氧化铝回转窑烧成带温度软测量方法的研究

摘要

我国铝土矿资源丰富，但占储量80％的铝土矿的铝硅比较低，主要采用烧结法生产氧化铝。回转窑是烧结法生产氧化铝熟料的核心设备，其主要功能是将生料浆烧结成合格的氧化铝熟料。在氧化铝熟料烧结过程中，烧成带温度是决定氧化铝熟料质量的关键工艺参数，其准确测量对提高回转窑过程控制的可靠性和产品质量具有重要的意义。
　　回转窑长达百米且处于不断旋转和高温煅烧中，其结构的特殊性和烧结法工艺的复杂性使得回转窑过程存在多变量、强耦合、强非线性、大惯性和不确定性干扰等综合复杂特性，且无法直接利用测量装置在线连续准确检测烧成带温度。工业现场长期依赖“人工看火”方式，凭借经验判断窑况进行操作，易造成熟料欠烧或过烧，导致熟料合格率低、窑内衬使用寿命短、窑运转率低、产能低、能耗高和劳动强度大等问题。
　　针对上述问题，本文在国家863高技术计划项目“大型回转窑智能控制系统”的支持下，进行了氧化铝回转窑烧成带温度软测量方法的研究。本文的主要工作如下:
　　1.提出了烧成带温度软测量模型数据预处理方法。其中，软测量模型的输入变量包括冷却机拖动电机电流、窑头罩压力、窑尾温度、鼓风机风流量、熟料窑体转速等检测量和给煤机转速控制变量。数据预处理包括滤波处理和归一化处理。本文针对电流及流量变量存在高频测量噪声问题，采用butterworth滤波算法实现低通滤波。另外针对烧成带温度实测值导师样本存在的离群点问题，采用了改进的绝对值中值滤波算法，消除了“大尖峰”测量干扰影响。
　　2.提出了基于主元回归(PCR)的烧成带温度软测量方法。软测量模型输入变量包括冷却机拖动电机电流、窑尾温度等11个检测变量。采用方差累计贡献率、相邻特征值比较法和交叉检验三种方法确定主元个数，所得模型在测试样本上的标准误差为59.2。
　　3.提出了基于静态PLS及动态PLS(DPLS)的烧成带温度软测量方法。软测量静态模型输入变量选择同PCR模型。DPLS模型考虑过程变量之间的动态关系，输入变量增加了给煤机转速控制变量和各检测量的过去时刻采样值。采用交叉检验和方差累计贡献率的方法确定隐变量个数，静态PLS模型在预测样本上的标准误差为59.1，DPLS模型在预测样本上的标准误差为57.9。
　　4.提出了基于BP神经网络的烧成带温度软测量方法。软测量输入变量选择同PCR模型，采用交叉检验方法确定隐层节点数，所得模型在预测样本上的标准误差52.2。提出了基于SVR的烧成带温度软测量模型方法，输入变量选择同PCR模型，采用网格搜索与交叉验证方法选择惩罚因子C、不敏感损失函数参数占及核函数参数γ。本文建立的非线性模型（基于BP及基于SVR）要优于线性模型(基于PCR及基于PLS)，其中基于SVR的烧成带温度软测量方法性能显著优于其他方法，模型在预测样本上的标准误差为31.8。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景和意义

1．2 工业过程软测量技术概述

1．2．1 软测量技术的提出及分类

1．2．2 软测量技术开发流程

1．2．3 软测量技术的应用

1．3 氧化铝回转窑检测与控制研究现状

1．3．1 氧化铝回转窑检测研究现状

1．3．2 氧化铝回转窑控制研究现状

1．3．3 存在的问题

1．4 本文主要工作

第2章 氧化铝回转窑烧成带温度测量问题描述

2．1 氧化铝回转窑过程描述

2．2 烧成带温度测量现状描述

2．3 烧成带温度特性分析

2．4 烧成带温度软测量建模难点

2．5 本章小结

第3章 氧化铝回转窑烧成带温度软测量方法

3．1 烧成带温度软测量模型输入变量筛选

3．2 数据预处理算法

3．2．1 烧成带温度滤波

3．2．2 数据去噪算法

3．2．3 数据归一化处理算法

3．3 基于主元回归(PCR)的烧成带温度软测量模型

3．3．1 PCR方法简介

3．3．2 模型结构

3．3．3 模型训练算法

3．4 基于部分最小二乘(PLS)的烧成带温度软测量模型

3．4．1 PLS方法简介

3．4．2 基于静态PLS的烧成带温度软测量模型

3．4．3 基于动态PLS(DPLS)的烧成带温度软测量模型

3．5 基于BP神经网络的烧成带温度软测量模型

3．5．1 BP原理简介

3．5．2 模型结构

3．5．3 模型训练算法

3．6 基于支持向量回归(SVR)的烧成带温度软测量模型

3．6．1 SVR方法简介

3．6．2 模型结构

3．6．3 模型训练算法

3．7 本章小结

第4章 氧化铝回转窑烧成带温度软测量方法实验研究

4．1 实验描述

4．2 滤波实验

4．3 基于PCR的烧成带温度软测量方法实验

4．4 基于PLS的烧成带温度软测量方法实验

4．4．1 静态PLS烧成带温度软测量方法实验

4．4．2 基于动态PLS的烧成带温度软测量方法实验

4．5 基于BP神经网络的烧成带温度软测量方法实验

4．6 基于SVR的烧成带温度软测量方法实验

4．7 实验结果比较分析

4．8 本章小结

第5章 结论与展望

参考文献

致谢