一种基于大数据智能控制算法的熟料比例优化调节方法
阅读说明：本技术 一种基于大数据智能控制算法的熟料比例优化调节方法 (Clinker proportion optimization and regulation method based on big data intelligent control algorithm ) 是由 马天雨 白政文 盛语嫣 杨茗茹 郑之伟 刘金平 于 2021-04-26 设计创作，主要内容包括：28天强度即水泥‘标号’,代表水泥最终生产质量,生产过程中无法根据化验的28天强度实现生产调节,但水泥3天强度跟28天强度具有强线性关系,可以通过控制3天强度实现稳定28天强度的目标。料质量、比表、配方和化验的1天强度等因素都会影响水泥3天强度,首先采用粗糙集分辨矩阵算法找出影响3天强度的关键因素,并形成粗决策表,然后采用滤波、异常去除等预处理方法得到干净的决策表,然后训练深度神经网络建立3天强度的预测模型,考虑经验数据缺乏当前工况信息,采用最新的3天强度对预测结果进行修正,并采用模糊PID控制算法基于预测的3天强度调整熟练比例。验证结果表明,该方法能稳定控制水泥3天强度,完全满足实际生产需要。(The 28-day strength, namely the cement 'label', represents the final production quality of cement, production adjustment cannot be realized according to the tested 28-day strength in the production process, but the 3-day strength of the cement has a strong linear relation with the 28-day strength, and the aim of stabilizing the 28-day strength can be realized by controlling the 3-day strength. The method comprises the steps of firstly finding out key factors influencing the 3-day strength by adopting a rough set resolution matrix algorithm, forming a rough decision table, then obtaining a clean decision table by adopting preprocessing methods such as filtering and exception removal, then training a deep neural network to establish a prediction model of the 3-day strength, considering that empirical data lacks current working condition information, correcting a prediction result by adopting the latest 3-day strength, and adjusting the proficiency ratio by adopting a fuzzy PID control algorithm based on the predicted 3-day strength. The verification result shows that the method can stably control the 3-day strength of the cement and completely meet the actual production requirement.)
技术领域
本发明属于基于大数据分析和智能控制算法的水泥配比优化技术领域，具体涉及决策表拼接、粗糙集属性约简、水泥3天强度预测模型和预测控制算法。
背景技术
水泥配方主要有熟料、石灰石、石膏和矿粉四种，他们的不同配比决定水泥的质量，通过调节几个物料的百分比来控制水泥关键质量参数：烧失量、SO3含量、水泥3天强度。根据SO3含量来调整石膏配比从而调节凝结时间，根据烧失量来控制石灰石配比，根据水泥3天强度调节熟料比例和矿粉比例。本方法重点考虑熟料和矿粉的调节，水泥3天强度的化验结果要3天以后才能出来，属于大滞后系统，因此，不能直接根据化验结果反馈调节熟料比例。但是，考虑熟料质量、配比、水泥化学成分、水泥比表和细度可测，可建立预测模型做预测调节。目前我国的配料调节过程仍以人工调节为主，但水泥3天强度影响因素复杂，人工调节波动较大，为稳定水泥质量、降低成本，本方法基于模型预测框架对熟料比例和矿粉进行优化调节。
发明内容
为解决水泥3天强度波动大的问题，本专利提出一种大数据分析方法。建立水泥3天强度预测模型，根据化验数据实时预测水泥3天强度，基于预测结果通过模糊控制算法调节熟料和矿粉比例，考虑预测结果的工况影响，基于Day-4（Day-0代表今天，Day-4是4天前）水泥3天强度的实际化验结果反馈校正模型预测结果。
为实现上述目标，提出图1所示的方案图，本发明主要包括以下内容：
1、工艺分析找出水泥3天强度的相关影响因素，将影响因素和3天强度（标签数据）
拼接成原始拼接表；
2、对原始拼接表进行数据预处理，根据现场数据的实际情况提出各种组合的数据处理方法，去除干扰数据：
a、对于人为记录的异常数据，则在分析之前就将它们进行清理，具体异常数据如下：
（1）送检和报检时间不匹配，
（2）配方比例突变，
（3）数据填写错误，
（4）调节过于频繁，
（5）配方比例相加不为100%；
b、利用PCA算法分析不同属性数据之间的相关性，从而清理冗余属性；
3、对去除干扰后的数据采用粗糙集分辨矩阵算法进行属性约简和重要度排序，得到3天强度的关键影响因素，将关键因素和3天强度合并成决策表，有如下基本内容：
a、将预处理后的拼接表离散化，去除冗余数据和矛盾数据，得到离散拼接表，
b、采用相对属性约简算法和分辨矩阵算法找出影响3天强度的关键属性，
c、采用分辨矩阵重要度排序方法对关键属性重要性排序,采用上下近似集挖掘重要属性跟3天强度规则关系，得到专家调节规则表；
4、基于决策表训练深度神经网络建立水泥3天强度预测模型，包括以下主要内容：
a、将配方比例、硅酸三钙、铝酸三钙、比表面积、3-32um细度、1天强度、CaO、烧失量、立升重作为属性，将水泥3天强度作为标签，
b、将决策表数据随机抽取，分为10等份，循环用每一等份作为验证集训练网络，得到模型预测精确度统计结果，
c、抽取预测精度最高的三个训练集结果，平均后作为模型预测结果输出；
5、考虑工况差异的影响，基于最新实测3天强度（3天前），采用属性差值数据建立多变量线性回归模型，预测当前3天强度跟实际3天强度的差值，用预测差值+实际3天强度（3天前）修正深度网络预测结果，消除工况影响，得到预测的当前3天强度，主要包括如下内容：
a、找出最近5天的实际3天强度化验值，根据3sigma原则去除离群点；
b、找出实际化验3天强度对应日期的决策属性值，找出当前日期的决策属性值；
c、用当前日期决策属性值减去实际化验日期的决策属性值，得到属性差值；
d、采用属性差值训练多元线性回归模型，预测3天强度差值；
e、化验3天强度+预测差值=校正3天强度；
f、用加权后的校正3天强度对深度网络预测结果进行修正，从而克服工况波动的影响。
、基于预测结果采用模糊控制算法调节熟料比例，稳定水泥3天强度，包括以下内容：
a、对影响水泥3天强度的关键属性进行论域分割，得到模糊变量；
b、根据3天强度预测值跟目标值的差值和差值变化方向给出规则表，采用上下近似集方法验证现场专家给出的关键属性跟水泥3天强度的关联规则，将数据支持的专家规则按照一定的格式保存成调节规则；
c、模糊控制算法根据规则表给出熟料比例最优调节量，若推荐的调节建议符合规则接受该调节，否则拒绝，积累新的数据更新规则表。
经济效益：通过本专利所采用的技术方案可以达到以下有益效果：
a、系统推荐的孰料比例跟人工调节比较可降低熟料用量0.5%（具有可行性），则1台磨机每月降低成本=0.5（熟料降低比例）*2.3吨/h（1%孰料比例对应的流量，单位吨）*24小时*30天*熟料单价（300元/吨）；
b、配方比例由人工推荐方式变成系统智能推荐，减少人工工作量，降低劳动强度；
c、材料费节省的同时产品合格率增加10%，良品率增加8%，配方调节标准化，产品质量波动区间明显减少，人为误差大大减少。
附图说明
图1为本发明的配料工艺图。
图2为本发明的水泥磨工艺配方调整整体方案框架图。
图3为本发明所建预测模型的预测结果。
图4为本发明的系统实现界面。
下面结合附图详细说明本发明的
具体实施方式
图1为本发明的水泥磨配料工艺图，水泥配料主要由四部分物料按照不同比例组成：熟料、矿粉、石膏、石灰石，不同物料影响水泥不同的质量参数：
a、熟料质量主要影响水泥的短期和长期强度，熟料质量的代表性数据有KH，AL2O3，C3A，C3S，CaO-F和立升重，熟料价格较高，是水泥生产的主要成本来源，保证水泥3天、28天强度（水泥标号）达到企业内控指标的同时，尽量减少熟料比例可以大大降低水泥生产成本，425水泥熟料比例一般在65%，525水泥熟料比例一般在85%；
b、水泥加入石膏的主要目标是延缓凝结时间，保证夏天水泥最短凝结时间，石膏添加比例一般在6%；
c、石灰石主要影响水泥烧失量，425水泥石灰石比例一般在10%，525水泥石灰石比例一般在3%；
d、添加矿粉的主要目标是降低成本，减少熟料添加量，425水泥矿粉比例一般在20%，525水泥矿粉比例一般在5%；
e、配方混合料经辊压机和球磨机磨细后成为最后水泥，水泥比表面积，粉磨细度3-32um和<3um也会影响水泥质量。
图2为本发明方案框架图，主要包括以下内容：
1、拼接大数据决策表，
a、采集水泥3天强度历史数据、熟料质量、熟料配比与矿粉比例历史数据。（包括KH，AL2O3，C3A，C3S，CaO-F和立升重。水泥细度数据：包括3-32um含量，比表面积，<3um含量和>45um含量，配料比例：熟料比例，石灰石比例，石膏比例和矿粉比例。水泥质量数据：SO3，LOSS和CaO）。
、考虑各个属性数据采样点跟水泥质量化验数据的时间延迟关系，进行时间对齐匹配。以熟料质量为例：熟料质量数据 KH，AL2O3，C3A，C3S 大约延迟4小时进入水泥磨 ，因此，9月1号20点到24点的混合样的熟料质量化验结果应该作为9月2号第一组数据，而不能作为9月1号最后一组数据。
、以3天强度为决策标签，熟料质量、配比、水泥细度和比表面积为属性，按时间拼接对齐得到“配方配比+熟料质量+磨机细度—>3天强度”关系的决策数据表（如表1）。
表1 决策表
2、进行数据预处理，去噪、去离群；
a、对拼接后的数据将非人为造成的异常数据用最可能的值进行替换，通过对全部数据进行拟合或者回归分析来推测出最可能的值；
b、利用卡方检验来判断不同属性数据之间的相关性，从而清理冗余数据；
c、去除配方突变值、缺失值，去除各个配方为空的行数据；
d、去除坏点数据，通过判断配方配比累加是否为100%来进行筛选；
e、去除属性和决策中超过或低于正常值的离群点。
3、粗糙集分辨矩阵和相对约简算法挖掘影响水泥3天强度的关键属性；
1）对属性值进行离散归一化处理;
2）属性约简，表1所示决策表的条件属性是人为提炼过的，对于没有人工参与的决策表，其条件属性比较多，需要通过属性约简算法找出决定决策的条件核属性，在确定决策表为一致决策表的前提下，属性约简算法主要有分辨矩阵和相对约简方法，本发明采用分辨矩阵启发式属性约简算法，具体步骤如下：
a、形成一致决策表，当条件属性相同而决策属性不同时则删除两条记录，若条件属性相同而决策属性也相同则删除两条中的一条记录；
b、根据离散决策表计算分辨矩阵；
c、根据式(1)获得每个属性的重要度，表代分辨矩阵每一项包含的属性个数，从公式可以看出，属性在分辨矩阵中出现的频次多则属性重要性大，属性在分辨矩阵中所处的项越短则属性重要性越大，综合重要性排序及分辨矩阵中的单项属性找出核属性；
（1）
d、找出不包含核属性的所有属性组合，将不包含核属性的所有属性组合表示成析取范式；
e、约简重要性最小的属性；
f、若约简成功（冗余样本 / 原样本 < 阈值），则删除因属性约简导致的冗余样本和不一致样本转步骤e，若约简不成功（冗余样本 / 原样本 > 阈值）则恢复被约简的属性，约简结束；
g、采用上下近似集方法挖掘关键属性跟3天强度关联规则，验证现场收集的专家经验，将数据支持的专家经验形成规则表。
、训练DNN网络预测水泥3天强度，所述DNN预测模型训练主要包括以下步骤：
a、将决策表按照记录个数分为10等分；
b、根据经验选择层数、各层的节点数、学习率和每次训练的批量个数；
c、将所有数据作为训练集，同时也作为测试集，根据MSE最小调节DNN模型参数：层数、各层节点数、学习率和批量个数，不断训练模型调整各层参数，每训练10轮，评估一次准确率，当准确率开始下降时（出现了过拟合）终止；
d、以优化后的参数设置DNN模型，随机选择10份中的8份作为训练集，另外2份作为测试集，交叉验证；
e、选择预测精度最好的三个模型，保存其参数，在线预测时将实时数据送入三个模型同时预测，三个结果的均值作为最后的结果输出；
f、滚动更新决策表，不断加入新的记录，剔除老记录，定期在线训练DNN神经网络，做到自适应工况渐变。
、建立属性差值多变量回归模型，修正深度网络预测结果，克服DNN统计模型的经验误差最小且未考虑实时工况的缺陷，所述多变量回归模型建模过程主要包括以下关键步骤：
a、获取最近4-8天的实际3天水泥强度化验值，根据3sigma原则去除离群点；
c、用当前日期水泥强度决策属性值分别减去4-8前的实际3天强度化验的决策属性值，得到属性差值，如表2；
表2 当天属性跟实际化验强度对应属性差值表
d、对于历史数据，当天所有数据已知，从而可建立以属性差值为x变量，三天强度差值为y变量的多元线性回归模型如式（2），根据式（2）计算3天强度预测差值 。
-----------（2）
e、可采用粒子群、遗传等优化算法寻优多变量线性回归模型的参数，但跟纯数学模型不同，工业模型不能简单的以MSE最小为目标，模型参数需要满足工艺约束，为得到每个系数的工艺约束范围，对历史数据决策表做表3所示的单变量阶跃响应，所述单变量阶跃响应是指找出所有其他变量相同的记录，分析某一个属性跟3天强度的比例关系得到该属性跟3天强度的量化系数，以该系数为中心点的区间范围就是该参数的工艺约束。
表3单变量阶跃相应表
f、以阶跃系数为约束，采用粒子群优化算法寻优模型最优参数，得到最优参数组合：
[cao=0.46，c3s=0.18，c3a=0.17，f0 =0.54，f1=0.04，lisheng=0.01，loss=-1.48， =-0.662
intercept=16.42]；
g、化验3天强度+预测差值=校正3天强度，4-8天前的3天强度化验值+对应的预测差值 得到校正3天强度；
h、用加权后的校正3天强度对深度网络预测3天强度结果进行修正，从而克服工况波动的影响；
图3为本发明模型的预测结果，分别显示了3#、4#、5#和6#磨机的水泥3天强度实测值与预测值的3-7月份数据的对比曲线，模型预测统计结果如表4：相对误差在+-5%范围内的占比基本能达到80%，模型MSE比较小，R2为正且基本接近1，说明模型的跟随性也比较好。
表4 模型预测结果
3# 4# 5# 6# MSE 1.18 0.77 1.59 1.47 R2 0.42 0.48 0.41 0.46 ±5% 0.78 0.8 0.8 0.81
图4为本发明的配方优化界面图，有磨机选择、配方推荐、预测展示和历史回测等功能，具体包括以下主要内容：
（1）、第一部分为磨机选择，水泥配方智能优化推荐系统目前有6个磨机，在主界面的最左边有个设备列表栏，可选择不同的磨机进行操作；
（2）、第二部分为配方依据部分，实时显示各个属性的最近平均数据并通过点击历史趋势可观测到对应属性在给定的时间范围的变化曲线，对于此部分的更换时间选项即为历史回测功能，通过改变时间可得到各个时间点的预测值以及推荐值；
（3）、第三部分为当前水泥配比与推荐水泥配比部分，用以显示当前时间下的熟料、石膏、石灰石、石粉的占比，与现阶段给的推荐配方配比；
（4）、第四部分为水泥质量预测部分，基准预测是根据昨天的熟料质量和比例对昨天的3天强度进行预测而实时预测是一部分数据是今天的，一部分数据是昨天的，然后预测今天的3天强度；
（5）、第五部分为目标设定部分，可进入目标设定值界面，界面上有3天强度、水泥烧失量与水泥SO3的3个目标的设定值，点击开始推荐即可获得推荐配方比例与3天强度的预测和显示；
（6）、最后一部分为配方推荐显示部分，可根据当前熟料、石灰石、石膏于矿粉比例的齐备数据给出配方推荐值，并详细显示熟料配比、石灰石配比与石膏配比推荐值。
经比较，本发明所提方法根据实时生产数据进行预测和推荐，操作简单，适应环境能力强，准确预测了水泥的3天强度，推荐了最优的熟料比例，降低了水泥生产运营成本，节省能源，增强了企业管理，提高了生产效率，有利于促进企业效益最大化。
以上显示和描述了本发明的基本原理和主要特征。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。