水泥回轉窯的智能控制

Birk Liedmann，Frank Steege，Laszlo Küppers，Volker Stephan，Georg H?ndel

（STEAG能源服務有限公司,上海萬澄環保科技有限公司，上海 200120）

1 水泥生產工藝

如今水泥熟料大多采用回轉窯進行生產，在此過程中，會使用大量熱能對原材料進行煅燒。圖1是帶分解爐的現代回轉窯工廠的主要設備組成。

圖1 帶分解爐和篦冷機的回轉窯設備示意圖[1]

研磨后的原料通常是石灰石和黏土的混合物，在多級旋風分離器中與窯內熱風逆流加熱，然后在分解爐中于約850～890℃分解。在下一步中，將分解的原料在回轉窯中加熱至超過1400℃的燒結溫度，達到水泥硬化所需熟料的燒成溫度階段。由于窯的傾斜和旋轉運動，物料向窯爐出口的方向傳送。隨后從那里排出物料進入篦冷機。進料爐排下方安裝的風扇將燒成的熟料冷卻至100℃左右。引入篦冷機的冷卻空氣會回收熟料的熱量，然后作為預熱的燃燒空氣（二次風和三次風）進入回轉窯或直接進入分解爐[2]。

2 回轉窯設備的控制要求

水泥廠運營者追求穩定與平穩地運行窯爐，同時降低能耗。但是，在常規窯爐操作中，操作參數通常會發生變化（例如，由于燃料和原料質量的波動，結塊的形成和突然終止等），這可能導致整個系統的行為不穩定。另外，逆流過程以及材料的長時間停留（40～60min），通過反饋也進一步增加不穩定性。

這對重要設備部件的控制提出了很高的要求，必須對這些不斷變化的條件盡早以正確的程度做出反應。回轉窯和熟料冷卻器的自動化控制系統（先進過程控制）通常會影響以下控制變量：

（1）原料量；

（2）預熱器高溫風機轉數和篦冷機排氣；

（3）主燃燒器和分解爐內二次燃燒的燃料量；

（4）窯速；

（5）熟料冷卻器進料爐篦速；

（6）冷風機轉數。

原則上，通過首先確定當前實際值和當前設定值之間的差來執行變量的控制，以便隨后通過更改操作變量來影響過程，以使該系統偏差最小。圖2是工廠操作員控制分解爐中煤量的一個示例，該操作員通常試圖將分解爐上部的溫度保持在恒定水平（此處Tsoll=900℃），在手動模式下，通過校正分解爐煤量來控制分解爐溫度。

圖2 工廠操作員控制分解爐中煤量的一個示例

該示例還說明，在這種情況下，調節變量以一定的延遲（死區時間）對受控變量的變化做出反應。一方面，這可能是由基礎過程引起的；另一方面，這也可能是信號傳感器造成的。在水泥廠設備中，通過爐壁耐火材料中的熱電偶來測量氣體溫度并不少見，而爐壁材料及其上的沉積物的熱阻造成了傳感器的延遲時間，所以難以及時響應相應的調節變量。在某些測量點（例如溫度），也可能引起長期的液位漂移和由此導致的設定值偏移，因為在測量點處的沉積或結塊會隨時間變化。除了變化的操作參數外，這還對自動化控制提出了很高的要求。因此，STEAG能源服務公司的PIT Navigator使用自學習和自適應控制組件來調節和優化隨時間變化的水泥生產過程。基礎工具箱還包含了使用神經網絡創建預測和學習控制器（NFQ），連續計算和調整優化設定值（過程優化），基于主成分分析（PCA）的圖像分析，自動特征選擇（互信息）和自動過程識別（用于自適應噴槍選擇的高效SNCR控制）。

3 基于神經網絡的過程建模

實現自適應控制器的一種途徑是通過該測量值的自適應預測來代替測量的死區時間的實際值。控制器獲得的不是實際的控制變量x（t），而是經過適當預處理的控制變量x'（t），如圖3所示，用模型預測值替換實際值x（t）。然后，由模型x'（t）的輸出和設定值w（t）得出控制誤差e（t），控制器將其用于計算控制輸出u（t）[4]。使用這種預測模型，可以估算受控變量x（t），k個時間步長之后的未來值x'（t+k）。 然后控制器顯示的不是實際測量值x（t），而是預測值x'（t+k）。如果預測值正確，則控制器可以隨著時間的推移對受控變量的偏差做出更快的反應，并且所產生的控制偏差會變小。這種控制器和過程模型的組合是模型預測控制（MPC）的變體[3]。

圖3 模型預測

MPC的另一種方法是用軟傳感器代替測量值[5]。在這種情況下，從過程的其他測量值x2（t）計算出控制變量x1（t）的替代值x'1（t），并使用軟傳感器所得的替代值進行調節。軟傳感器主要用于傳感器測量不可靠、必須經常維護，或只能通過高技術和高經濟支出來實現測量的情況。

通過預測模型或軟傳感器來近似測量點，使用了所謂的監督學習[6]。學習過程的任務是從基于實際傳感器或實驗室數據而來的數據示例中得到一個映射。基礎模型基于人工神經網絡。可以將神經網絡視為許多簡單神經元的適當互連（網絡），其基本概念是在1950年代后期提出的。神經網絡的基本元素是對真實神經細胞（神經元）的數學模擬，它是每個神經系統以及人腦的基本組成部分。模擬的神經元從其輸入的線性組合計算其結果，之后再通過一個非線性輸出函數。如果將足夠數量的此類人工神經元組合成合適的結構，則這些非常簡單的基本元素網絡就可以實現非常復雜的映射。如果現在通過生物學模型已知的學習能力擴展人工神經元，那么將可以開發出一個非常強大的工具，用于在現有數據集的基礎上從多個輸入值（測量值）到輸出值（測量值）的學習映射（近似值）。為了逼近MPC和軟傳感器所要求的目標值，通常使用所謂的多層感知器（MLP）。MLP屬于多層全網狀前饋網絡，圖4顯示了一種這樣的MLP。輸入x通過輸入層分布到第一隱藏層的神經元。在隱藏層中，對信號進行處理和轉發，直到最終從輸出層輸出當前輸入的MLP結果y。神經元通過權重相互連接，這些權重決定了信號的傳輸量。在示例中，權重wij標記為由神經元j到神經元i的權重。

4 智能控制組件示例

PIT窯和篦冷機Navigator使用上述方法，還有關于水泥熟料的游離鈣值和帶有死區時間的溫度測量值（例如二次風溫）兩方面的預測。

訓練模型的先決條件是過程的代表性數據記錄，通常需要記錄幾個星期的數據。模型的輸入變量是來自工廠控制（DCS）和實驗室值的過程信號。在預測游離鈣值和二次風溫時，來自RGB熱成像系統（PIT多傳感器）的數字視覺信息信號也安裝在主燃燒器旁的爐頭中，并連續提供有關回轉窯火焰特性的信息（見圖5）。

圖4 多層感知器（MLP）的構造示例[4]

圖5 回轉窯火焰特性信息

使用適當的圖像處理軟件（PCA）從光學圖像中提取燃燒過程中的信息，以便將其用作創建預測模型的輸入。

4.1 水泥熟料中的游離鈣預測

在回轉窯中燒制水泥熟料時——即所謂的熟料階段時，由廢棄的原料形成了某些硅酸鈣和鋁酸鈣化合物。如果由于工藝條件不足（例如，燒結區溫度太低）而不能完全達到熟料階段，則一定比例的未結合的CaO（氧化鈣）作為“游離鈣”保留在熟料中。游離鈣的含量被用作煅燒水泥熟料的基本質量標準，通常通過耗時的實驗室分析來確定。由于分析的持續時間和成本，通常每天每隔1～40h分析一次來自工廠生產的熟料樣品。在不利的情況下，要經過幾個小時直到游離鈣值突然變化，才能觀察到水泥的質量。為了防止這種質量波動，使用了軟傳感器，該軟傳感器根據其他連續的測量值估算當前的游離鈣值。然后，該估算值可用于檢測水泥質量的早期變化，并能夠及時調整過程控制。

預測模型的確切輸入信號取決于不同系統之間的測量點和質量。在此示例中，以下通道用于預測游離鈣值：（1）燒結區和火焰溫度（由攝像機信號生成）；（2）分解爐內的溫度；（3）原料數量和成分。

目標值是游離鈣值的實驗室測量值，該值可追溯到散熱器出口處的采樣時間。該模型總共包含10個輸入神經元（因為總共有10個輸入信號）和5個其他神經元的隱藏層。輸出層為神經元提供預測的目標值。

對于模型訓練，數據分為訓練數據集和測試數據集。在訓練過程中，使用來自訓練數據的相應輸入值和神經元之間隨機初始化的權重來計算相應的輸出值，然后確定計算出的輸出值與實際測量的目標變量之間的偏差。該誤差在訓練期間用于權重的連續調整，從而使預測誤差最小，并獲得更好的映射質量。為了評估模型，最終根據測試數據記錄計算預測誤差。將訓練數據分為訓練數據和測試數據可防止過度擬合訓練數據（記憶學習），并使模型即使在未知數據上也能很好地適用。

圖6顯示了預測游離鈣的變化過程，該變化是實驗室分析的結果，可能的誤差為±0.3%。從預測的進展中可以得出與測量值的良好一致性。僅在非常高的游離鈣值下，預測的準確性才會降低。但是，該模型也很好地代表了趨勢。平均預測誤差僅為0.2%。所以，通過當前預測得到的實時的游離鈣值可作為調節的附加信息。那么，在低值時，可以在早期減少系統的熱量水平并因此減少熱能消耗。

圖6 游離鈣預測值與實驗室分析的比較

4.2 二次風溫預測

使用預測模型的另一個優點是能夠消除測量中的死區時間。如果將預測的過程變量用作實際值而不是實際信號來控制操作變量，則可以補償測量值的延遲時間或過程的反應時間。這種“預測性”控制使過程參數偏差最小化，從而使過程更加穩定。

本節中的示例顯示了窯頭二次風溫的預測。二次風溫一方面是由于燒成熟料的熱量進入篦冷機，另一方面是由于進料爐篦的控制。在降低篦速的情況下，篦冷機中熟料的料層高度增加，因此流經多孔固定層的冷卻空氣和熱熟料之間交換的熱量也在增加。節能散熱器控制的目的是將熟料的熱量和二次風溫保持在恒定的高水平。在本系統中，由于不能總是足夠早地基于測量信號進行控制，因此在手動控制過程中，二次風溫通常存在強烈的振蕩行為。在此示例中，PIT Navigator基于預測的二次風溫調節篦速。使用基于聚類的優化方法連續確定各個溫度設定點。預測模型獲取并返回測量燒結區和火焰溫度（由攝像機信號生成）和篦板下方的冷卻空氣壓力信號。

在14個輸入神經元的模型配置中，兩個隱藏層選用8個或4個神經元。再次，執行訓練（數據集：8d）和隨后的具有未知測試數據的模型測試（記錄：30 h）。圖7顯示了用于訓練的一部分數據比較。如所預期的，訓練階段的數據非常擬合。而且測試階段（最終對于未知數據的預測質量至關重要），也可以很好地再現溫度變化過程。

圖7 二次風溫預測結果與訓練和測試數據比較

圖8顯示了預測溫度和測得溫度以及篦速的趨勢圖，該過程根據預測進行調整。從圖8中可以清楚地看到，所得模型能夠提前約5 min計算二次風溫，這足以使篦速盡早適應溫度變化。

圖8 二次風溫趨勢

圖9顯示了示例的8天時間內二次風溫標準偏差的相對頻率（在4h內計算）。根據在線和離線值的比較，不難發現PiT Navigator的基于預測的控制具有較低的溫度偏差，過程顯然更穩定。

圖9 二次風溫的標準偏差比較

5 結論

本文介紹了使用STEAG能源服務有限公司的PIT Navigator對水泥熟料生產自動化控制的見解。PIT Navigator可與基于神經網絡的智能和自適應控制組件一起使用。由此可以實現過程自動化，能夠連續地確定最佳系統狀態并且可以連續地適應過程變化。隨著智能控制組件，還有使用模型預測控制（MPC）方法的應用，例如預測或軟傳感器。文中還給出了用于預測游離鈣值和二次風溫的示例。這些預測可以對工藝參數和產品質量的變化做出早期響應。這些控制元件的使用可以減少特定的熱能需求并提高過程穩定性。由于底層工具箱的靈活適用性，PIT Navigator也已成功用于控制水泥行業的工廠（原料磨，水泥廠，磨煤）以及全球范圍內的高效SNCR控制。