[发明专利]一种水泥熟料游离钙软测量方法

说明书

本发明公开了一种水泥熟料游离钙软测量方法，包括：根据水泥工艺选取10个变量作为熟料fCaO软测量的辅助变量，每个变量的时间序列作为模型输入，并对所选的每个变量时间序列进行归一化处理；依据水泥烧成过程中时间序列的特征，建立基于多变量时间序列卷积神经网络的熟料fCaO软测量模型；确定MT‑CNN模型的初始参数，并对网络进行前向训练；利用误差反向微调进行有监督训练，通过对误差的修正，优化MT‑CNN中的权值w和偏置b，利用训练好的MT‑CNN模型对水泥熟料fCaO实时预测。本发明避免计算各变量与熟料fCaO之间时延，降低了时序匹配所需的运算量；本发明提高模型的收敛速度、精度和泛化能力；本发明能很好预测水泥熟料fCaO含量，能够提高水泥熟料质量和降低生产能耗。

技术领域

本发明涉及水泥熟料游离钙监测领域，尤其涉及一种水泥熟料游离钙软测量方法。

背景技术

水泥熟料游离钙(fCaO)含量是新型干法水泥生产中衡量熟料质量的一个重要指标。熟料中fCaO的含量不仅影响水泥的安定性和熟料强度，还直接关系着水泥烧成能耗。目前水泥熟料fCaO含量很难在线监测，主要依靠人工每小时采样一次并通过实验室化验测得，离线测量结果对水泥烧成过程的指导具有明显的滞后性，很难实现水泥烧成过程的实时控制和优化。水泥熟料烧成过程具有大惯性、大时滞、多耦合等特性，从而导致难于建立一个精确的水泥熟料fCaO预测模型。针对上述问题，一些学者采用了不同的软测量建模方法来研究用熟料fCaO预测模型。赵朋程等选用五个与水泥熟料烧成的相关变量，建立多核LSSVM水泥熟料fCaO预测模型。上述方法没有考虑各变量与水泥熟料fCaO之间的时间延迟，虽然LSSVM预测模型的收敛速度快，但是更适用于小规模的数据样本，难以寻找大数据中变量间的变化规律。Weitao Li等采用压缩特征向量的数据，利用改进的神经网络实现了熟料fCaO软测量方法。而文献中的方法虽然考虑了一个小时内的变量信息，但是从每个变量一个小时内的数据中只提取了一个特征值，这很大程度上减少了影响fCaO的特征信息。由于水泥烧成过程的复杂多变，如果想要得到更为有效的水泥熟料fCaO软测量建模方法，必须考虑多变量与熟料fCaO之间的时间延迟，同时能够充分提取变量数据的特征信息。

发明内容

针对上述存在的问题，本发明提供一种基于多变量时间序列卷积神经网络(multivariate time series convolution neural network，简称MT-CNN)的水泥熟料游离钙软测量建模方法，从而消除各变量时延对熟料fCaO软测量的影响。

为了解决上述存在的技术问题，本发明是通过以下技术方案实现的：

一种水泥熟料游离钙软测量方法，其特征在于，包括如下步骤：

步骤S1：根据水泥工艺选取10个变量作为熟料fCaO软测量的辅助变量，每个变量的时间序列作为模型输入，并对所选的每个变量时间序列进行归一化处理；

步骤S2：依据水泥烧成过程中时间序列的特征，建立基于多变量时间序列卷积神经网络的熟料fCaO软测量模型；

步骤S3：确定MT-CNN模型的初始参数，并对网络进行前向训练。其中初始参数包括MT-CNN的卷积层数和池化层数，学习率，各隐层、全连接层以及输出层的权值w和偏置b，卷积核以及池化核的个数及大小；

步骤S4：利用误差反向微调进行有监督训练，通过对误差的修正，优化MT-CNN中的权值w和偏置b；

步骤S5：利用训练好的MT-CNN模型对水泥熟料fCaO实时预测。

上述技术方案中，在步骤S2中，10个变量的时间序列组成的二维数组作为模型输入，其中一列代表单个变量一定时间段内的采样数据，采用一维卷积池化方式提取每一列的特征，后接全连接层综合所有的特征信息，构建基于MT-CNN的熟料fCaO软测量模型。