高压辊磨机能耗优化决策方法

296 编辑：中冶有色技术网来源：沈阳盛世五寰科技有限公司

2023-11-09 10:29:30

权利要求书： 1.一种高压辊磨机能耗优化决策方法，其特征在于：包括步骤：

步骤1、采集所需数据特征，通过PLC与上位机的通讯，将实时数据保存到数据库当中；采集的数据有动辊电流ID、定辊电流IS、料仓重量BW、驱动侧辊缝SD、非驱动侧辊缝SND、锁紧压力FP、定辊节料阀位移LS、动辊节料阀位移LD；

步骤2：对采集到的数据进行预处理，去除非工作时间内采集到的数据和辊偏不符合要求的数据，添加处理量、能耗两个特征，再重构数据特征，最后对数据进行滤波；

步骤3、采用K均值聚类的方法，以处理量为标准进行聚类，选择每个类别当中能耗最低的数据放入案例库；

步骤4、当前时刻的数据经过与步骤2相同的预处理，以相似度为标准找到案例库中最接近的数据作为输出，其中相似度的计算采用最大相关系数确定权值的加权欧氏距离；

将计算的相似度SIM值最大的案例特征作为输出，记为y，将其中辊缝S、锁紧压力FP、料仓重量BW三个特征，输入到控制系统中，控制高压辊磨机的运行，若相似度SIM最大值小于85％，则将这一条数据更新到案例库中；

步骤3中，K均值聚类方法所用数据需要是二维及以上，所以选择处理量与辊缝两个数据特征进行聚类，将小于底线值的处理量类别去除，在剩余的类别中选择能耗最低的样本放入案例库中，组成后续算法中需要的一个包含k条案例的初始案例库；

步骤4中，对于相似度SIM的计算，结合最大相关系数和欧式距离，根据公式(1.4)计算不同特征关于动定辊电流的MIC值，再根据公式(1.5)确定每个特征的权值，最终SIM的计算公式为(1.6)；其中：

其中，X和Y分别是样本x和y方向上分格数量，B按照经验一般为n0.5～0.6，n为样本数量；

其中，ωj为第j个特征的权值，MICj为第j个特征的MIC值；

其中，m为特征数量，xj为输入的第j个特征，xkj为第k个案例的第j个特征。

2.根据权利要求1所述的一种高压辊磨机能耗优化决策方法，其特征在于：所述步骤2中，对于数据处理的顺序，首先是去除非工作时间内采集到的和辊偏不符合要求的数据，再根据公式(1.1)和(1.2)添加处理量Q和能耗P两个数据特征，再根据公式(1.3)得到辊缝值S，取代数据库中驱动侧辊缝和非驱动侧辊缝，完成对数据特征的重组之后，最后对数据进行卡尔曼滤波处理，得到输入数据；其中：

Q＝3600nDSρ (1.1)

其中，n是转速，D是辊径，S是辊缝，ρ是堆积密度；

其中，P液为常数，根据不同辊磨机型号的不同而不同；P压辊则是根据采集到的动定辊电流I动、I定的实时变化；

S＝(SND+SD)/2 (1.3)

其中，SD为驱动侧辊缝，SND为非驱动侧辊缝。

3.根据权利要求1所述的一种高压辊磨机能耗优化决策方法，其特征在于：步骤2中，数据滤波采用了卡尔曼滤波，对于定辊节料阀位移LS和动辊节料阀位移LD两个数据特征，卡尔曼滤波中的两个噪声参数为：q＝0.001,r＝0.1，其余数据特征的滤波参数为q＝0.001，r＝1。

说明书：一种高压辊磨机能耗优化决策方法技术领域

本发明涉及选矿工业控制参数决策领域，尤其涉及一种高压辊磨机能耗优化决策方法。

背景技术

高压辊磨机广泛应用于冶金、化工、水泥等不同领域，尤其是在选矿过程中担任了主要角色。高压辊磨机的运行过程，目前仍以传统控制理论为基础，对于参数设定，依赖于人工经验，存在着结果误差大、工况不稳定等问题。与此同时，对于参数的设定，多是以高产值为目标，而忽视了高能耗带来的成本问题和环境问题。

所以需要以降低能耗作为目标，智能化的选择参数的设定值，在保障产值的同时降低能耗，既可以为企业降低成本，也可以为环境保护、“碳中和”尽一份力。

发明内容

本发明就是针对现有技术存在的缺陷，提供一种高压辊磨机能耗优化决策方法，其在保证处理量的情况下，降低高压辊磨机的能耗。因此采用K均值聚类的方法建立案例库，根据基于最大相关系数的加权相似度寻找最优参数，输入到控制系统中，达到最终目的。

为实现上述目的，本发明采用如下技术方案，包括步骤：

步骤1、(由现场的传感器)采集所需数据特征，通过PLC与上位机的通讯，将实时数据保存到数据库当中。

步骤2：对采集到的数据进行预处理，去除非工作时间内采集到的数据和辊偏不符合要求的数据，添加处理量、能耗两个特征，再重构数据特征，最后对数据进行滤波。

步骤3、采用K均值聚类的方法，以处理量为标准进行聚类，选择每个类别当中能耗最低的数据放入案例库。

步骤4、当前时刻的数据经过与步骤2相同的预处理，以相似度为标准找到案例库中最接近的数据作为输出，其中相似度的计算采用最大相关系数(MIC)确定权值的加权欧氏距离。

进一步地，所述步骤2中，对于数据处理的顺序，首先是去除非工作时间内采集到的和辊偏不符合要求的数据，再根据公式(1.1)和(1.2)添加处理量Q和能耗P两个数据特征，再根据公式(1.3)得到辊缝值S，取代数据库中驱动侧辊缝和非驱动侧辊缝，完成对数据特征的重组之后，最后对数据进行卡尔曼滤波处理，得到输入数据；其中：

Q＝3600nDSρ (1.1)

其中，n是转速，D是辊径，S是辊缝，ρ是堆积密度。

其中，P液为常数，根据不同辊磨机型号的不同而不同；P压辊则是根据采集到的动定辊电流I动、I定的实时变化；

S＝(SND+SD)/2 (1.3)

其中，SD为驱动侧辊缝，SND为非驱动侧辊缝。

进一步地，步骤2中，数据滤波采用了卡尔曼滤波，对于定辊节料阀位移LS和动辊节料阀位移LD两个数据特征，卡尔曼滤波中的两个噪声参数为：q＝0.001,r＝0.1，其余数据特征的滤波参数为q＝0.001，r＝1。

进一步地，步骤3中，K均值聚类方法所用数据需要是二维及以上，所以选择处理量与辊缝两个数据特征进行聚类，将小于底线值的处理量类别去除，在剩余的类别中选择能耗最低的样本放入案例库中，组成后续算法中需要的初始案例库。

进一步地，步骤4中，对于相似度SIM的计算，结合最大相关系数和欧式距离，根据公式(1.4)计算不同特征关于动定辊电流的MIC值，再根据公式(1.5)确定每个特征的权值，最终SIM的计算公式为(1.6)；其中：

其中，X和Y分别是样本x和y方向上分格数量，B按照经验一般为n0.5～0.6，n为样本数量。

其中，ωj为第j个特征的权值，MICj为第j个特征的MIC值。

其中，m为特征数量，xj为输入的第j个特征，xkj为第k个案例的第j个特征。

与现有技术相比本发明有益效果。

本发明案例库结合了历史经验，可以智能选择出最优参数，并且持续学习更新案例库中数据，避免人工调参带来的误差。同时兼顾能耗与处理量，达到本发明的目标。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1优化决策控制系统总流程图。

图2决策数据输出流程图。

具体实施方式

如图1-2所示，本发明包括步骤：

S1：由现场的传感器采集我们所需要的数据特征，通过PLC与上位机的通讯，将实时数据保存到数据库当中，每两秒采集一次。采集的相关数据有动辊电流ID、定辊电流IS、料仓重量BW、驱动侧辊缝SD、非驱动侧辊缝SND、锁紧压力FP、定辊节料阀位移LS、动辊节料阀位移LD。

S2：为了使下一步案例库的建立更加准确和全面，本发明需要对采集到的数据进行一些处理。首先去除非工作时间内采集到的数据，保证数据都是工作的实况数据；

首先，根据高压辊磨机的工作原理，计算高压辊磨机的处理量Q与总能耗P，作为新的特征：

Q＝3600nDSρ (1.1)。

其中，n是转速，D是辊径，S是辊缝，ρ是堆积密度。

总能耗主要是高压辊磨机的液压系统和压辊系统组成，液压系统的功率计算，可以采用装机功率进行计算，所以式(1.2)中的P液为常数，根据不同辊磨机型号的不同而不同。P压辊则是根据采集到的动定辊电流实时变化，因此P主要受到动定辊电流的影响；

进一步的，为了保证磨矿效果，和延长高压辊磨机的使用寿命，高压辊磨机的辊偏需要在一定的范围内，因此，驱动侧辊缝SD和非驱动侧辊缝SND的差值应小于Δs，删除不符合条件的数据，根据式(1.3)计算辊缝的值，替换掉非驱动侧缝合驱动侧辊缝的值。

S＝(SND+SD)/2 (1.3)。

优选地，对于新的特征组合进行卡尔曼滤波，去除数据中存在的噪声，具体方法如下：

步骤1、初始化参数。

步骤2、计算本次估计值

步骤3：更新卡尔曼增益

步骤4：更新估计协方差

和实际协方差/>

转到步骤2。

步骤5：输出估计值。

优选地，得到最终的数据库的值。

最终的决策是由案例库内的数据决定的，本发明为了保证最后的结果，采用了K均值聚类的方法，寻找保证处理量情况下，最低能耗的案例。

首先，选择数据库中的辊缝和处理量作为一个二维的样本集，将类别设定为k，对应的分类集为C＝{cb，b＝1，2，...，k}，之后初始化每个类的中心为fb(b＝1，2，...，k)。

优选地，取欧式距离作为相似性和距离判断的准则。

优选地，分类结束的最终标志是令目标函数

最小。

优选地，在分类完成后，将处理量小于Qmin(处理量的底线值)的样本舍弃，剩余的分类集中，选择最低能耗的样本放入案例库中，组成下一步需要的案例库。

S4：当前时刻的数据经过与S2相同的预处理，进入数据库，寻找相似度最大的数据作为输出，本发明相似度的计算采用最大相关系数(MIC)确定权值的加权欧氏距离。

首先，根据定义式(1.4)计算不同特征关于动定辊电流的MIC值：

其中，X和Y分别是样本x和y方向上分格数量，B按照经验一般为n0.5～0.6(n为样本数量)。

优选地，根据不同特征关于动定辊电流的MIC值，给不同的特征赋予不同的权值，如下式：

其中，ωj为第j个特征的权值，MICj为第j个特征的MIC值。

优选地，计算相似度

的值。

优选地，将相似度大于85％的案例作为输出，小于85％则将数据更新到案例库中，输出为输入数据本身。

优选地，输出数据中的料仓重量、辊缝、锁紧压力作为控制系统的输入。

本发明首先按照高压辊磨机的工作机理建立新的特征，将不符合条件的数据去除之后对特征数据进行滤波。采用K均值聚类的方法建立案例库，选入案例库的规则是保证达到最小处理量前提下，所需要的能耗最低。案例库建立完成之后，计算一下动定辊电流与其他特征的相关性，用于后续相似度计算的权值。对于输入案例库的数据，采用与之前相同的处理方式，依照相似度与案例库中数据进行匹配，将相似度达标的数据作为输出，不达标的数据更新到案例库中。

实施例1如下：

第一步：数据采集与传输。

高压辊磨机的数据由现场的传感器测得，通过PLC与上位机进行通讯，将实时的数据保存到数据库当中，每两秒钟采样一次数据。新料与返回料通过皮带进入料仓中，由节料阀的位移量来控制进入高压辊磨机的料量，在这个过程中，采集的相关数据有动辊电流ID、定辊电流IS、料仓重量BW、驱动侧辊缝SD、非驱动侧辊缝SND、锁紧压力FP、定辊节料阀位移LS、动辊节料阀位移LD。

第二步：过程数据的预处理。

1、数据库建立。

本发明的目标是降低高压辊磨机的能耗，高压辊磨机实际消耗的功率主要包括两大部分，一是液压系统，二是压辊系统，定义如下：

于此同时，要保障高压辊磨机的处理量，计算公式如下：

Q＝3600nDSρ。

其中，n是转速，D是辊径，S是辊缝，ρ是堆积密度。

本发明中数据的采集是实时进行的，但是机器并不是一直处于工作状态，所以首先将非工作期间的数据去掉，再根据公式计算出每个时刻的能耗与处理量。

为了保证工况的稳定，辊偏应小于Δs，即驱动侧辊缝SD与非驱动侧辊缝SND的差值应小于Δs，对于不符合该条件的数据也应该剔除，并且根据公式(1.3)计算辊缝S的值。最终，数据库中的特征有动辊电流ID、定辊电流IS、料仓重量BW、辊缝S、锁紧压力FP、定辊节料阀位移LS、动辊节料阀位移LD、处理量Q、总功率P。

2、数据预处理。

生产过程数据在采集过程中存在着一定的噪声，这会影响我们后续算法的精确度，所以需要对数据进行卡尔曼滤波处理。对于定辊节料阀位移LS和动辊节料阀位移LD，卡尔曼滤波中参数q＝0.001,r＝0.1，其余数据特征q＝0.001，r＝1。

第三步：基于K均值聚类建立案例库。

高压辊磨机的控制过程需要保证磨矿的处理量，所以去除小于Qmin的数据。对剩余数据的处理量Q进行K均值聚类，划分出k个类别，根据总功率P的数值进行排序，将能耗最低的数据放入案例库当中，得到一个含有k条案例的案例库，具体步骤如下。

1、从数据库中选择样本集

G＝{g1,g2,...,gN}

＝{(Q1,S1),(Q2,S2),...,(QN,SN)}。

随机选择k个初始类簇中心，记为：

2、计算每一个样本与这k个初始类簇中心的距离，在此发明中，距离计算采用欧式距离，公式如下：

其中，N为样本数量，k为类别数量，遍历所有的样本后，将符合下式的样本数据归于对应的类簇中：

d_m＝min[d(ga,fb)]。

3、根据下式更新每个类簇的中心，与上一次迭代类簇中心进行比较，判断中心是否发生变化：

其中，b为第b类，l为迭代次数，n为分配到第b类中的样本数量。

4、计算目标函数J的值：

判断

是否成立，如果不成立，则转到2，成立则转到5。/>

5、迭代结束输出最终的分类。

6、将分类集中，处理量小于Qmin的类去除，比较剩余分类中样本对应的能耗P，选择能耗最小的一组数据放入最终的案例库中。

第四步：基于案例推理的决策优化。

基于案例推理，根据当前时刻的数据，寻找与案例库中相似度(SIM)最高的案例，输出对应案例的数值，优化下一时刻的值，再由控制系统控制高压辊磨机的运行。本发明中，相似度计算采用由MIC确定权值的加权欧氏距离，具体步骤如下：

1、根据公式(1.4)计算MIC值，再根据公式(1.5)确定每个特征的权值，计算结果如下表：表1.不同特征对应的权值。

2、根据下式计算SIM的值。

其中，m为特征数量，xj为输入的第j个特征，xkj为第k个案例的第j个特征。

3、将2中计算的SIM值最大的案例特征作为输出，记为y，将其中辊缝S、锁紧压力FP、料仓重量BW三个特征，输入到控制系统中，控制高压辊磨机的运行。若最大值小于85％，则将这一条数据更新到案例库中，并将该条案例作为输出。

4、案例库不断更新，预测精度提高。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。