矿渣粉磨生产工艺智能调控系统研究与应用.pdf

投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ ２０２０ 年 第２０ 卷 第１１ 期 ２０２０， ２０（１１） ０４２７９ - ０９ 科 学 技 术 与 工 程 Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ ＩＳＳＮ １６７１１８１５ ＣＮ １１４６８８／ Ｔ 引用格式李 客， 万安平．矿渣粉磨生产工艺智能调控系统研究与应用［Ｊ］．科学技术与工程， ２０２０， ２０（１１） ４２７９- ４２８７ Ｌｉ Ｋｅ， Ｗａｎ Ａｎｐｉｎｇ．Ｒｅｓｅａｒｃｈ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｆｏｒ ｓｌａｇ ｇｒｉｎｄｉｎｇ ｐｒｏｃｅｓｓ［Ｊ］．Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０２０， ２０（１１） ４２７９- ４２８７ 矿渣粉磨生产工艺智能调控系统研究与应用 李 客 １，２， 万安平３* （１.中信重工机械股份有限公司，洛阳 ４７１０３９；２.矿山重型装备国家重点实验室，洛阳 ４７１０３９； ３.浙江大学城市学院机电系，杭州 ３１００１５） 摘 要 矿渣粉磨生产过程具有强耦合、非线性、大滞后等特点，人工对其进行有效控制十分困难。 提出一种矿渣粉磨生产 工艺闭环调控系统，在长期设备与工艺研究基础上，借助物联网技术采集大量数据，结合专家经验并通过数据分析来实时监 控工况发展趋势，研究矿渣粉磨生产工艺过程闭环调控方法；系统增加了前端矿渣水分在线检测，增强系统提前反应速度，在 后端通过微粉粒度在线检测，形成闭环控制；生产过程中替代人工精细调节工艺，自动纠正参数变化，并优化参数匹配。 系统 应用于某生产现场，取得了较好的运行效果。 关键词 矿渣粉磨； 闭环调控； 状态预测； 智能调控 中图法分类号 ＴＤ４５３； 文献标志码 Ａ 收稿日期 ２０１９- ０７- ２２； 修订日期 ２０２０- ０１- ０６ 基金项目 科技部科技支撑项目（２０１５ＢＡＦ３２Ｂ０４）；郑洛新国家自主创新示范区创新引领型产业集群项目（１８１２００２１１５００）；国家自然基金 （５１７０５４５５，５１９７５５２１）；中国博士后基金特别资助项目（２０１８Ｔ１１０５８７） 第一作者 李 客（１９７９），男，河南信阳人，高级工程师。 研究方向重大装备研制、物联网建设及智能化。 Ｅ- ｍａｉｌ Ｌ - Ｋ９６６６＠１６３． ｃｏｍ。 *通信作者 万安平（１９８３），男，江西南昌人，副教授。 研究方向高耗能设备维修与运行优化控制。 Ｅ- ｍａｉｌ ａｎｐｉｎｇｗａｎ＠ｚｊｕ． ｅｄｕ． ｃｎ。 Research and Application of Intelligent Control System for Slag Grinding Process ＬＩ Ｋｅ １，２， ＷＡＮ Ａｎ- ｐｉｎｇ３* （１. ＣＩＴＩＣ Ｈｅａｖｙ Ｉｎｄｕｓｔｒｉｅｓ Ｃｏ． ，Ｌｔｄ． ， Ｌｕｏｙａｎｇ ４７１０３９， Ｃｈｉｎａ； ２. Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｍｉｎｉｎｇ Ｈｅａｖｙ Ｅｑｕｉｐｍｅｎｔ， Ｌｕｏｙａｎｇ ４７１０３９， Ｃｈｉｎａ； ３. Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｃｉｔｙ Ｃｏｌｌｅｇｅ， Ｈａｎｇｚｈｏｕ ３１００１５， Ｃｈｉｎａ） ［Abstract］ Ｓｌａｇ ｇｒｉｎｄｉｎｇ ｉｓ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｏｆ ｓｔｒｏｎｇ ｃｏｕｐｌｉｎｇ， ｎｏｎｌｉｎｅａｒ， ｌａｒｇｅ ｌａｇ， ａｎｄ ｄｉｆｆｉｃｕｌｔ ｔｏ ｂｅ ｃｏｎｔｒｏｌｌｅｄ．Ａ ｃｌｏｓｅｄ ｌｏｏｐ ｃｏｎ- ｔｒｏｌ ｓｙｓｔｅｍ ｗａｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｓｌａｇ ｇｒｉｎｄｉｎｇ ｂａｓｅｄ ｏｎ ｌｏｎｇ- ｔｅｒｍ ｓｔｕｄｉｅｓ ｏｆ ｔｈｅ ｅｑｕｉｐｍｅｎｔ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ ．Ａ ｌａｒｇｅ ａｍｏｕｎｔ ｏｆ ｄａｔａ ｗｉｔｈ ｔｈｅ ｈｅｌｐ ｏｆ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ ｔｅｃｈｎｏｌｏｇｙ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ ， ｗｉｔｈ ｗｈｉｃｈ ｔｈｅ ｅｘｐｅｒｔ ｅｘｐｅｒｉｅｎｃｅ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｔｒｅｎｄ ｗｅｒｅ ｃｏｍｂｉｎｅｄ ．Ｂｙ ｄａｔａ ａｎａｌｙｓｉｓ， ｒｅａｌ- ｔｉｍｅ ｃｏｎｄｉｔｉｏｎｓ ｗｅｒｅ ｍｏｎｉｔｏｒｅｄ， ｔｈｅ ｃｌｏｓｅｄ- ｌｏｏｐ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄ ｗａｓ ａｄｏｐｔｅｄ．Ｓｌａｇ ｍｏｉｓｔｕｒｅ ｏｎ- ｌｉｎｅ ｄｅｔｅｃｔｉｏｎ ｗａｓ ａｄｄｅｄ ｔｏ ｔｈｅ ｆｒｏｎｔ- ｅｎｄ， ｗｈｉｃｈ ｓｐｅｅｄｅｄ ｕｐ ｔｈｅ ｓｙｓｔｅｍ ｒｅｓｐｏｎｓｅ ｉｎ ａｄｖａｎｃｅ ．Ａｔ ｔｈｅ ｂａｃｋ- ｅｎｄ ｈｏｗｅｖｅｒ， ｍｉｃｒｏ- ｐｏｗｄｅｒ ｐａｒｔｉｃｌｅ ｓｉｚｅ ｗａｓ ｏｎ- ｌｉｎｅ ｍｅａｓｕｒｅｄ， ｗｉｔｈ ｗｈｉｃｈ ｔｈｅ ｃｌｏｓｅｄ ｌｏｏｐ ｃｏｎｔｒｏｌ ｗａｓ ｆｏｒｍｅｄ ．Ｔｈｅ ｗｈｏｌｅ ｐｒｏｃｅｓｓ ｏｆ ｓｌａｇ ｇｒｉｎｄｉｎｇ ｗａｓ ｐｒｅｃｉｓｅｌｙ ｃｏｎｔｒｏｌｌｅｄ ａｎｄ ｔｈｅ ｐａｒａｍｅｔｅｒｓ ａｕｔｏｍａｔｉｃａｌｌｙ ａｄｊｕｓｔｅｄ ａｎｄ ｏｐｔｉｍｉｚｅｄ ．Ｔｈｅ ｎｅｗ ｓｙｓｔｅｍ ｗａｓ ｓｕｃｃｅｓｓｆｕｌｌｙ ａｐｐｌｉｅｄ ｉｎ ａ ｐｒｏｄｕｃｔｉｏｎ ｓｉｔｅ ， ａｃｈｉｅｖｉｎｇ ｇｏｏｄ ｏｐｅｒａ- ｔｉｏｎ ｒｅｓｕｌｔｓ． ［Key words］ ｓｌａｇ ｇｒｉｎｄｉｎｇ； ｃｌｏｓｅｄ- ｌｏｏｐ ｃｏｎｔｒｏｌ； ｓｔａｔｅ ｐｒｅｄｉｃｔｉｏｎ；ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ 矿渣作为铁矿石冶炼产生的副产品，产量大， 在大规模干法粉磨设备 矿渣立磨成熟应用前， 一直作为工业废料处理。 矿渣中大量含有的硅和 钙是硅酸盐水泥的重要成分。 随着国外技术的引 进和国内技术的成熟，以立磨为核心的矿渣粉磨系 统在国内逐渐大规模应用，把矿渣研磨后加入水 泥，不仅变废为宝，减少水泥熟料用量，还提升了水 泥品质，提高了水泥企业经济效益，在水泥产业飞 速发展的时期，带动了矿渣粉磨行业的快速发展 ［１- ２］ 。 但是矿渣粉磨系统工艺复杂，工作环境恶劣， 长期高负荷运行，同时立磨生料粉磨过程具有强耦 合、非线性、大滞后等特点，且存在物理、化学变 化 ［３- ４］ 。 现阶段，实际粉磨过程中变量的设定一般 是操作人员凭经验进行调整，这样会使整个粉磨过 程变量设定带有很强的主观性与随意性 ［５］ 。 国内外学者对立磨生料粉磨过程的模型已进 行了较深入的研究。 Ｃａｉ 等 ［６］ 对立磨系统利用最小 二乘支持向量机的方法，建立料层厚度的软测量模 型，实现了料层厚度的间接测量，对立磨系统相关 参数进行调整；Ｌｉｎ 等 ［７］ 利用小波神经网建立了立 磨粉磨模型，通过蚁群算法实现参数最优设置； Ｕｍｕｃｕ 等 ［８］ 利用多层感知器神经网和径向基函数 神经网，建立了水泥粒度模型，获得了较高的预测 精度。 王康等 ［９］ 利用数据驱动的思想，建立矿渣微 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ 粉生产过程的递归神经网络模型，在此基础上，采 用自适应动态规划，设计具有控制约束的跟踪控制 器，应用到矿渣微粉生产过程中；林小峰等 ［１０］ 采用 小波神经网络建立立磨生料粉磨过程的生产指标 预测模型，之后将案例推理技术与粒子群优化算法 以及指标预测模型相结合，实现了对粉磨过程中关 键变量的优化设定；胡月娥 ［１１］ 、黄超 ［１２］ 分析了矿渣 微粉立磨料层厚度与主要影响参数之间的关系，提 出基于预测函数控制算法的矿渣微粉立磨料层厚 度控制策略，将优化的控制算法嵌入现场集散控制 系统中，进行试验运行。 上述研究的立磨粉磨过程的各种模型中，大多 数研究人员只探究了立磨运行过程中指标之间单 一化的相互关系。 但是立磨是一个多变量相互耦 合、非线性的系统，变量之间相互影响，难以建立生 产过程的完整机理模型。 随着信息化和自动化技 术的发展，特别是传感器、数据采集装置在复杂产 品上的广泛应用，立磨设备的生命周期数据能被实 时地记录。 其中运行过程中的数据增长幅度最大， 这些数据已经在时间和空间上隐含了产品服役性 能特点和演化特征 ［１３- １５］ 。 图１ 矿渣粉磨系统结构 Ｆｉｇ. １ Ｓｔｒｕｃｔｕｒｅ ｄｉａｇｒａｍ ｏｆ ｓｌａｇ ｇｒｉｎｄｉｎｇ ｓｙｓｔｅｍ 现提出一种矿渣粉磨生产工艺闭环调控系统， 在长期设备与工艺研究基础上，借助物联网技术采 集大量数据，结合专家经验并通过数据分析，实时 监控工况发展趋势，研究矿渣粉磨生产工艺过程闭 环调控方法；系统增加了前端矿渣水分在线检测， 增强系统提前反应速度，在后端通过微粉粒度在线 检测，形成闭环控制；生产过程中替代人工精细调 节工艺，自动纠正参数变化，并优化参数匹配。 1 矿渣粉磨工艺参数分析 1. 1 矿渣粉磨系统介绍 矿渣粉磨生产系统主要由矿渣输送系统、立式 粉磨系统、微粉手机系统、循环风系统和供热系统 组成，如图１ 所示。 矿渣在堆场通过设备取料经皮 带进行输送，入磨之前会对原料中的大颗粒金属等 难以研磨的物料进行筛选，送至立磨的入料口，物 料依靠自身重力进入磨盘中心，在离心力的作用均 布在立磨磨盘上，在磨辊的研磨压力作用下挤压研 磨。 来自供风系统的热风将物料吹起烘干，磨内的 选粉机对粉磨后的物料进行筛选，满足要求的物料 会被分离出随着气流在收尘器的作用下进入生料 储存库，不满足要求的物料会被送回至研磨区域， 继续粉磨。 1. 2 矿渣粉磨工艺参数相关性挖掘分析 根据在实际中工业生产专家的经验，在矿渣粉 磨生产中，当投料量一定时，研磨压力基本恒定，投 料量和研磨压力可以在历史数据库中找到对应关 系。 排除设备运行（故障）因素，引起系统波动的主 要原因主要有矿渣来源不同（不同地方的产铁矿石 冶炼后的产生的矿渣）、水分的变化和热源供应的 变化；在控制系统参数变化上主要体现在料层厚 度、进出口温度、压差及设备振动的变化，以及研磨 出来的微粉粒度（比表面积及不同粒径所占比例） 的变化，影响系统稳定性和生产效率的同时，导致 微粉质量的下降。 ０８２４ 科 学 技 术 与 工 程 Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ２０２０，２０（１１） 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ 挖掘分析时，将采集的关键数据建立核心数据 库，其中特征数据 Ti（i ＝ １，２，⋯，n） 的每个项目 t j i（j ＝ １，２，⋯，m），用给定的隶属函数表示为量化区 间，假设 t j i所对应的量化区间集合为 f j i，则 t j i用 Ｚａ- ｄｅｈ 表示法描述为量化区间集合的形式 f j i＝μ i（Rj１） Rj１ ＋μ i（Rj２） Rj２ ＋⋯ ＋μ i（Rjk） Rjk （１） 式（１） 中Rjk为项目 t j i的第 k 个量化区间分区； μi（Rjk） 为分区 Rjk上的隶属度值。 计算 n 个事务数据 Ti（i ＝ １，２，⋯，n）中每个项 目 t j i（j ＝ １，２，⋯，m）在对应的量化区间集合 Rjs（s ＝ １，２，⋯，k）中隶属度的权值 wjs＝ １ n∑ n i ＝ １μ i（Rjs） （２） 图 ２ 矿渣粉磨系统关键参数相关性分析 Ｆｉｇ. ２ Ｒｅｌｅｖａｎｃｅ ａｎａｌｙｓｉｓ ｏｆ ｋｅｙ ｐａｒａｍｅｔｅｒｓ ｄａｔａ ｏｆ ｓｌａｇ ｇｒｉｎｄｉｎｇ ｓｙｓｔｅｍ 对每一分区 Rjs（１≤j≤m，１≤s≤k） 验证各个 事务集的权值 wjs能否满足不小于预先设置的最小 支持度 mｓｕｐｐｏｒｔ。 如果分区 Rjs满足以上条件，则将其 放入频繁一项集 L１中，即 L１＝｛Rjs｜ wjs≥ mｓｕｐｐｏｒｔ，１ ≤ j ≤ m，１ ≤s ≤ k｝ （３） 通过对象连接和嵌入过程控制（ｏｂｊｅｃｔ ｌｉｎｋｉｎｇ ａｎｄ ｅｍｂｅｄｄｉｎｇ（ＯＬＥ） ｆｏｒ ｐｒｏｃｅｓｓ ｃｏｎｔｒｏｌ，ＯＰＣ）通信 获取挑选了一部分代表性数据，包括工艺数据与机 电设备运行数据，进行跟踪分析，作为工艺监控量 的立磨进出口温度、压力、压差等参数，通过上述挖 掘分析方法，可以得到主要调控变量与监控变量的 关系，建立与机电设备的运行状态的关系，如图 ２ 所 示。 在生产实际中，为调控量如转速、阀门开度等 调控环节控制决策提供数字分析依据，可以排除一 些相关性不强的因素，同时根据影响因子，制定合 理的调控策略。 2 粉磨工艺闭环调控系统设计 在上述因素的参数中，矿渣来源是不可控因 素，水分和微粉粒度检测都是人工进行，间隔周期 长，滞后性明显，其余参数都有传感器实时监控。 为了解决上述问题，需要对粉磨系统实施适当改 造，在前端皮带运输加上水分在线监测，后端微粉 入库斜槽加上微粉粒度在线监测。 系统信号传递 如图 ３ 所示。 增加在线检测系统后，从控制角度来说，工艺 流程就具备了闭环控制基础，如图 ４ 所示。 再加上 调节环节参数，各因素的叠加与多参数的快速变 化，已经超出了人工实时综合分析能力，经常会因 １８２４２０２０，２０（１１）李 客，等矿渣粉磨生产工艺智能调控系统研究与应用 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ 图３ 在线检测信号传递 Ｆｉｇ. ３ Ｏｎ- ｌｉｎｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｉｇｎａｌ ｔｒａｎｓｆｅｒ 图４ 矿渣粉磨系统闭环控制 Ｆｉｇ. ４ Ｃｌｏｓｅｄ- ｌｏｏｐ ｃｏｎｔｒｏｌ ｃｈａｒｔ ｏｆ ｓｌａｇ ｇｒｉｎｄｉｎｇ ｓｙｓｔｅｍ 为人工干预滞后产生系统较大波动，甚至停机，影 响生产效率的同时，造成较大能耗，如果通过调控 系统智能监控与数据分析，当运行参数偏离轨迹 时，及时反应，自动纠偏，就能很好地弥补人工调控 的缺陷。 在调控目标设定中，根据研究的立磨特点，考 虑到机械结构间接测量的较大误差，排除了料层厚 度这一参数，往往用来人工监控参考，不用于调控 量化依据。 选定选粉机转速、主排风机转速、冷风 阀开度、热风阀开度、循环风阀开度和外排风阀开 度作为输出控制量，通过作用于分布式控制系统 （ｄｉｓｔｒｉｂｕｔｅｄ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ，ＤＣＳ）来控制立磨磨内压 差和立磨出口温度。 实际工作中，考虑到能耗与系 统稳定，冷风阀开度和外排风阀开度尽量调整到最 小，循环风阀开度尽量调整到最大。 立磨闭环调控 策略如表１ 所示。 表 １ 所示的调控策略兼顾了现场操作员的一些 要求，比如温度波动范围、振动波动范围。 为了保 障品质与产量最大化，选粉机转速作为最后调控选 项，投料量调控权限留给人工处理。 根据数据分 析，在调控某一参数时，如立磨出口温度，可调控 ３ 个阀门和风机转速，不同的温度波动调控阀门的优 先级不同，调控幅度也不同，在温度超出正常波动 范围之初，就开始小幅度调控纠正，而风机转速会 影响到压力变化，在小幅调控组合里，这个调控常 常作为最后选项，这种细致的组合调控是人工不可 比拟的。 基于上述策略，对于立磨出口温度调控分析， 利用自回归积分滑动平均模型（ａｕｔｏｒｅｇｒｅｓｓｉｖｅ ｉｎｔｅ- ｇｒａｔｅｄ ｍｏｖｉｎｇ ａｖｅｒａｇｅ ｍｏｄｅｌ，ＡＲＩＭＡ）算法对温度的 变化趋势进行预测。 假设时间 t 时出口温度为变量 表1 立磨闭环调控策略 Table 1 Closed loop control strategy of vertical mill 类型 监控量调控量 振动压差出口温度水分比表面积 选粉机 转速 主排风机 转速 循环风阀 开度 热风阀 开度 冷风阀 开度 １m＜ １０Ｘ偏大偏大 ５％不变不变不变降低不变减小增大 ２m＜ １０Ｘ偏大正常不变不变不变降低增加不变不变 ３m＜ １０Ｘ偏大偏小 ５％不变不变不变降低增加增加减小 ４m＜ １０Ｘ偏大大于 １１０％不变不变不变降低减小减小增大 ５m＜ １０Ｘ偏大大于 １００％不变不变不变降低增加增加减小 ６m＜ １０Ｘ偏小偏大 ５％不变不变不变增加减小减小增加 ７m＜ １０Ｘ偏小正常不变不变不变增加减小不变不变 ８m＜ １０Ｘ偏小偏小 ５％不变不变不变增加不变增加减小 ９m＜ １０Ｘ偏小大于 １１０％不变不变不变增加减小减小增大 １０亖＜ １０Ｘ偏小大于 １００％不变不变不变增加增加增加减小 １１亖＜ １０Ｘ正常偏大 ５％不变不变不变不变减小减小增大 １２亖＜ １０Ｘ正常正常不变不变不变不变不变不变不变 １３亖＜ １０Ｘ正常偏小 ５％偏高不变不变不变增加增加减小 １４亖＜ １０Ｘ正常大于 １１０％偏低不变不变不变减小减小增大 １５亖＜ １０Ｘ正常大于 １００％不变不变不变不变增加增加减小 １６亖＜ １０Ｘ正常正常不变很高降低增加不变不变不变 １７亖＜ １０Ｘ正常正常不变偏低增加降低不变不变不变 １８亖＜ １０Ｘ正常正常不变不变降低不变不变不变不变 ２８２４ 科 学 技 术 与 工 程 Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ２０２０，２０（１１） 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ x，加上差分运算平稳处理，使用自回归移动平均模 型（ａｕｔｏ- ｒｅｇｒｅｓｓｉｖｅ ｍｏｖｉｎｇ ａｖｅｒａｇｅ ｍｏｄｅｌ，ＡＲＭＡ）运 算建立差分自回归移动平均模型（ＡＲＩＭＡ）。 这里 首先明确一个概念 平稳序列。 对于一个序列 ｛X（t）｝，如果数值在某一有限范围内波动，序列有 常数的均值和常数方差，并且延迟 k 期的序列变量 的自协方差和自相关系数是相等的，则该序列是平 稳序列，反之为非平稳序列。 由于立磨系统工艺复杂、工作环境恶劣，壳体 振动受外部环境因素及其他属性参数综合影响，其 工况序列属于非平稳序列，因此对于立磨系统工况 的预测采用 ＡＲＩＭＡ 进行时间序列建模。 ＡＲＩＭＡ 的 实质是在 ＡＲＭＡ 运算之前加上差分运算，如式（４） 所示。 xt＝φ０＋φ１xt- １＋φ２xt- ２＋⋯ ＋φpxt- p＋εt- θ１εt- １-θ２εt- ２-⋯ -θqεt- q（４） 该模型认为在 t 时刻的变量 x 的值是前 p 期的 x 取值和前 q 期的干扰 ε 的多元线性函数。 误差项 是当前的随机干扰 εt，是零均值白噪声序列。 结合前端矿渣水分变化检测、温度变化趋势的 预测，可以及时调整热风供应量，通过预调整保障 热平衡，进而稳定立磨的运行状态。 图 ５ 智能优化控制运行结构 Ｆｉｇ. ５ Ｏｐｅｒａｔｉｏｎ ｓｔｒｕｃｔｕｒｅ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｔｉｍａｌ ｃｏｎｔｒｏｌ 3 系统功能模块设计 智能控制系统以专家经验为基础，通过服务器 采集原中控系统运行的工艺数据，对矿渣粉磨系统 运行过程、运行基础数据、工况参数等进行研究，并 研究原来控制程序所用到的数据库类型、数据库接 口及各数据库表的设计等。 获得矿渣立磨运行的 历史数据，将局部加权线性回归算法和 Ｍａｐ- Ｒｅｄｕｃｅ 模型框架相结合，对数据进行大数据分析，获得关 键工艺参数间的变化规律；记录立磨运行的实时数 据，并对数据进行实时分析和预警。 基于合理的调 整方案，对立磨运行工艺参数进行控制，保证立磨 的稳定运行；当运行状态偏离正常范围时，系统能 够快速作出智能反应，推荐合理的工艺参数调整方 案，保证系统平稳运行。 智能控制系统通过服务器采集原中控系统运 行的工艺数据，对这些历史数据进行分析，优化工 艺参数，并同时对当前运行数据进行监控。 当工艺 运行数据发生偏离时，系统会根据历史优化数据及 时调整相关参数，调整运行状态，保证系统平稳运 行。 智能优化控制运行结构如图 ５ 所示。 智能调控系统能够对现有中控系统提供控制 决策支持，其角色相当于一个高水平的“中控员”。 因此智能控制系统能与现有中控系统并存，智能控 制系统运行时也可进行人工操作，在保证原有运行 控制系统的基础上，集成智能控制应用服务，不会 影响原有控制系统。 粉磨智能优化控制系统方案包括数据采集和 智能调控两个主要功能模块。 数据采集模块包括 数据获取、数据清洗与存储、数据接口等功能；智能 调控模块包括运行状态监控、异常工况判断、调控 策略规划和调控日志记录等功能。 智能优化控制 系统功能框架如图６ 所示。 粉磨系统数据采集模块，用于获取立磨运行 的相关即时及历史数据。 针对现有软硬件特点， 采用“基于 ＯＰＣ 协议的数据传输”方法，实现装备 状态信息的远程传输与同步，系统能够读取多项 运行参数及系统状态变量，并将数据存入“立磨状 ３８２４２０２０，２０（１１）李 客，等矿渣粉磨生产工艺智能调控系统研究与应用 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ 图 ６ 智能优化控制系统功能框架 Ｆｉｇ. ６ Ｆｕｎｃｔｉｏｎａｌ ｆｒａｍｅｗｏｒｋ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｔｉｍａｌ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ 态数据库”和“立磨状态预警数据库”，实现对立磨 状态信息的现场采集与本地存储。 现场工作人员 可以根据自己的经验和要求做一些基本设置，也 可通过原工作状态在用户界面实时监测或历史浏 览立磨状态信息，实现对立磨运行状态的实时监 控，如图 ７ 所示。 图 ７ 智能优化调控系统参数设置及调控记录 Ｆｉｇ. ７ Ｐａｒａｍｅｔｅｒ ｓｅｔｔｉｎｇ ａｎｄ ｒｅｇｕｌａｔｉｏｎ ｒｅｃｏｒｄ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｔｉｍｉｚｅｄ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ 4 应用实例及分析 系统已在河南某微粉厂投入运行，系统运行界 面如图８ 所示。 现场应用证明，该系统为立磨智能 调控提供了更经济有效的决策，系统运行稳定。 4. 1 关键监控量的智能调控 以系统调控立磨的振动和出口温度为例，显示 系统调控的效果。 当振动值的 １０ ｓ 平均值达到最 大值１２ ｍｍ 时，开始调控选粉机转速，来减小立磨 的振动值，之后运行２ ｍｉｎ，如果 １０ ｓ 的振动值还是 超过最大振动值１２ ｍｍ，再继续降低选粉机转速，直 到选粉机转速降低到最小值为止。 最后再判断立 磨运行 ３ ｍｉｎ 之后，振动值小于最大值，则每隔 １ ｍｉｎ将选粉机转速提高 ２ 转，如图９ 所示。 当出口温度偏离１０３ ～ １１０ ℃时，系统自动调控 出口温度，回落到运行的工作温度，其调控如图 １０、 图１１ 所示。 4. 2 智能调控系统运行效果对比分析 在粉磨系统运行中，最为核心的关注点为振 动、电流、温度，分别表征了设备运行的稳定性、电 耗状态、热源消耗。 通过随机取样数据对比分析， 可以看出人工调控与智能调控在上述关键参数特 征值上的变化。 将立磨智能控制系统应用在一条粉磨生产线 上，经过 ３ ｄ 的调试运行，得到 ３ ｄ 内的工况数据。 现随机抽取智能调控过程中两组数据作为调控组， 人工调控的４ 组数据作为对照组，数据的时间窗口 都是 １ ｈ，对智能系统的调控效果进行分析，现场运 行数据如图１２ 所示，图中蓝色和橙色为调控组，其 他为对照组。 ４８２４ 科 学 技 术 与 工 程 Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ２０２０，２０（１１） 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ 图 ８ 系统运行界面 Ｆｉｇ. ８ Ｓｙｓｔｅｍ ｏｐｅｒａｔｉｎｇ ｉｎｔｅｒｆａｃｅ ｄｉａｇｒａｍ 图９ 振动超过最大值的调控过程曲线 Ｆｉｇ. ９ Ｃｕｒｖｅ ｃｈａｒｔ ｏｆ ｒｅｇｕｌａｔｉｎｇ ａｎｄ ｃｏｎｔｒｏｌｌｉｎｇ ｐｒｏｃｅｓｓ ｗｉｔｈ ｖｉｂｒａｔｉｏｎ ｅｘｃｅｅｄｉｎｇ ｍａｘｉｍｕｍ 图１０ 出口温度超过最低温度调控 Ｆｉｇ. １０ Ｃｏｎｔｒｏｌ ｏｆ ｅｘｐｏｒｔ ｔｅｍｐｅｒａｔｕｒｅ ｅｘｃｅｅｄｉｎｇ ｍｉｎ ｖａｌｕｅ ４. ２. １ 振动特征评估 图１３ 所示为时间周期 １ ｈ 内的各组立磨振动 情况，调控组的振动均值明显小于对照组，调控组 １ 的振动均值相对对照组下降了 １０％，调控组 ２ 的振 ５８２４２０２０，２０（１１）李 客，等矿渣粉磨生产工艺智能调控系统研究与应用 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ 图１１ 出口温度超过最高温度调控 Ｆｉｇ. １１ Ｃｏｎｔｒｏｌ ｏｆ ｅｘｐｏｒｔ ｔｅｍｐｅｒａｔｕｒｅ ｅｘｃｅｅｄｉｎｇ ｍａｘ Ｖａｌｕｅ 图 １２ 现场运行数据 Ｆｉｇ. １２ Ｆｉｅｌｄ ｏｐｅｒａｔｉｏｎ ｄａｔａ 图１３ 振动值运行数据 Ｆｉｇ. １３ Ｖｉｂｒａｔｉｏｎ ｖａｌｕｅ ｏｐｅｒａｔｉｏｎ ｄａｔａ 动均值相对对照组下降了７％。 ４. ２. ２ 总电流特征评估 图１４ 所示为时间周期 １ ｈ 内粉磨系统主要能 耗点（主电机、选粉机电机、主排风机电机）的电流 运行情况，取样周期内调控组的总电流均值略小于 对照组，智能控制多频次、小幅度的调控让系统更 稳定，避免人工的大幅度调控，系统电耗相对更低。 图１４ 主电机电流运行数据比较结果 Ｆｉｇ. １４ Ｃｏｍｐａｒｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ｍａｉｎ ｍｏｔｏｒ ｃｕｒｒｅｎｔ ｏｐｅｒａｔｉｏｎ ｄａｔａ ４. ２. ３ 热耗特征评估 图１５ 所示为立磨两个进口温度比较结果，智能 调控系统立磨监控出口温度，在同样的投料量状况 下，控制进口温度，可以看出进口温度较人工可以 控制的更低一些，热量消耗更少一些。 图１５ 立磨两个进口温度比较结果 Ｆｉｇ. １５ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｗｏ ｉｎｌｅｔ ｔｅｍｐｅｒａｔｕｒｅｓ ｏｆ ｖｅｒｔｉｃａｌ ｍｉｌｌ 5 结论 研究提出的矿渣粉磨生产工艺闭环调控系统， ６８２４ 科 学 技 术 与 工 程 Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ２０２０，２０（１１） 投稿网址ｗｗｗ． ｓｔａｅ． ｃｏｍ． ｃｎ 借助物联网技术采集大量数据，结合专家经验并通 过数据分析来实时监控工况发展趋势，增加了前端 矿渣水分在线检测，增强系统提前反应速度，在后 端通过微粉粒度在线检测，形成闭环控制。 生产过 程中替代人工精细调节工艺，自动纠正参数变化， 并优化参数匹配。 系统应用于某生产现场，通过跟 踪分析比较，运行效果明显较人工调控的振动均 值相对于对照组下降 ８％，耗电量均值相对于对照 组下降 ５. ０５％，对生产稳定性和节能降耗有很大 帮助。 智能优化调控在矿渣粉磨这类大规模连续生 产线上的辅助人工调控，借助数据挖掘推进调控精 细化，是未来工业生产线智能化的重要组成部分。 参考文献 １ Ｗｏｙｗａｄｔ Ｃ．Ｇｒｉｎｄｉｎｇ ｐｒｏｃｅｓｓ ｏｐｔｉｍｉｚａｔｉｏｎ- ｆｅａｔｕｒｉｎｇ ｃａｓｅ ｓｔｕｄｉｅｓ ａｎｄ ｏｐｅｒａｔｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｍｏｄｕｌａｒ ｖｅｒｔｉｃａｌ ｒｏｌｌｅｒ ｍｉｌｌ ［Ｃ］．Ｃｅｍｅｎｔ Ｉｎ- ｄｕｓｔｒｙ Ｔｅｃｈｎｉｃａｌ Ｃｏｎｆｅｒｅｎｃｅ．Ｃａｌｇａｒｙ ＩＥＥＥ- ＩＡＳ ＰＣＡ， ２０１７． ２ Ｆｌｉｚｉｋｏｗｓｋｉ Ｊ Ｂ， Ｋｒｕｓｚｅｌｎｉｃｋａ Ｗ， Ｔｏｍｐｏｒｏｗｓｋｉ Ａ， ｅｔ ａｌ．Ａ ｓｔｕｄｙ ｏｆ ｏｐｅｒａｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｏｆ ａ ｒｏｌｌｅｒ ｍｉｌｌ ｗｉｔｈ ａ ｎｅｗ ｄｅｓｉｇｎ［Ｃ］．１０ｔｈ Ｉｎ- ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｐｐｌｉｅｄ Ｍｅｃｈａｎｉｃｓ．Ｂｙｄｇｏｓｚｃｚ Ｐｉａｔｋｏｗｓｋｉ Ｔ， ２０１９ ２０７７． ３ Ｌｉｕ Ｗ， Ｈｕｉ Ｌ， Ｘｕ Ｐ， ｅｔ ａｌ．Ｉｎｔｅｌｌｉｇｅｎｔ ｓｉｍｕｌａｔｉｏｎ ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ ｆｉｎｉｔｅ ｅｌｅｍｅｎｔ ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎａｌｙｓｉｓ ｆｏｒ ｋｅｙ ｃｏｍｐｏｎｅｎｔ ｏｆ ｌｏｗ- ｖｉｂｒａｔｉｏｎ ｖｅｒｔｉｃａｌ ｍｉｌｌ［Ｊ］．Ａｃｔａ Ｍｉｃｒｏｓｃｏｐｉｃａ， ２０１９， ２８（２） ２３０- ２４０． ４ Ａｌｔｕｎ Ｄ， Ｂｅｎｚｅｒ Ｈ， Ａｙｄｏｇａｎ Ｎ， ｅｔ ａｌ．Ｏｐｅｒａｔｉｏｎａｌ ｐａｒａｍｅｔｅｒｓ ａｆ- ｆｅｃｔｉｎｇ ｔｈｅ ｖｅｒｔｉｃａｌ ｒｏｌｌｅｒ ｍｉｌｌ ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］．Ｍｉｎｅｒａｌｓ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１７， １０３（Ｓ１） ６７- ７１． ５ Ｓｈａｈｇｈｏｌｉ Ｈ， Ｂａｒａｎｉ Ｋ， Ｙａｇｈｏｂｉ Ｍ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｐｅｒｆｅｃｔ ｍｉｘｉｎｇ ｍｏｄｅｌ ｆｏｒ ｓｉｍｕｌａｔｉｏｎ ｏｆ ｖｅｒｔｉｃａｌ ｒｏｌｌｅｒ ｍｉｌｌｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｍｉｎｉｎｇ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１７， ８（４） ５４５- ５５３． ６ Ｃａｉ Ｘ， Ｍｅｎｇ Ｑ， Ｌｕａｎ Ｗ．Ｓｏｆｔ ｓｅｎｓｏｒ ｏｆ ｖｅｒｔｉｃａｌ ｍｉｌｌ ｍａｔｅｒｉａｌ ｌａｙｅｒ ｂａｓｅｄ ｏｎ ＬＳ- ＳＶＭ［Ｃ］．２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅａｓｕｒｅ- ｍｅｎｔ， Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ．Ｈａｒｂｉｎ Ｈａｒｂｉｎ Ｕｎｉｖｅｒｓｉｔｙ Ｓｃｉｅｎｃｅ ＆ Ｔｅｃｈｎｏｌｏｇｙ，２０１３２２- ２５． ７ Ｌｉｎ Ｘ， Ｑｉａｎ Ｚ．Ｍｏｄｅｌｉｎｇ ｏｆ ｖｅｒｔｉｃａｌ ｍｉｌｌ ｒａｗ ｍｅａｌ ｇｒｉｎｄｉｎｇ ｐｒｏｃｅｓｓ ａｎｄ ｏｐｔｉｍａｌ ｓｅｔｔｉｎｇ ｏｆ ｏｐｅｒａｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［ Ｃ］．ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎｅｔ- ｗｏｒｋｓ （ＩＪＣＮＮ）．Ｂｅｉｊｉｎｇ ＩＥＥＥ， ２０１４ ３０１５- ３０２０． ８ Ｕｍｕｃｕ Ｙ， Ｄｅｎｉｚ Ｖ， Ｂｏｚｋｕｒｔ Ｖ， ｅｔ ａｌ．Ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｇｒｉｎｄｉｎｇ ｐｒｏｃｅｓｓ ｕｓｉｎｇ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｉｎｅｒａｌ Ｐｒｏｃｅｓｓｉｎｇ， ２０１６， １４６４６- ５３． ９ 王 康， 李晓理， 贾 超， 等．基于自适应动态规划的矿渣微粉 生产过程跟踪控制［Ｊ］．自动化学报， ２０１６， ４２（１０） １５４２- １５５１． Ｗａｎｇ Ｋａｎｇ， Ｌｉ Ｘｉａｏｌｉ， Ｊｉａ Ｃｈａｏ， ｅｔ ａｌ．Ｏｐｔｉｍａｌ ｔｒａｃｋｉｎｇ ｃｏｎｔｒｏｌ ｆｏｒ ｓｌａｇ ｇｒｉｎｄｉｎｇ ｐｒｏｃｅｓｓ ｂａｓｅｄ ｏｎ ａｄａｐｔｉｖｅ ｄｙｎａｍｉｃ ｐｒｏｇｒａｍｍｉｎｇ ［ Ｊ］． Ａｃｔａ Ａｕｔｏｍａｔｉｃａ Ｓｉｎｉｃａ， ２０１６， ４２（１０） １５４２- １５５１． １０ 林小峰， 钱 哲， 梁金波．立磨生料粉磨过程建模与优化设定 ［Ｊ］．化工自动化及仪表， ２０１６， ４３（２） １５４- １５８． Ｌｉｎ Ｘｉａｏｆｅｎｇ， Ｑｉａｎ Ｚｈｅ， Ｌｉａｎｇ Ｊｉｎｂｏ．Ｍｏｄｅｌｉｎｇ ａｎｄ ｏｐｔｉｍａｌ ｓｅｔｔｉｎｇ ｏｆ ｖｅｒｔｉｃａｌ ｍｉｌｌ ｒａｗ ｇｒｉｎｄｉｎｇ ｐｒｏｃｅｓｓ［Ｊ］．Ｃｏｎｔｒｏｌ ａｎｄ Ｉｎｓｔｒｕｍｅｎｔｓ ｉｎ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ， ２０１６， ４３（２） １５４- １５８． １１ 胡月娥．基于预测函数控制的矿渣微粉立磨料层厚度控制研究 ［Ｄ］．马鞍山安徽工业大学， ２０１８． Ｈｕ Ｙｕｅｅ．Ｓｔｕｄｙ ｏｎ ｃｏｎｔｒｏｌ ｏｆ ｖｅｒｔｉｃａｌ ａｂｒａｓｉｖｅ ｌａｙｅｒ ｔｈｉｃｋｎｅｓｓ ｏｆ ｓｌａｇ ｐｏｗｄｅｒ ｂａｓｅｄ ｏｎ ｐｒｅｄｉｃｔｉｖｅ ｆｕｎｃｔｉｏｎ ｃｏｎｔｒｏｌ［Ｄ］．Ｍａａｎｓｈａｎ Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１８． １２ 黄 超．矿渣微粉立磨智能控制系统的研究［Ｄ］．马鞍山安徽 工业大学， ２０１７． Ｈｕａｎｇ Ｃｈａｏ．Ｒｅｓｅａｒｃｈ ｏｎ ＧＧＢＳ ｖｅｒｔｉｃａｌ ｍｉｌｌ ｂａｓｅｄ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ［ Ｄ］．Ｍａａｎｓｈａｎ Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１７． １３ 魏丽峰， 韩俊玉， 梁 灏．基于大数据分析挖掘技术的电力设 备局部放电诊断方法［Ｊ］．科学技术与工程， ２０１８， １８（１９） ２０３- ２０８． Ｗｅｉ Ｌｉｆｅｎｇ， Ｈａｎ Ｊｕｎｙｕ， Ｌｉａｎｇ Ｈａｏ．Ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｄｉａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｆｏｒ ｐｏｗｅｒ ｅｑｕｉｐｍｅｎｔ ｂａｓｅｄ ｏｎ ｂｉｇ ｄａｔａ ａｎａｌｙｓｉｓ ａｎｄ ｍｉｎｉｎｇ ｔｅｃｈｎｏｌｏｇｙ［ Ｊ］．Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１８， １８ （１９） ２０３- ２０８． １４ 张 乐．基于大数据的分布式中压配电网空间负荷分配方法研 究［Ｊ］．科学技术与工程， ２０１７， １７（１５） ２２８- ２３３． Ｚｈａｎｇ Ｌｅ．Ｄｉｓｔｒｉｂｕｔｅｄ ｍｅｄｉｕｍ ｖｏｌｔａｇｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｏｎ ｂｉｇ ｄａｔａ ｓｐａｃｅ ｌｏａｄ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｅｔｈｏｄ ｒｅｓｅａｒｃｈ［Ｊ］．Ｓｃｉｅｎｃｅ Ｔｅｃｈ- ｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１７， １７（１５） ２２８- ２３３． １５ Ｓａｌｅｔｉ Ｓ， Ｓｕｂｒａｍａｎｙａｍ Ｒ Ｂ Ｖ．Ａ ｍａｐ ｒｅｄｕｃｅ ｓｏｌｕｔｉｏｎ ｆｏｒ ｉｎｃｒｅｍｅｎ- ｔａｌ ｍｉｎｉｎｇ ｏｆ ｓｅｑｕｅｎｔｉａｌ ｐａｔｔｅｒｎｓ ｆｒｏｍ ｂｉｇ ｄａｔａ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１９， １３３ １０９- １２５． ７８２４２０２０，２０（１１）李 客，等矿渣粉磨生产工艺智能调控系统研究与应用