卷积神经网络在水泥熟料fCaO软测量中的应用

2020-10-30刘冲吕松彦郝晓辰

水泥技术 2020年5期

刘冲，吕松彦，郝晓辰

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。

水泥的煅烧过程复杂，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fCaO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fCaO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。水泥熟料烧成系统主要包括生料预热、熟料煅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，来推断难以测量或者暂时不能测量的重要变量，以软件测量替代硬件测量[1]。软测量技术主要由选取模型相关变量、进行数据采集与处理、建立软测量模型等组成[2]。

图1 水泥熟料烧成系统工艺流程

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）水泥煅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2×1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。