x1 x2 x3 x4 x5]表示为一个对象p，其中定义对象p的k近邻领域，代表所有的与p的距离不大于k的距离的数据对象o的集合为:
[0047]
nk(p)＝{o∈d∣d(p,o)≤dk(p)} (1.1)
[0048]
同时数据对象p和o的可达距离记为:
[0049][0050]
数据对象p的局部可达密度表示点p的第k邻域内到点p的平均可达距离的倒数,即:
[0051]
数据对象p的局部离群因子表示为点p的邻域n_{k}(p)的局部可达密度与点p的局部可达密度之比的平均数,即:
[0052][0053]
然后对于检测到的异常数值直接采取弃用的方式，对于异常值剔除后的数据进行归一化处理，如:
[0054][0055]
避免因为量纲属性的不同造成信息特征的缺失从而给模型和辨识带来不必要的
影响，并且可以加快模型建立的收敛速度
[0056]
步骤二:特征变量提取，从历史数据的多个影响因素中进行筛选，得到重要的影响因素，从而降低模型的维度，减少评估的参数；步骤二的具体过程描述如下：通过对预分解模型的机理的分析以及专家经验的获取，最终在诸多的影响因素中选取了喂煤量，生料喂料量和三次风温这三个输入的参数作为影响到预分解炉温度的主要影响因素。
[0057]
步骤三:建立基于高斯过程的预分解炉温度预测模型，其中核函数选取优化的平方核函数，均值选取为0，在训练数据集中根据最大似然估计确定模型的相关的超参数；步骤三的具体过程描述如下:对于采集得到的数据集d＝{(xi,yi)∣i＝1,2,
…
,n}，假设带有噪声的模型:
[0058][0059]
其中假设所有的变量满足高斯过程分布的特点，那么可以得到以下的式子:
[0060]
f(x)～gp(μ(x),k(x,x
′
))
ꢀꢀ
(3.2)
[0061]
其中我们可以选择rbf平方核函数:
[0062][0063]
现在将采集到的数据分为训练集和测试集其中，训练集的部分可以作为先验知识的输入，满足:
[0064]
f(x)～n(μf,k
ff
)
ꢀꢀ
(3.4)
[0065]
那么对于测试集的部分y可以知道也是满足高斯过程的，也就是满足如下的高斯联合分布:
[0066][0067]
其中k
ff
＝κ(x,x),k
fy
＝κ(x,x
*
),k
yy
＝κ(x
*
,x
*
)
[0068]
从而得到关于输出的分布，从而获取最有可能的输出值
[0069][0070]
对于核函数中的参数的优化，可以采用最大似然的方式获取，即
[0071][0072]
步骤四:在预先分配好的测试数据上进行步骤三中得到的高斯模型的精度校验,具体过程描述如下:对于训练得到的高斯模型在测试数据上进行精度的校验，主要采用平方差的方式进行评估。
[0073]
步骤五:基于训练得到的高斯模型，结合随机模型预测方法对于控制量在一定的滑动窗口内进行控制，选取离散序列下第一个控制量作为新的控制参数；具体过程描述如下:对于训练得到的高斯模型，集合随机模型控制的方法，设定如下的代价函数，通过最小化的方式在窗口n内可以动态的对于三次风温，喂煤料等输入变量进行控制，从而调整水泥分解炉的温度，方便于实际的生产环境，
[0074][0075]
步骤六:在仿真平台和实际的生产环境进行控制方法的效果校验,具体过程描述如下:在水泥分解炉仿真平台中进行温度控制的仿真效果测试，在实际的生产平台上通过实时采集生产线上的数据来动态优化高斯过程中的均值和协方差矩阵的参数，从而提高模型的预测精度。
[0076]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。