[发明专利]基于卷积神经网络的水泥原料立磨生料细度指标预测方法

说明书

本发明公开了一种基于卷积神经网络的水泥原料立磨生料细度指标预测方法，涉及水泥生产生料细度预测领域。本发明针对输入变量数据与预测指标之间存在的时变时延问题，采用时间序列的方法处理变量数据可以很好地解决时变时延的问题，利用构建好的卷积神经网络模型对输入数据进行多次的卷积池化操作以提取样本特征，再经过全连接层、Droupout层和输出层输出预测值，同时采用反向传播算法以提高收敛精度，然后用训练好的模型对生料细度进行实时预测。

技术领域

本发明涉及水泥生产生料细度预测领域，尤其涉及到一种基于卷积神经网络的水泥原料立磨生料细度指标预测方法

背景技术

水泥生料立磨粉磨是水泥生产过程的重要生产环节和典型耗能环节。生料细度是反映生料粉磨质量的重要指标，当生料细度过细时，会使水泥产量下降，而过细的生料粉末对产品质量的提升极为有限，从而造成能源的浪费；当生料过粗时，会使后续回转窑烧成过程中的游离氧化钙含量过高，对成品的质量产生影响。所以，生料细度的粗细程度对水泥产量和质量极为关键，是实现水泥高产量，高效益的重要因素。水泥生料立磨粉磨生产过程具有非线性、强耦合、时滞性等特点，难以实现生料细度的实时预测。针对上述问题，有学者采用了不同的算法来研究生料细度的软测量模型。现有技术中，有一种方法采用基于最小支持向量机的方法对生料细度进行在线预测，但是最小二乘支持向量机适合小数据样本，并且需要进行复杂的数据清洗工作。还有采用基于ELM(极限学习机)的方法对生料细度及磨内压差同时进行在线预测，但是该模型由于自身局限性难以解决生料细度预测存在的时变时延问题，因此在解决时变时延问题的同时进行在线的预测，显得尤为重要。

发明内容

为了克服现有技术的不足，本发明提供了一种基于卷积神经网络(convolutionneural network,CNN)的水泥原料立磨生料细度指标在线预测方法,解决了水泥生料生产过程中变量数据与生料细度指标之间的时变时延问题，同时避免了复杂的时序匹配和数据清洗工作。

为实现上述目的，本发明是根据以下技术方案实现的：

一种基于卷积神经网络的水泥原料立磨生料细度指标预测方法，包括以下步骤：

步骤1：选取与生料细度相关的8个输入变量，对选取后的变量数据进行归一化处理，构建8个变量时间序列输入层，同时对归一化后的变量数据进行时间序列的处理；

步骤2：对输入的变量数据进行卷积池化及全连接运算，首先对输入数据进行卷积运算，并对经过卷积运算的输入数据进行池化，经过多次卷积池化后对输出数据进行全连接操作，再经过Droupout层处理完成对卷积神经网络预测模型前向训练的过程；其中，Droupout层是为了防止训练过程出现过拟合现象。

步骤3：卷积神经网络模型采用反向传播技术更新权值参数以提高生料细度预测精度，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，更新卷积层的权值和偏置，完成对网络的参数微调，使生料细度模型的预测误差小于设定阈值，完成卷积神经网络模型训练；

步骤4：利用训练好的CNN模型对水泥原料立磨生料细度指标进行实时预测。

上述技术方案中，在步骤1中根据生产过程选取8个与生料细度相关的关键控制因素作为输入变量，输入变量包括回渣皮带电流、回渣斗提电流、主机电流、喂料反馈、磨机压差、阀门开度反馈、磨机出口温度、磨机入口负压，采用时间序列来处理归一化后的输入变量数据，确定涵盖所有变量时延区间的时间范围，将该时间范围内的变量数据作为输入，使其对应于某一时刻的生料细度指标，其处理过程如下：

确定包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于某一时刻的生料细度，使输入层包含各变量与生料细度指标的耦合关系，设时间区间为n，将8个变量按行依次输入构成矩阵，由生料细度预测模型选取的8个输入变量构成的时间序列表示为：