[发明专利]基于人工智能技术的水泥生料立磨饱磨异常识别方法

说明书

本申请实施例提出了基于人工智能技术的水泥生料立磨饱磨异常识别方法，包括确定正确识别工况状态的关键工艺指标；结合卡尔曼滤波算法对获取到的生产数据进行预处理，对预处理后的生产数据结合半监督学习算法对立磨历史工况进行自动标注；基于立磨关键工艺指标历史数据及伪标签结合递归提升决策树构建异常工况识别模型，向模型实时导入对应关键工艺指标的预处理后数据进行立磨异常状态实时识别。基于主电机总有功功率、主电机电流、磨机本体压差、磨辊位移、回料斗提电流、振动等关键过程工艺变量和伪标签数据，利用梯度提升决策树算法建立饱磨工艺异常识别模型，在线识别生料磨当前运行状态，具有预测准确度高、模型稳定、泛化能力强的特点。

技术领域

本申请属于工业智能优化领域，尤其涉及基于人工智能技术的水泥生料立磨饱磨异常识别方法。

背景技术

立磨生料粉磨过程是新型干法水泥工业生产中极其重要的工艺过程，集破碎、干燥、粉磨、分级输送于一体，基于料床粉磨原理可将块状、颗粒状及粉状原料研磨成一定要求的粉状物料，粉磨过程是否稳定、生产指标是否满足要求等因素直接影响生料质量。立磨装置工艺复杂，工作环境恶劣，长期高负荷运行，同时生料粉磨过程具有强耦合、非线性、大滞后等特点，并且存在物理变化，很难建立准确的立磨生料粉磨过程数学模型。在磨机粉磨过程中，由于原料波动、运行条件变化、操作不当等原因，导致磨机容易发生饱磨、空磨等异常，压差、功率和回料斗提电流等参数变化明显，立磨设备频繁振动、工况不稳定，使得磨机电耗急剧上升，更严重导致非计划性跳停，影响生产并造成磨机磨损及电量损耗。

“饱磨”是生料磨运行过程中最常见的一种工艺异常，就是在短时间内磨内存料量过多所致，物料不能及时排出，导致入料量和出料量失去平衡，若不及时发现解决将会导致磨机振动跳停，影响生产。因此，实时识别磨机饱磨异常工况，保持磨机稳定运行具有十分重要的意义。

目前，有很多学者对立磨生料粉磨过程建模进行了研究。钱慧基于小波分析及分形理论结合的故障识别算法和ART-2神经网络构成分类识别算法，对生料磨机的主要检测参数进行工艺故障检测和趋势类型的分类识别，实时识别生料磨机的当前运行状态；李瑞莲等提出用人工神经网络对生料磨机实时建模，跟踪模型的变化，利用复合形法对已建好的模型进行寻优，寻找最优配料比；颜文俊等人提出立磨多回路控制系统设计思路，采用最小二乘法建立立磨控制回路模型，并采用预测控制方法对各回路实现优化控制。刘志鹏采用最小二乘支持向量机间模，结合基于线性矩阵不等式的模型预测控制方法解决预粉磨系统负荷控制问题。

以上方法中基本存在以下缺点：基本只研究了立磨运行过程中各变量一对一的相互关系以及对立磨运行的影响，但立磨是一个多变量耦合的装置，变量之间相互影响，其中一个指标的变化会影响其他指标；只考虑建立离线训练模型，没有通过自学习实现模型的在线更新；结合专家经验归纳生料磨系统的典型工况，建立固定专家知识库，没有更新，对于新工况无法识别到。因此建立一个综合指标的在线自适应更新模型具有十分重要的意义。

发明内容

为了解决现有技术中存在的缺点和不足，本申请提出了基于人工智能技术的水泥生料立磨饱磨异常识别方法，利用梯度提升决策树算法建立饱磨工艺异常识别模型，在线识别生料磨当前运行状态，具有预测准确度高、模型稳定、泛化能力强的特点。

具体的，本申请实施例提出的基于人工智能技术的水泥生料立磨饱磨异常识别方法，所述方法包括：

基于生料磨运行状态下的采集的历史工况数据进行挖掘分析，确定正确识别工况状态的关键工艺指标；

结合卡尔曼滤波算法对获取到的生产数据进行预处理，对预处理后的生产数据结合半监督学习算法对立磨历史工况进行自动标注；

基于立磨关键工艺指标历史数据及伪标签结合递归提升决策树构建异常工况识别模型，向模型实时导入对应关键工艺指标的预处理后数据进行立磨异常状态实时识别。

可选的，所述关键工艺指标，包括：