基于時間序列單維卷積神經網絡的水泥熟料游離鈣軟測量方法

趙彥濤，何永強，賈利穎，楊黎明，郝曉辰

(燕山大學 電氣工程學院，河北 秦皇島 066004)

1 引 言

水泥熟料游離鈣(free calcium oxide， fCaO)含量是新型干法水泥生產中衡量熟料質量的一個重要指標[1,2]。熟料fCaO的含量不僅影響水泥的安定性和熟料強度，還直接關系著水泥燒成能耗。目前水泥熟料fCaO含量很難在線監(jiān)測，主要依靠人工采樣化驗測得，離線測量結果對水泥燒成過程的指導具有明顯的滯后性，很難實現水泥燒成過程的實時控制和優(yōu)化。

近年來，實際生產過程中，對于一些無法建立準確機理模型且難以在線測量的變量，可采用軟測量技術實現測量。研究人員在現有建模方法的基礎上，提出了許多改進的軟測量建模方法。Yang等[3]提出了一種新的基于高斯過程回歸的軟測量方法，用于測得橡膠混合過程變量(如穆尼粘度)；Jin等[4]提出了一種新的多模型自適應軟測量建模方法，說明其優(yōu)于傳統(tǒng)自適應軟傳感器的有效性；Yuan等[5]提出加權概率主成分分析法，可以適當地提取非線性特征進行回歸建模；Yu等[6]建立了一個基于混合核偏最小二乘算法的溫度軟測量模型，通過收集爐壁溫度來估算實際鍛造溫度，采用局部加權算法來確定訓練樣本權重提高模型精度；趙彥濤等[7]提出一種基于互信息和最小二乘支持向量機的軟測量建模方法，實現水泥生料細度的實時監(jiān)測。文獻[3～7]的實驗結果表明，改進后的軟測量建模方法明顯優(yōu)于傳統(tǒng)的軟測量建模方法。

軟測量技術不僅能夠實現待測變量的實時監(jiān)測，而且可以通過歷史時刻數據預測目標值的未來變化情況。如He等[8]提出了一種基于Pearson相關系數的獨立子網雙平行極限學習機，在復雜的化學過程建模中有更小的預測誤差；Fernandezd等[9]基于神經網絡的軟傳感器主要用于在線預測污水處理廠ASP中難以測量的變量；Shang等[10]把時間平滑作為一種新的動態(tài)軟測量建模機制，并通過實際的預測任務說明了該方法的可行性；Lv等[11]提出一種自適應LSSVM，將該方法應用于燃煤鍋爐NOx排放量的預測；Ahmed等[12]建立一個用于NOx的實時預測的LSSVM模型。

鑒于軟測量技術在其它領域中的成功應用，一些學者也提出多種關于水泥熟料fCaO的軟測量建模方法。趙朋程等[13]選用5個與水泥熟料燒成的相關變量，建立多核LSSVM水泥熟料fCaO預測模型；王秀蓮等[14]通過比較各變量與熟料fCaO之間的關聯度選取4個變量，并提出一種基于局部粒子群優(yōu)化LSSVM的水泥熟料fCaO軟測量方法；蔣妍妍等[15]提出基于改進粒子群優(yōu)化LSSVM的水泥熟料fCaO軟測量模型；趙朋程[16]采用一種改進的優(yōu)化算法，構建基于ELM的水泥熟料fCaO軟測量模型；Li等[17]采用壓縮特征向量的數據，利用改進的神經網絡實現了熟料fCaO軟測量。上述文獻中不同的軟測量方法都有著良好的預測結果，但是文獻[13～16]利用某時刻的各參量數據實現熟料fCaO的預測，不符合水泥燒成過程大慣性、大時滯的特性；而文獻[17]中的方法雖然考慮了1 h內的變量信息，但是從每個變量1 h內的數據中只提取了一個特征值作為模型輸入，這很大程度上減少了影響fCaO的特征信息。

隨著深度學習的發(fā)展，深層神經網絡被廣泛用于構建軟測量模型。Shang等[18]使用深度學習技術估計粗柴油蒸餾裝置的重柴油95%切割點；Liu等[19]提出一種多層DBN軟測量系統(tǒng)在線預測燃燒系統(tǒng)出口氧量；Yan等[20]提出了一種基于深度學習網絡的新型軟測量建模方法，用于估算1 000 MW超超臨界機組煙氣中的氧含量；Qiu等[21]提出一種用于污水處理廠深層神經網絡軟測量模型。

廣泛應用的深層卷積神經網絡(convolutional neural network，CNN)[22～24]，能夠從大量數據中提取最優(yōu)化特征，并有很強的容錯性和自主學習能力[25]。相比其它深層網絡，CNN的結構復雜度低，網絡參數少，訓練耗時短，現已被成功應用在人臉檢測[26]、文檔分析[27]、語音識別[28]等各個方面。張浩等[29]首先確定關聯變量時間窗的大小，然后建立CNN模型對蒸餾塔液位進行預測；段友祥等[30]將地質儲層參數模擬成圖片的像素點形式，提出了一種應用CNN對地質儲層參數進行預測的方法。文獻[29，30]中都是將采集的數據轉化為圖像格式數據，完全按照圖像處理的形式設計CNN結構，沒有根據數據特征調整網絡結構。

圖像數據和流程工業(yè)數據的特征有很大差異：在圖像數據中，相鄰像素點(上、下、左、右)的數據相似性很高；對于流程工業(yè)數據，雖然同一變量相鄰時刻具有較高的相似性，但同一時刻、不同變量的數據不具有近似性。水泥熟料燒成過程具有大慣性、大時滯、多耦合等特性，熟料fCaO含量和相關過程變量中一段時間內的數據有關。考慮到不同過程變量同一時刻的關聯性不大、不同過程變量與熟料fCaO之間時延難以確定、單一時刻的過程變量很難反應整個水泥熟料燒成過程等問題，本文通過對水泥工藝的綜合分析，選取與熟料fCaO相關的多個過程變量，將各過程變量在一定時間段內的數據序列作為軟測量模型的輸入，并結合時間序列的特點，提出了一種基于時間序列單維卷積神經網絡(time series single dimensional convolution neural network,TS-CNN)的水泥熟料游離鈣軟測量建模方法。該方法不用計算過程變量間的時延，節(jié)省了時序匹配相關的工作量，最后通過實驗結果驗證了本文方法的有效性。

2 水泥工藝描述與多源數據建模方法

2.1 水泥工藝描述

水泥燒成是生料經過預熱、分解和煅燒之后轉化為熟料的工藝過程，期間經過一系列物理化學反應生成符合要求的水泥熟料。水泥燒成部分的工藝流程如圖1，分解爐和回轉窯產生的煙氣從預熱器底端(C5)旋流而上，同時生料在重力作用下從預熱器頂端(C1)下落，與預熱器內的熱氣充分接觸并完成熱交換。預熱之后的生料進入分解爐內，此時生料的分解率達到85%以上，未完成分解的生料將會在回轉窯內繼續(xù)分解，經過窯內高溫煅燒之后的熟料由窯頭送入篦冷機冷卻。為了提高能量利用率，熟料冷卻過程中產生熱二次風以及熱三次風分別進入回轉窯和分解爐再次加熱。熟料冷卻之后完成取樣，并通過實驗測得熟料fCaO的含量。

圖1 水泥燒成工藝及各過程變量示意圖Fig.1 Cement production process and various variables

由水泥工藝學可知[31]，水泥生料經回轉窯燒成帶高溫煅燒，發(fā)生燒結反應，最后經冷卻獲得的固體顆粒物料稱為水泥熟料，凝固體中含有少量未化合的氧化鈣稱為游離鈣(fCaO)。游離鈣含量過高會使水泥的安定性下降，過低導致水泥燒成能耗增加，因此fCaO需要控制在合理的范圍之內。其中影響水泥熟料fCaO含量的主要生產過程為：(1)生料預熱分解。生料中主要成分是CaCO3，當溫度達到600 ℃時，CaCO3開始緩慢分解生成CaO；當溫度達到850 ℃；時，生料的分解率增加，物料中便出現性質活潑的游離鈣，它與生料中的SiO2、Al2O3、Fe2O3等進行固相反應，形成熟料礦物[32]。(2)窯內煅燒。物料溫度繼續(xù)升高達1 300 ℃時，液態(tài)的鐵鋁酸四鈣(C4AF)、鋁酸三鈣(C3A)和硅酸二鈣(C2S)會吸收部分游離氧化鈣生成新的化合物，未被吸收的氧化鈣為熟料fCaO。(3)熟料冷卻。此過程主要在篦冷機內，熟料冷卻時需要急速冷卻，防止硅酸三鈣(C3S)等化合物在1 250 ℃分解出現二次游離鈣。

復雜多變的水泥燒成過程中各過程變量與熟料fCaO之間的時間延遲都不相同，并且每個過程變量的時間延遲會隨著工況變化而變化。例如高溫風機轉速和窯電流等參數，會影響物料在分解爐和回轉窯內的受熱時間，導致分解爐溫度和回轉窯溫度等過程變量與熟料fCaO之間的時間延遲發(fā)生變化，這使得各過程變量與熟料fCaO之間的時間延遲很難確定。因此，本文選取與相關過程變量在采樣前的1 h內的時間序列作為軟測量模型的輸入。

2.2 變量選取及軟測量方案闡述

經上述工藝描述分析，選取如圖1中與熟料fCaO含量密切相關的10個過程變量，作為熟料fCaO軟測量建模的輔助變量。表1給出了該10個過程變量以及相應的數值范圍及單位。

熟料fCaO軟測量方案如圖2所示：首先，據水泥燒成工藝描述及熟料fCaO產生的機理分析，選取熟料fCaO軟測量建模的輔助變量；其次，為了提高模型訓練收斂速度和迭代求解精度，依次對每一個過程變量的原始數據進行歸一化處理，使結果值映射到[0,1]之間；最后，將數據樣本分為訓練集和預測集，模型經訓練集訓練學習之后，用測試集驗證模型的泛化能力。

表1 選取的輔助變量Tab.1 Selected auxiliary variables

圖2 熟料fCaO的軟測量方案Fig.2 Soft sensor schemes of fCaO

3 TS-CNN軟測量模型

選取10個過程變量在一段時間內包含特征信息的時間序列作為模型的輸入，采用深層網絡提取時間序列的特征信息，可避免各過程變量與熟料fCaO之間時延不確定對軟測量結果的影響。單維卷積池化只是對輸入數組中的某一個過程變量特征提取，由于水泥燒成過程中同一時刻不同過程變量之間的關聯度不大，且各個過程變量對熟料fCaO的影響程度不同，因此采用單維卷積池化的方式提取單變量特征。

本文構建的基于TS-CNN熟料fCaO軟測量模型如圖3所示。

采用包含10個過程變量特征信息的時間序列作為輸入數據，經單維卷積池化提取特征后，接全連接層綜合所有的特征信息并輸出。TS-CNN的主要結構包括10過程變量時間序列輸入層、提取數據特征的多個單維卷積池化層、全連接層以及輸出層。

圖3 基于TS-CNN的fCaO軟測量模型Fig.3 Soft sensor model of fCaO based on TS-CNN

3.1 TS-CNN前向訓練算法

在TS-CNN中，各變量經輸入層輸入后，通過單維卷積池化提取特征，隨后接全連接層整合提取的局部特征，最后由輸出層輸出。

(1)TS-CNN輸入層 設x為TS-CNN的輸入，其包含所選10個過程變量的時間序列，可表示為：

x=(x1,x2,…,x10)

(1)

每個過程變量時間序列包含t個采樣點：

xi=(xi(1),…,xi(2),xi(t))

(2)

式中：xi(i=1,2,…,10)為第i個過程變量的時間序列。

(2)TS-CNN卷積層 TS-CNN的卷積層采用單維卷積的方式提取特征。如圖3中用n個單維卷積核對該層輸入進行卷積計算，則會得到n個不同的特征向量，卷積過程中權值共享。

圖4 TS-CNN卷積過程Fig.4 Convolution process of TS-CNN

圖4為圖3中卷積過程的詳細描述，若第l層為卷積層，則該層輸出神經元的輸入zl和卷積層的輸出xl表達式分別為式(3)和式(4)。

zl=xl-1*wl+bl

(3)

式中：xl-1代表卷積層輸入的特征向量；wl表示一維卷積核；bl表示輸出特征向量對應的偏置。

xl=f(zl)

(4)

式中：f(·)為激活函數。

為了提高TS-CNN模型的非線性能力，采用ReLU函數作為激活函數，其表達式如式(5)。

f(x)=max(0,x)

(5)

(3)TS-CNN池化層 為了減少特征數據,簡化網絡計算復雜度，在TS-CNN中增加池化層實現特征壓縮。由于水泥數據每個過程變量內相鄰的數據之間有很強的相關性(相鄰數據近似相等)，因此平均池化能使該模型有更好的學習能力。由于池化層不含有激活函數，因此池化層輸出神經元的輸入al+1與池化層輸出pl+1相等。第l+1層池化層輸入pl與輸出pl+1之間的關系表示為：

(6)

(4)TS-CNN全連接層 如圖3中k-1層為全連接層，該層的輸入為卷積池化得到的所有特征值，經過全連接整合所有的特征信息，該層的輸入xk-1與輸出yk-1之間的關系如式(7)。

yk-1=f(wk-1*xk-1+bk-1)

(7)

式中：wk-1、bk-1分別為全連接層的權值和偏置。

(5)TS-CNN輸出層 為了避免過擬合，在該網絡模型輸出層前采用正則化方法—丟失數據(Dropout)技術[33]，提升網絡模型的泛化能力，訓練過程中的Dropout率設置為0.5。TS-CNN輸出層如圖3中第k層所示，采用線性加權求和直接計算水泥熟料fCaO值。設該層權值和偏置分別為wk和bk，則輸入xk與輸出熟料fCaO值y′之間的計算公式為：

y′=wkxk+bk

(8)

3.2 TS-CNN反向訓練算法

TS-CNN采用反向微調的方法實現參數更新。在該模型中，選擇均方誤差MSE(mean squared error)為損失函數J，其中損失函數J如式(9)所示。

(9)

TS-CNN參數反向微調過程中，首先按照反向傳播算法求得各層的誤差靈敏度δ，然后根據誤差靈敏度實現參數更新。輸出層、全連接層、與全連接層相連的卷積層池化層誤差靈敏度均可由BP算法得到。下面給出卷積層與池化層相連時的反向傳播算法。

(1)卷積層到池化層的反向傳播 當第l層為池化層，后接卷積層l+1層時，池化層的誤差靈敏度δl計算如式(10)，其中池化層輸出神經元的輸入al和輸出pl相等。

(10)

式中

zl+1=pl*wl+1+bl+1

(11)

式中：δl+1表示l+1層的誤差靈敏度；zl+1表示卷積層輸出神經元的輸入； rot 180(·)表示將“·”旋轉180°。

(2)池化層到卷積層的反向傳播 當卷積層l-1后面跟池化層l時，由鏈式法則可知，卷積層誤差靈敏度δl-1計算如式(12)。

=up(δl)f′(zl-1)

(12)

式中

(13)

式中：zl-1為卷積層輸出神經元的輸入；xl-1為卷積層的輸出，同為池化層的輸入；al表示池化運算結果；up(·)完成了池化誤差數組放大與誤差重新分配，其數組大小與卷積之后的大小保持一致；f′(·)為激活函數導數。

由式(12)得到卷積層的誤差靈敏度δl-1后，卷積核梯度Δwl-1和偏置梯度Δbl-1計算過程如式(14)和式(15)。

=δl-1*rot180(xl-2)

(14)

(15)

式中：xl-2是卷積過程中與卷積核wl-1做卷積運算的特征值； rot180(·)表示將“·”旋轉180°。

由于池化層不含有權值和偏置，因此池化層不涉及權值和偏置的更新。卷積層卷積核w和偏置b的更新，計算式為：

wl-1=wl-1-η*Δwl-1

(16)

bl-1=bl-1-η*Δbl-1

(17)

式中：η表示網絡的學習率。

3.3 TS-CNN訓練實現

TS-CNN經過前向訓練提取特征，根據梯度下降法反向訓練修正權值和偏置，降低訓練誤差，優(yōu)化網絡模型。TS-CNN的訓練過程算法描述如下。

輸入：10個過程變量的時間序列。

輸出：熟料fCaO值。

a)初始化各隱層、全連接層以及輸出層的權值w和偏置b為隨機值，TS-CNN的卷積層數l1和池化層數l2，最大迭代次數L，迭代停止閾值ε，學習率η，卷積核大小P及個數N，卷積步幅S，池化核大小m，全連接層輸出神經元個數r；

b)根據式(1)、式(2)，確定10個過程變量時間序列組成的數組，作為TS-CNN的輸入；

c)根據式(3)～式(5)，用多個單維卷積核w對輸入特征量卷積運算，經過激活函數輸出；

d)根據式(6)對池化層輸入完成單維池化運算；

e)依據卷積層數l1和池化層數l2，循環(huán)執(zhí)行第c)步l1次、第d)步l2次；

f)根據式(7)、式(8)，經全連接層整合所有特征信息，最后由輸出層輸出訓練值y′；

g)根據式(9)計算網絡訓練輸出值與真實值之間的誤差J，若誤差值J<ε或者達到最大迭代次數L，算法終止迭代，否則執(zhí)行第h)步；

h)輸出層、全連接層以及與全連接層相接隱層的誤差靈敏度由BP反向微調算法求出，并完成該層權值和偏置更新；

i)根據式(10)～式(17)求得池化層誤差靈敏度δl和卷積層誤差靈敏度δl-1，完成卷積層權值wl-1和偏置bl-1更新。反向誤差傳播完成后，轉至第a)步開始正向訓練。

4 實驗及結果分析

實驗使用某水泥廠40天的生產現場數據，本實驗中選取10個過程變量1 h內的時間序列作為模型的輸入，現場數據每分鐘采樣1次，即輸入為[60,10]的數組。共有實際數據822組，隨機選取712組作為訓練集，剩余的110組作為測試集。為了提升網絡的訓練效率，訓練過程中每次抽取80組數據樣本進行訓練。整個實驗包括兩部分，首先選擇最優(yōu)的TS-CNN參數，確定模型結構；其次，與其它不同的軟測量方法進行對比分析，說明本文所提方法的有效性。

整個實驗過程采用均方誤差MSE、平均相對誤差MRE和平均絕對誤差MAE這3個指標作為衡量模型預測精準度的標準。其中MRE和MAE的表達式分別為式(18)和式(19)：

(18)

(19)

4.1 TS-CNN參數擇優(yōu)

TS-CNN中學習率、網絡層數以及各網絡層參數對網絡性能有重要的影響，這些參數直接影響了TS-CNN的收斂速度、訓練效果和泛化能力。學習率決定了網絡的訓練誤差能否快速收斂，因此應優(yōu)先選擇適當的學習率。網絡在不同學習率下訓練誤差以及預測誤差如表2，其中TS-CNN有兩個卷積層和兩個池化層，兩個卷積層分別含有16和32個大小為[11,1]和[12,1]的卷積核，池化層的池化核大小為[2,1]。

由表2可知，學習率由0.01減小至0.000 01時，訓練誤差和預測誤差先減小后增大，學習率0.001時，訓練誤差和預測誤差均為最小。學習率過大，權值參數因為梯度下降的步長過大而錯過最優(yōu)值；學習率設置太小，易陷入局部最優(yōu)，而且耗時增多。因此選擇TS-CNN的學習率最優(yōu)值為0.001。

表2 不同學習率下TS-CNN誤差對比Tab.2 Comparison of TS-CNN errors with different learning rates

通過實驗對比不同的TS-CNN結構參數對軟測量精度的影響，確定最優(yōu)模型。實驗涉及的4種網絡結構如表3所示，包括不同的卷積層數和池化層數(Layers)、卷積核個數(Filters)以及卷積核與池化核的大小(Kernel_size)。其中model 1到model 4對應的卷積核依次增大，model 1對應的卷積層和池化層最多。

4種網絡模型的預測誤差如圖5所示。

表3 不同網絡結構參數Tab.3 Parameters of different network structures

圖5 不同網絡結構的預測誤差對比Fig.5 Comparison prediction errors of networks with different structures

從圖5中可以看出，model 3，model 4，model 2和model 1對應的預測誤差依次增大。其中model 3的預測誤差最小，該網絡含有2個池化層和2個卷積層；model 1預測誤差最大，對應的網絡層數最多，卷積核最小。這說明了TS-CNN的層數過多、卷積核過大或者過小，都會使網絡的預測能力下降。由于水泥數據短時間范圍內的變化不是很明顯，卷積核過小網絡層數增多，提取的特征沒有足夠的代表性，導致網絡的泛化能力變差；網絡層數越多，包含的參數，有可能過擬合而且訓練耗時增多；卷積核過大可能導致特征遺漏，網絡預測能力下降。因此選擇合適的網絡結構對于提高預測精度很重要。

由圖5可見，本文提出的TS-CNN結構參數符合model 3時，模型的預測精度最高，其卷積池化過程參數如圖6所示。第一個卷積層含有16個大小為[13,1]的單維卷積核，卷積之后得到16個大小為[48,10]的特征圖，隨后利用[2,1]池化核特征縮減；同樣第二個卷積層含有32個大小為[13,1]的卷積核，經過第二個池化層最終得到32*6*10個神經元，作為全連接層的輸入。

圖6 TS-CNN卷積池化過程參數Fig.6 The parameters of TS-CNN convolution layers and pooling layers

4.2 實驗結果對比

為證明本文所提出TS-CNN方法的有效性，與二維CNN、DBN以及連續(xù)型深度信念網絡(CDBN)[34]的訓練預測速度以及結果進行對比。其中二維CNN內有兩個卷積層和兩個池化層，卷積層分別含有16個[11,2]和32個[10,2]的二維卷積核，池化層池化核分別為[2,1]和[2,2]。DBN兩個隱層的神經元分別是130和18，學習率為0.001，訓練次數為100 000。CDBN兩個隱層的神經元分別是125和20，學習率為0.001，訓練次數為100 000。

圖7～圖10分別為4種網絡模型的訓練和預測結果，表4展示4種不同方法的訓練預測時間、訓練預測誤差。

圖7～圖10給出了DBN、CDBN、二維CNN以及TS-CNN這4種不同軟測量方法的訓練結果和預測結果。從圖中可以看出，4種方法都有良好的訓練結果，但是TS-CNN的預測結果更接近于真實值。

由表4的訓練時間和預測時間可知，DBN的耗時最多，TS-CNN的耗時最少，這是因為DBN、CDBN內部相鄰層之間全連接，而二維CNN以及TS-CNN的卷積層中權值共享，其需要確定的網絡參數遠遠小于DBN和CDBN中的參數。其中DBN相比CDBN隱層神經元個數更多，因此DBN的訓練耗時和預測耗時最長。TS-CNN和二維CNN中卷積核的數量和大小都會影響網絡的訓練時間和預測時間，雖然本文中TS-CNN和二維CNN的卷積核個數相同，但是卷積核大小不同，其中TS-CNN卷積核為[13,1]，二維CNN的卷積核為[11,2]，兩種網絡卷積過程中需要確定參數比為13:22，由此可見，相比二維CNN模型，TS-CNN模型卷積過程中參數更少，訓練速度和預測速度更快。

圖7 DBN訓練結果和預測結果Fig.7 Training results and prediction results of DBN

圖8 CDBN訓練結果和預測結果Fig.8 Training results and prediction results of CDBN

圖9 二維CNN訓練結果和預測結果Fig.9 Training results and prediction results of two dimension CNN

圖10 TS-CNN訓練結果和預測結果Fig.10 Training results and prediction results of TS-CNN

表4 不同模型的訓練誤差和預測誤差Tab.4 Training error and prediction error of different soft sensors

由表4的訓練誤差和預測誤差可見，基于TS-CNN的水泥熟料fCaO軟測量模型的訓練誤差和預測誤差最小，其次是二維CNN和CDBN，DBN的訓練誤差和預測誤差最大。4種軟測量方法采用了相同的時間序列作為輸入，由于模型結構的差異，不同模型對應的時間序列輸入形式和提取特征的方式不同：TS-CNN和二維CNN是將數據變換成有時間和空間特征的二維數組作為輸入，然后對輸入數組的局部卷積池化提取特征；而DBN和CDBN只是簡單的將10個變量的時間序列排成一維向量作為輸入，對輸入的整體同時提取特征。其中TS-CNN采用符合水泥時間序列的單維卷積池化方式提取各過程變量特征，而二維CNN中提取相鄰兩過程變量中的顯著特征，被卷積池化的兩個相鄰過程變量數據之間可能存在著較大的差異，而且每個過程變量對熟料fCaO的影響程度不同，有可能使得兩個過程變量中對熟料fCaO影響較小的特征丟失。由此可見，本文提出的基于TS-CNN水泥熟料fCaO含量的軟測量模型結構簡單、預測精度更高、泛化能力更強。

5 結 論

本文建立基于TS-CNN水泥熟料fCaO的軟測量模型，首先通過水泥生產工藝分析確定了熟料fCaO軟測量建模的10個輔助變量，然后針對水泥燒成過程的大時滯特性，選取這10個過程變量1 h的時間序列作為輸入；最后根據所選過程變量時間序列數據的特點，采用一維卷積池化的訓練過程提取特征。通過比較不同參數對網絡的影響，選取最優(yōu)的TS-CNN模型。實驗表明，相比二維CNN、CDBN以及DBN軟測量方法，本文提出的基于TS-CNN的水泥熟料fCaO的軟測量模型，其訓練速度更快、泛化能力更好，預測精度更高。