水泥生料入窑分解率测量技术概述

唐新宇（天津水泥工业设计研究院有限公司，天津 300400）

0 前言

水泥生料经过最末一级旋风筒后，在进入水泥窑前已经分解成为氧化物（主要是氧化钙）的碳酸盐占到总体碳酸盐质量的百分比即水泥生料入窑分解率，在水泥行业一般简称为入窑分解率、生料分解率或分解率。目前水泥厂分解炉炉容普遍比较充足，对生料分解普遍控制的比较好，一般在90%～95%之间。如果分解率低于90%，那么这部分生料分解所需要的热量就需要由窑来提供，这样就加大了回转窑的负担，不利于提产和降低煤粉消耗；如果分解率高于95%，就会使本应在回转窑内发生的反应提前发生，该反应是自发反应，一旦发生不会停止，且放出热量，很容易造成最末一级旋风筒及其下料管堵塞，严重影响安全和正常生产。水泥操作员目前多数根据分解炉或最末一级旋风筒下料管温度来调整分解炉燃烧状态，虽然温度与入窑分解率有很大关联性，但是温度仅仅间接反映分解率，并不能仅通过温度来判断分解率，这是因为温度受到流场影响会有波动，反映出来的分解率与实际偏差较大，因此如何能获取在线的生料分解率一直是水泥工业研究的方向。

1 目前分解率的主要测试方法

在水泥企业实际生产过程中，生料入窑分解率主要采用离线间歇式测量的方式，一般间隔1～8h采样一次，送入实验室进行人工化验分析。实验室测量入窑分解率的主要方法包括：烧失量法、二氧化碳气体吸收法、二氧化碳容积增量法等。

（1）烧失量法。烧失量法是水泥企业最常见测量入窑分解率的方法，其基本原理为：利用高温炉、坩埚、干燥器、研钵、电子天平等设备分别检测入窑生料（并非进入回转窑的生料，而是进入预热器系统的生料）和五级筒下料（这是入窑生料分解率的生料）的烧失量，根据两者的烧失量差值计算入窑生料分解率。烧失量法受到环境因素干扰影响较大，结果常有波动，同时测量所需要的时间过长，很难对水泥厂操作有指导意义，主要用于控制水泥质量。

（2）二氧化碳气体吸收法。二氧化碳气体吸收法就是把试样与酸反应生成二氧化碳气体，然后用奥氏气体分析仪吸收二氧化碳后，计算分解率。该方法测量的数据准确度较高，但是操作非常复杂，耗费时间很长，实用性大大低于二氧化碳容积增量法。

（3）二氧化碳容积增量法。二氧化碳溶剂增量法，就是用酸滴定样品，测量产生的二氧化碳气体体积，然后利用标准曲线计算出入窑分解率。所使用的药剂一般是1∶1盐酸，少量硫酸汞等[1]。二氧化碳容积增量法流程操作简单，所用药品设备单一，系统误差较小，测量速度快。企业定期绘制标准曲线即可，比烧失量法的检测速度快。

以上三种间歇式测量方法，不管哪种方式，都需要进行人工现场取样再进行化验室分析，需要相当长的取样时间和分析时间。间歇式既耗费人力，取得分解率结果又有很大的延迟，无法反映烧成系统状态的快速变化，对中控操作员的帮助不大。此外，取分解率的人工取样方法，本身还存在一定的危险性，是水泥厂一个潜在安全风险源。

2 数学建模法辅助预测

由于间歇式测量方法与温度、压力、气体成分等传感器相比，测量频次过低，无法随时反映水泥烧成系统变化，因此大量研究者开始采用数学建模的方法辅助预测水泥生料入窑分解率，取得了一些进展。数学建模，也称软测量，一般有静态模型和动态模型两类，静态模型一般只能反映稳定工况下的工艺参数，而动态模型可以反映稳态之间的工艺参数变化。

2.1 静态模型

刘慧[2]在研究中以LSSVM（最小二乘支持向量机）和BP神经网络两种技术路线，建立了入窑分解率预测模型，利用各相关辅助参数的半小时时均平均值作为参数，通过数值模拟研究分析比较LSSVM与BP计算结果与实际的贴近程度。但是该模型是静态模型，只能反映稳定状态的分解率，无法跟随工况变化的过程。

徐学传[3]根据相关的操作经验与分解炉温度、压力和入窑分解率的历史记录，建立分解炉与主要辅助参数的相关关系，进而推广到整个预热器的相关关系，最终建立了各级旋风筒的工艺参数预测模型，可以实现一定的预测。但是该预测模型也是静态模型，无法指导生产。

乔景慧[4，5]也采用LSSVM（最小二乘支持向量机）的方法，成功的针对某水泥生产线烧成系统的生料分解率进行了数值模拟预测，与实际分解率数值拟合度较高，同时合理的设定记忆主元分析大大加快了运算速度。

以上方法的生料分解率预测模型都是静态模型，没有考虑主要参数变化。由于输出的数据是静态的稳态数据，而水泥生产过程很难实现稳态而是一个不断变化的过程，因此静态预测模型反应的信息，实际上还是不能对生产过程做出指导。所以，能够反映生产过程不断变化的动态预测模型是今后科研人员主要关注的目标[6]。

2.2 动态模型

王沼钧[7]利用数据挖掘和机器人学习理论，大量搜集辅助参数数据的动态信息，采用半监督学习机制，进行入窑分解率预测模型研究。采用LPP（线性化流形降维算法）与光滑性加性惩罚项结合的方式，利用时序动态数据的函数特征，开发出PLPP提取法进行窑尾热工参数过程参数的提取，利用Filter和Wrapper方法进行特征选择，减少了动态辅助信息的计算数量，加快了数据计算速度。但是其采集数据的频次较低，计算过程中的冗余数据仍然较多。

邵珠贵[8]在王沼钧研究基础上，进一步研究窑尾分解炉中生料的分解过程和数据的特征，优化数据的提取方法，减少冗余数据，将PLPP升级为能够处理数据矩阵的2DPLPP和更高级的（2D）2PLPP，有效降低了PLPP算法中特征数据提取容易失败的问题，同时并不降低提取效果。2DPLPP进一步缩短了PLPP建模计算时间，同时由于冗余数据量减少，计算速度和精确度提高，最终完成了水泥窑尾生料入窑分解率的实时计算，与静态预测相比，极大的提升了数值模拟结果的准确度。

申帅[9]利用改进T-S模糊神经网络进行实时分解率辅助预测，并在预测出来的生料分解率基础上进行分解炉温度设定值调整，通过RBF神经网络的监督控制器控制分解炉温度，不断控制生料分解率，从而实现水泥窑尾烧成系统的工艺调整，为水泥智能化控制提供重要的参考价值。

动态辅助预测目前还处在前期研发阶段，一旦能取得较大突破，对水泥工艺操作将起到重要的支撑作用。

3 结语

传统的烧失量法、二氧化碳气体吸收法、二氧化碳容积增量法仍然是目前水泥工业主要采用的测量水泥生料入窑分解率的技术。数学建模法辅助预测水泥生料入窑分解率目前还存在一定不足，比如严重依赖建模经验、对不同生产线的验证尚未经过考验等，但是它是未来传统工业过程数据动态获取的发展方向，随着大数据、AI计算的发展，数学建模辅助预测水泥生料入窑分解率是一种非常有前途的技术。