一种新型干法水泥窑炉煅烧过程多目标优化方法与流程

本发明涉及水泥生产，尤其涉及一种新型干法水泥生产烧成系统的智能优化方法。
背景技术：
：熟料煅烧过程如下，首先，生料通过入料斗提输送到悬浮预热器顶部，生料由于重力作用，从悬浮预热器顶部下落，下落的过程中会与向上喷发的热气进行热交换，达到预热的效果。预热后的生料进入分解炉，在分解炉中大量的碳酸盐会被煅烧分解。之后生料进入回转窑，生料在回转窑高温条件下充分煅烧，回转窑的生料会因为重力作用和转动力作用落入篦冷机中，篦冷机经过极冷、破碎等最终形成熟料。熟料煅烧过程能耗在水泥生产过程能耗所占比重大，主要能耗为烧成煤耗和电耗；同时水泥熟料中含有少量未化合的氧化钙称为游离氧化钙(f-cao)，水泥熟料f-cao含量对水泥安定性有很大影响，且含量能够间接反应水泥窑炉烧成状况的良好。因此，同时优化f-cao含量和单产熟料能耗对提高产品质量和降低生产过程能耗具有重要意义。新型干法水泥中，烧成系统能耗主要为煤耗和电耗。近年来，出现了很多诸如分解炉控制，回转窑控制，篦冷机控制等诸多先进控制方法，同时也有很多生料分解率，烧成带温度，游离氧化钙含量软测量模型，水泥生产的精细化水平进一步提高，能耗有所下降。但是，水泥生产是大惯性，非线性和强耦合的复杂过程，操作参数的确定大多靠操作员经验执行，操作粗放，单产能耗较高，同时熟料关键质量指标游离氧化钙含量波动较大。传统的优化模型只考虑了单产熟料能耗指标一个优化目标，但实际生产中关键质量指标游离氧化钙含量同样重要。同时考虑能耗以及质量指标尤为重要，因此，本领域迫切需要对于水泥生产的精细化操作，从而兼顾提高产品质量和降低能耗。技术实现要素：本发明旨在提供一种水泥窑炉煅烧多目标优化的方法。在本发明的第一方面，提供了一种新型干法水泥窑炉煅烧过程多目标优化方法，所述方法包括步骤：(1)建立多目标优化模型；和(2)求解优化模型得到优化目标设定值及其相应实际操作条件。在另一优选例中，所述水泥窑炉煅烧是新型干法水泥窑炉煅烧。在另一优选例中，所述多目标优化包括游离氧化钙含量和煅烧过程单产熟料总能耗。在另一优选例中，所述实际操作条件包括与优化目标设定值相应的决策变量值；所述决策变量包括高温风机电流、分解炉喂煤量、回转窑主电机电流、和窑头喂煤量。在另一优选例中，将通过选择决策变量、状态变量和约束条件而获得的数据采用偏最小二乘法(pls)建立优化模型；选择高温风机电流、分解炉喂煤量、回转窑主电机电流和窑头喂煤量为优化模型决策变量；选择c1筒下料管温度和窑头罩温度为优化模型状态变量；所述约束条件为决策变量、状态变量及目标变量满足过程安全生产的上下限；xi,min＜xi＜xi,max(i＝1,…,6)j1min＜j1＜j1maxj2min＜j2＜j2max其中xi表示决策变量或状态变量；j1和j2分别表示目标变量游离氧化钙含量和煅烧过程单产熟料总能耗。优选地，所述数据采用三阶滑动平均滤波方法进行数据预处理。在另一优选例中，所述数据滤波处理采用滑动平均滤波，得到平稳的过程数据。针对过程数据特性，选择滤波器阶次；更佳地，为三阶滑动平均滤波。在另一优选例中，pls首先在自变量中提取第一成分的线性组合，在因变量中提取第一成分，并要求两个成分相关性最大，然后进行回归建模，直到达到满意的精度为止，最终得到偏最小二乘回归方程式。在另一优选例中，所述优化模型包括：yf-cao＝f(x1,x2,x3,x4)和ycost＝f(x1,x3,x5,x6)+ξ其中x2＝f(x5,x7,x8)、x4＝f(x6,x9)优化目标一：minj1＝yf-cao；优化目标二：minj2＝ycost；其中yf-cao为游离氧化钙含量，ycost为单产熟料能耗费用，x1为高温风机电流，x2为c1筒下料管温度，x3为回转窑主电机电流，x4为窑头罩温度，x5为分解炉喂煤量，x6为窑头喂煤量，x7为窑头三次风温度，x8为窑尾烟室温度，x9为一室篦下压力，ξ为其余能耗。在另一优选例中，采用基于非支配排序的带精英策略的多目标优化算法(nsga-ii)求解优化模型。在本发明的第二方面，提供了一种水泥窑炉煅烧过程多目标优化方法，所述方法包括步骤：(a)获得决策变量、状态变量和约束条件的数据；(b)预处理获得的数据；所述预处理数据滤波操作；(c)预处理后的数据采用偏最小二乘法(pls)建立优化模型；和(d)采用基于非支配排序的带精英策略的多目标优化算法(nsga-ii)求解优化模型得到的决策变量值作为实际操作中的设定值。在另一优选例中，所述决策变量为高温风机电流、分解炉喂煤量、回转窑主电机电流和窑头喂煤量；所述状态变量为c1筒下料管温度和窑头罩温度；所述约束条件为决策变量、状态变量及目标变量满足过程安全生产的上下限；xi,min＜xi＜xi,max(i＝1,…,6)j1min＜j1＜j1maxj2min＜j2＜j2max其中xi表示决策变量或状态变量；j1和j2分别表示目标变量游离氧化钙含量和煅烧过程单产熟料总能耗。在另一优选例中，所述优化模型是：yf-cao＝f(x1,x2,x3,x4)；和ycost＝f(x1,x3,x5,x6)+ξ其中x2＝f(x5,x7,x8)、x4＝f(x6,x9)优化目标一：minj1＝yf-cao；优化目标二：minj2＝ycost；其中yf-cao为游离氧化钙含量，ycost为单产熟料能耗费用，x1为高温风机电流，x2为c1筒下料管温度，x3为回转窑主电机电流，x4为窑头罩温度，x5为分解炉喂煤量，x6为窑头喂煤量，x7为窑头三次风温度，x8为窑尾烟室温度，x9为一室篦下压力，ξ为其余能耗。据此，本发明可以对水泥生产精细化操作，从而兼顾提高产品质量和降低能耗。附图说明图1为水泥烧成系统全流程简图。图2为偏最小二乘法计算流程图。图3为基于非支配排序的带精英策略的多目标优化算法流程图。图4为窑炉煅烧过程多目标优化求解框图。图5显示了c1筒下料管温度模型。图6显示了窑头罩温度模型。图7显示了游离氧化钙模型。图8显示多目标优化pareto前沿。具体实施方式本发明提供的水泥窑炉煅烧过程的多目标优化方法包括：建立游离氧化钙和煅烧过程单产熟料能耗费用的多目标优化模型，采用智能优化算法求解优化模型得到优化设定值指导实际操作生产。本发明提供一种水泥窑炉煅烧过程多目标优化策略，同时优化过程关键质量指标游离氧化钙和过程单产熟料能耗费用，本发明技术方案包括以下步骤：步骤一，决策变量选择及约束条件，所述约束条件为决策变量、状态变量及目标变量满足过程安全生产的上下限：xi,min＜xi＜xi,max(i＝1,…,6)j1min＜j1＜j1maxj2min＜j2＜j2max其中xi表示决策变量或状态变量；j1和j2分别表示目标变量。在本发明的一种实施方式中，选择高温风机电流、分解炉喂煤量、回转窑主电机电流和窑头喂煤量为优化模型决策变量；选择c1筒下料管温度和窑头罩温度为状态变量；选择游离氧化钙含量和煅烧过程单产熟料总能耗为目标变量。发明人发现，高温风机电流可以反映烧成系统通风量的大小；c1筒下料管温度影响分解炉中的生料分解，决策变量分解炉喂煤量影响到c1筒下料管温度；回转窑主电机电流间接反映回转窑内烧成工况的好坏；窑头罩温度反映窑内烧成状况的好坏，决策变量窑头喂煤量直接影响窑头罩温度；综上四个决策变量均会影响到熟料游离氧化钙的质量，同时反映窑炉煅烧过程主要煤耗、电耗。在本发明的一种实施方式中变量约束条件如下表所示变量上下限高温风机电流[100,120]分解炉喂煤量[32,38]回转窑主电机电流[700,900]窑头喂煤量[20,24]c1筒下料管温度[860,880]窑头罩温度[1100,1300]游离氧化钙含量[0.3,1.2]煅烧过程单产能耗费用[110,125]需了解，这些变量是根据现场装置的运行状况获得的，所以不同的装置和不同的设备上下限会不同，一般需根据现场设备实际运行情况，充分考虑安全、环保、节能等因素，考虑变量约束条件。步骤二，数据预处理，主要包括数据滤波操作，采用滑动平均滤波，得到平稳的过程数据。针对过程数据特性，选择三阶滤波器。在本发明的一种优选方案实施方式中，针对水泥成产数据噪声大的问题，数据预处理采用移动平均法，移动窗大小为3，即三阶滤波器，如下所示：其中，为滤波器输出，y(i-1)、y(i)、y(i+1)分解为滤波器不同时刻的输入值步骤三，优化模型建立，采用偏最小二乘法(pls)建立优化模型，偏最小二乘针有效解决变量的多重共线性问题。pls首先在自变量中提取第一成分的线性组合，在因变量中提取第一成分，并要求两个成分相关性最大，然后进行回归建模，直到达到满意的精度为止，最终得到偏最小二乘回归方程式。优化模型如下所示yf-cao＝f(x1,x2,x3,x4)ycost＝f(x1,x3,x5,x6)+ξ其中x2＝f(x5,x7,x8)、x4＝f(x6,x9)优化目标一：minj1＝yf-cao；优化目标二：minj2＝ycost；minj1是要求优化目标最小；j1min，j1max分别是指优化目标的上下限。目标二同理。其中yf-cao为游离氧化钙含量，ycost为单产熟料能耗费用，x1为高温风机电流，x2为c1筒下料管温度，x3为回转窑主电机电流，x4为窑头罩温度，x5为分解炉喂煤量，x6为窑头喂煤量，x7为窑头三次风温度，x8为窑尾烟室温度，x9为一室篦下压力，ξ为其余能耗。在本发明的一种实施方式中，预处理后的数据采用如图2所示的偏最小二乘步骤建立线性优化模型；优化目标一：游离氧化钙含量yf-cao＝f(x1,x2,x3,x4)，其中x2＝f(x5,x7,x8)，x4＝f(x6,x9)其中yf-cao为游离氧化钙含量，x1为高温风机电流，x2为c1筒下料管温度，x3为回转窑主电机电流，x4为窑头罩温度，x5为分解炉喂煤量，x6为窑头喂煤量，x7为窑头三次风温度，x8为窑尾烟室温度，x9为一室篦下压力。采用pls方法获得游离氧化钙模型参数：yf-cao＝-3.3480+0.0035x1+0.0040x2-0.0019x3+0.0014x4x2＝715.1491+0.3439*x5+0.0690*x7+0.05932*x8x4＝1983.6-20.2235x6-63.7511x9优化目标二：煅烧过程单产能耗费用ycost＝f(x1,x3,x5,x6)+ξ工业用电价格，工业煤炭价格，煅烧过程单产能耗费用模型参数：定义工业用电价格0.8083元/度，工业用煤650元/吨，企业熟料产量500吨/时，烧成其余能耗8600元/时。高温风机折算电耗:y1＝0.0323x1(元/吨/时)主电机折算电耗:y2＝0.0323x3(元/吨/时)分解炉喂煤折算煤耗:y3＝650/500x5＝1.3x5(元/吨/时)窑头喂煤折算煤耗:y4＝650/500x5＝1.3x5(元/吨/时)其余能耗:y5＝8600/500＝17.2(元/吨/时)ycost＝y1+y2+y3+y4+y5需了解，实际应用中上述方程不唯一，对于不同的过程会有不同的优化模型参数，两个方程的参数是采用偏最小二乘方法估计出来的。步骤四，多目标优化计算，采用基于非支配排序的带精英策略的多目标优化算法(nsga-ii)，求解优化模型得到决策变量的优化计算值。nsga-ii算法主要包括种群初始化、个体适应度评价、选择运算、交叉运算以及变异运算等。nsga-ii算法主要创新点主要在于选择运算上，首先提出了快速非支配排序概念，有效降低了算法复杂度；其次最后采用了拥挤度度量，克服了需要指定共享参数的缺陷；最后添加了精英机制，使父代种群和子代种群共同竞争生成新种群，保证已获得的最优解不丢失。因此nsga-ii算法具有运行速度快、解集收敛性好的优点。在本发明的一种实施方式中，所述基于非支配排序的带精英策略的多目标优化算法是：首先，随机产生规模为n的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；其次，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序操作：快速非支配排序的作用是指引搜索向pareto最优解集方向运行，它是一个循环的适应值分级过程，首先找出群体中非支配解集，记为第一非支配层f，将其所有个体赋予非支配序irank＝1，并将其从整个种群中移除；然后依次循环，找出irank＝2、irank＝3等，直到整个种群被分层。同时对每个非支配层中的个体进行拥挤度算子计算，个体拥挤度距离是目标空间上与i相邻的两个体i+1和i-1之间的距离，通过计算得到个体i的拥挤度距离l[i]，优先选择拥挤距离较大的个体，保证计算结果可以在目标空间均匀分布，以维持优化算法种群的多样性。随后采用精英策略，将父代和子代合并用，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群，可以保留父代中的优良个体进入子代；最后，通过遗传算法的交叉变异等基本操作产生新的子代种群，依此类推，直到满足程序结束的条件。在一种优选实施方式中，本发明中采用种群规模200，迭代次数为200，交叉概率为0.8，变异概率为0.5，能保证取得所需要的优化解，根据pareto前沿选择合适的决策变量设定值。针对不同情况，实际取值可以在一个大致范围内。在本发明的一种实施方式中，基于非支配排序的带精英策略的多目标优化算法相应的程序流程图如图3所示。整个多目标优化策略流程如图4所示。本发明提到的上述特征，或实施例提到的特征可以任意组合。本案说明书所揭示的所有特征可与任何组合物形式并用，说明书中所揭示的各个特征，可以任何可提供相同、均等或相似目的的替代性特征取代。因此，除有特别说明，所揭示的特征仅为均等或相似特征的一般性例子。本发明的主要优点在于：1、通过建立优化模型，对生产过程的参数进行优化，可以同时保证产品质量和降低能耗。2、采用偏最小二乘法建模，不需要复杂的过程机理，只需要过程输入输出数据即可得到模型。3、基于非支配排序的带精英策略的多目标优化算法，该算法优化效果好，计算速度快，可以满足过程实时优化的需求。4、本发明提供的方法通过参数优化可以在不增加硬件成本的前提下，为企业创造经济效益。下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件或按照制造厂商所建议的条件。除非另行定义，文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。此外，任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。文中所述的较佳实施方法与材料仅作示范之用。选择高温风机电流、分解炉喂煤量、回转窑主电机电流和窑头喂煤量为优化模型决策变量；选择c1筒下料管温度和窑头罩温度为状态变量；选择游离氧化钙含量和煅烧过程单产熟料总能耗为目标变量。实施例1根据实际现场输入输出数据，采用偏最小二乘方法建立c1筒下料管温度模型(如图5所示)，x2＝715.1491+0.3439*x5+0.0690*x7+0.05932*x8，其中x2为c1筒下料管温度，x5为分解炉喂煤量，x7为窑头三次风温度，x8为窑尾烟室温度。实施例2据实际现场输入输出数据，采用偏最小二乘方法建立窑头罩温度模型(如图6所示)，x4＝1983.6-20.2235x6-63.7511x9，其中x4为窑头罩温度，为窑头喂煤量，x9为一室篦下压力。实施例3据实际现场输入输出数据，采用偏最小二乘方法建立游离氧化钙模型(如图7所示)yf-cao＝-3.3480+0.0035x1+0.0040x2-0.0019x3+0.0014x4，x1为高温风机电流，x2为c1筒下料管温度，x3为回转窑主电机电流，x4为窑头罩温度。实施例4多目标优化pareto前沿结果，选择参数：种群规模200，迭代次数为200，交叉概率为0.8，变异概率为0.5。如图8所示，进过挑选，可以选择单产能耗费用117，游离氧化钙含量约0.58时的决策变量值当做实际操作中的设定值。以上所述仅为本发明的较佳实施例而已，并非用以限定本发明的实质技术内容范围，本发明的实质技术内容是广义地定义于申请的权利要求范围中，任何他人完成的技术实体或方法，若是与申请的权利要求范围所定义的完全相同，也或是一种等效的变更，均将被视为涵盖于该权利要求范围之中。当前第1页12