一種基於數據挖掘的立磨運行閉環控制裝置及方法與流程

2023-07-11 15:31:22

本發明涉及水泥流程工業領域的礦渣粉磨領域，特別涉及一種基於數據挖掘的立磨運行閉環控制裝置和方法。
背景技術：
：立磨是一種用於將大顆粒的礦渣等物料研磨至細微顆粒的設備，主要對建材、化工、鋼鐵等行業產生的廢渣進行粉磨，實現廢渣的再利用，經研磨得到的微粉通常作為水泥生產的原料。但是礦渣粉磨裝置工藝複雜，工作環境惡劣，長期高負荷運行，同時立磨生料粉磨過程具有強耦合、非線性、大滯後等特點，且存在物理、化學變化，建立準確的立磨生料粉磨過程機理模型很難。因此，何準確地建立立磨生料粉磨過程的模型並對立磨生料粉磨過程關鍵參數進行優化控制，是亟待要解決的問題。目前，有很多學者對立磨生料粉磨過程建模進行了深入研究。秦偉等人將支持向量機和多元回歸方程應用於立磨粉磨過程的模型的建立，通過模糊聚類分析建立了立磨粉磨過程的專家資料庫，有效的指導了粉磨過程。顏文俊等人通過應用最小二乘法建立了立磨迴路模型，並通過此模型對立磨迴路進行優化控制，顯示了良好的控制精度。劉志鵬等人通過將最小二乘法與支持向量機相結合的方法，對粉磨裝置建立了預測模型，比較準確的預測了立磨運行過程中分離器電流的變化，得到了較高的預測精度。也有學者採用人工神經網絡方法在立磨生料粉磨過程建模。李瑞蓮等人應用bp神經網絡對生料磨機建立了神經網絡模型，基於神經網絡模型，得出了生料最優配料比。高鵬等人應用對立磨裝置進行了模型辨識，建立了模糊神經網絡模型，分析了各因素對立磨振動的影響，該方法避免了陷入局部極小的可能，網絡模型具有良好的泛化能力，很好地解決了非線性立磨裝置建模問題。在上述立磨生料粉磨過程的各種模型中，多數研究人員只探究了立磨運行過程中指標之間一對一的相互關係以及它們對於立磨運行的影響，但是立磨是一個多變量相互親合的裝置，變量之間相互影響，其中一個指標的變化會影響其他指標，進而會對立磨的整體運行狀態產生很大影響。因此，建立一個綜合指標的預測模型具有重要意義。技術實現要素：隨著微粉行業的自動化和信息化程度的提高，dcs控制裝置在工廠中得到了普遍應用，資料庫中積累了大量生產數據。為了解決以上技術問題，本發明提供一種基於數據挖掘的立磨運行閉環控制裝置與方法。具體技術方案如下：一種基於數據挖掘的立磨運行閉環控制裝置，該裝置包括：數據預處理單元、立磨健康狀態評估指標挖掘單元、立磨健康狀態聚類分析單元、立磨穩定工況模式庫建立單元、立磨狀態評估指標特徵獲取單元、立磨實時特徵參數預測單元、礦渣水分檢測單元、微粉比表檢測單元、立磨運行閉環控制單元；數據預處理單元，對立磨採集的數據進行異常值處理、空值處理、離散化處理和歸一化處理；立磨健康狀態評估指標挖掘單元，利用一種綜合的特徵篩選方法對工況數據進行挖掘分析，得到影響立磨穩定的關鍵參數，作為立磨健康狀態評估的指標；立磨健康狀態聚類分析單元，基於確定的立磨健康狀態評估的指標，對工況狀態進行聚類挖掘分析，得到的各個工況簇的特點，獲得歷史工況中的各個狀態分布情況；立磨穩定工況庫建立單元，根據聚類分析的挖掘結果，定義歷史工況中的運行狀態類別，對工況所屬的狀態進行類別標註和篩選，得到穩定模式工況庫；立磨狀態評估指標特徵獲取單元，分析立磨運行狀態下的採集的實時數據的特點，確定進行實時狀態判斷的特徵值；立磨實時特徵參數預測單元，利用arima算法對立磨健康狀態特徵獲取單元中確定的特徵值訓練模型，對參數的變化趨勢進行預測，用預測值輔助狀態識別；礦渣水分檢測單元，實時檢測礦渣原料的水分含量；微粉比表檢測單元，實時檢測微粉比表面積大小，檢驗微粉產品是否合格，便於後續的閉環控制；立磨運行閉環控制單元根據該時刻的狀態指標的數值，並結合arima模型給出的預測值和礦渣水分和微粉比表面積檢測結果，對立磨的運行狀態進行判斷，當判定該時刻的運行狀態為異常時，從穩定工況模式庫中讀取工況記錄，得到推薦的控制目標值，然後根據推薦的目標值對該時刻的可控參數進行控制。進一步地，所述的立磨健康狀態評估指標挖掘單元中，一種綜合的特徵篩選方法由隨機lasso、嶺回歸、隨機森林、穩定性選擇和遞歸特徵消除這五種方法綜合組成。篩選算法是通過求解輸入變量和輸出變量之間的關係，分別使用五種方法對每個特徵的重要性予以打分，對五種得分情況進行處理，按照處理後的得分結果對特徵的重要度進行評估，確定待選特徵集中的關鍵特徵。進一步地，進行立磨運行關鍵特徵篩選的具體步驟如下：1)以振動作為輸出y，以其他特徵為輸入x，分別使用五種方法對待選特徵集進行篩選，計算每個特徵的得分；2)不同的方法特徵篩選的機制不一樣，為消除篩選機制的不同造成的分數差異，對每種算法的得分結果都利用最大最小值的規範化方法進行了處理，把得分限制在了[0，1]之間，然後求每個參數特徵的平均得分，把平均值作為特徵重要性排序的依據，進行特徵值選擇。3)對參數的綜合得分進行分析，結合參數的可控性和實際含義確定對影響振動的關鍵參數。從得分情況看，餵料量、微粉比表、磨機進口壓力、主排風機轉速、循環風閥開度磨機進口溫度的平均值比較低，排除這些得分偏低的特徵參數。得分最高的幾個參數，按照從高到低的順序依次為：料層厚度、磨機壓差、磨機出口溫度、循環風閥開度。4)根據步驟2)和步驟3)中的分析，評估特徵參數的篩選結果。四個得分較高的參數中，磨機壓差、料層厚度、立磨出口溫度三個參數都屬於結果變量，參數的取值是在其他可控變量的綜合影響下得到的結果。而循環風閥開度是控制變量不適合作為工況狀態的判斷指標。進一步地，所述的立磨健康狀態聚類分析單元，基於確定的立磨健康狀態評估的指標，結合實際生產經驗和工況庫中的數據分布，確定了四個穩定判斷指標會導致運行異常的臨界值，在多個臨界值的限定範圍內對預處理後的數據進行進一步篩選，求滿足所有限制條件的數據，得到的篩選結果作為聚類的輸入數據。聚類分析採用的是k-均值(k-means)來發現數據集中的k個工況簇。這裡的k是用戶指定的，算法的目的是找到數據集中的k個簇的質心，把數據集中的點分配給距離該點最近的質心，並將該點分配給該質心對應的類別。進一步地，所述的立磨穩定工況模式庫建立單元，按照對聚類分群中數據狀態的定義，完成對已有的運行工況記錄的類別標註，把穩定工況類別標籤設置為0，非穩定工況標籤設置為1，並從中提取穩定工況，建立穩定模式工況庫。進一步地，所述的立磨狀態評估指標特徵獲取單元，以振動、料層厚度、磨機壓差、磨機出口溫度這4個狀態評估指標的實時數據為基礎，計算每個參數在取數窗口時間內的均值、方差和異常值出現次數，把得到的結果作為穩定工況判斷的特徵變量。進一步地，所述的立磨實時特徵參數預測單元，採用時間序列算法對運行狀態進行預測，並用得到的預測值輔助狀態判斷。需要預測的參數包括振動、料層厚度、磨機出口溫度、磨機壓差、異常值次數，對這五個參數分別訓練時間序列模型。得到的模型可以檢測一段序列是否是平穩序列，給出參數的數值預測，用預測值輔助狀態識別。根據立磨工況的特點，由於環境等外部因素和其他參數對振動的聯合影響，導致工況序列屬於非平穩序列，採用arima模型進行時間序列的建模。平穩序列：對與一個序列{x(t)}，如果數值在某一有限範圍內波動，序列有常數的均值和常數方差，並且延遲k期的序列變量的自協方差和自相關係數是相等的，則該序列是平穩序列。差分運算：假定兩個序列的時間間隔為t，差分運算就是把相隔為k個t的序列的對應值做減法運算，k＝1時，稱為一階差分運算。arima模型的實質是在arma運算之前加上差分運算，然後使用arma進行建模，計算公式如下：xt＝φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q該模型認為在t時刻的變量x的值是前p期的x取值和前q期的幹擾ε的多元線性函數。誤差項是當前的隨機幹擾εt，是零均值白噪聲序列。arma模型認為過去p期的序列值和過去q期的誤差項共同影響xt的取值。進一步地，所述的礦渣水分檢測單元，實時檢測礦渣原料的水分含量，進而控制立磨進口的熱風閥開度、冷風閥開度和循環風閥的開度。如果水分含量偏高，增大熱風閥開度和循環風閥的開度，減小冷風閥開度；如果水分含量偏低，則減小熱風閥開度和循環風閥的開，增大冷風閥開度，使得立磨中的水分含量保持在穩定狀態，實現礦渣水分含量、熱風閥開度、冷風閥開度以及循環風閥開度的閉環控制。進一步地，所述的微粉比表檢測單元，實時檢測微粉比表面積大小，檢驗微粉產品是否合格，進而控制立磨選粉機轉速、研磨壓力、餵料量。如果微粉比表面積偏高，增大餵料量，減小選粉機轉速和研磨壓力；如果微粉比表面積偏低，則說明微粉產品不合格，需要減小餵料量，增大選粉機轉速和研磨壓力，使得微粉比表面積大小保持在合格產品範圍之內，實現微粉比表面積、選粉機轉速、研磨壓力、餵料量的閉環控制。進一步地，所述的立磨運行閉環控制單元，在穩定指標中的參數出現異常時，啟動控制程序，程序會從穩定模式庫中搜索控制目標，返回距離當前狀態最近的點作為待選工況。之後，比較當前狀態與待選工況的差異，統計當前狀態調至待選目標時需要控制的參數、需要控制的幅度以及控制參數個數，從這三個維度考慮，從待選工況中確定一個控制目標。控制目標的選取原則是控制個數儘可能少，調節幅度儘可能小。最後，確定調整目標後，按照設定的調節幅度進行參數的調整對可控變量進行調整，直到參數達到目標值。在控制過程中會監測穩定指標的變化走勢，如果指標沒有回歸正常，可以隨時切斷控制進程，進入人工控制環節。一種基於數據挖掘的立磨運行閉環控制方法，步驟如下：1)利用綜合的特徵篩選方法對工況數據進行分析，確定影響穩定的關鍵參數，作為穩定狀態的判斷指標。分析歷史數據中關鍵參數的取值範圍，根據其分布區間，確定觸發穩定控制的臨界值；2)以步驟1)中確定的穩定判斷指標為特徵，對工況狀態進行聚類分析，使用基於k-均值的聚類算法對數據進行挖掘，分析聚類挖掘得到的各個工況簇的特點，獲得歷史工況中的狀態分布情況；3)根據聚類分析的挖掘結果，定義歷史工況中的運行狀態類別，對工況所屬的狀態進行類別標註和篩選，得到穩定模式工況庫；4)對立磨運行狀態下的採集的實時數據的特點進行分析，確定進行實時狀態判斷的特徵值；5)利用arima算法對步驟4)中確定的特徵值進行模型訓練，對參數的變化趨勢進行預測，用預測值輔助狀態判斷；6)根據該時刻的狀態指標的數值，並結合arima模型給出的預測值和礦渣水分、微粉比表面積檢測結果，對立磨的運行狀態進行判斷，當判定該時刻的運行狀態為異常時，從穩定工況模式庫中讀取工況記錄，得到推薦的控制目標值，然後根據推薦的目標值對該時刻的可控參數進行控制。本發明的有益效果主要表現在可以保持立磨生料粉磨過程的穩定運行，提高生料品質和單位產量，保證在工況變化時工藝指標能夠保持在期望範圍內，結合礦渣水分和微粉比表面積檢測結果，對該時刻的可控參數進行閉環控制，實現磨機長期穩定運行。附圖說明圖1為基於數據挖掘的立磨運行閉環控制裝置結構示意圖。圖2為立磨數據的預處理過程圖。圖3為立磨健康狀態評估指標挖掘過程圖。圖4為立磨健康狀態k-means聚類分析流程圖。圖5為k＝3時，聚類分析分群的參數分布概率密度圖，(a)為類別0，(b)為類別1，(c)為類別2。圖6為立磨穩定工況模式庫建立過程圖。圖7為立磨狀態評估指標特徵獲取流程圖。圖8為立磨實時特徵參數預測的時間序列建模過程圖。圖9為振動一段時間內的原始序列圖。圖10為振動一段時間內的原始序列一階差分後的偏自相關圖。圖11為裝置的預測值和實際值的關係圖。圖12為立磨運行閉環控制單元流程圖。圖13為立磨運行閉環控制效果圖。具體實施方式參考附圖能更加全面地描述本發明，圖上顯示本發明的某些實施例，但是並非所有的實施例。實際上，本發明可以以很多不同的形式被體現，不應該把它看作僅限於這裡所闡述的實施例，而應該把本發明的實施例看作是為了使本發明公開的內容滿足可應用的合法要求而提供的。下面結合說明書附圖和具體實現方式對本
發明內容作詳細說明說明。圖1列出了基於數據挖掘的立磨運行控制裝置各單元的功能以及各單元之間的邏輯關係。數據預處理單元，對立磨採集的數據進行異常值處理、空值處理、離散化處理和歸一化處理，為數據的挖掘分析做好了準備；立磨健康狀態評估指標挖掘單元，利用一種綜合的特徵篩選方法對工況數據進行挖掘分析，得到影響立磨穩定的關鍵參數，作為立磨健康狀態評估的指標；立磨健康狀態聚類分析單元，基於確定的立磨健康狀態評估的指標，對工況狀態進行聚類挖掘分析，得到穩定模式工況庫；立磨狀態評估指標特徵獲取單元，分析立磨運行狀態下的採集的實時數據的特點，確定進行實時狀態判斷的特徵值及其獲取方法；立磨實時特徵參數預測單元，利用arima算法對立磨健康狀態特徵獲取單元中確定的特徵值進行模型訓練，預測參數的變化趨勢，用預測值輔助狀態識別。礦渣水分檢測單元，實時檢測礦渣原料的水分含量，進而控制立磨進口的熱風閥開度、冷風開度和循環風閥的開度。如果水分含量偏高，增大熱風閥開度和循環風閥的開度，減小冷風閥開度；如果水分含量偏低，則減小熱風閥開度和循環風閥的開，增大冷風閥開度，使得立磨中的水分含量保持在穩定狀態，實現礦渣水分含量、熱風閥開度、冷風閥開度以及循環風閥開度的閉環控制。微粉比表檢測單元，實時檢測微粉比表面積大小，檢驗微粉產品是否合格，進而控制立磨選粉機轉速、研磨壓力、餵料量。如果微粉比表面積偏高，增大餵料量，減小選粉機轉速和研磨壓力；如果微粉比表面積偏低，則說明微粉產品不合格，需要減小餵料量，增大選粉機轉速和研磨壓力，使得微粉比表面積大小保持在合格產品範圍之內，實現微粉比表面積、選粉機轉速、研磨壓力、餵料量的閉環控制。立磨運行閉環控制單元根據該時刻的狀態指標的數值，並結合arima模型給出的預測值和礦渣水分和微粉比表面積檢測結果，對立磨的運行狀態進行判斷，當判定該時刻的運行狀態為異常時，從穩定工況模式庫中讀取工況記錄，得到推薦的控制目標值，然後根據推薦的目標值對該時刻的可控參數進行控制。如圖2所示為立磨數據的預處理過程圖。數據質量對數據挖掘的分析結果有很大影響。獲取的立磨原始數據中包含了大量屬性，存在錯誤值和異常值，需要對數據進行初步篩選，去除錯誤值和異常值，確保數據的準確性，並去除與挖掘無關的屬性，而且要保證樣本數據的多樣性和特徵信息的完備性。此外，還需要根據算法需求對數據進行處理，使數據滿足算法的輸入要求。所述的數據預處理單元中，數據異常值處理、空值處理，通過數據篩選和數據清洗實現：已有數據中包含了立磨供料、研磨、供風設備、粉塵分離設備、液壓站、熱風爐、倉庫等部分的65個測點獲得的參數屬性。經過屬性篩選後從65個屬性得到包含立磨的30個主要工藝和性能參數的屬性子集，包括立磨的振動、餵料量、電流、研磨壓力、料層厚度，供風裝置冷熱風閥的開度、循環風閥的開度，選粉機轉速、各主要電流等。在立磨啟動、停機以及故障發生前後，由於工況非常不穩定，參數會劇烈波動。而且立磨數據中存在記錄缺失、異常和記錄錯誤的情況。有的記錄缺失某些參數值，有的是人工錄入錯誤或傳感器故障等因素導致的數據偏差、缺失或異常。為了排除這些因素對數據的幹擾，必須對這些缺失記錄和錯誤值進行處理，確保數據的正確、可信，這樣才能保證挖掘結果的可靠和有效性。所述的數據預處理單元中，數據異常值處理、空值處理，由特徵簡約和數據變換實現：綜合考慮立磨數據的特徵分布、企業對參數的人為設置，以及實際運行中參數的可控性等情況，對數據進行簡約，以降低數據的維度，節約數據處理時間。在經過特徵簡約的剩餘14特徵參數中，包含了磨機主機電流、選粉機電流、主排風機電流三個主要電流參數。由於在降低能耗時更關心的是整體生產能耗的減少，而非單個部分的能耗變化，因此構造一個新的屬性用來表徵耗電的大小，命名為總電流。總電流的值等於磨機主機電流、選粉機電流、主排風機電流的代數和。這樣待選特徵集簡化到12個特徵。如圖3所示為立磨健康狀態評估指標挖掘過程圖，具體挖掘步驟如下：1)以振動作為輸出y，以其他特徵為輸入x，分別使用五種方法對待選特徵集進行篩選，計算每個特徵的得分；2)不同的方法特徵篩選的機制不一樣，為消除篩選機制的不同造成的分數差異，對每種算法的得分結果都利用最大最小值的規範化方法進行了處理，把得分限制在了[0,1]之間，然後求每個參數特徵的平均得分，把平均值作為特徵重要性排序的依據，進行特徵值選擇。在立磨數據上應用，算法處理後得到結果如下表1所示。表1不同的特徵選擇方法待選特徵的得分情況方法特徵隨機lasso嶺回歸隨機森林穩定性選擇遞歸特徵消除平均得分餵料量0.100.030.080.180.08微粉比表0.310.390.070.00.090.17料層厚度0.61.01.00.80.710.82磨機出口溫度0.210.450.320.660.420.41磨機進口溫度0.00.00.230.00.140.07磨機進口壓力0.110.00.430.240.130.18選粉機轉速0.060.00.270.00.590.18磨機壓差0.50.790.670.950.950.77冷風閥開度0.290.00.00.00.090.08熱風閥開度0.210.00.010.120.00.07循環風閥開度0.60.210.140.240.330.3主排風機轉速0.010.10.010.00.00.023)對參數的綜合得分進行分析，結合參數的可控性和實際含義確定對影響振動的關鍵參數。從得分情況看，餵料量、微粉比表、磨機進口壓力、主排風機轉速、循環風閥開度磨機進口溫度的平均值比較低，排除這些得分偏低的特徵參數。得分最高的幾個參數，按照從高到低的順序依次為：料層厚度、磨機壓差、磨機出口溫度、循環風閥開度。4)根據步驟2)和步驟3)中的分析，評估特徵參數的篩選結果。四個得分較高的參數中，磨機壓差、料層厚度、立磨出口溫度三個參數都屬於結果變量，參數的取值是在其他可控變量的綜合影響下得到的結果。而循環風閥開度是控制變量不適合作為工況狀態的判斷指標。綜合以上分析，最終確定振動、料層厚度、磨機壓差、磨機出口溫度4個參數一起作為穩定狀態判斷的指標。如圖4所示為立磨健康狀態k-means聚類分析流程圖。結合實際生產經驗和工況庫中的數據分布，確定了四個穩定判斷指標會導致運行異常的臨界值，在多個臨界值的限定範圍內對預處理後的數據進行進一步篩選，求滿足所有限制條件的數據，得到的篩選結果作為聚類的輸入數據。聚類分析採用的是k-均值(k-means)來發現數據集中的k個工況簇。這裡的k是用戶指定的，算法的目的是找到數據集中的k個簇的質心，把數據集中的點分配給距離該點最近的質心，並將該點分配給該質心對應的類別。選取k＝3時，聚類結果如下，聚類中心及每個簇中的數據點個數如表2所示，分群的參數分布概率密度圖如圖5所示。表2k＝3，分群聚類中心表類別料層厚度磨機出口溫度磨機壓差磨機殼體振動類別數目0-0.4646510.564229-0.1108640.52045622761-0.182965-0.963877-0.437062-0.448334217821.5511880.8728791.284423-0.219220937從圖5中可以看出：類別0特點：料層厚的取值範圍在125～135mm之間，磨機出口溫度在100～108℃，磨機壓差在2800～3200pa，振動值集中在7、8、9三個值附近。類別1特點：料層厚的取值範圍在125～144mm之間，磨機出口溫度在95～103℃，磨機壓差在2800～3200pa，振動值集中在6、7、8三個值附近。類別2特點：料層厚的取值範圍在140～150mm之間，磨機出口溫度在102～108℃，磨機壓差在3200～3500pa，振動值集中在6～8之間。選取k＝3時，振動的重疊性較大，其他三個參數的距離間隔比較合理，結合本文數據來源立磨的設計生產建議，取三個聚簇中心時得到的類別0定義為非穩定狀態，類別1和2中的記錄定義為穩定狀態。按照對聚類分群中數據狀態的定義，完成對已有的運行工況記錄的類別標註，把穩定工況類別標籤設置為0，非穩定工況標籤設置為1，並從中提取穩定工況，建立穩定模式工況庫。立磨穩定工況模式庫建立過程圖，如圖6所示：一條工況中包含可控變量作為x，穩定表徵變量y以及類別標籤，對每條工況計算x中的參數與工況庫中已有工況之間的距離，若距離為零，則認為工況庫中已存在該工況，不再重複記錄。否則，將該工況加上時間標籤，以向量形式存入穩定工況庫。如圖7所示為立磨狀態評估指標特徵獲取流程圖，具體獲取過程如下：1)採集t時刻的實時工況數據，對採集到的數據進行空值和異常值檢測，如果讀取的過程中出現空值，捨棄數據或者用歷史均值填補空值。處理完畢，按照設定的穩定指標數據採樣間隔△t，繼續讀取下個採集時刻的數據，進行數據檢測，重複這個過程直至獲得n條記錄；2)在採集n條記錄的過程中，如果有異常值出現，累計每個參數的異常值出現的次數。異常值的判斷依據參照從穩定工況模式庫中得到的各個參數取值範圍，當採集到的參數超出正常範圍，則認為該時刻的數據為異常值。3)計算n條記錄中各個參數的均值和標準差。最後得到每個參數在取數周期內得到的均值、方差和異常值次數三個維度共12個數值作為工況判斷的特徵值，用以穩定狀態的判斷。如圖8所示為立磨實時特徵參數預測的時間序列建模過程圖。根據立磨工況的特點，由於環境等外部因素和其他參數對振動的聯合影響，導致工況序列屬於非平穩序列，採用arima模型進行時間序列的建模。平穩序列：對與一個序列{x(t)}，如果數值在某一有限範圍內波動，序列有常數的均值和常數方差，並且延遲k期的序列變量的自協方差和自相關係數是相等的，則該序列是平穩序列。差分運算：假定兩個序列的時間間隔為t，差分運算就是把相隔為k個t的序列的對應值做減法運算，k＝1時，稱為一階差分運算。arima模型的實質是在arma運算之前加上差分運算，然後使用arma進行建模，計算公式如下：xt＝φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q該模型認為在t時刻的變量x的值是前p期的x取值和前q期的幹擾ε的多元線性函數。誤差項是當前的隨機幹擾εt，是零均值白噪聲序列。arma模型認為過去p期的序列值和過去q期的誤差項共同影響xt的取值。以振動值為例說明採用時間序列進行建模的過程。首先對一段連續時間內採集到的振動值進行平穩性檢測，取數間隔為5秒，連續35個振動取值的數據如下圖9所示，可以看出該序列有上升趨勢，屬於非平穩序列。對序列求取自相關係數，相關係數的絕對值長期大於零，表明該序列具有長期的相關性。對這個序列進行一階差分後得到的偏自相關圖如圖10所示。可以看出一階差分後序列的時序圖在均值附近波動，且波動範圍不大，所以一階差分後的序列是平穩序列。接著對一階差分後的序列進行白噪聲檢測，得到的p值小於0.05，所以一階差分後的序列屬於平穩非白噪聲序列，可以用arma模型進行擬合。接下來對arma模型進行定階，也就是求模型中的參數。進行模型定階主要有兩種方法，一種是根據一階差分的自相關圖呈現的特點，來確定p和q。另一種方法是根據p、q的所有組合得到的bic信息量的大小來確定，選擇令bic信息量達到最小的p、q組合。模型定階後就可以利用建立的arima模型進行預測。預測模型可以給出連續5分鐘的預測值、標準誤差和置信區間，預測值和實際值的關係如圖11所示。從圖中可以看出預測誤差較低，預測值基本能夠反映數值的變化趨勢，模型的預測效果良好。如圖12所示為立磨運行閉環控制單元流程圖。當穩定判斷指標的取值偏離正常範圍，會自動觸發穩定狀態自動控制。具體的調節方法如下：1)當穩定指標中的參數出現異常，啟動控制程序後，程序會從穩定模式庫中搜索控制目標，返回距離當前狀態最近的點作為待選工況。2)比較當前狀態與待選工況的差異，統計當前狀態調至待選目標時需要控制的參數、需要控制的幅度以及控制參數個數，從這三個維度考慮，從待選工況中確定一個控制目標。控制目標的選取原則是控制個數儘可能少，調節幅度儘可能小。3)確定調整目標後，按照設定的調節幅度進行參數的調整對可控變量進行調整，直到參數達到目標值。在控制過程中會監測穩定指標的變化走勢，如果指標沒有回歸正常，可以隨時切斷控制進程，進入人工控制環節。如圖13所示為立磨運行閉環控制效果圖。設定了選粉機轉速、主排風機轉速、循環風閥、熱風閥、冷風閥開度的給定範圍，程序基本實現了平穩運行，初步可以比較穩定的自動調控，控制立磨振動和出口溫度在正常的運行範圍之內。當前第1頁12