張成偉，李宏偉，李安平，張 焱，劉小蒙，李慧霞，王 磊（南京凱盛國際工程有限公司，江蘇 南京 210036）

1 概述

水泥粉磨作為水泥制備過程中的最后一個環(huán)節(jié)，水泥粉磨的運行效果直接影響產(chǎn)量和質量。目前水泥磨生產(chǎn)過程中基本上由操作員根據(jù)操作經(jīng)驗手動控制或者操作員設定PID目標值進行調節(jié)，由于操作人員經(jīng)驗水平的差異，無法準確控制目標參數(shù)及約束參數(shù)，使得水泥的質量和產(chǎn)量波動較大或者無法穩(wěn)定在最優(yōu)狀態(tài)。為此，如果在現(xiàn)有的設備及工況條件下，收集運行數(shù)據(jù)和設備參數(shù)，通過數(shù)據(jù)分析及模擬獲得最佳狀態(tài)參數(shù)，通過模型預測控制確保對應工況的最優(yōu)調節(jié)，應用到實際生產(chǎn)中將有效提高水泥產(chǎn)品的質量和產(chǎn)量。

針對水泥磨系統(tǒng)的工藝特點，本文從以下兩方面實現(xiàn)對水泥粉磨系統(tǒng)的優(yōu)化控制。一方面，采用多變量模型預測控制MPC及增量學習，控制磨機各個操作變量完成在線實時優(yōu)化。其中，MPC控制有效地解決了水泥磨生產(chǎn)過程中多變量關聯(lián)、動態(tài)變化、難測量的難題；同時，基于水泥粉磨過程中的多工況、非線性的現(xiàn)狀，本文也有效的提出了增量學習。另一方面，采用自學習算法智能尋優(yōu)控制，通過機器學習進行數(shù)據(jù)擬合，擬合出比表面積和水泥粒度的軟儀表，對工況進行聚類分析，得出不同工況最優(yōu)的控制參數(shù)，使用尋優(yōu)算法獲取最合理的控制參數(shù)，傳送給MPC控制器實現(xiàn)智能尋優(yōu)控制；文獻[1-2]提出智能優(yōu)化決策系統(tǒng)的結構；文獻[3]提出了生產(chǎn)過程指標預測方法；文獻[4]提出非線性MPC控制理論與方法。

2 水泥磨系統(tǒng)工藝流程

工藝流程見圖1，目前大部分水泥粉磨是雙閉路聯(lián)合粉磨系統(tǒng)，包括輥壓機預粉磨、球磨機粉磨兩個工藝回路。生產(chǎn)控制過程中的主要工藝及設備參數(shù)包括：總喂料、配比數(shù)據(jù)、稱重倉倉重、輥壓機電流、輥壓機下料閥開度、循環(huán)風機轉速、循環(huán)風機電流、磨機進口負壓、出口負壓、出磨斗提電流、選粉機轉速、選粉機電流、磨尾排風機轉速、主排風機轉速、主排風機電流等。

通過數(shù)據(jù)分析，建立以上數(shù)據(jù)的MIMO關系模型，該模型按照工藝回路設定獨立的控制參數(shù)及約束，實現(xiàn)控制參數(shù)之間的解耦，確保水泥粉磨系統(tǒng)控制參數(shù)的全自動調節(jié)及自定義運行，具體關系見圖2。

圖1 水泥磨工藝流程

圖2 控制關系

3 水泥粉磨優(yōu)化控制

3.1 MPC控制回路

如圖3所示，MPC控制回路分為生產(chǎn)指標優(yōu)化層和實時動態(tài)控制層。生產(chǎn)指標優(yōu)化層具有自優(yōu)化的智能決策算法模型，通過對配比、產(chǎn)量、質量、能耗建立成本模型，能夠輸出最優(yōu)的控制優(yōu)化參數(shù)；實時動態(tài)控制層與生產(chǎn)指標優(yōu)化層采用不同的周期控制，通過約束函數(shù)、過程控制模型、動態(tài)優(yōu)化控制器實現(xiàn)模型預測控制，使控制器設定值在線調整，實現(xiàn)粉磨系統(tǒng)的MPC優(yōu)化控制。

3.2 增量學習

水泥粉磨系統(tǒng)在運行過程中常出現(xiàn)數(shù)據(jù)漂移現(xiàn)象，比如物料變化、工藝變化、設備磨損等均導致運行數(shù)據(jù)發(fā)生變化。使用離線訓練的控制模型通常不能跟蹤以上變化，易導致系統(tǒng)振蕩、產(chǎn)量低、能耗高等問題。使用在線增量學習的方法可以避免以上模型與工況不匹配帶來的控制難題。在線增量學習通過實時更新模型的方式，使模型不斷適應新的工況，達到穩(wěn)定系統(tǒng)和提產(chǎn)降耗的目的。

在線增量學習在更新模型時有兩種類型。第一種始終保持一個模型，該模型采用時間滑移窗的方式不斷將新的數(shù)據(jù)加入到模型訓練數(shù)據(jù)中（如圖4所示），使得模型能學習到最近的工況數(shù)據(jù)，在具體應用時要權衡歷史數(shù)據(jù)和新數(shù)據(jù)的使用，以兼顧已學習到的經(jīng)驗和對新工況的適應性。第二種采用模型池的方式，模型池中保存多個模型，每一個模型都采用第一種方式進行更新，具體應用時，可以選擇模型池中的最優(yōu)模型或者若干個模型進行加權預測，以達到在線學習的目的。

圖3 控制回路圖

在水泥粉磨系統(tǒng)中，工況在不斷發(fā)生變化，但相同工況也會重復出現(xiàn)，因此我們在MPC控制中，采用第二種增量學習方法在模型池中保存若干個模型，并不斷更新這些模型，在預測分析時，使用若干個最優(yōu)模型進行加權預測，在工況發(fā)生變化時，能夠逐步遷移到新的狀態(tài)，有效的解決工況變化導致的模型失配問題。

圖4 增量學習

3.3 軟測量技術

目前，中國水泥質量控制多以比表面積作為指標，水泥磨成本優(yōu)化的難點在于水泥比表面積基本為手工化驗，無法進行實時控制。為此，在優(yōu)化控制策略中通過軟測量技術得到比表面積的實時預測值，實現(xiàn)比表面積的在線優(yōu)化控制。機器學習方法在數(shù)據(jù)分析預測中已成功應用在諸多領域，我們在進行比表面積軟測量時，借助機器學習方法建立其它易測量的特征變量與比表面積的數(shù)學模型，實現(xiàn)比表面積的軟測量。

機器學習可以實現(xiàn)分類、回歸的監(jiān)督式學習，以及聚類等非監(jiān)督式學習。由于我們能采集到人工化驗的比表面積數(shù)據(jù)，且比表面積數(shù)據(jù)是連續(xù)量，適合選擇回歸分析方法進行軟測量。支持向量機（SVM）是機器學習中常用的一種回歸分析方法，該算法比較適合于樣本量少且非線性的數(shù)據(jù)。SVM的回歸分析，就是求解一個回歸面的過程：

其非線性思想是通過核函數(shù)體現(xiàn)的，核函數(shù)是將原始空間映射到跟高維的特征空間，實現(xiàn)高維線性可分。核函數(shù)的選擇對預測的效果至關重要。本文選用了高斯核函數(shù)（公式2），其相對更適合非線性且復雜多變的應用場景。

式中：xi為樣本輸入量；yi為對應的輸出量；σ為高斯核帶寬（σ>0）。

案例分析：我們收集某水泥廠過去7個月的數(shù)據(jù)，對數(shù)據(jù)清洗后共獲得9 700采樣點，前6 000組樣本點作為訓練集，剩余3 700組樣本作為驗證集以評估模型的可靠性，采用SVM生成的比表面積預測模型的確定系數(shù)R^2=0.76，如圖5。該軟測量預測值變化率符合現(xiàn)場實際情況，滿足MPC控制增量計算的要求。

圖5 比表面積預測結果

3.4 智能尋優(yōu)

生產(chǎn)指標優(yōu)化層對整個工況進行判斷識別穩(wěn)態(tài)尋優(yōu)。水泥工廠是一個復雜的反應過程，智能尋優(yōu)算法在軟測量、工況自適應、增量學習的基礎上找到產(chǎn)量、質量、能耗的特征關系，采用非線性的靜態(tài)過程建立成本約束模型，計算出系統(tǒng)最優(yōu)設定值，保證粉磨系統(tǒng)最優(yōu)的狀態(tài)運行，見圖6。

圖6 智能尋優(yōu)控制

圖7 控制效果

4 實際應用效果

本文中基于MPC及智能尋優(yōu)的算法已在某水泥粉磨站多條水泥磨系統(tǒng)中成功實施，其中一臺水泥磨實施后控制效果如圖7、8所示，手動控制與MPC控制器自動控制對比,自動控制效果明顯，設備穩(wěn)定性得到大幅度提高。圖7中還可以看出，在MPC控制器自動狀態(tài)下，磨機在生產(chǎn)標號改變時控制器能夠快速適應工況變化，直接遷移到新工況的最優(yōu)狀態(tài)穩(wěn)定運行而不需要操作人員進行任何操作。MPC及智能尋優(yōu)的算法在該水泥粉磨站實施后統(tǒng)計數(shù)據(jù)如下表1所示。

圖8 數(shù)據(jù)統(tǒng)計

表1 統(tǒng)計結果

5 結論

基于模型預測控制及智能尋優(yōu)算法在水泥粉磨系統(tǒng)優(yōu)化的實際應用結果表明，該方法可以有效解決粉磨系統(tǒng)中強耦合、非線性、時變性、不可測及成本控制等問題，在提產(chǎn)降耗、成本優(yōu)化方面效果顯著，為水泥粉磨系統(tǒng)的優(yōu)化控制提供了有效的手段。