水泥生产先进控制应用综述_李延锋.pdf

2023年第1期中图分类号：TQ172.6文献标志码：B文章编号：1007-0389（2023）01-70-03【DOI】10.13697/ki.32-1449/tu.2023.01.025水泥生产先进控制应用综述李延锋1，汪文元2，张增吉3，刘威3，徐可心3（1.江西玉山南方水泥有限公司，江西 上饶 334700；2.北京国鼎源创智能科技有限公司，北京 100085；3.中国中材国际工程股份有限公司（南京），江苏 南京 211100）摘要：为实现水泥生产的稳产、节能、环保、提质、高效目标，水泥生产需要首先达到自动的稳定优化控制。本文从知识经验、数据驱动及系统建模三个角度对当前水泥先进控制系统进行分析，并对具有代表性的先进控制系统进行简述，最后对我公司在水泥生产实施过程中开发的优化控制系统进行了介绍。关键词：水泥生产；优化控制；先进控制系统Application of advanced control in cement productionLi Yanfeng1,Wang Wenyuan2,Zhang Zengji3,Liu Wei3,Xu Kexin3(1.Jiangxi Yushan South Cement Co.,Ltd.,Shangrao,334700China）Abstract:In order to achieve the goals of stable production,energy saving,environmental protection,quality improvement and high efficiency of cement production,cement production needs to first achieve automatic stable and optimal control.This paper analyzes thecurrent advanced control system of cement from three perspectives of knowledge experience,data drive and system modeling.Meanwhile the representative advanced control systems are introduced in this paper.Finally,we introduce the optimized control system developed by our company in the implementation of cement production.Key words:cement production;optimize control;advanced control system1概述水泥生产从原燃料制备、熟料烧成到水泥制成以及相配套的低温余热发电，属于典型的流程型生产，其中包含了复杂的化学变化与多样的物理形变。水泥及熟料生产过程中的工艺稳定、能耗、污染排放及设备运行都是各方重点关注的对象。水泥生产传统上由人工操作，不同的操作人员在应对原燃料、工况、质量变化与突发故障的情况时，因自身的知识、经验及关注点的差异性，会造成不同的结果。实时、动态的做到提质增效、节能降耗、减排，是每个水泥工厂必须要实现的目标，完全依靠人工操作面临着很大的挑战，甚至无法实现。当今数字控制技术与计算机网络技术相结合，各种经典控制理论与新兴控制算法已加快应用于生产实践中，并且出现了多种演化趋势。伴随着中国制造2025的政策号召，更多的独立软件厂商加入进来，开发了基于大数据预测、基于模型的控制，自寻优与自适应控制等先进控制算法，将这些先进算法应用于水泥工厂操作员层级与DCS系统层级之间，取得了相应的成绩。本文将从知识经验、数据驱动及系统建模三个角度对当前水泥优化控制系统进行分析，并对代表性的系统进行简述，最后对我司在水泥生产实施过程中开发的智能优化控制系统进行了介绍，以供参考。2基于知识经验的水泥先进控制2.1专家系统专家系统（ES）是一种具有大量的某个领域或行业专业知识和专家经验的智能计算机程序系统，能够运用人类专家多年积累的有效经验和专门知识，模拟专家的思维过程，解决领域或行业内复杂系统的控制问题。简言之，如图1所示，专家系统可视作“知识库(knowledge base)”和“推理机(inference machine)”的结合1。专家知识专家系统知识库推理机输入或问题答案图1专家系统基本组成知识库用来存放和管理人类专家提供系统求解的知识，是专家系统所应用的知识集合。推理机是一组用来控制、协调整个专家系统的程序，负责使用知识库里面的知识，解决实际的问题。常用的专家系统包括：基于规则和基于框架的经典专家系统；基于计算智能技术的模糊专家系统和神经网络专家系统；基于 Web 的专家系统：由Web数据交换技术与传统专家系统集成所得智能管理李延锋，等：水泥生产先进控制应用综述-702023年第1期到；分布式和协同式专家系统：由多个并行执行的系统组成，并能综合多领域的专家系统相互协作。2.2模糊控制由于系统操作中有许多工况是界限不分明的模糊集合，利用模糊数学隶属度函数来描述这些界限不分明的工况是一种比较合理的方式，因此在工业过程控制应用中发展出了模糊控制技术。模糊控制是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的一种计算机程序。模糊控制主要解决三个问题：知识表示、推理策略和知识获取。人类专家的知识由IF“条件”+THEN“结果”规则格式的形式来进行推理，从而产生合理的结果，进而指导工业生产过程。模糊控制系统由模糊控制器和控制对象组成2，见图2。知识库模糊化模糊推理清晰化控制对象输出模糊控制器参考输入图2模糊控制器的组成2.3基于知识经验的先进控制系统自上世纪80年代发展以来，美国 Gensym公司开发的实时专家系统平台G2，广泛应用于石化、水泥、医药、电力、军事及航空航天领域。其中G2的高级水泥优化控制软件CAT(Cement APC Toolkit)采用人工智能技术3，在G2实时规则推理引擎的驱动下，将水泥操作经验与过程知识以规则的形式执行，同时可以将模糊逻辑、神经网络与专家系统结合起来，可以提供针对水泥工厂的全面优化功能，实现生产过程的稳定控制、工艺过程的业务优化。ABB 公司早期的 Expert Optimizer 专家优化系统也是基于G2开发的，系统架构如图3，EO系统使用规则块涵盖了所有的工艺状况，贯彻由水泥专家制定的操作策略4。同时在上层使用了模糊算法、神经网络、模型预测控制。控制应用用户界面EO专家系统开发工具包Gensym G2数据库Windows操作系统PCS过程系统控制外部网络控制模块基于G2的工具包开发平台OSIO浏览器趋势/记录等图3ABBEO早期专家优化系统架构图水泥集团Lafarge也基于G2专家系统平台开发了LUCIE专家控制软件，应用于集团内部多家水泥工厂的生料磨、窑和水泥磨中。LUCIE系统将工艺专家的操作经验、处理规则加以总结，为每一个生产模块建立评估器，运用长期短期模糊规则表对被控变量进行控制5。国内学者与工程师也已大量应用模糊控制、自寻优推理算法和多模式模糊逻辑控制算法、推理决策等多种人工智能算法与先进的控制理论结合于水泥生产控制中。分别针对水泥生产线分解炉、篦冷机、立磨、联合粉磨系统进行了优化控制与工况识别，并且在多家水泥厂得到应用。3基于数据驱动的水泥先进控制数据驱动控制从计算机技术领域引入到控制领域中，基本思想是不需要被控对象的精确机理模型，仅通过输入与输出数据来实现生产控制与预测，通过在线离线学习得到生产过程的动态与静态特性，常 见 模 型 有 神 经 网 络 模 型（NN）、支 持 向 量 机（SVM）、无模型自适应控制（MFA）等，同时随着深度学习的发展，研究人员也将深度神经网络算法应用于多种水泥关键参数的软测量上面，一般来讲需要较大数据量支持。3.1神经网络神经网络源于对脑神经系统结构和功能的模拟，特有的非线性适应性信息处理能力和逼近非线性函数能力，能够对变化的环境和数据具有自适应性。神经网络在控制中具有多种作用：充当控制对象的模型、充当反馈控制系统的控制器、对系统进行优化计算、与其它算法进行融合等，灵活应用于各种生产过程中2。当前应用最广泛的为一种利用误差反向传播训练算法的神经网络BP神经网络，它是一种具有隐含层的多层前馈网络，按照梯度最速下降算法进行训练，可采用在线学习和离线学习两种方式。BP神经网络的运算中包含了正向和反向传播两个阶段。其拓扑结构包括输入层、输出层和隐含层，x1,x2,xq为q个输入信号；a1,a2,am为m个输出信号；w为网络权值，如图4所示。BP神经网络设计过程的工作流程包含七个主要步骤：收集数据、创建网络、配置网络、初始化权重和偏置、训练网络、验证网络（训练后的分析）、使用网络，步骤结束后，即可得到所需要的控制量输出。3.2基于数据驱动的系统应用智能管理李延锋，等：水泥生产先进控制应用综述-712023年第1期输入层隐含层输出层图4BP神经网络结构神经网络控制作为专家经验控制的有力补充，在水泥工业生产中也得到了广泛的应用。燕山大学刘晓琳利用BP神经网络理论，确定了三次风量、煤粉量和生料量对分解炉出口气体温度的影响程度，解决了水泥分解炉温度控制问题6。广西大学张志刚首先对分解炉的机理进行了描述，然后利用机理与神经网络相结合的方法建立了分解炉温度的正向神经网络模型7。太原理工大学谢刚等使用神经网络建立了水泥分解炉温度控制系统，利用改进的免疫算法来优化神经网络权值8。也有学者将神经网络与模糊控制等结合在一起，武汉理工大学潭思云等提出了一种基于模糊神经网络的分解炉温度控制方法，用神经网络的学习能力来表示模糊控制规则并实现模糊推理9。合肥工业大学团队还进一步基于水泥厂实际生产数据，利用深度神经网络LSTM（长短时记忆神经网络）对分解炉出口温度进行预测10，利用自回归移动平均算法（ARMA）对回转窑烧成带温度进行预测11，都能够较准确地预测温度的变化趋势。在工业界，德国STEAG公司的PIT Navigator智能实时优化控制系统根据生产过程数据、火焰监测系统数据和化验室数据，综合考虑实际工况和外部变量的影响，通过内部经验或机理模型，来调节和优化随时间变化的水泥生产过程12。PIT基础工具箱包含了基于神经网络的智能与自适应控制组件，可以对生产过程连续计算和调整优化设定值。不仅用于熟料游离钙的预测与二次风温的预测，也成功应用于水泥工厂（原料磨、烧成系统、水泥磨）及高效的SNCR控制13。4基于模型的水泥先进控制由于水泥生产属于多变量、强耦合、非线性的生产过程，新兴的模型预测控制技术，采用系统辨识的方法得到工业过程的模型，通过协调多变量之间的关系，能够有效地解耦和抗干扰，使生产操作趋于平稳。模型预测控制相对纯数据驱动，几个显著特征：有一定机理驱动，使得具备理论基础，所需数据量也更少；强调基于预测生成控制序列，而不只是当前时刻的控制，从而有利于控制扰动；能解决多入多出（MIMO）问题，更强调系统性。4.1模型预测控制模型预测控制是一种基于预测模型的多变量控制算法，其本质在于使用过程模型进行未来状态或输出的预测，在每一个采样时刻，控制器以当前时刻的系统状态作为初始状态，通过最小化未来输出与参考轨迹之差（优化求解问题）来求取控制作用，优化产生一个控制输入序列，将第一个分量作用于实际系统。在下一采样时刻，重复进行上述的预测和优化步骤，模型预测控制的原理如图5所示。参考轨迹设定值滚动优化被控对象预测模型预测器ypyrymuye图5模型预测控制原理4.2基于模型的先进控制系统过程工业的大型自动化集成商在提供 DCS的同时，还开发了针对水泥等行业的基于MPC控制的先进控制系统。罗克韦尔自动化Pavilion8 MPC软件平台从 1991年投入市场14。该软件除了单独应用部署MPC技术之外，还具有混合建模技术，将过程机理模