论文部分内容阅读
水泥熟料中游离钙(fCa O)含量是影响水泥质量的重要因素,直接关系着水泥安定性与生产的能耗。目前国内主要通过化验分析的方法离线测得水泥熟料fCaO含量,但是该方法对于水泥烧成系统的控制具有明显滞后性。为了实现稳定生产、节能降耗的目的,本课题结合水泥生产实际状况,以水泥熟料fCaO含量为研究对象,基于时间序列的深度残差网络(TS-Resnet)及主成分分析法与长短时记忆网络相结合(PCA-LSTM)的方法研究水泥熟料fCaO含量软测量方案,实现熟料fCaO的模型建立及实时预测。本文的主要研究内容如下:1.对水泥烧制工艺及熟料fCaO产生机理进行研究,分析影响水泥熟料fCaO含量的主要因素,选取与熟料fCaO含量相关的变量作为软测量模型辅助变量;采用滤波、归一化等方法对各辅助变量数据进行预处理。2.针对水泥烧制过程中变量间的时变时延性、非线性和不确定性等特性,选取影响水泥熟料fCaO的多个辅助变量的时间序列作为模型输入,建立了基于时间序列的深度残差网络。通过模型对水泥数据特性的学习,使用残差模块卷积与池化的方式对各过程变量进行深层多次特征提取,残差模块中的快捷连接有效避免了训练过程中的梯度弥散问题,提高了模型的预测精度与泛化性。3.由于水泥烧制过程中辅助变量维度高、数据量大、且采样频率不同等问题,提出一种基于主成分分析法与长短时记忆网络相结合的软测量方法。先将高维数据使用PCA降维至目标维度,然后将降维后的数据与其余的低维数据融合送入LSTM中进行训练,通过提取数据特征来对熟料fCaO含量进行预测。4.依据上述所建模型以及相关理论分析,使用C#编程语言,Python编程语言和SQL Server 2014数据库,以VS2017为平台,设计并实现了了水泥熟料游离钙实时预测软件。之后使用现场数据对本文所提出模型进行实验与分析,同多种现存主流软测量模型从训练时长、训练预测效果等指标进行对比分析,结果表明本文所提的熟料fCaO的实时预测方案泛化能力强,精确度高。