一、稳定回转窑喂煤系统提高喂煤精度的途径(论文文献综述)
于广宇[1](2021)在《分解炉出口温度的神经网络预测控制问题研究》文中指出新干法水泥预分解生产技术逐渐成为当下水泥生产技术的主流方法,分解炉是水泥生产过程中的重要设备,其承担了水泥熟料90%左右的分解任务,分解炉能否稳定工作对水泥的产量和质量都有重要影响。本文首先论述了水泥生产对我国经济建设发展的意义,从研究现状出发,简要介绍不同学者在分解炉的建模和控制研究上使用的方法。针对预分解技术,简要介绍了悬浮预热器与分解炉工作机理,并论述影响出口温度的主要因素。在分解炉出口温度建模方面,传统研究方法大多利用经验法选择风(三次风)、煤(喂煤量)、料(生料量)作为研究变量,难以反映分解炉内部规律。本文使用生产现场实测数据,利用弹性网络(ElasticNet)方法既能够有效筛选变量又不存在过度压缩的特点对数据进行降维,消除无关因素对所要建立的预测模型的影响。建立基于弹性网络结合长短时记忆(Long Short-Term Memory,LSTM)神经网络的出口温度预测模型,讨论手动配置网络参数对模型误差的影响,建立对比实验,验证模型的有效性。针对网络参数需要手动配置验证的弊端,提出一种改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化的LSTM神经网络,利用IPSO算法对LSTM的参数进行优化,实现网络参数自动配置和验证。在分解炉出口温度控制方面,建立水泥分解炉出口温度的预测控制模型。使用LSTM神经网络结合预测控制的原理实现出口温度的神经网络预测控制,将深度学习网络引入到预测控制之中。设计以遗传算法作为优化策略的滚动优化控制器,以喂煤量为控制变量的控制模型。仿真实验结果表明,该控制模型能够有效控制分解炉出口温度。
李强亚[2](2021)在《基于大数据分析的水泥回转窑温度控制研究》文中进行了进一步梳理物料在回转窑内的烧成过程是水泥生产最为关键的工艺环节,回转窑温度的控制效果直接影响熟料游离氧化钙的含量,进而决定了水泥熟料的产品质量。然而,由于国内水泥生产的烧成工况变化复杂,因此国内大多数水泥企业针对于回转窑环节的控制仍处在人工控制阶段,其调节方式受知识工作者经验以及个人主观因素的制约,导致回转窑温度的控制难以达到理想的效果;另外,水泥熟料烧成过程涉及的变量众多、数据来源广泛以及数据的时间尺度不统一,造成水泥工厂海量数据并未被充分利用。因此,结合大数据分析技术,采取有效的方法,实现回转窑系统温度的合理控制,对水泥熟料的正常生产和水泥质量合格率的提高具有重要意义。针对上述问题,本课题以山东某水泥厂日产5000吨的熟料生产线为研究背景,通过分析大量的工业数据和总结知识工作者的优秀控制经验,结合案例推理算法和模糊专家规则,实现了水泥回转窑温度控制系统的方案设计以及控制软件的开发。本文的主要研究内容如下:(1)水泥回转窑烧成过程多源数据处理。首先根据水泥熟料烧成工艺,建立集红外热成像仪的相关烧成温度数据、DCS(集散控制系统)操作系统在线数据和化验室离线检测数据于一体可表征回转窑烧成工况的初始变量集合;其次按照所选取变量的特征属性,选取相应滤波方法进行数据预处理,并完成不同时间尺度多源数据的匹配;然后提取所选变量的实时值特征和趋势特征。(2)水泥回转窑烧成过程大数据分析。对处理后的多源数据采取灰色关联度的方法进行分析,并对前述所选取初始变量集合进一步精简,确定可表征回转窑烧成工况的最简变量集合。(3)水泥回转窑温度控制研究。基于上述确定的最简变量集合以及变量的实时幅值和趋势特征建立初始案例库,采用案例推理的方法给出水泥回转窑温度控制的初始案例解;其次,针对初始案例解集中部分元素与当前烧成工况不匹配的问题,利用模糊专家规则的方法对初始案例解进行了修正。(4)水泥回转窑温度控制软件的设计与研发。基于以上研究成果,设计并开发了基于大数据分析的水泥回转窑温度控制系统,完成了数据融合、数据通讯与存储、特征提取和核心控制等模块的设计与实现。最后,将水泥回转窑温度控制系统实际投运于山东某水泥厂日产5000吨的熟料生产线。经现场应用表明,本文的研究成果降低了知识工作者的劳动强度,可以实现水泥生产过程参数的实时监控和回转窑系统温度的合理控制,提高了水泥熟料产品的质量。
王鼎湘[3](2020)在《最优间隔分布机不均衡学习方法及其工业应用》文中研究表明学习样本不均衡广泛存在于故障诊断、诈骗检测、网络攻击和疾病诊断等诸多领域的模式识别任务中,其对模式分类识别精度和学习模型的泛化性能等方面具有较大的负面影响。最优间隔分布机具有基础理论严密、泛化性能好等特点,对此本文基于核修正、特征工程和深度学习等多方面的理论和方法,提出了几种面向不均衡样本学习的最优间隔分布机模型。结合工业不均衡数据特征的融合提取架构,针对回转窑烧结过程中异常工况识别精度不高的问题,基于工业现场不均衡热工数据提出了一种高精度、鲁棒和低风险的烧结工况识别方法,对本文所提方法进行了工业应用验证。本文的主要工作和创新点如下:(1)样本不均衡条件下,常规分类算法学习得到的分类面通常向少数类区域扭曲,导致少数类样本的间隔分布较小,分类模型泛化能力不佳。对此,本文通过研究最优间隔分布机(ODM)的机理,基于核修正理论,构造了一种新型的基于样本间隔的保角变换函数对ODM核函数进行修正,提出了一种新型的不均衡样本分类模型mb KMODM。通过在二维可视化数据及UCI标准数据集上对该方法的性能进行了验证,试验结果证明,本文提出的mb KMODM可以较好的缓解不均衡样本引起的分类面扭曲,在平衡不同类样本分类精度的同时确保了模型的泛化能力。(2)基于样本间隔构造分类器的核修正保角变换函数,需要预训练标准分类器,但是在不均衡样本条件下,存在预训练得到的样本间隔不能可靠反映样本的空间分布等问题。对此,本文提出了一种核空间类边缘样本提取方法,通过采用样本与边缘样本之间的相对位置来代替样本间隔作为样本空间分布的表征,以此构造了一种新型基于核空间样本分布的保角变换函数,建立了一种不均衡样本分类模型bs KMODM。通过分析UCI数据集上模型的分类对比试验结果,证明了bs KMODM模型具有较好不均衡样本分类性能。(3)鉴于核空间边缘样本提取及其他样本与边缘样本之间的相对位置计算过程较为复杂,本文提出了一种核空间异类样本距离均值的计算方法。核空间异类样本距离均值可以直接通过核矩阵计算,计算效率高,对样本空间分布的反映更为精准。基于异类样本距离均值,本文重新设计了保角变换函数的构造方法,提出了一种不均衡样本分类模型dd KMODM。通过对核空间不同区域的空间膨胀系数进行可视化分析,并和多个最新模型在UCI数据集上进行对比试验,验证了dd KMODM通过调节核空间分辨率来均衡不同类样本影响的能力,并证实了dd KMODM具有较低的计算复杂度的优势。(4)复杂工业现场不均衡原始数据的存在通常导致得到的模式特征可分性不高、样本决策边界不清晰等问题。鉴于此,本文提出了一种深度融合专家先验知识和数据隐藏信息的不均衡多变量时序数据特征提取框架。该框架充分考虑了复杂工业过程数据常见的大延迟和不同模式的数据体量不均衡的特性,主要包括数据延迟特性分析、融合专家先验知识和数据隐藏信息的模式分类特征提取及特征约减三个主要部分,并在回转窑热工数据工况特征提取任务中进行了应用验证。通过对比分析降维后的单一特征与融合特征的可分性,证明了本文提出的融合先验知识与深度信息的不均衡数据特征提取框架的优越性。(5)回转窑生产现场不同烧结工况发生的频率不一样,正常工况发生概率远高于异常工况,各种烧结工况模式的样本是不均衡的,普通分类算法对异常工况检测的准确率不高。基于论文提出的不均衡样本分类模型和不均衡数据特征提取框架,本文提出了一种基于不均衡热工信号的回转窑烧结工况高精度、鲁棒和低风险识别算法。通过真实热工数据试验及工业现场应用,验证了本文所提方法的有效性。
王一丰[4](2020)在《水泥熟料煅烧过程先进控制策略的设计与实现》文中进行了进一步梳理水泥熟料煅烧过程是水泥生产的核心生产过程,通过预热、分解、烧成和冷却等生产环节,使生料成为熟料。该过程具有多变量、强耦合和大滞后的特点,常规控制策略常常难以取得满意的控制效果。为提高控制品质,实现节能降耗,论文在调研实际生产问题的基础上,完成了水泥熟料煅烧过程先进控制策略的设计与实现。论文主要完成了以下研究开发工作:1、根据水泥熟料煅烧过程多变量、强耦合的特点,设计了包含基础先控回路与参数优化调节两个控制层级的先进控制方案,由基础先控回路提高关键参数控制品质,由参数优化模块完成设定值优化计算,再由参数调节回路完成设定值调整。2、完成了基础先控回路的先进控制方案设计与实现。采用PID控制策略,实现了二室篦床压力与G11风机电流的篦冷机熟料料层厚度的选择控制,完成了 PID控制器参数整定;采用阶梯式广义预测控制策略,实现了分解炉出口温度与五级下料管出口温度的分解炉炉温选择控制,完成了预测控制器参数整定;采用PID控制策略,实现了回转窑窑头喂煤量的自动控制,完成了 PID控制器参数整定。3、利用神经网络建立了窑电流模型,并通过粒子群优化算法实现了参数优化模块,优化了基础先控回路的设定基准值。设计并采用自适应模糊控制策略实现了参数调节回路,并在基础先控回路设定基准值的基础上,用该回路完成了相关先控回路设定值的调整。4、利用生产现场已有条件,设计并实现了水泥熟料煅烧过程先进控制系统。构建了硬件平台,实现了软件用户图形界面、数据通信模块与核心功能模块,并将先进控制系统投入工程应用。投运结果表明,关键参数的控制品质明显改善,节能效果显着。
李庆峰[5](2020)在《新型干法水泥回转窑烧成带温度建模与控制研究》文中指出水泥回转窑是新型干法水泥生产过程中原料煅烧环节的核心设备,回转窑烧成带温度直接决定了水泥熟料的产质量、能耗和企业成本。研究水泥回转窑烧成带温度控制方法,使得操作人员在提前得到预测结果的基础上,对回转窑生产热工参数进行调整与控制,这对于提高水泥的生产质量和节能降耗十分必要。首先,本文介绍了新型干法水泥回转窑温度研究现状,总结了国内外学者在温度预测和控制方面取得的研究成果。通过分析水泥回转窑煅烧系统的工艺和影响烧成带温度的主要工艺参数,建立了回转窑机理模型,由于机理模型是建立在一定假设基础上的,模型里有些参数随着温度、压力变化而变化的,为建立合适的机理模型而把这些变化的参数假设成常量的话,对于现实的指导意义较小。其次,一方面针对静态软测量建模方法难以反映水泥回转窑烧成带温度检测过程的动态信息。选择最小二乘支持向量机算法(LSSVM)和自回归滑动平均算法(ARMA)建立烧成带温度模型。首先采用PCA对辅助变量进行降维,并用网格搜索与交叉验证算法对LSSVM进行参数优化,通过实验仿真验证了该建模方法的有效性。另一方面针对于实际水泥回转窑煅烧系统是非线性的复杂工业系统,窑况又是复杂多变的,使用单一非线性模型预测烧成带温度影响预测精度。因此采用基于最小二乘支持向量机的Hammerstein-Wiener模型,并对回转窑烧成带温度进行仿真验证,预测效果比第三章的好。再次,从实际水泥回转窑煅烧过程易于实现的角度出发,提出建立单输入单输出的ARMAX的烧成带温度的估计模型。考虑实际窑系统控制过程中可以仅把窑头喂煤量作为控制输入变量。并采用广义预测控制方法对窑头喂煤量进行调节,从而达到控制烧成带温度的目的。最后,为了实现全场信息化操作,使用监控软件Win CC_OA编写回转窑监控界面,同时实现监控软件与MATLAB之间的通讯,在监控软件上实现建模与控制的功能。
潘玉鹏[6](2020)在《基于热像仪的水泥回转窑烧成状态识别研究》文中认为回转窑的熟料烧成是水泥生产过程的重要环节之一,其烧成状态的稳定性不仅影响熟料的煅烧质量,而且影响到分解炉的预热分解和篦冷机的冷却效果。烧成带温度作为回转窑烧成状态识别的关键参数,能较为准确的反应出窑内烧成变化。然而,回转窑的烧成带温度存在直接测量较为困难,虚拟测量精度不高等问题,进而导致识别出的烧成状态及工况不全面。除此之外,操作人员采取回转窑过程变量数据对窑内烧成状态进行识别,欠缺以烧成带温度为主导变量的烧成状态专家识别规则,缺少合理的工况识别方法及控制操作指导,难以保证回转窑长时间保持最佳的烧成状态。因此,如何采取有效手段获取回转窑窑内温度状况,进而识别出基于窑内关键变量数据的回转窑全新烧成状态成为当前研究回转窑烧成过程的重要方向。针对以上问题,本课题以山东某水泥厂5000t/d生产线作为研究背景,采用由法国HGH公司生产的热像仪来获取窑内烧成带温度数据,在对烧成关键变量数据进行特征提取的基础上,建立基于烧成带温度为主导变量的烧成专家工况识别系统,设计和开发水泥回转窑烧成状态识别系统软件,本文主要研究内容如下:(1)针对回转窑窑内烧成关键变量难以获取,得到的其他烧成变量数据存在异常值波动和误差偏大的问题,采取热像仪设备来对窑内温度进行检测,采取拉依达法则和局部加权回归平滑滤波方法对不同特点的变量数据进行处理,实现关键变量数据的在线采集与滤波处理。(2)针对回转窑变量数据波动频繁,变量特征难以提取的问题,通过建立各烧成变量特征判断的基准,利用模糊方法,采取梯形隶属度对烧成变量的三种特征状态分别进行提取和判断,实现烧成变量状态的实时获取。(3)针对回转窑烧成工况在线识别困难,工况识别结果存在偏差和滞后的问题,采取建立烧成专家识别系统来解决,将热像仪采集得到的烧成带温度作为工况识别的主要参考变量,建立回转窑全新烧成工况及工况识别规则库。在对烧成变量特征提取和工况识别规则完善的基础上,对各识别规则中的烧成变量及特征分别设置相应权重值,采取基于可信度规则推理的策略实现回转窑工况的在线识别。(4)回转窑烧成状态识别软件设计与开发。基于以上研究,设计并开发了水泥回转窑烧成状态识别系统,完成了变量数据特征提取、变量状态识别、烧成工况识别等模块的功能设计及实现。采取历史数据复现的方法对本软件的实用性进行验证,仿真结果表明能够较好的识别出当前工况结果。本文的研究成果能够及时、准确地为操作员提供窑内识别信息,对回转窑的控制和优化起到了指导性作用,对水泥企业的节能降耗、生产质量的提高具有明显的效果。
韩国庆[7](2020)在《基于数据驱动的水泥预热分解系统建模与控制》文中认为分解炉是预热分解系统的核心设备,分解炉能否稳定工作对生料分解率、熟料质量和产量有重要的影响,而分解炉出口温度又是分解炉稳定运转的重要指标。文章构建了分解炉出口温度Hammerstein模型,并对其实现控制。本文首先介绍了本课题国内外研究现状,并简要说明主要的研究内容。接下来介绍了水泥预热分解系统工艺流程和主要设备的基本工作原理,并由系统的控制机理引出了分解炉出口温度与风料煤之间的关系。利用守恒定律建立旋风预热器和分解炉的机理模型,由于系统模型复杂,难以建立精确的机理模型,所以采用数据驱动方法建模。先建立线性ARMAX温度模型,然后建立Hammerstein模型。非线性Hammerstein模型由最小二乘支持向量机与ARMAX级联而成。仿真结果表明,Hammerstein温度模型能够根据实时数据对分解炉出口温度进行准确和稳定估计。针对Hammerstein模型采用两步法广义预测控制,将非线性预测控制问题转化为线性模型的预测控制和非线性模型的求逆问题,从而简化了非线性模型的控制算法求解,将基于Hammerstein模型的预测控制算法应用到分解炉出口温度的控制中,并进行了优化控制系统半实物仿真平台验证,结果表明,使用该控制策略对分解炉出口温度进行控制的方案是可行的。
王祥民[8](2020)在《水泥分解炉出口温度的预测和控制问题的研究》文中进行了进一步梳理水泥是不可或缺的建筑材料,需求量巨大,资源消耗多,且污染排放大,所以水泥的高效、节能生产具有重要意义。在水泥生产过程中,悬浮预热与预分解过程,承担着水泥生料90%的分解任务,耗煤量巨大,且对于水泥的产量与质量起到至关重要的作用。目前,国内水泥生产企业的生产环境复杂、系统测控点较少,预分解过程的优化调节尚未得到广泛的研究和推广。因此,文章从国内外分解炉控制的研究现状出发,采用数据驱动建模方法与智能控制技术,实现分解炉出口温度的预测和优化控制设计,对实现水泥的高效生产及节能降耗具有重要意义。本文以安徽省某水泥生产公司6000t/d水泥生产线为研究背景,分解炉系统为研究对象,通过实地学习考察,查阅相关文献资料,从分解炉的结构、工艺流程出发,对水泥分解炉出口温度预测与优化控制进行了较为深入地研究。本文首先简要的概述了新型干法水泥生产的发展及其现状,系统地总结了国内外对于水泥生产系统的控制研究及应用情况。接着,在深入研究分析水泥预分解系统的工艺流程及机理的基础上,为了应对复杂的工艺流程及生产环境,本文提出了一种基于Lasso算法的粒子群优化极限学习机的出口温度预测模型。相比于传统预分解系统的研究大都是采用经验法选取风(三级风)、料(生料量)、煤(喂煤量)等变量,难以科学、合理的概括分解炉系统的内部规律,易造成预测精度不高,模型的泛化能力较弱等问题。本文根据现场数据,利用Lasso算法对多变量进行稀疏化处理,并利用Lars算法进行求解,在众多变量中剔除无关与弱相关变量,科学准确的确定影响分解炉出口温度的主要因素,消除了无关变量干扰和减小数据冗余,完成对变量的筛选。再划分数据集,建立了基于粒子群优化参数的极限学习机分解炉出口温度预测模型。通过仿真验证及对比分析,证明了该模型极佳的预测效果和精度。在此基础上,在保证工业生产正常运行的前提下,对预分解系统主要变量参数进行调整和优化,并针对水泥工业的生产现状设计了以喂煤量为被控量的模糊神经控制器,实现对分解炉出口温度的智能优化控制设计,仿真结果显示该控制模型具有较好的控制效果,并能较好的满足工业需求。最后,利用组态软件对系统进行上位机人机交互界面的设计,实现对工业系统的实时监控。
杨跃[9](2020)在《水泥烧成过程关键参数预测模型研究》文中指出水泥烧成过程是水泥生产的关键生产过程,对水泥烧成过程中能耗、质量等关键参数的预测可以为水泥生产过程的节能降耗及质量管理提供依据。但是水泥生产过程中存在时变时延性、不确定性和非线性等特性,且实际生产中质量与能耗预测存在着共性与差异性的问题。针对水泥烧成过程关键参数的预测问题,提出了基于LightGBM(Light Gradient Boosting Machine)的水泥烧成过程游离氧化钙预测模型和基于MC-CNN(Multi-channel Convolutional Ceural Network)的水泥烧成过程能耗预测模型。具体研究工作如下:(1)基于水泥烧成过程工艺机理,分析影响水泥烧成过程质量与能耗的关键因素,选取影响水泥烧成过程中质量与能耗的待选变量。采用互信息法度量待选变量与目标变量的相关性系数,将人工经验分析转换为基于相关性系数的变量选取,筛选出影响水泥烧成过程中质量与能耗的关键变量,减少了冗余信息的引入,为后续水泥烧成过程关键参数预测模型的建立奠定了基础。(2)针对水泥生产数据中存在的时变时延性、不确定性和非线性等共性问题以及游离氧化钙数据化验间隔时间大,且工程要求速度快等个性问题。采用离散时间序列输入窗口的方法选取水泥烧成过程生产过程变量时间序列数据,避免了数据错位对精度的干扰,解决了时变延迟难以确定的问题;并基于LightGBM算法,构建时间序列特征直方图以及游离氧化钙预测模型,在解决了时变延迟问题的基础上,提高了计算效率,实现了对游离氧化钙含量的预测。(3)针对水泥生产数据中存在的时变时延性、不确定性和非线性等共性问题以及水泥烧成过程的电耗和煤耗相互耦合且两者共同决定综合能耗的个性问题。将连续时间序列输入窗口融入卷积神经网络的输入层,解决了时变延迟难以确定的问题;同时针对电耗和煤耗之间的强耦合性,采用MC-CNN多通道卷积神经网络对两个能耗指标相关特征进行同步提取,并将不同通道特征整合到全连接层,最终实现了更全面而同步的能耗预测,且同时减少了建模负担。
武伟宁[10](2020)在《水泥熟料烧结过程软测量方法研究》文中研究指明水泥工业是国民经济的基石产业,提高水泥熟料烧结过程的信息化和自动化水平是提高产品质量、降低能源消耗的重要途径。但是,熟料烧结过程属于典型的非线性动态过程,具有大时滞、强耦合等特点,且处于高温、多粉尘的封闭回转窑内。在这样复杂恶劣的环境下,难以用传感器直接测量熟料烧结过程信息,成为水泥生产自动控制理论与技术面临的瓶颈问题。针对以上问题,本文依托国家自然科学基金项目,综合运用水泥熟料烧结过程的机理知识及数据,深入研究熟料质量(游离氧化钙含量)、窑体热损失、窑内物料料层高度等重要过程信息的软测量方法,为烧结过程的高性能运行和节能控制提供新的量化过程信息。本文主要的研究工作及取得的成果如下:(1)游离氧化钙(f-CaO)含量是水泥熟料的质量指标,也是评判水泥能耗成本的经济指标之一。针对现有f-CaO含量软测量模型未充分考虑输入输出变量的时序信息而导致测量精度不高的问题,本文根据水泥熟料烧结工艺过程的大时滞、强惯性特征,提出一种对输入输出变量进行时序分析的新方法。首先利用物料的传输机理对模型的输入-输出变量进行时序匹配,之后利用类高斯函数对模型的输入变量进行时序加权,最终获得具有时序信息的输入-输出样本对,为提高f-CaO含量软测量模型的精度奠定良好基础。(2)针对现有的f-CaO含量测量单模型泛化能力差的问题,本文提出了一种基于时序分析与集成学习的f-CaO含量软测量模型。首先,选取了六种性质不同的学习算法构建f-CaO含量个体学习器,并采用时序信息的输入-输出数据对其进行训练;然后,采用互信息方法对个体学习器进行剪枝和集成,从而实现f-CaO含量的软测量。利用某水泥厂连续50小时的实际生产数据对本文所提出的f-CaO含量软测量模型进行实验验证,结果表明,模型的预测值与实际测量值吻合良好,能正确反映f-CaO含量随时间的变化趋势。与现有的单模型、全集成模型进行实验对比表明,本文所提出的f-CaO含量软测量模型在测量精度方面具有优势,且能满足在线测量速度要求,对于提高熟料烧结过程自动化水平具有理论与应用价值。(3)由于熟料烧结过程的高温特点,窑体热损失不可避免,并且随着操作参数的变化而产生波动。因此,对窑体热损失进行测量及影响因素分析是实现熟料烧结过程节能控制与决策的前提和重要依据。针对现有窑体热损失计算模型由于忽略窑体温度信息在时间和空间上的非均质性而导致测量结果不精准的问题,本文提出了一种基于红外热图的窑体热损失软测量方法。通过分析窑体的对流与辐射传热机理,建立了热损失软测量模型,然后根据窑体实时红外热图获取温度场数据,实现了热损失的测量。采用该方法对某水泥回转窑的窑体热损失量进行了测量,结果发现,窑体煅烧区的热损失约80.68kw/m,辐射和对流产生的热损失量基本相当。窑体总热损失低于回转窑总热量输入的12%。为了研究窑体热损失与熟料烧结过程操作变量的相关性,本文采用随机森林和皮尔逊相关系数相结合的分析方法,结果表明,篦冷机2#风机开度、喂料量和分解炉喂煤量等五个操作变量对窑体热损失量的影响最大。本文提出的窑体热损失软测量方法及研究成果为熟料烧结过程的节能控制与决策提供了量化依据。(4)回转窑内物料的料层高度是影响窑内热、流、反应进程的关键因素,也是熟料烧结过程高性能运行控制的决定因素之一。但是,由于回转窑的高温、密闭及旋转运行环境,料层高度的测量问题一直是个难点。针对以上问题,本文以准工业热态实验回转窑为实验对象,提出了一种基于窑内温度信息的料层高度软测量方法。首先,通过分析窑内物料的运动特征与窑内圆周方向温度曲线的周期性特征,定性地判断出物料区和高温气体区;然后,采用统计分析方法估算出活动层物料的平均温度,以此温度来确定该径向位置物料所覆盖的中心角,进而计算出料层高度。利用实验窑14个不同位置的温度信息对本文的物料高度软测量方法进行测试,并与人工测量结果进行对比验证。实验结果表明,本方法测量误差小于7%,且测量结果稳定,为工业水泥回转窑物料高度的测量提供了一种新思路。
二、稳定回转窑喂煤系统提高喂煤精度的途径(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、稳定回转窑喂煤系统提高喂煤精度的途径(论文提纲范文)
(1)分解炉出口温度的神经网络预测控制问题研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 课题的研究背景和目的 |
1.2 分解炉研究状况 |
1.2.1 水泥分解炉建模研究现状 |
1.2.2 水泥分解炉控制研究现状 |
1.3 本文的研究内容和章节安排 |
第二章 预分解系统工作原理及问题分析 |
2.1 水泥预分解生产系统工作流程简述 |
2.1.1 旋风预热器工艺和机理分析 |
2.1.2 分解炉的工作原理 |
2.2 分析影响分解炉出口温度的主要因素 |
2.3 分解炉出口温度预测和控制总体方案设计 |
2.4 本章小结 |
第三章 弹性网络下基于LSTM的分解炉出口温度预测模型 |
3.1 水泥分解炉数据预处理 |
3.1.1 分解炉数据异常值检测与修复 |
3.1.2 数据归一化 |
3.2 水泥分解炉多特征数据降维算法模型构建 |
3.2.1 多特征数据降维ElasticNet算法 |
3.2.2 分解炉多特征数据ElasticNet降维算法模型构建 |
3.3 分解炉出口温度的LSTM神经网络预测模型构建 |
3.3.1 循环神经网络 |
3.3.2 长短时记忆神经网络 |
3.3.3 分解炉出口温度的神经网络预测模型构建 |
3.3.4 对比实验分析 |
3.4 分解炉出口温度的参数自调整神经网络预测模型构建 |
3.4.1 改进的粒子群算法 |
3.4.2 参数自调整的分解炉出口温度预测模型构建 |
3.5 本章小结 |
第四章 分解炉出口温度的神经网络预测控制模型 |
4.1 分解炉出口温度的预测控制方案设计 |
4.1.1 预测控制 |
4.1.2 分解炉出口温度的神经网络预测控制设计 |
4.2 分解炉出口温度的神经网络预测控制结构设计 |
4.2.1 出口温度的多步神经网络预测模型 |
4.2.2 遗传算法滚动优化的喂煤量控制器 |
4.2.3 反馈校正 |
4.3 分解炉出口温度神经网络预测控制设计仿真 |
4.3.1 辨识被控对象模型 |
4.3.2 仿真实验结果 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
(2)基于大数据分析的水泥回转窑温度控制研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 研究现状 |
1.2.1 大数据分析技术在流程工业应用的研究现状 |
1.2.2 水泥回转窑温度控制的研究现状 |
1.3 本文的主要工作 |
1.4 本章小结 |
第二章 水泥生产工艺分析与基于大数据的温度控制方案设计 |
2.1 新型干法水泥生产工艺 |
2.1.1 水泥烧成过程工艺简介 |
2.1.2 水泥回转窑工艺简介 |
2.2 大数据技术概述 |
2.2.1 大数据分析的定义 |
2.2.2 大数据技术对水泥行业的作用 |
2.3 控制方式及控制难点分析 |
2.3.1 控制方式 |
2.3.2 控制难点 |
2.4 水泥回转窑温度控制对大数据技术的需求分析 |
2.5 基于大数据分析的水泥回转窑温度控制系统的总体方案设计 |
2.6 本章小结 |
第三章 水泥回转窑烧成过程大数据处理与分析 |
3.1 回转窑温度控制系统相关变量的初步选取 |
3.2 数据预处理 |
3.2.1 回转窑进料量反馈值的准确估计 |
3.2.2 多源数据的特征提取与时间匹配 |
3.3 回转窑温度控制系统大数据分析 |
3.3.1 灰色关联度分析 |
3.3.2 最简变量集合的确定 |
3.4 本章小结 |
第四章 回转窑温度控制研究 |
4.1 回转窑温度控制问题的提出 |
4.2 回转窑温度控制方案设计 |
4.3 基于案例推理的回转窑温度控制方法研究 |
4.3.1 案例推理方法的概述 |
4.3.2 初始案例库的建立 |
4.3.3 案例检索 |
4.3.4 案例重用 |
4.3.5 案例修正 |
4.3.6 案例存储 |
4.4 基于模糊规则对回转窑温度控制的修正研究 |
4.4.1 确定系统的输入输出变量 |
4.4.2 输入语言模糊化 |
4.4.3 隶属度函数的确立 |
4.4.4 建立模糊规则表 |
4.4.5 基于模糊规则对回转窑温度控制的修正 |
4.5 本章小结 |
第五章 水泥回转窑温度控制系统软件的开发 |
5.1 软件框架设计 |
5.2 软件模块设计 |
5.2.1 数据融合 |
5.2.2 数据通讯与存储 |
5.2.3 特征提取 |
5.2.4 核心控制 |
5.3 工业应用 |
5.3.1 数据融合功能的实现 |
5.3.2 数据通讯与存储功能的实现 |
5.3.3 数据特征界面的显示 |
5.3.4 回转窑温度控制界面 |
5.3.5 应用效果分析 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
附录 |
(3)最优间隔分布机不均衡学习方法及其工业应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 不均衡样本学习简介 |
1.1.2 不均衡样本学习研究背景与意义 |
1.2 不均衡样本学习相关研究进展 |
1.2.1 不均衡样本分类模型的相关研究 |
1.2.2 不均衡数据处理相关方法综述 |
1.2.3 其他不均衡样本学习方法 |
1.2.4 不均衡数据特征提取相关方法综述 |
1.3 现有不均衡样本学习存在的问题与挑战 |
1.4 研究内容 |
1.5 论文结构及内容安排 |
第2章 最优间隔分布机及不均衡学习理论 |
2.1 引言 |
2.2 分类学习理论及常用模型 |
2.2.1 间隔理论的发展 |
2.2.2 支持向量机 |
2.2.3 最优间隔分布机 |
2.3 不均衡样本分布对模式识别任务的影响 |
2.3.1 特征提取方面 |
2.3.2 分类器设计方面 |
2.4 分类模型核函数修正方法 |
2.5 样本不均衡学习常用性能评价指标 |
2.6 本章小结 |
第3章 基于样本间隔的核修正最优间隔分布机 |
3.1 引言 |
3.2 基于样本间隔的保角变换函数构造 |
3.3 基于样本间隔的核修正最优间隔分布机 |
3.4 二维数据可视化试验 |
3.5 UCI数据试验 |
3.5.1 参数分析 |
3.5.2 实验结果比较 |
3.5.3 泛化性能分析 |
3.5.4 算法时间复杂度分析 |
3.6 本章小结 |
第4章 基于样本空间分布的核修正最优间隔分布机 |
4.1 引言 |
4.2 基于边缘样本分布的核修正最优间隔分布机 |
4.2.1 核空间边缘样本分布 |
4.2.2 基于边缘样本分布的保角函数构造 |
4.2.3 算法流程 |
4.2.4 基于有向无环图的多分类扩展 |
4.3 基于异类样本距离均值的核修正最优间隔分布机 |
4.3.1 核空间异类距离均值 |
4.3.2 基于异类样本距离均值的保角变换函数构造 |
4.3.3 算法流程 |
4.4 不均衡数据实验分析 |
4.4.1 bsKMODM数据实验 |
4.4.2 ddKMODM数据实验 |
4.5 本章小结 |
第5章 工业不均衡数据的手工与深度特征融合提取 |
5.1 引言 |
5.2 多变量时序数据特征提取 |
5.3 多变量时序数据延迟特性分析 |
5.4 多变量时序数据特征提取与融合 |
5.4.1 基于专家先验知识的多变量时序数据手工特征提取 |
5.4.2 基于深度神经网络的隐藏特征挖掘 |
5.4.3 特征融合与降维 |
5.5 融合先验知识与隐藏信息的不均衡数据特征提取框架 |
5.6 数据不均衡条件下回转窑热工信号烧结工况特征提取 |
5.6.1 热工数据分析 |
5.6.2 工况特征提取 |
5.6.3 特征提取模型参数优化 |
5.6.4 特征可分性分析 |
5.7 本章小结 |
第6章 改进最优间隔分布机在回转窑工况识别中的应用 |
6.1 引言 |
6.2 回转窑工艺背景介绍 |
6.2.1 氧化铝回转窑烧结流程工艺简介 |
6.2.2 回转窑烧结工况检测 |
6.3 烧结工况鲁棒、低风险识别框架 |
6.4 烧结工况识别结果分析 |
6.4.1 工况分类识别模型参数选择分析 |
6.4.2 工况识别结果对比 |
6.4.3 噪声敏感性分析 |
6.4.4 样本不均衡程度敏感性分析 |
6.4.5 低风险性分析 |
6.4.6 实时性分析 |
6.5 工业现场应用 |
6.6 本章小结 |
总结与展望 |
参考文献 |
附录 A 发表论文和参加科研情况说明 |
致谢 |
(4)水泥熟料煅烧过程先进控制策略的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景 |
1.2 课题研究意义 |
1.3 国内外研究概况 |
1.3.1 国外研究概况 |
1.3.2 国内研究概况 |
1.4 本文主要内容 |
第2章 水泥熟料煅烧过程介绍与先进控制方案结构设计 |
2.1 水泥熟料煅烧过程工艺 |
2.1.1 水泥熟料煅烧过程工艺流程 |
2.1.2 水泥熟料煅烧过程工艺设备 |
2.2 水泥熟料煅烧过程控制系统介绍 |
2.3 水泥熟料煅烧过程现场控制需求分析 |
2.4 水泥熟料煅烧过程先进控制方案结构设计 |
2.5 本章小结 |
第3章 水泥熟料煅烧过程基础先控回路设计与实现 |
3.1 阶梯式广义预测控制算法简介 |
3.2 递推最小二乘法简介 |
3.3 篦冷机熟料料层厚度控制回路设计与实现 |
3.4 分解炉炉温控制回路设计与实现 |
3.5 回转窑窑头喂煤量控制回路设计与实现 |
3.6 本章小结 |
第4章 水泥熟料煅烧过程的参数优化与调节 |
4.1 自适应模糊控制算法简介 |
4.1.1 模糊集合与模糊关系 |
4.1.2 模糊规则与模糊推理 |
4.1.3 模糊化与解模糊化 |
4.1.4 自适应模糊控制 |
4.2 回转窑窑电流分析 |
4.3 水泥熟料煅烧过程参数优化模块实现 |
4.3.1 广义回归神经网络简介 |
4.3.2 粒子群优化算法简介 |
4.3.3 窑电流曲线神经网络建模 |
4.3.4 基础先控回路设定基准值的粒子群优化 |
4.4 水泥熟料煅烧过程参数调节回路设计与实现 |
4.5 参数优化模块与参数调节回路的应用 |
4.6 本章小结 |
第5章 水泥熟料煅烧过程先进控制系统工程实现与应用 |
5.1 水泥熟料煅烧过程先进控制系统结构设计 |
5.2 硬件平台构建 |
5.3 用户图形界面实现 |
5.4 数据通信模块实现 |
5.5 核心功能模块实现 |
5.5.1 数据处理实现 |
5.5.2 报警功能实现 |
5.5.3 控制方式切换 |
5.5.4 控制器参数整定 |
5.5.5 工艺参数优化、调节 |
5.6 先进控制系统应用效果 |
5.7 本章小结 |
第6章 结束语 |
6.1 本文工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(5)新型干法水泥回转窑烧成带温度建模与控制研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 水泥回转窑温度研究现状 |
1.2.1 硬件检测方法研究现状 |
1.2.2 软测量方法研究现状 |
1.2.3 控制系统研究现状 |
1.3 本课题的研究难点 |
1.4 本文主要研究内容 |
第二章 新型干法水泥回转窑工艺介绍及机理模型研究 |
2.1 引言 |
2.2 新型干法水泥回转窑结构及功能 |
2.2.1 水泥回转窑结构 |
2.2.2 水泥回转窑功能 |
2.3 新型干法水泥回转窑煅烧工艺 |
2.3.1 水泥烧成系统工艺流程 |
2.3.2 水泥回转窑化学反应特性 |
2.3.3 回转窑主要工艺参数 |
2.4 水泥回转窑系统机理建模研究 |
2.4.1 回转窑系统机理建模 |
2.4.2 机理模型合理性分析 |
2.5 本章小结 |
第三章 基于LSSVM_ARMA回转窑烧成带温度软测量建模 |
3.1 引言 |
3.2 基于PCA烧成带温度模型输入变量选取 |
3.3 基于LSSVM_ARMA回转窑烧成带温度软测量建模 |
3.3.1 最小二乘支持向量机回归模型 |
3.3.2 基于网格搜索与交叉验证的LSSVM参数优化 |
3.3.3 ARMA时间序列预测模型 |
3.3.4 基于LSSVM和 ARMA的烧成带温度软测量模型 |
3.4 数据采集及预处理 |
3.4.1 数据采集 |
3.4.2 数据预处理 |
3.5 回转窑烧成带温度建模的仿真与验证 |
3.6 本章小结 |
第四章 基于Hammerstein-Wiener模型的烧成带温度预测 |
4.1 引言 |
4.2 MISO型 Hammerstein-Wiener模型 |
4.2.1 Hammerstein-Wiener模型 |
4.2.2 LSSVM回归模型 |
4.2.3 MISO型 Hammerstein-Wiener模型的最小二乘支持向量机辨识 |
4.3 基于MISO型 Hammerstein-Wiener模型烧成带温度建模与仿真验证 |
4.4 本章小结 |
第五章 基于ARMAX模型回转窑烧成带温度广义预测控制 |
5.1 基于ARMAX模型的回转窑烧成带温度建模 |
5.1.1 ARMAX模型 |
5.1.2 ARMAX模型定阶与参数估计 |
5.1.3 基于ARMAX模型的回转窑烧成带温度建模仿真 |
5.2 广义预测控制 |
5.2.1 GPC算法原理 |
5.2.2 Diophantine方程递推算法 |
5.2.3 优化策略 |
5.3 仿真结果及分析 |
5.4 本章小结 |
第六章 回转窑系统监控界面设计 |
6.1 WinCC OA监控软件系统 |
6.1.1 WinCC OA简介 |
6.1.2 WinCC OA的性能特点 |
6.2 监控界面的设计 |
6.2.1 回转窑监控主界面设计 |
6.2.2 回转窑烧成带温度趋势界面设计 |
6.2.3 回转窑烧成带温度控制界面设计 |
6.3 WinCC OA与 Matlab的通讯实现 |
6.3.1 OPC通讯技术 |
6.3.2 WinCC OA与 Matlab数字通讯的实现 |
6.4 本章小结 |
第七章 总结和展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
攻读硕士期间的学术活动及成果情况 |
(6)基于热像仪的水泥回转窑烧成状态识别研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 温度获取技术研究现状 |
1.2.2 烧成状态识别研究现状 |
1.3 本文主要工作 |
1.4 本章小结 |
第二章 工艺分析及整体方案设计 |
2.1 水泥回转窑工艺分析 |
2.1.1 回转窑烧成工艺介绍与分析 |
2.1.2 回转窑烧成状态变量分析 |
2.2 热像仪设备基础自动化 |
2.2.1 红外测温原理 |
2.2.2 热像仪系统 |
2.3 烧成状态识别难点分析 |
2.4 烧成状态识别总体方案设计 |
2.5 本章小结 |
第三章 数据预处理与变量特征提取研究 |
3.1 烧成识别关键变量的选取 |
3.2 数据预处理与变量数据时间匹配 |
3.2.1 关键变量数据的异常值剔除 |
3.2.2 关键变量数据的滤波处理 |
3.2.3 变量数据的时间匹配 |
3.3 烧成过程变量特征提取及模糊处理 |
3.3.1 烧成状态典型变量数据的选取与区间划分 |
3.3.2 基于梯形隶属度的特征提取及模糊处理 |
3.4 特征提取结果验证 |
3.5 本章小结 |
第四章 回转窑烧成状态识别研究 |
4.1 烧成工况总结与分析 |
4.1.1 关键变量工况总结与分析 |
4.1.2 异常工况总结与分析 |
4.2 烧成状态识别专家系统 |
4.2.1 烧成专家系统概述 |
4.2.2 烧成专家系统知识库 |
4.3 基于规则推理的回转窑烧成状态识别 |
4.3.1 基于规则可信度的专家系统工况识别 |
4.3.2 规则匹配异常状况 |
4.3.3 匹配规则的最优选择 |
4.4 本章小结 |
第五章 烧成状态识别系统软件开发 |
5.1 烧成状态识别软件框架设计 |
5.2 软件模块设计 |
5.2.1 用户登陆模块 |
5.2.2 数据采集模块 |
5.2.3 数据显示及特征提取模块 |
5.2.4 烧成状态识别模块 |
5.3 软件实现及工业仿真应用 |
5.3.1 软件实现 |
5.3.2 仿真应用效果 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 论文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
附录 |
(7)基于数据驱动的水泥预热分解系统建模与控制(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 水泥工业概述 |
1.2.1 水泥生产概述 |
1.2.2 预热分解系统发展概述 |
1.3 水泥预热分解系统建模与控制研究现状 |
1.3.1 水泥预热分解系统建模研究现状 |
1.3.2 水泥预热分解系统控制研究现状 |
1.4 本文的主要工作 |
第二章 水泥预热分解系统工艺原理 |
2.1 水泥预热分解系统 |
2.2 预热器 |
2.3 分解炉 |
2.3.1 分解炉工艺流程 |
2.3.2 分解炉中化学反应特性 |
2.4 水泥预热分解系统的控制机理 |
2.5 本章小结 |
第三章 水泥预热分解系统的机理分析 |
3.1 引言 |
3.2 预热器机理分析 |
3.2.1 质量平衡 |
3.2.2 热量平衡 |
3.2.3 压力平衡 |
3.3 分解炉机理分析 |
3.3.1 质量平衡 |
3.3.2 热量平衡 |
3.4 影响因素分析 |
3.5 本章小结 |
第四章 水泥预热分解系统的数据驱动模型 |
4.1 数据预处理 |
4.1.1 输入变量选择 |
4.1.2 数据滤波 |
4.1.3 数据归一化 |
4.2 水泥预热分解系统的数据驱动线性模型 |
4.2.1 ARMAX模型 |
4.2.2 模型结构辨识 |
4.2.3 模型参数辨识 |
4.3 水泥预热分解系统的数据驱动非线性模型 |
4.3.1 LSSVM基本原理 |
4.3.2 基于LSSVM的 Hammerstein模型辨识 |
4.4 仿真试验结果 |
4.5 本章小结 |
第五章 基于水泥预热分解系统的广义预测控制 |
5.1 基于ARMAX模型的预测控制 |
5.1.1 预测模型 |
5.1.2 Diophantine方程的递推求解 |
5.1.3 优化策略 |
5.2 基于Hammerstein模型的两步法预测控制 |
5.3 仿真试验结果 |
5.4 本章小结 |
第六章 优化控制系统的半实物仿真平台 |
6.1 控制系统架构 |
6.2 半实物仿真平台实现 |
6.2.1 优化控制系统 |
6.2.2 模拟水泥预热分解系统DCS |
6.2.3 OPC通讯 |
6.3 优化控制系统功能界面 |
6.4 半实物仿真平台测试 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 本文总结 |
7.2 研究展望 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
(8)水泥分解炉出口温度的预测和控制问题的研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 课题的研究背景及意义 |
1.2 预分解系统的国内外研究现状 |
1.3 论文主要研究内容和章节安排 |
第二章 预分解工艺流程及预测与控制分析 |
2.1 新干法水泥生产的工艺流程简述 |
2.2 预分解系统的工艺流程及工作机理 |
2.2.1 预分解系统的工艺流程 |
2.2.2 预分解系统的工作机理 |
2.3 影响分解炉出口温度的主要变量 |
2.4 分解炉出口温度的预测问题分析 |
2.4.1 出口温度预测亟待解决的问题 |
2.4.2 分解炉出口温度预测和优化控制的总体方案 |
2.5 本章小结 |
第三章 基于多变量选择的分解炉出口温度预测建模 |
3.1 Lasso算法的基本原理及求解 |
3.1.1 Lasso算法的基本原理 |
3.1.2 最小角回归求解Lasso算法 |
3.2 粒子群算法优化的极限学习机模型 |
3.2.1 极限学习机的原理 |
3.2.2 粒子群优化算法 |
3.3 出口温度预测模型的建立 |
3.3.1 数据预处理 |
3.3.2 基于Lasso算法的变量筛选 |
3.3.3 PSO-ELM的出口温度预测模型 |
3.3.4 对比与分析 |
第四章 出口温度模型优化和基于模糊神经网络控制设计 |
4.1 出口温度模型的优化设计 |
4.1.1 优化目标分析 |
4.1.2 出口温度优化模型求解 |
4.2 自适应模糊神经网络 |
4.2.1 模糊理论与神经网络 |
4.2.2 自适应模糊神经网络 |
4.3 出口温度控制系统仿真验证 |
4.4 出口温度控制的工程实现 |
4.4.1 DCS系统简介 |
4.4.2 OPC技术简介 |
4.4.3 上位机监控系统设计 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
(9)水泥烧成过程关键参数预测模型研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.2 工业过程预测方法研究现状 |
1.3 水泥烧成过程关键参数预测方法研究现状 |
1.4 论文主要内容 |
第2章 水泥烧成过程关键参数影响因素分析 |
2.1 引言 |
2.2 水泥烧成过程关键参数影响因素工艺分析 |
2.2.1 水泥烧成过程工艺机理分析 |
2.2.2 游离氧化钙含量影响因素分析 |
2.2.3 能源消耗影响因素分析 |
2.3 基于互信息的关键参数相关性分析及输入变量选择 |
2.3.1 基于互信息的游离氧化钙相关性分析及输入变量选择 |
2.3.2 基于互信息的能源消耗相关性分析及输入变量选择 |
2.4 水泥烧成过程关键参数预测模型框架设计 |
2.5 本章小结 |
第3章 基于Light GBM的游离氧化钙含量预测模型 |
3.1 引言 |
3.2 水泥烧成过程游离氧化钙含量预测模型结构设计 |
3.3 基于Light GBM的水泥烧成过程游离氧化钙含量预测模型 |
3.3.1 Light GBM时序特征输入部分 |
3.3.2 Light GBM模型建立 |
3.4 基于Light GBM的游离氧化钙含量预测算法 |
3.5 本章小结 |
第4章 基于MC-CNN的水泥烧成过程能耗预测模型 |
4.1 引言 |
4.2 水泥烧成过程能耗预测模型结构设计 |
4.3 基于MC-CNN的水泥烧成过程能耗预测模型 |
4.3.1 MC-CNN时序特征输入层 |
4.3.2 MC-CNN多通道特征提取层 |
4.3.3 MC-CNN全连接层 |
4.3.4 MC-CNN的参数调整原理 |
4.4 基于MC-CNN的水泥烧成过程能耗预测算法 |
4.5 本章小结 |
第5章 水泥烧成过程关键参数预测实验 |
5.1 引言 |
5.2 数据预处理 |
5.2.1 缺失值处理及异常值去除 |
5.2.2 数据归一化 |
5.2.3 预测模型性能评价指标选取 |
5.3 基于Light GBM的游离氧化钙含量预测实验 |
5.3.1 Light GBM参数选取实验 |
5.3.2 实验结果与对比分析 |
5.4 基于MC-CNN的水泥烧成过程能耗预测实验 |
5.4.1 MC-CNN参数与结构选取实验 |
5.4.2 实验结果与对比分析 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间承担的科研任务与主要成果 |
致谢 |
(10)水泥熟料烧结过程软测量方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景与意义 |
1.1.1 f-CaO含量测量的意义 |
1.1.2 窑体热损失测量的意义 |
1.1.3 料层高度测量的意义 |
1.2 研究现状 |
1.2.1 f-CaO含量测量方法的研究现状及存在的问题 |
1.2.2 窑体热损失测量方法的研究现状及存在的问题 |
1.2.3 料层高度测量方法的研究现状及存在的问题 |
1.3 本文研究目标及研究内容 |
第2章 水泥回转窑熟料烧结过程机理及数据获取 |
2.1 熟料烧结过程机理分析 |
2.1.1 物料的预热及分解 |
2.1.2 物料的烧结 |
2.1.3 物料的冷却 |
2.1.4 熟料烧结过程的特点 |
2.2 熟料烧结过程数据的获取 |
2.2.1 主要过程变量及数据的获取 |
2.2.2 窑体红外热图的获取 |
2.3 本章小结 |
第3章 f-CaO影响参数分析及过程变量时序分析方法 |
3.1 f-CaO影响参数的确定 |
3.2 过程变量的时序分析方法 |
3.2.1 变量间的时序匹配方法 |
3.2.2 过程变量的时序加权方法 |
3.3 本章小结 |
第4章 基于时序分析与集成学习的f-CaO含量软测量方法 |
4.1 集成学习简介 |
4.2 基于时序分析与集成学习的f-CaO含量软测量建模 |
4.2.1 数据预处理 |
4.2.2 过程变量间的时序关系 |
4.2.3 个体学习器的生成 |
4.2.4 选择性集成策略制定 |
4.3 f-CaO含量软测量模型的实验验证 |
4.4 f-CaO含量软测量模型性能分析 |
4.4.1 时序信息及时序加权参数对模型性能的影响 |
4.4.2 与单模型的预测性能对比 |
4.4.3 与全集成模型预测性能对比分析 |
4.5 本章小结 |
第5章 基于红外热图的窑体热损失软测量方法 |
5.1 窑体表面温度场特征 |
5.2 窑体热损失软测量模型的建立 |
5.2.1 窑体辐射换热 |
5.2.2 窑体对流换热 |
5.2.3 窑体热损失测量流程 |
5.3 窑体热损失软测量结果与分析 |
5.3.1 熟料生产的单位热能消耗 |
5.3.2 单位时间内窑体热量损失测量结果 |
5.3.3 窑体热损失软测量结果 |
5.3.4 经济性分析 |
5.4 操作变量与窑体热损失的相关性分析 |
5.4.1 随机森林与皮尔逊相关系数 |
5.4.2 基于随机森林的操作变量与热损失相关性分析 |
5.4.3 结果与讨论 |
5.5 本章小结 |
第6章 基于窑内温度场的物料料层高度软测量方法 |
6.1 准工业热态回转窑实验平台 |
6.2 窑内温度场特征及其机理分析 |
6.2.1 回转窑内圆周方向温度场特征 |
6.2.2 窑内温度场特征机理分析 |
6.3 物料料层高度软测量模型的建立 |
6.3.1 静态层物料温度的估计 |
6.3.2 活动层物料温度及料层高度的确定 |
6.4 料层高度软测量方法的实验验证与结果分析 |
6.5 本章小结 |
总结与展望 |
总结 |
工作展望 |
参考文献 |
致谢 |
附录 A 攻读博士学位期间发表论文和参与项目 |
四、稳定回转窑喂煤系统提高喂煤精度的途径(论文参考文献)
- [1]分解炉出口温度的神经网络预测控制问题研究[D]. 于广宇. 合肥工业大学, 2021(02)
- [2]基于大数据分析的水泥回转窑温度控制研究[D]. 李强亚. 济南大学, 2021
- [3]最优间隔分布机不均衡学习方法及其工业应用[D]. 王鼎湘. 湖南大学, 2020(02)
- [4]水泥熟料煅烧过程先进控制策略的设计与实现[D]. 王一丰. 中国科学技术大学, 2020(01)
- [5]新型干法水泥回转窑烧成带温度建模与控制研究[D]. 李庆峰. 合肥工业大学, 2020(02)
- [6]基于热像仪的水泥回转窑烧成状态识别研究[D]. 潘玉鹏. 济南大学, 2020(01)
- [7]基于数据驱动的水泥预热分解系统建模与控制[D]. 韩国庆. 合肥工业大学, 2020(02)
- [8]水泥分解炉出口温度的预测和控制问题的研究[D]. 王祥民. 合肥工业大学, 2020(02)
- [9]水泥烧成过程关键参数预测模型研究[D]. 杨跃. 燕山大学, 2020(01)
- [10]水泥熟料烧结过程软测量方法研究[D]. 武伟宁. 湖南大学, 2020(08)