神经网络与人工智能在水泥企业的应用

靳 威 荣红敏

（1岚县金隅水泥有限公司， 山西 吕梁 035200；2阳泉冀东水泥有限责任公司， 山西 阳泉 045000）

在水泥熟料生产领域，传统的PID调节方式，已经不能适用现代化生产的需要，这点行业内已经达成了共识。在此情况下，模糊控制的机制及算法在这种情况下应运而生，弥补了PID调节的一些不足。模糊控制一般情况下会结合神经网络预测算法一起工作，以期实现更好的控制效果。因此，这种自动调节控制机制在面对不精确的监测数据，多生产设备状态参数之间的复杂且不定量影响关系，预判式调节等方面都有更好的表现。自主学习，自动优化更是神经网络的重要特性之一。

模糊控制由于其预测模型针对的是相关参数之间的数值关系，因此这种模糊控制机制又存在不足之处：需要对模型进行训练！训练就是让机器进行自我学习。

一方面学习周期长，特别是周围生产设备环境控制参数阙值区间发生较大范围变化时，难以短时间、及时性的进行优化调整。举例说明如果工厂由于特殊情况需要更换原燃材料，或进行较大的工艺调整时，这种控制机制就不能很快完成学习并继续投用，其自主学习的周期可能十分漫长甚至以周或月为单位。一般情况下可能需要工程师介入并人工组织数据对控制模型进行训练，即时这样这个过程也很难在3个月内完成。

另一方面模糊控制在机制上是通过以小步迭代跟踪控制目标的，它假定最优控制值是固定的（或说是相对稳定的），并通过不断的小步调节去逼近这个最优值。因此在面对突然出现的工况变化，需要系统尽快稳定生产参数时，其调节手法就显得笨拙且滞后，很容易出现形似“倒影波”的共振现象。就是说控制参数和被跟踪参数相向波动，总是难以控制稳定下来的现象，其主要原因就是因为控制操作滞后、单次调节量不足、而累积调节量过高造成的。

基于PID、模糊控制方式的这些缺陷，工业级的人工智能控制方式走上前台。经过两年的实践，采用基于人工智能的控制方式，几乎解决了所有PID、模糊控制的所有缺陷与问题。

1 基于工业大数据神经网络人工智能自动化控制系统的实践

1.1 数学控制模型

1. 稳控模型

稳控模型是整个控制系统的核心部件，以毫秒级监测整体产线的运转状态，及时的向产线DCS系统发送产线调节指令，并及时发出预警信号。

2. 量差斜率模型

量差斜率模型以毫秒级动态计算监测点数据的变化特性、变化斜率，为计算调节量准备基础数据。

3. 积分模型

积分模型，根据产线监测点的状态波动，以毫秒级动态计算出变化的最大面积、最小面积，为计算调节量准备基础数据。

4. 预动模型

预动模型以毫秒级自动计算下一步可能向产线发出调节量，是否发出，稳控模型做出判断，预动模型只是动态计算。

5. 补偿模型

补偿模型解决的目标是过量调节后的补偿行为，补偿过大、过小都可能让产线生产不精准。及时性的补偿措施，弥补了产线瞬间的指令不当。

1.2 数据清洗

生产产线每个毫秒都在产生着状态数据，这些数据的状态决定了智能化控制系统的控制方向、控制效果。

从实践来看，产线的生产数据会经常发生莫名其妙的抖动现象，造成这些抖动原因很多，这些瞬间抖动的数据若参与智能化控制计算，将会给产线造成控制不精准、控制效果不良等不利因素。

所以，智能化控制系统必须要对这些“脏数据”进行清洗，确保有价值的数据进入智能化系统，以达到优良的控制效果。

从实践来看，这个数据清洗的工作，效果非常优越。

1.3 产线投产有效率、优秀率

水泥行业一直用运转率来衡量一个企业生产的基本状态。实践证明，投运率这个概念已经满足不了实际的生产考核要求。应该使用产线生产有效率、优秀率来衡量一个水泥熟料生产线的生产状态。

有效率是指产线在工艺指标要求的状态区间内保持的时间与总生产时间相比。很可能投运率100%，而有效率却是60%。所以，有效率才是真正反映水泥熟料产线运转的最好概念。

在有效率基础之上，又可以划分出更高的工艺目标。更高的工艺目标的要求会更加苛刻。在确保有效率达到95%以上的情况下，再计算出产线运转的优秀率。这样，可以通过优秀率的提升，看出工艺的不断改进指标是否落地。

优秀率不是固定的值，是工艺路线按照阶段不断深化的结果。

1.4 促进与互动

人工智能工程、设备工程、工艺工程，三者相互融合、相互促进，形成了螺旋式、以加速度上升的过程。人工智能工程非常明确的告知管理者什么设备需要进行技改，确保了设备改造的投入花在了刀刃上。由于人工智能工程的使用，让产线更加平稳，工艺给工艺的改进提供了较大的空间。而工艺的改进，又让人工智能工程的控制参数更加精细化。形成了等腰三角形的对称、稳定关系，三者缺一不可。

从实践来看，比如对氨水喷枪的技改，再加上智能化系统的跟进，氨水使用量最大化减少，节约氨水达到40%。对篦冷机的改造，再加上智能化系统的跟进，让热效率的再利用、熟料质量的提升，都表现出卓越的效果。

2 生产神经网络下的人工智能控制系统的技术优势

经过实践，积累了5大控制模型：动态稳控模型、量差斜率计算模型、预动控制模型、补偿对冲模型、积分计算模型。

这五大模型的应用，以及模型之间相互组合、相互嵌套的应用，满足了水泥熟料生产产线的所有控制思路，让产线一直处于平稳的状态！

同时，还有一些辅助的模型。如数据清洗、震荡等。这些模型的组合或者嵌套组合，构成了产线的工业大脑，随时应对产线发生的各种状态，并及时的按照最合理的方式发送执行指令。

我们提出的“有效率”概念是指使被控目标稳定在最优状态的时间百分比。产线运转有效率确保95%以上。传统的概念：即使投运率100%，可能有效率才60%。产线有效率的大小决定着产线的综合收益。做到稳产、高产、高质、节能的极致，是让生产设备配合最优秀的工艺以及最稳定的控制。才可以完成。所以，有效率不仅反映综合收益情况，也是反映生产工艺是否不断深化、提升的要点。

人工智能的核心就是如何开展、利用机器学习，让产线的生产工艺参数不断优化，不断给工业大脑提供更加逼近最优的控制策略、控制方向，以达到更优的控制效果。

3 结语

采用基于工业大数据的神经网络人工智能技术，构造更符合人性理解、人性操作、人性感知的应用系统环境。系统平台启用之时，首先一步到位的模拟优秀中控室操作员的操作习惯，然后再在这个基础之上进行自我完善优化。最大程度的节省了机器自我学习自我完善的漫长过程，让企业的生产线的生产控制更加符合人性习惯，调整更加高效，设备运转更加有效、更加安全。