一種水泥分解爐窯尾分解率svr軟測量方法
【技術領域】
[0001] 本發(fā)明涉及水泥生料預分解過程的窯尾分解率軟測量技術領域，具體的說是一種 經過格羅布斯誤差處理后，經過灰色關聯(lián)度降維優(yōu)化計算量，利用遺傳算法優(yōu)化參數的SVR (支持向量回歸)窯尾分解率軟測量方法。
【背景技術】
[0002] 當今水泥行業(yè)中，水泥分解爐是新型干法水泥生產過程中的主要設備，水泥窯尾 分解率是影響最終水泥熟料質量的重要因素，目前仍沒有在線準確測量水泥窯尾分解率的 儀表。傳統(tǒng)實驗室化驗方法雖然準確，但其嚴重的滯后性難以為水泥生產的優(yōu)化控制提供 參考。
[0003] 由于整個預分解系統(tǒng)是多變量、非線性、強干擾的復雜系統(tǒng)，傳統(tǒng)機理建模的測量 方法難以實現(xiàn)。

【發(fā)明內容】

[0004] 本發(fā)明提供了一種經過格羅布斯誤差處理后，經過灰色關聯(lián)度降維優(yōu)化計算量， 利用遺傳算法優(yōu)化參數的水泥分解爐窯尾分解率SVR軟測量方法，可以得到準確的窯尾分 解率，方便實現(xiàn)后期對水泥預分解系統(tǒng)的優(yōu)化，解決了現(xiàn)有窯尾分解率化驗過程滯后的缺 點。
[0005] 本發(fā)明技術方案結合【附圖說明】如下：
[0006] -種水泥分解爐窯尾分解率SVR軟測量方法，該方法包括如下步驟：
[0007] 步驟一、原始變量的采集；
[0008] 根據實驗室取得的水泥窯尾解率數據，確定窯尾分解率的采樣時刻，選取采樣前 10分鐘內三次風溫、分解爐爐內溫度、分解爐爐內壓力、分解爐出口溫度、分解爐出口壓力、 提升機電流各個量，并取其平均值作為原始變量；
[0009] 步驟二、原始變量的誤差處理；
[0010]對步驟一中所采集的原始變量與窯尾分解率化驗結果依據格羅布斯準則進行誤 差處理，剔除數據中的粗大誤差；
[0011] 步驟三、使用灰色關聯(lián)度分析進行原始數據降維；
[0012] 對步驟二中已經剔除粗大誤差的原始數據進行灰色關聯(lián)度分析，選取三次風溫、 分解爐爐內溫度、分解爐爐內壓力、分解爐出口溫度、分解爐出口壓力、提升機電流中與窯 尾分解率關聯(lián)度較高的參數做軟測量模型的輔助變量；
[0013] 步驟四、使用遺傳算法對SVR進行參數尋優(yōu)；
[0014] 使用遺傳算法對SVR的懲罰系數C、核寬系數gamma和不敏感損失系數epsilon的值 進行參數尋優(yōu)并作為最優(yōu)參數組合;其中懲罰系數C與SVR對誤差的寬容度有關，核寬系數 gamma對SVR核函數RBF的核寬有關，不敏感損失系數epsi Ion與模型復雜度有關;SVR的回歸 方程為：
[0016] 其中，3；[、3；[*為拉格朗日算子，13為閾值，1((1」，1)為核函數61口(-831111]^*|11-￥|~2) ; 步驟五、軟測量模型建立；
[0017] 利用對經格羅布斯誤差處理及灰色關聯(lián)降維后的數據，以及經遺傳算法優(yōu)化過的 懲罰系數C、核寬系數gamma和不敏感損失系數epsilon，采用SVR(支持向量回歸)建立軟測 量模型；
[0018] 步驟六、軟測量結果預測；
[0019] 根據當前時刻DSC中的過程變量，通過步驟五辨識得到的軟測量模型在線計算當 前時刻分解爐的窯尾分解率；
[0020] 步驟七、實時優(yōu)化軟測量模型；
[0021] 根據步驟六的測量結果與離線化驗所得真實結果利用步驟四和步驟五再進行模 型優(yōu)化。
[0022] 所述的步驟四具體步驟包括如下：
[0023] Stepl:設置懲罰系數C、核寬系數gamma和不敏感損失系數epsilon的范圍，產生初 始群體；
[0024] Step2:使用懲罰系數C、核寬系數gamma和不敏感損失系數epsilon組合下的反應 SVR回歸性能的均值方差作為適應度值；
[0025] Step3:開始遺傳操作，計算每組懲罰系數C、核寬系數gamma和不敏感損失系數 epsilon的下SVR(支持向量回歸)模型均根方差，若該組下均根方差最小，設定此次懲罰系 數〇、核寬系數831]111^和不敏感損失系數6口8；[1011更新(^681：、8&681：4&681：，否則保留此前 Cbest、gbest、pbest;
[0026] Step4:停止條件定為最大進化代數;未達到停止條件，執(zhí)行Step3，進行迭代操作； 當滿足停止條件，即已達到進化代數，此時的Cbest、gbest、pbest即為最優(yōu)解。
[0027]本發(fā)明有益效果為：
[0028] 1、本發(fā)明利用SVR(支持向量回歸)所建軟測量模型僅需利用水泥生產過程中DCS (集散控制系統(tǒng))所測過程變量及廠家離線化驗窯尾分解率，無需額外安裝其他測量器件。
[0029] 2、使用格羅布斯準則剔除粗大誤差，減少了原始數據誤差對軟測量模型的干擾。
[0030] 3、使用灰色關聯(lián)度降維，簡化了軟測量模型的復雜度，減少建立軟測量模型的運 舁里。
[0031] 4、無需相關理論知識，軟測量模型根據DCS(集散控制系統(tǒng)）中的相關數據自動計 算出窯尾分解率。
[0032] 5、采用SVR(支持向量回歸）建立軟測量模型，本發(fā)明軟測量模型完全由依賴現(xiàn)場 數據，當分解爐運行工況發(fā)生改變時，模型可以實時進行修正。
【附圖說明】
[0033] 圖1是原始的分解爐出口溫度數據圖；
[0034]圖2為原始的分解爐出口壓力數據圖；
[0035]圖3為原始的分解爐爐內溫度數據圖；
[0036]圖4為原始的分解爐爐內壓力數據圖；
[0037]圖5為原始的三次風溫數據圖；
[0038]圖6為原始的提升機電流數據圖；
[0039] 圖7為原始的窯尾分解率數據圖；
[0040] 圖8使用遺傳算法對SVR(支持向量回歸)進行參數尋優(yōu)結果圖；
[0041]圖9使用已經進行參數尋優(yōu)SVR(支持向量回歸)對訓練集的預測結果圖；
[0042]圖10使用已經進行參數尋優(yōu)SVR(支持向量回歸)對預測集的預測結果圖；
[0043]圖11為本發(fā)明所述水泥分解爐窯尾分解率SVR軟測量方法流程圖。
【具體實施方式】
[0044] 一種水泥分解爐窯尾分解率SVR軟測量方法，該方法包括如下步驟：
[0045]步驟一、原始變量的采集；
[0046]根據實驗室取得的水泥窯尾解率數據，確定窯尾分解率的采樣時刻，選取采樣前 10分鐘內三次風溫、分解爐爐內溫度、分解爐爐內壓力、分解爐出口溫度、分解爐出口壓力、 提升機電流各個量，并取其平均值作為原始變量；
[0047]參閱圖1 一圖7,首先，從水泥生產DSC(集散控制系統(tǒng)）的數據庫中獲取大量相關數 據，本實施例中所獲數據為三次風溫，分解爐爐內溫度，分解爐爐內壓力，分解爐出口溫度， 分解爐出口壓力，提升機電流的歷史數據。根據從化驗室取得的水泥窯尾解率數據，確定窯 尾分解率的采樣時刻，選取采樣前10分鐘內相關過程變量的平均值作為原始數據。本發(fā)明 共取得221個樣本。
[0048]步驟二、原始變量的誤差處理；
[0049]對步驟一中所采集的原始變量與窯尾分解率化驗結果依據格羅布斯準則進行誤 差處理，剔除數據中的粗大誤差；
[0050]對上述取得的221個樣本的數據根據格羅布斯進行誤差處理，其中格羅布斯檢驗 法嚴格按照國家標準GB/T 4883-2008中格羅布斯雙側情形的檢驗法執(zhí)行。具體步驟如下： [0051 ] Stepl:計算統(tǒng)計量Gn、G，n
[0054]其中χω是樣本最大值，X⑴是樣本最小值，卩和s是樣本均值和樣本標準差，既
[0057] 本實施例中：
[0058] 分解爐出口溫度1 =:884,601(^8^8.51503(^ = 903.16713(^ = 840.3251 Gni = 2.1804、G'ni = 5.1997;
[0059] 分解爐爐內溫度JC.2 =814.7084.、S 2 = 32·2795、χ(η)2 = 883·0638、χ(ι)2 = 721 · 4767、Gn2 = 2 · 1176，、G，n2 = 2.8882;
[0060] 提升機電流 χ3 =56.1586、S3=1.4870、x(n)3 = 5