一种水泥生料立磨系统异常工况检测系统及方法

技术领域

本发明涉及水泥立磨系统生料研磨工业技术领域，尤其涉及一种水泥生料立磨系统异常工况检测系统及方法。

背景技术

水泥生产工艺流程一般称为“两磨一烧”，生料立磨过程是水泥制备工艺中的首个环节。水泥生料立磨用于水泥制备过程中对原料的粉磨，是水泥生产过程的重要工序，也是耗能较多的过程。水泥生料立磨机将石灰石、砂岩、粘土、铁粉等混合块状物料粉磨至粉状，在实际生产过程中，由于物料喂料量、易磨性、喷水量等原因，生料立磨系统经常发生饱磨、空磨、循环等异常工况，严重时会造成非计划停车，严重影响立磨机粉磨过程的连续性和稳定性。在异常发生时，立磨机电流、功率、振动、磨辊位移、声音等多个指标会发生明显变化。该系统运行的稳定性和运行效率直接影响到整个水泥生产过程的生产能力、能耗等各项经济指标。现阶段对于水泥生料立磨系统工况判断控制主要还是采用人工检测操作的策略，操作员对于异常工况的判断依赖个人经验，当操作员发现异常时，该异常工况已持续一段时间了。操作员所进行的控制策略的调整只能通过一段时间内的实际工况变化来检验，具有较强的主观性和一定的迟后性。

从被控对象数学模型来看，水泥生料立磨系统与生俱来的非线性、多模态、多时段、高维度、间歇等特性，使得传统的基于过程机理模型的过程监控方法很难适应水泥生料立磨系统实际工业过程，该系统建立精确的数学模型较为复杂。

水泥生料通过原料进入口进入水泥生料立磨系统中，通过磨辊装置和工作台形成研磨压力差，将生料进行研磨，通过压力落差使研磨好的粉状颗粒从成品出口排出。在出口处对空气进行加热，对研磨颗粒具有烘干作用。目前，水泥生料立磨系统异常工况较为频发，由于缺乏对于该系统异常工况流程化的检测方法，造成生产效率低下，能耗浪费严重等情况。

因此，本领域的技术人员致力于开发一种水泥生料立磨系统异常工况检测系统及方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何在水泥生料立磨系统异常工况识别的基础上进行控制策略调整，取得满意的研磨效果。

影响生料立磨系统平稳运行的因素诸多，发明人把异常生产工况分为三种：

第一种，饱磨，即磨内存料量过多，可能由喂料量过多、物料易磨性差或物料水分过高等原因造成。饱磨发生时，一般会有以下检测指标发生变化：磨辊位移上升、磨机功率上升、磨机电流上升、磨机出口温度上升、磨机压差降低等。饱磨现象发生后应立即减少喂料量，或者降低选粉机转速，待系统正常之后再加产。

第二种，空磨，即磨内存料量过少，可能由喂料量过少或物料易磨性好等原因造成。空磨发生后，磨机电流、功率、回料斗提电流、磨辊位移、振动等检测指标也会发生明显变化，该现象发生后应立即增加喂料量等。

第三种，循环，即物料易磨性太差，存在一股物料反复被回收研磨打循环。磨机吐渣是料在磨盘上甩出去，再经过回料斗提回来，在此过程中磨辊位移、电流、功率、压差、回料斗提电流等检测指标会出现明显规律性、周期性的变化。在此现象发生后应降低选粉机转速，让这股难磨的生料出去。

发明人发现，随着大量的新型仪表、网络化仪表和传感技术应用于生产制造全流程中，大量的过程数据被采集并存储下来。在水泥生料立磨系统的运行过程中，通过多种传感器采集不同的检测指标数值，检测指标包括磨选粉机电流、回料斗提电流、循环风机电流、磨机电压、磨机振动、磨辊位移、磨机出口温度、磨机本体压差、入磨气体温度、入磨气体压力、高温风机出口压力、研磨压力等。在理想工况下，这些检测指标数值都会在一定范围内波动，当出现异常工况时，根据异常工况的类型不同，不同的检测指标数值会畸变。基于所采集到的历史数据建立数学模型，将系统当前运行时刻的磨选粉机电流、回料斗提电流、循环风机电流、磨机电压、磨机振动、磨辊位移、磨机出口温度、磨机本体压差、入磨气体温度、入磨气体压力、高温风机出口压力、研磨压力等检测指标数值输入该模型，即可以确定该时刻是否出现异常工况，异常工况在哪个部位发生，并判断异常类型。

发明人研究分析，只有在水泥生料立磨系统异常工况识别的基础上进行控制策略调整，才能取得满意的研磨效果。

本发明的一个实施例中，提供了一种水泥生料立磨系统异常工况检测系统，包括系统启动模块、数据采集模块、数据预处理模块、异常定位模块、神经网络模块和结果输出模块；

系统启动模块根据设定的水泥生料立磨系统的运行参数，启动水泥生料立磨系统，向数据采集模块发送启动信号；

数据采集模块包括传感器和上位机，响应于启动信号，根据设定的采样频率及采样时间，传感器采集不同工况下的检测指标数据，反馈至上位机进行记录，构建用于建模的历史数据集；

数据预处理模块对于历史数据集进行中心化处理和白化处理，中心化处理得到均值为0的数据，增加基向量的正交性；白化处理去除检测指标之间的相关性，简化独立分量的提取过程，增强算法的收敛性；

异常定位模块使用独立成分分析法，使检测指标的数据相互独立；进行COX-BOX变换，变换为具有高斯分布的数据；采用主成分分析法来提取数据特征，根据历史数据集确定统计量和控制限，若统计量的贡献值超过控制限，进行贡献值分析，选取最大值进行重构，若未超出控制限，那么贡献值最大值对应的检测指标发生异常，可确定异常发生部位，若仍然超过控制限，则重新定位；

神经网络模块读入数据预处理模块预处理后的数据，划分训练集和测试集，对神经网络进行训练，生成神经网络模型；

结果输出模块包括水泥立磨系统检测显示屏，实时采集的检测指标数值经过数据预处理模块和异常定位模块，输入神经网络模块，得到水泥立磨系统的运行工况，确定是否发生异常、异常发生部位和异常类型，并进行输出至水泥立磨系统检测显示屏；

系统启动模块、数据采集模块、数据预处理模块、异常定位模块、神经网络模块和结果输出模块依次通信连接。

可选地，在上述实施例中的水泥生料立磨系统异常工况检测系统中，检测指标包括磨选粉机电流、回料斗提电流、循环风机电流、磨机电压、磨机振动、磨辊位移、磨机出口温度、磨机本体压差、入磨气体温度、入磨气体压力、高温风机出口压力和研磨压力。

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测系统中，运行参数包括磨粉机变频给定量、石灰石配比量、铁粉配比量、砂岩配比量、石灰石给定量、砂岩给定量和铁粉给定量。

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测系统中，不同工况包括正常工况、饱磨工况、空磨工况和循环工况。

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测系统中，对神经网络进行训练包括神经网络初始化，应用带有树突的人工神经网络中树突部分的积分功能及反向传播算法对网络的权值和偏差进行反复调整训练，使输出的向量与期望向量之差小于给定值，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，获得学习规则。

基于上述任一实施例，本发明的另一个实施例中，提供了一种水泥生料立磨系统异常工况检测方法，包括如下步骤：

S100、启动水泥立磨系统，系统启动模块根据设定的水泥生料立磨系统的运行参数，启动水泥生料立磨系统，向数据采集模块发送启动信号；

S200、采集检测指标数据，响应于启动信号，根据设定的采样频率及采样时间，数据采集模块中的传感器采集不同工况下的检测指标数据，反馈至上位机进行记录，构建用于建模的数据集；

S300、预处理检测指标数据，数据预处理模块对于采集到的历史数据进行中心化处理和白化处理，中心化处理得到均值为0的数据，增加基向量的正交性；白化处理，去除检测指标之间的相关性，简化独立分量的提取过程，增强算法的收敛性；

S400、定位异常检测指标，异常定位模块使用独立成分分析法，使检测指标的数据相互独立；进行COX-BOX变换，变换为具有高斯分布的数据；采用主成分分析法来提取数据特征，根据数据集数据确定统计量和控制限，若统计量的贡献值超过控制限，进行贡献值分析，选取最大值进行重构，重构后若未超出控制限，那么贡献值最大值对应的检测指标数据发生异常，可确定异常发生部位，若仍然超过控制限，则重新定位；

S500、生成神经网络模型，神经网络模块读入数据预处理模块预处理后的数据，划分训练集和测试集，对神经网络进行训练，生成神经网络模型；

S600、输出异常工况检测结果，数据采集模块实时采集的检测指标数值经过数据预处理模块和异常定位模块处理后，输入神经网络模块，得到水泥立磨系统的运行工况，确定是否发生异常、异常发生部位和异常类型，结果输出模块进行输出至水泥立磨系统检测显示屏。

可选地，在上述实施例中的水泥生料立磨系统异常工况检测方法中，检测指标包括磨选粉机电流、回料斗提电流、循环风机电流、磨机电压、磨机振动、磨辊位移、磨机出口温度、磨机本体压差、入磨气体温度、入磨气体压力、高温风机出口压力和研磨压力。

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，步骤S200中，采样频率设定为每秒一次，采样时间设定为二十四小时，共采集十组，十组数据中包含不同工况。

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，不同工况包括正常工况、饱磨工况、空磨工况和循环工况。

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，步骤S300具体包括：

S310、采集检测指标数据写入列向量X

S320、中心化处理，采集的每个检测指标数据进行中心化处理，公式为

S330、白化处理，利用SVD奇异值分解，获得左矩阵U，对角阵D，右矩阵V，得到白化后的矩阵

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，步骤S400具体包括：

S410、采用独立成分分析法处理数据，获得对应的变换矩阵K；

S420、对变换矩阵K进行COX-BOX变换，变换为具有高斯分布的数据，得到COX-BOX数据矩阵Y，其中

S430、对于具有高斯分布的数据进行主成分分析，提取数据特征；

S440、确定统计量SPE和控制限δ

S450、如果SPE＜δ

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，步骤S410具体包括：

S411、初始化独立成分矩阵，优选地，单位矩阵为独立成分矩阵；

S412、选择独立成分分析的对比函数优选地，选择对比函数为

S413、更新独立成分矩阵W：独立成分矩阵W的更新规则为 W＝E{zg(W

S414、设置更新停止条件，优选地，设置迭代次数N＝10000，得到独立成分矩阵W，处理后的变换矩阵为K＝W·Z。

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，步骤S430具体包括：

S431、求Y矩阵的协防差阵COV(Y)，求解协防差阵的特征值λ

S432、将特征值λ

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，步骤S450具体包括：

S451、计算每个检测指标的RBC贡献值，第i个检测指标对应的贡献值计算如下：

S452、找出当前贡献值最大的第i个检测指标进行重构，重构的公式为： z

S453、重构后再次计算

S454、确认异常定位，将发生异常的检测指标加入异常变量集，若

可选地，在上述任一实施例中的水泥生料立磨系统异常工况检测方法中，步骤S500具体包括：

S510、数据导入及划分，将预处理后的数据进行分区，70％作为训练集，30％作为测试集；

S520、对带有树突的人工神经网络进行初始化，优选地，设置树突积分环节个数为M个(2≤M≤5)，采用三层神经网络结构，即输入层、隐藏层和输出层，设置输入层结点12个，设置输出层结点4个，设置中间隐藏层结点100个，设定激活函数

S530，输入训练集，对带有树突的人工神经网络进行训练，输入训练数据，通过网络正向传递计算，得到预测结果Y

S540、输入测试集，进行模型测试及优化，将测试集输入到训练完成

′的人工树突神经网络模型中，通过网络正向传递计算，得到预测结果Y

S550、结束训练，保存网络的权值和偏差，获得学习规则，生成神经网络模型。

本发明提出了使用人工树突神经网络进行水泥立磨系统异常检测的方法，利用实际生产过程积累的大量历史数据及通过传感器采集的数据建立数学模型，完成了异常识别、异常定位、异常分类的问题，极大减少了异常产生对水泥立磨系统生料粉磨过程的生产产品质量的影响；在主成分分析之前，引入独立成分分析，降低了数据的关联性，使数据变得独立，运用最大值重构贡献分析的方法对异常进行定位，降低了定位错误或不准确的情况。

本发明推进了目前水泥生料立磨系统异常工况检测的技术，面向复杂工业工况过程，能够有效地处理过程数据具有多模态、非线性和非高斯等问题。本发明检测方法具有流程化和自动化处理的特点，可以有效地取代人工检测带来的主观性和滞后性等缺点，可对异常工况实现早发现、早确定、早控制，可提高生产效率、减少不合格品和能源损耗。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是根据示例性实施例的水泥生料立磨系统异常工况检测系统组成示意图；

图2是根据示例性实施例的水泥生料立磨系统异常工况检测方法流程图；

图3是根据示例性实施例的异常定位模块流程图；

图4是根据示例性实施例的神经网络模块流程图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方示意性地适当夸大了部件的厚度。

发明人设计了一种水泥生料立磨系统异常工况检测系统，如图1所示，包括：

系统启动模块，根据设定的水泥生料立磨系统的运行参数，启动水泥生料立磨系统，向数据采集模块发送启动信号；其中运行参数包括磨粉机变频给定量、石灰石配比量、铁粉配比量、砂岩配比量、石灰石给定量、砂岩给定量和铁粉给定量；

数据采集模块，包括传感器和上位机，响应于启动信号，根据设定的采样频率及采样时间，传感器采集不同工况下的检测指标数据，反馈至上位机进行记录，构建用于建模的历史数据集；其中不同工况包括正常工况、饱磨工况、空磨工况和循环工况；其中检测指标包括磨选粉机电流、回料斗提电流、循环风机电流、磨机电压、磨机振动、磨辊位移、磨机出口温度、磨机本体压差、入磨气体温度、入磨气体压力、高温风机出口压力和研磨压力；

数据预处理模块，对于历史数据集进行中心化处理和白化处理，中心化处理得到均值为0的数据，增加基向量的正交性；白化处理去除检测指标之间的相关性，简化独立分量的提取过程，增强算法的收敛性；

异常定位模块，使用独立成分分析法，使检测指标的数据相互独立；进行COX-BOX变换，变换为具有高斯分布的数据；采用主成分分析法来提取数据特征，根据历史数据集确定统计量和控制限，若统计量的贡献值超过控制限，进行贡献值分析，选取最大值进行重构，若未超出控制限，那么贡献值最大值对应的检测指标发生异常，可确定异常发生部位，若仍然超过控制限，则重新定位；

神经网络模块，读入数据预处理模块预处理后的数据，划分训练集和测试集，对神经网络进行训练，生成神经网络模型，具体地，对神经网络进行训练包括神经网络初始化，应用带有树突的人工神经网络中树突部分的积分功能及反向传播算法对网络的权值和偏差进行反复调整训练，使输出的向量与期望向量之差小于给定值，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，获得学习规则；

结果输出模块，包括水泥立磨系统检测显示屏，实时采集的检测指标数值经过数据预处理模块和异常定位模块，输入神经网络模块，得到水泥立磨系统的运行工况，确定是否发生异常、异常发生部位和异常类型，并进行输出至水泥立磨系统检测显示屏；

系统启动模块、数据采集模块、数据预处理模块、异常定位模块、神经网络模块和结果输出模块依次通信连接。

基于上述实施例，发明人提供了一种水泥生料立磨系统异常工况检测方法，如图2所示，包括如下步骤：

S100、启动水泥立磨系统，系统启动模块根据设定的水泥生料立磨系统的运行参数，启动水泥生料立磨系统，向数据采集模块发送启动信号；

S200、采集检测指标数据，响应于启动信号，根据设定的采样频率及采样时间，数据采集模块中的传感器采集不同工况下的检测指标数据，反馈至上位机进行记录，构建用于建模的数据集；其中不同工况包括正常工况、饱磨工况、空磨工况和循环工况；采样频率设定为每秒一次，采样时间设定为二十四小时，共采集十组，十组数据中包含不同工况；检测指标包括磨选粉机电流、回料斗提电流、循环风机电流、磨机电压、磨机振动、磨辊位移、磨机出口温度、磨机本体压差、入磨气体温度、入磨气体压力、高温风机出口压力和研磨压力；

S300、预处理检测指标数据，数据预处理模块对于采集到的历史数据进行中心化处理和白化处理，中心化处理得到均值为0的数据，增加基向量的正交性。中心化处理得到均值为0的数据，增加基向量的正交性。白化处理，去除检测指标之间的相关性，简化独立分量的提取过程，增强算法的收敛性；具体包括：

S310、采集检测指标数据写入列向量X

S320、中心化处理，采集的每个检测指标数据进行中心化处理，公式为

S330、白化处理，利用SVD奇异值分解，获得左矩阵U，对角阵 D，右矩阵V，得到白化后的矩阵

S400、定位异常检测指标，异常定位模块使用独立成分分析法，使检测指标的数据独立，进行COX-BOX变换，变换为具有高斯分布的数据，采用主成分分析法来提取数据特征，根据数据集数据确定统计量和控制限，若统计量的贡献值超过控制限，进行贡献值分析，选取最大值进行重构，若未超出控制限，那么贡献值最大值对应的检测指标数据发生异常，可确定异常发生部位，若仍然超过控制限，则重新定位；如图3所示，具体包括：

S410、采用独立成分分析法处理数据，获得对应的变换矩阵K；

具体包括：

S411、初始化独立成分矩阵，优选地，单位矩阵为独立成分矩阵；

S412、选择独立成分分析的对比函数优选地，选择对比函数为

S413、更新独立成分矩阵W：独立成分矩阵W的更新规则为 W＝E{zg(W

S414、设置更新停止条件，优选地，设置迭代次数N＝10000，得到独立成分矩阵W，处理后的变换矩阵为K＝W·Z；

S420、对变换矩阵K进行COX-BOX变换，变换为具有高斯分布的数据，得到COX-BOX数据矩阵Y，其中

S430、对于具有高斯分布的数据进行主成分分析，提取数据特征；具体包括：

S431、求Y矩阵的协防差阵COV(Y)，求解协防差阵的特征值λ

S432、将特征值λ

算，得到S＝P·Y；

S440、确定统计量SPE和控制限δ

S450、如果SPE＜δ

S451、计算每个检测指标的RBC贡献值，第i个检测指标对应的贡献值计算如下：

S452、找出当前贡献值最大的第i个检测指标进行重构，重构的公式为：

z

S453、重构后再次计算

S454、确认异常定位，将发生异常的检测指标加入异常变量集，若

S500、生成神经网络模型，神经网络模块读入数据预处理模块预处理后的数据，划分训练集和测试集，对神经网络进行训练，生成神经网络模型；如图4所示，具体包括：

S510、数据导入及划分，将预处理后的数据进行分区，70％作为训练集，30％作为测试集；

S520、对带有树突的人工神经网络进行初始化，优选地，设置树突积分环节个数为M个(2≤M≤5)，采用三层神经网络结构，即输入层、隐藏层和输出层，设置输入层结点12个，设置输出层结点4个，设置中间隐藏层结点100个，设定激活函数

S530，输入训练集，对带有树突的人工神经网络进行训练，通过网络正向传递计算，得到预测结果Y

S540、输入测试集，进行模型测试及优化，将测试集输入到训练完成的人工树突神经网络模型中，通过网络正向传递计算，得到预测结果Y

S550、结束训练，保存网络的权值和偏差，获得学习规则，生成神经网络模型；

S600、输出异常工况检测结果，数据采集模块实时采集的检测指标数值经过数据预处理模块和异常定位模块处理后，输入神经网络模块，得到水泥立磨系统此刻的运行工况，确定是否发生异常、异常发生部位和异常类型，结果输出模块进行输出至水泥立磨系统检测显示屏。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。