一种集成CSA和H-ELM的水泥生产质量预测方法与流程

一种集成csa和h
‑
elm的水泥生产质量预测方法
技术领域
1.本发明涉及水泥生产技术领域，更具体地，涉及一种集成csa和h
‑
elm的水泥生产质量预测方法。


背景技术：

2.水泥与塑料、金属、木材俗称国民经济四大材料。水泥工业是国民经济和社会发展的重要支柱产业，是我国经济持续增长的重要支撑力量，其自动化程度直接彰显一个国家的整体基础工业实力。随着国家大力推动城市化建设，加快工业发展进度，截止到2016年，我国水泥年平均产量在25亿吨左右，约占全球水泥产量五成以上。但我国的水泥工业相对自动化程度较低，单位水泥熟料能耗比发达国家高50％以上，并且在水泥生产过程会产生大量的气态污染物以及粉尘颗粒，与此同时，水泥的生产质量还无法得到保证。因此，在保证水泥生产线稳定工作的前提下，如何提升自动化程度，水泥生产质量，降低水泥生产能耗，减少污染物排放成为了一个社会焦点问题。
3.我国水泥工业主要采用新型干法水泥生产技术。主要由生料制备系统，烧成系统和水泥制备系统组成。烧成系统是水泥生产过程中最为重要的工艺环节，在烧成系统中，水泥生料会发生复杂的化学物理反应，其过程直接影响水泥生产质量高低以及能源利用率。游离氧化钙(下文简写为f
‑
cao)含量是评价烧成系统生产熟料质量的关键性指标，其含量高低对水泥的生产效率以及能耗有着直接性影响。在水泥生产企业，工作人员需要及时了解f
‑
cao含量，以便调整工况。现阶段f
‑
cao含量检测，主要是使用化学分析法以及荧光分析法。然而，化学分析法需要先对熟料进行采样，然后实验室检测，不能及时的反映水泥生产质量。荧光分析法使用的设备价格较高，实际水泥生产企业出于成本的考虑并没有大规模装备，因此使用率极低。水泥企业主要采用化学分析法，当工作人员发现f
‑
cao含量测量值不符合预期时，再根据自身经验手动调整水泥生产设备的某些重要的工艺参数已达到对f
‑
cao含量的控制，但此方法会导致调整参数操作存在滞后性，难以满足实际生产工况实时性要求，同时工作人员依照自身经验进行调整，具有一定的盲目性，若调整不佳，反而影响水泥生产设备能耗，污染物排放，质量等。因此，有必要提出一种全新的f
‑
cao含量预测方法，在保障预测准确的前提下，降低预测时滞，提升产品质量。不仅可以对水泥生产过程变量具有更多的掌控，而且对生产进行指导，具有重要意义。
4.人工智能技术的发展，为水泥生产质量预测提供了新的研究方向，通过建立工艺参数的预测模型，达到对f
‑
cao含量实时检测的目的，还可以有效的弥补工业参数检测方法的不足。因此，研究f
‑
cao含量预测模型以及优化方法对水泥生产应用技术具有重要的价值。
5.现有技术中主要通过针对建立工艺参数的预测模型实现对f
‑
cao含量预测，然而，随着水泥生产要求的逐年提升，工艺越来越复杂，传统的人工智能算法已经无法满足使用要求，逐渐暴露出参数选取不合理，泛化能力差等缺点。因此，采用单一的预测模型，由于自身的局限性，往往会出现预测效果不佳的情况。针对单一模型的局限性，许多的学者提出智
能算法优化神经网络参数来提升f
‑
cao含量预测性能，然而，由于目前群体优化算法(如上述ga，gwo，pso算法)在全局搜索，局部搜索上依然采用随机的方式，影响精度的参数过多，从而使神经网络的预测性能难以满足水泥生产技术的高要求。
6.公开日为2019年02月15日，公开号为cn109342703a的中国专利公开了一种水泥熟料游离钙含量测量方法及系统。所述测量方法包括：获取与所述水泥熟料游离钙fcao含量有关的相关变量参数；根据所述相关变量参数，确定每个所述相关变量参数的时间序列；根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料fcao软测量模型；根据所述熟料fcao软测量模型确定水泥熟料游离钙含量。该专利使用单一的预测模型，同样会出现预测效果不佳的情况。


技术实现要素：

7.本发明提供一种集成csa和h
‑
elm的水泥生产质量预测方法，利用乌鸦算法对预测模型进行优化，达到提升预测精度的目的，解决水泥烧成系统回转窑水泥质量的实时预测问题。
8.为解决上述技术问题，本发明的技术方案如下：
9.一种集成csa和h
‑
elm的水泥生产质量预测方法，包括以下步骤：
10.s1：采集与水泥生产质量预测相关的数据；
11.s2：使用灰色关联分析法对步骤s1收集到的数据进行初步筛选；
12.s3：初始化分层极限学习机(简称h
‑
elm)的参数，利用步骤s2中筛选得到的数据对分层极限学习机进行训练时，利用乌鸦算法(简称csa)优化分层极限学习机的隐层神经元个数，获取分层极限学习机的最优隐层神经元个数，得到预测模型；
13.s4：利用所述预测模型对水泥生产质量进行预测。
14.优选地，步骤s1中所述与水泥生产质量预测相关的数据包括与烧成系统回转窑相关的喂料量、煤粉流量、分解炉出口温度、物料温度、二次风温、压力、回转窑电机电流、转速、高温风机转速、回转窑尾温、回转窑头负压、回转窑尾压力、回转窑烟室氧气含量、烟室氮氧化物含量、三次风温和三次风压力。
15.优选地，步骤s2中利用灰色关联分析法对步骤s1收集到的数据进行初步筛选，具体为：
16.设自变量为x＝(x
i
(l)|i＝1,2,...,h,l＝1,2,...,m)，因变量为t＝{t(l)|l＝1,2,...,m}，其中h表示自变量的数目，m表示样本的数目，令δ
i
(l)＝|t(l)
‑
x
i
(l)|，则灰色关联度分析法计算得到的灰关联度为：
[0017][0018]
式中，ρ为分辨系数，0<ρ<1；
[0019]
因变量和自变量的灰色关联度γ
i
如下：
[0020][0021]
设置灰色关联度阈值，选择灰色关联度大于灰色关联度阈值的数据作为数据样
本，完成初步筛选。
[0022]
优选地，所述步骤s3中初始化分层极限学习机的参数具体为：
[0023]
随机初始化隐含层个数、神经元个数、隐含层连接权值和阈值。
[0024]
优选地，步骤s3中利用步骤s2中筛选得到的数据对分层极限学习机进行训练时，利用乌鸦算法优化分层极限学习机的隐层神经元个数，获取分层极限学习机的最优隐层神经元个数，得到预测模型，具体为：
[0025]
a、将分层极限学习机的隐层神经元个数组成乌鸦算法的初始种群集合，初始化乌鸦算法的参数；
[0026]
b、以分层极限学习机的训练结果误差作为适应度函数，评估乌鸦的位置；
[0027]
c、择优选择乌鸦种群集合中乌鸦的新位置，评估乌鸦的新位置，如果新位置比当前位置适应度值高，更新乌鸦位置至新位置；否则，乌鸦的新位置随机更新；
[0028]
d、重复步骤c直到迭代次数达到阈值，迭代终止，输出当前最佳位置，得到分层极限学习机的最优隐层神经元个数；
[0029]
e、分层极限学习机利用fista算法计算每一隐含层网络权重，计算该层的实际输出并且作为下一层输入；
[0030]
f、运用最小二乘法求得分层极限学习机最后一层隐层和输出层之间的权值，输出预测结果。
[0031]
优选地，步骤c中乌鸦的新位置更新，具体如下：
[0032]
择优选择乌鸦种群集合中乌鸦的新位置：
[0033]
x
i,iter 1
＝x
i,iter
r
i
×
fl
×
(m
j,iter
‑
x
i,iter
)
[0034]
式中，向量x
i,iter
表示第i只乌鸦crow
i
在第i次迭代中的位置，x
i,iter 1
表示第i只乌鸦crow
i
在第i 1次迭代中的位置，m
j,iter
表示第j只乌鸦crow
i
在第i次的记忆，r
i
为0
‑
1之间的随机数，fl为乌鸦移动的步长；
[0035]
乌鸦的新位置随机更新：
[0036]
x
i,iter
＝a random position
[0037]
m
i,iter
更新为：
[0038][0039]
式中，f()表示乌鸦算法的适应度函数。
[0040]
优选地，步骤e中所述分层极限学习机，具体为：
[0041]
所述分层极限学习机是一种具有多层特性的结构，其分层体现在整个模型的训练过程分为无监督特征提取和有监督特征分类。
[0042]
优选地，在无监督特征提取阶段，基于极限学习机自动编码器elm
‑
ae思想，并使用基于l1
‑
范数范数最小化的快速阈值收缩算法优化隐含层权值，分类部分采用基于岭回归的elm模型作为分类模型；
[0043]
在无监督学习阶段，分层极限学习机利用基于极限学习机自动编码器elm
‑
ae作为特征提取工具，elm
‑
ae中，输出等于输入，隐藏节点通过随机正交权重和偏差将输入数据投影到不同或相等的维度，实现原始数据在不同维度的特征表达；
[0044]
基于极限学习机自动编码器elm
‑
ae训练过程可以用以下优化公式表述为：
[0045][0046]
式中，h表示隐含层输出矩阵，x表示每一层的输入矩阵，β表示输出权值；
[0047]
采用l1
‑
范数对β进行约束，此时基于极限学习机自动编码器elm
‑
ae可以表示为如下约束问题：
[0048][0049]
为了明确l1优化问题，可以将上式从写成公式：
[0050]
o
β
＝p(β) q(β)
[0051]
其中，p(β)＝||hβ
‑
x||2，q(β)＝||β||
l1
，再使用基于l1
‑
范数范数最小化的快速阈值收缩算法，即fista算法优化隐含层权值；
[0052]
经过n层的无监督学习，最终可获得高层稀疏特征，每个隐含层的输出可以表示为：
[0053]
h
i
＝g(h
i
‑1·
β)
[0054]
式中，h
i
代表第i隐含层输出矩阵，h
i
‑1代表第i
‑
1隐含层输出矩阵，g(
·
)代表隐藏层的激活函数。
[0055]
优选地，所述fista算法优化隐含层权值：
[0056]
f1：计算光滑凸函数p的利普希兹常量l；
[0057]
f2：初始化参数y
l
＝β0，t
l
＝1，y为隐层输出权重，t为迭代次数，然后对于k(k≥1)进行如下迭代：
[0058]
β
k
＝p
l
(y
k
)
[0059]
其中p
l
可以由下式给出：
[0060][0061]
其中β代表隐含层输出权重，β
k
‑1代表上一次迭代的隐含层输出权重；
[0062][0063][0064]
f3：通过上述迭代，计算出输出权值β。
[0065]
优选地，在有监督特征分类阶段，利用最小二乘法计算最后一层的隐含层输出矩阵。
[0066]
与现有技术相比，本发明技术方案的有益效果是：
[0067]
本发明通过csa算法优化了h
‑
elm隐含层神经元个数，舍去人工调参的繁琐操作，提高了模型的实用性和预测精度，同时优化后的模型可以实时的，智能和高精度的预测水泥烧成系统回转窑中产品的生产质量，克服了传统单一预测模型参数选取不合理，泛化能力差，预测精度不高的缺点。
附图说明
[0068]
图1为本发明的方法流程图。
[0069]
图2为本发明提出的模型训练集与真实值对比示意图。
[0070]
图3为本发明提出的模型测试集与真实值对比示意图。
具体实施方式
[0071]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0072]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0073]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0074]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0075]
实施例1
[0076]
本实施例提供一种集成csa和h
‑
elm的水泥生产质量预测方法，如图1所示，包括以下步骤：
[0077]
s1：采集与水泥生产质量预测相关的数据；
[0078]
s2：使用灰色关联分析法对步骤s1收集到的数据进行初步筛选；
[0079]
s3：初始化分层极限学习机的参数，利用步骤s2中筛选得到的数据对分层极限学习机进行训练时，利用乌鸦算法优化分层极限学习机的隐层神经元个数，获取分层极限学习机的最优隐层神经元个数，得到预测模型csa
‑
h
‑
elm；
[0080]
s4：利用所述预测模型对水泥生产质量进行预测。
[0081]
通过了解整个水泥的生产流程可以知道，烧成系统回转窑末端熟料的f
‑
cao含量是衡量水泥质量的关键性指标，其含量主要由生原料的配比以及烧成系统加工情况决定。生料的配比严格按照要求进行，所以生料的配比相对而言是稳定的。而整个烧成系统回转窑内，工况复杂，能够直接或间接影响烧成质量的工艺参数众多，所以在采集数据阶段，重点选取烧成系统回转窑的工艺参数。步骤s1中所述与水泥生产质量预测相关的数据包括与烧成系统回转窑相关的喂料量、煤粉流量、分解炉出口温度、物料温度、二次风温、压力、回转窑电机电流、转速、高温风机转速、回转窑尾温、回转窑头负压、回转窑尾压力、回转窑烟室氧气含量、烟室氮氧化物含量、三次风温和三次风压力。
[0082]
烧成系统回转窑的煅烧工艺具有非线性，强耦合，干扰因素多的特点，这对构建一个合适的f
‑
cao含量预测模型会产生影响。因此需要初步筛选工艺参数，将对f
‑
cao含量影响不大的工艺参数进行剔除。步骤s2中利用灰色关联分析法对步骤s1收集到的数据进行初步筛选，具体为：
[0083]
设自变量为x＝(x
i
(l)|i＝1,2,...,h,l＝1,2,...,m)，因变量为t＝{t(l)|l＝1,2,...,m}，其中h表示自变量的数目，m表示样本的数目，令δ
i
(l)＝|t(l)
‑
x
i
(l)|，则灰色关联度分析法计算得到的灰关联度为：
[0084]
[0085]
式中，ρ为分辨系数，0<ρ<1；
[0086]
因变量和自变量的灰色关联度γ
i
如下：
[0087][0088]
设置灰色关联度阈值，选择灰色关联度大于灰色关联度阈值的数据作为数据样本，完成初步筛选。
[0089]
采用灰色关联分析法各个工艺参数与f
‑
cao含量之间的相关性。得到的各工艺参数与f
‑
cao含量之间的灰关联度如表1。
[0090]
通过采集的200组数据，利用灰色关联分析法计算工艺参数与f
‑
cao含量灰关联值。通过表1可以发现，烧成系统回转窑内不同的工艺参数与f
‑
cao含量的关联程度存在明显的差异。为了更好的建立工艺参数与f
‑
cao含量之间的函数关系，现设定灰关联度阈值为0.750，则初步选取喂料量，煤粉流量，分解炉出口温度，物料温度，二次风温，回转窑电机电流，回转窑尾温，回转窑烟室氧气含量，烟室氮氧化物含量9个工艺参数作为f
‑
cao含量预测模型的输入集合，具体表示为：
[0091]
x'＝{x1(l),x2(l),...,x9(l)|l＝1,2,...,200}
[0092]
f
‑
cao含量变量集合表示为下式：
[0093]
t'＝{t(l)|l＝1,2,...,200}
[0094]
将x',t'进行归一化处理得到x，t。
[0095]
表1工艺参数与水泥f
‑
cao含量的灰关联度
[0096][0097]
所述步骤s3中初始化分层极限学习机的参数具体为：
[0098]
随机初始化隐含层个数、神经元个数、隐含层连接权值和阈值。
[0099]
步骤s3中利用步骤s2中筛选得到的数据对分层极限学习机进行训练时，利用乌鸦算法优化分层极限学习机的隐层神经元个数，获取分层极限学习机的最优隐层神经元个
数，得到预测模型，具体为：
[0100]
a、将分层极限学习机的隐层神经元个数组成乌鸦算法的初始种群集合，初始化乌鸦算法的参数；
[0101]
b、以分层极限学习机的训练结果误差作为适应度函数，评估乌鸦的位置；
[0102]
c、择优选择乌鸦种群集合中乌鸦的新位置，评估乌鸦的新位置，如果新位置比当前位置适应度值高，更新乌鸦位置至新位置；否则，乌鸦的新位置随机更新；
[0103]
d、重复步骤c直到迭代次数达到阈值，迭代终止，输出当前最佳位置，得到分层极限学习机的最优隐层神经元个数；
[0104]
e、分层极限学习机利用fista算法计算每一隐含层网络权重，计算该层的实际输出并且作为下一层输入；
[0105]
f、运用最小二乘法求得分层极限学习机最后一层隐层和输出层之间的权值，输出预测结果。
[0106]
步骤c中乌鸦的新位置更新，具体如下：
[0107]
择优选择乌鸦种群集合中乌鸦的新位置：
[0108]
x
i,iter 1
＝x
i,iter
r
i
×
fl
×
(m
j,iter
‑
x
i,iter
)
[0109]
式中，向量x
i,iter
表示第i只乌鸦crow
i
在第i次迭代中的位置，x
i,iter 1
表示第i只乌鸦crow
i
在第i 1次迭代中的位置，m
j,iter
表示第j只乌鸦crow
i
在第i次的记忆，r
i
为0
‑
1之间的随机数，fl为乌鸦移动的步长；
[0110]
乌鸦的新位置随机更新：
[0111]
x
i,iter
＝a random position
[0112]
m
i,iter
更新为：
[0113][0114]
式中，f()表示乌鸦算法的适应度函数。
[0115]
步骤e中所述分层极限学习机，具体为：
[0116]
所述分层极限学习机是一种具有多层特性的结构，其分层体现在整个模型的训练过程分为无监督特征提取和有监督特征分类。
[0117]
在无监督特征提取阶段，基于极限学习机自动编码器elm
‑
ae思想，并使用基于l1
‑
范数范数最小化的快速阈值收缩算法优化隐含层权值，分类部分采用基于岭回归的elm模型作为分类模型；
[0118]
在无监督学习阶段，分层极限学习机利用基于极限学习机自动编码器elm
‑
ae作为特征提取工具，elm
‑
ae中，输出等于输入，隐藏节点通过随机正交权重和偏差将输入数据投影到不同或相等的维度，实现原始数据在不同维度的特征表达；
[0119]
基于极限学习机自动编码器elm
‑
ae训练过程可以用以下优化公式表述为：
[0120][0121]
式中，h表示隐含层输出矩阵，x表示每一层的输入矩阵，β表示输出权值；
[0122]
采用l1
‑
范数对β进行约束，此时基于极限学习机自动编码器elm
‑
ae可以表示为如下约束问题：
[0123][0124]
为了明确l1优化问题，可以将上式从写成公式：
[0125]
o
β
＝p(β) q(β)
[0126]
其中，p(β)＝||hβ
‑
x||2，q(β)＝||β||
l1
，再使用基于l1
‑
范数范数最小化的快速阈值收缩算法，即fista算法优化隐含层权值；
[0127]
经过n层的无监督学习，最终可获得高层稀疏特征，每个隐含层的输出可以表示为：
[0128]
h
i
＝g(h
i
‑1·
β)
[0129]
式中，h
i
代表第i隐含层输出矩阵，h
i
‑1代表第i
‑
1隐含层输出矩阵，g(
·
)代表隐藏层的激活函数。
[0130]
所述fista算法优化隐含层权值：
[0131]
f1：计算光滑凸函数p的利普希兹常量l；
[0132]
f2：初始化参数y
l
＝β0，t
l
＝1，y为隐层输出权重，t为迭代次数，然后对于k(k≥1)进行如下迭代：
[0133]
β
k
＝p
l
(y
k
)
[0134]
其中p
l
可以由下式给出：
[0135][0136]
其中β代表隐含层输出权重，β
k
‑1代表上一次迭代的隐含层输出权重；
[0137][0138][0139]
f3：通过上述迭代，计算出输出权值β。
[0140]
在有监督特征分类阶段，利用最小二乘法计算最后一层的隐含层输出矩阵。
[0141]
本次共采集历史数据200组，随机选取150组作为csa
‑
h
‑
elm模型的训练样本，输入集合为x1，输出集合为t1。剩下50组数据作为csa
‑
h
‑
elm模型的测试样本，输入集合为x2，输出集合为t2。通过训练样本训练csa
‑
h
‑
elm模型，完善模型的网络结构以及参数，建立f
‑
cao含量预测模型。其中h
‑
elm模型共有9个输入变量，1个输出变量，隐含层层数经过测试选取3层，隐含层神经元个数由csa模型确定；csa模型共有3个输入变量，3个输出变量，设置种群规模为30，步长为fl＝2，感知概率ap＝0.5，搜索空间q为[10,400].
[0142]
通过对本实施例提出的csa
‑
h
‑
elm模型进行训练，训练值与真实值对比结果如图2所示。
[0143]
通过对训练完成的crows
‑
h
‑
elm模型进行验证测试，测试值与真实值对比结果如图3所示。
[0144]
此外，本实施例还将该方法与其他预测方法进行了比较，包括elm模型，基于ga的bpnn模型(ga
‑
bpnn)，基于gwo的svm模型(gwo
‑
svm)，基于qpso的svm模型(qpso
‑
svm)，h
‑
elm模型，条件相同。表2显示了rmse和消耗时间性能比较。表2显示，本发明所提出的csa
‑
h
‑
elm
算法无论是在训练过程，还是测试过程，rmse均小于上述5个方法，这是因为h
‑
elm采用
‑
范数的快速迭代阈值法可以实现特征的自动提取并且映射在高维空间，实现特征的稀疏表示，大大挖掘了输入数据中的有用信息。对比表2中h
‑
elm和所提出的csa
‑
h
‑
elm算法可以发现，csa
‑
h
‑
elm算法在训练测试时间上略长于h
‑
elm，这是因为使用改进的乌鸦算法搜寻最为合适的隐含层神经元个数需要花费额外的时间，而csa
‑
h
‑
elm算法的rmse更小，说明所提出的改进乌鸦算法确实能有效的降低预测误差，提高预测精度，证明了所提出算法的有效性。
[0145]
表2
[0146][0147][0148]
相同或相似的标号对应相同或相似的部件；
[0149]
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0150]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。