1.本发明涉及水泥烧成系统熟料游离钙的预测领域，尤其是一种数据驱动的水泥熟料游离氧化钙的预测方法。
背景技术：2.水泥熟料的品质会直接影响到混凝土的性能，而水泥熟料的品质又和水泥熟料中游离氧化钙(f-cao)的含量密切相关。水泥熟料的游离氧化钙是指熟料中没有以化合状态存在而是以游离状态存在的氧化钙，其过高或过低都会影响水泥的安定性，安定性不良会使水泥制品或混凝土构建产生膨胀下裂缝，降低建筑物质量，甚至引起严重事故。而熟料f-cao含量通常采用人工周期采样进行实验室离线化验的方法，采样间隔久(通常为1小时),测量结果滞后,容易导致调控不及时,造成工况大幅波动,难以满足水泥行业对熟料的质量、产量的迫切需求。因此，实现熟料f-cao含量的预测对于指导水泥煅烧系统的生产调度，能耗控制以及提高混凝土质量有重大意义。但在水泥煅烧过程中，由于生产数据和熟料f-cao含量数据测量周期不一致，数据具有多时间尺度导致的数据量不匹配以及非线性、强耦合性等特点，难以用传统的预测模型来进行准确预测。
技术实现要素：3.本发明需要解决的技术问题是提供一种数据驱动的水泥熟料游离氧化钙的预测方法，建立了基于卷积-双重分布度量-生成对抗网络(c-ddm-gan)模型的水泥熟料f-cao含量预测模型，在双重分布度量-生成对抗网络(ddm-gan)的基础上融合cnn预测网络，将ddm-gan生成的可靠数据应用于cnn预测网络，实现水泥熟料f-cao含量的预测，解决了水泥熟料f-cao难以准确预测的问题。
4.为解决上述技术问题，本发明所采用的技术方案是：一种数据驱动的水泥熟料游离氧化钙的预测方法，包括如下步骤：
5.步骤s1、从水泥煅烧系统的数据库中选取与水泥熟料f-cao含量相关的多个输入变量为辅助变量，将输出变量的水泥熟料f-cao含量值作为预测变量；
6.步骤s2、将预测变量按照辅助变量的有效时段分别进行时间序列扩充，再使用滑动窗口技术平衡数据间的时间尺度，最后将处理的数据进行归一化；
7.步骤s3、搭建ddm-gan模型，将步骤s2中归一化后的数据作为真实的水泥样本数据输入ddm-gan模型进行训练，在ddm-gan模型中生成可靠的水泥样本数据；
8.步骤s4、搭建cnn预测模型，将步骤s3中ddm-gan生成的水泥数据样本与步骤s2中真实的水泥数据样本混合作为cnn预测模型的训练集，输入cnn预测模型中进行训练，同时ddm-gan模型持续生产可靠的水泥样本数据，继续扩充卷积预测网络的训练集；
9.步骤s5、构建c-ddm-gan模型：将cnn预测模型和ddm-gan模型组合为c-ddm-gan模型，应用c-ddm-gan模型实现对水泥生产数据的数据增强和对水泥熟料游离氧化钙的预测。
10.本发明技术方案的进一步改进在于：所述步骤s1中辅助变量分别为窑主机电流、
二次风温、窑尾温度、烟室nox、二室篦下压力、分解炉出口温度、窑头负压、烟室o2、烟室co、窑转速和三次风温并分别定义为x1、x2、x3、x4、x5、x6、x7、x8、x9、x
10
、x
11
和x
12
，预测变量为水泥熟料f-cao含量值，定义为y。
11.本发明技术方案的进一步改进在于：所述步骤s2中辅助变量的测量周期为一分钟，游离氧化钙含量离线测量的周期为一小时，将游离氧化钙含量按照其有效的一个小时时段内进行扩充，扩充完成后，将扩充后的预测变量与其有效时段内辅助变量的时间序列拼接成输入矩阵
12.本发明技术方案的进一步改进在于：所述步骤s3中ddm-gan模型包括编码器、生成器和判别器，生成器为多层反卷积神经网络结构，编码器与判别器为多层卷积神经网络结构，其中编码器与生成器构成变分自编码器，同时生成器与判别器构成生成对抗网络。
13.本发明技术方案的进一步改进在于：所述编码器将输入矩阵本发明技术方案的进一步改进在于：所述编码器将输入矩阵编码为潜在向量z,生成器此时作为解码器将该潜在向量解码至数据空间，得到解码数据潜在向量z和解码数据的表示如下：
14.z＝en(x)＝q(z|x)，
[0015][0016]
其中，en(x)为编码器对输入数据进行编码，q(z|x)为编码结果；de(z)表示解码器对潜在向量进行解码；p(x|z)为解码结果；
[0017]
变分自编码器的先验分布的正则项和重构损失公式如下：
[0018][0019][0020]
上式中，d
kl
为kl散度，q(z|x)||p(z)表示用q(z|x)来拟合p(z)时产生的信息损耗，q(z|x)表示潜在向量z的分布，p(z)表示高斯分布；e
q(z|x)
[logp(dn(x)|z)]表示经过重构后的期望项；
[0021]
变分自编码器的损失函数如下：
[0022][0023]
本发明技术方案的进一步改进在于：所述ddm-gan模型的目标函数如下：
[0024][0025][0026]
上式中，d(x)为判别器对真实数据的判别结果，g(z)为生成器的生成数据，d(g(z))为判别器对生成器的生成数据的判别结果，en(x)为编码器的编码结果，de(en(x))为vae部分的输出，d(de(en(x)))为判别器对vae输出的判别结果。
[0027]
由于采用了上述技术方案，本发明取得的技术进步是：
[0028]
1、本发明根据水泥数据的特征，对水泥熟料f-cao含量数据进行时间序列扩充，统
一变量的时间尺度，再将滑动窗口的原理应用到c-ddm-gan的输入层，使模型能够按照数据的时间序列进行生成，保证生成数据包含原有的时序特征，为水泥熟料f-cao含量的预测提供了大量有效数据；
[0029]
2、本发明中的ddm-gan模型，不同于传统的生成模型仅有一种分布度量方式，该模型通过基于高级特征的分布度量方式和基于整体的分布度量方式共同作用，可以生成可靠的样本数据，对用于预测的数据集进行数据增强；
[0030]
3、本发明建立的基于c-ddm-gan模型水泥熟料f-cao含量样本预测模型，在ddm-gan的基础上融合卷积预测网络，将ddm-gan生成的可靠数据应用于卷积预测网络，实现水泥熟料f-cao含量的预测，解决了水泥熟料f-cao难以准确预测的问题。
附图说明
[0031]
图1为本发明提出的基于c-ddm-gan的水泥熟料f-cao含量预测模型流程图；
[0032]
图2为有效时段扩充示意图；
[0033]
图3为c-ddm-gan的水泥熟料f-cao含量样本预测模型的结构图；
[0034]
图4为ddm-gan网络的结构图；
[0035]
图5为cnn预测网络的结构图。
具体实施方式
[0036]
下面结合实施例对本发明做进一步详细说明：
[0037]
如图1所示，一种数据驱动的水泥熟料游离氧化钙的预测方法，包括如下步骤：
[0038]
步骤s1、根据对水泥生产工艺分析，从水泥煅烧系统的数据库中选取与水泥熟料游离氧化钙(f-cao)含量相关的12个输入变量为辅助变量，如图2中输入层所示，辅助变量分别为窑主机电流、二次风温、窑尾温度、烟室nox、二室篦下压力、分解炉出口温度、窑头负压、烟室o2、烟室co、窑转速和三次风温并分别定义为x1、x2、x3、x4、x5、x6、x7、x8、x9、x
10
、x
11
和x
12
，将输出变量的水泥熟料f-cao含量值作为预测变量，定义为y；
[0039]
步骤s2、将水泥熟料f-cao按照辅助变量的有效时段分别进行时间序列扩充，再使用滑动窗口技术平衡数据间的时间尺度，最后将处理的数据进行归一化；
[0040]
由于水泥熟料f-cao含量数据与所选的12个变量测量周期不同，数据间具有多时间尺度问题。因此对熟料f-cao含量数据进行有效时段扩充，示意图如图2。考虑到水泥熟料f-cao含量离线测量的周期为一小时，选取的12个变量的测量周期为一分钟，为了解决游离钙的测定与过程变量的测量时间尺度不一致的问题，将每个f-cao含量值按照其有效的一个小时时段内进行扩充，与其有效时段内的12个变量的时间序列拼接成输入矩阵从水泥回转窑数据库中导出相关变量数据并进行归一化处理。
[0041]
步骤s3、搭建双重分布度量-生成对抗网络(ddm-gan)模型，ddm-gan模型的结构图如图4所示。ddm-gan模型包括编码器、生成器和判别器，生成器为多层反卷积神经网络结构，编码器与判别器为多层卷积神经网络结构，其中编码器与生成器构成变分自编码器(vae)，此时生成器作为解码器。同时生成器与判别器构成生成对抗网络(gan)。通过这两部分的结合，可以为模型提供基于高级特征的分布度量方式和基于整体的度量方式。
[0042]
将步骤s2中归一化后的数据作为真实的水泥样本数据输入ddm-gan模型进行训练，在ddm-gan模型中生成可靠的水泥样本数据，具体过程如图3所示：
[0043]
编码器将输入矩阵编码为潜在向量z,生成器此时作为解码器将该潜在向量解码至数据空间，得到解码数据潜在向量z和解码数据的表示如下：
[0044]
z＝en(x)＝q(z|x)，
[0045][0046]
其中，en(x)为编码器对输入数据进行编码，q(z|x)为编码结果；de(z)表示解码器对潜在向量进行解码；p(x|z)为解码结果；
[0047]
另外，我们给潜在分布p(z)增加了一个先验分布，迫使器生成的潜在向量能够粗略的遵循先验分布。
[0048]
变分自编码器的先验分布的正则项和重构损失公式如下：
[0049][0050][0051]
上式中，d
kl
为kl散度，q(z|x)||p(z)表示用q(z|x)来拟合p(z)时产生的信息损耗，q(z|x)表示潜在向量z的分布，p(z)表示高斯分布；e
q(z|x)
[logp(dn(x)|z)]表示经过重构后的期望项。
[0052]
而由于判别器的加入，vae部分的输出结果会经由判别器进行判别，取判别器模型的第n层卷积层输出进行均方差计算，将vae部分的分布度量方式变换为基于高级特征的分布度量方式，变换后的变分自编码器的损失函数如下：
[0053][0054]
上式中，dn(x)为判别器第n层卷积层的输出，x为vae部分的输出。
[0055]
生成器与判别器构成生成对抗网络(gan)，为模型提供了基于整体的分布度量方式，通过判别器与生成器的对抗训练，在增强判别器对真实样本与生成样本的区分能力的同时，鼓励生成器拟合真实的数据分布。生成器与判别器组成的gan模型目标是最大最小化其交叉熵损失，公式如下：
[0056]
l
gan
＝log(d(x))+log(1-d(g(z)))
[0057]
上式中，d(x)是判别器对真实数据的判别结果，d(g(z))是判别器对生成器输出的判别结果。
[0058]
我们赋予真实数据的判别结果0.5的权重，解码结果和生成结果各0.25的权重。最终，ddm-gan模型的目标函数由三部分构成，如下：
[0059][0060][0061]
上式中，d(x)为判别器对真实数据的判别结果，g(z)为生成器的生成数据，d(g
(z))为判别器对生成器的生成数据的判别结果，en(x)为编码器的编码结果，de(en(x))为vae部分的输出，d(de(en(x)))为判别器对vae输出的判别结果。
[0062]
步骤s4、搭建卷积神经网络(cnn)预测模型，cnn预测模型为无池化层的多层卷积神经网络模型，将步骤s3中ddm-gan生成的水泥数据样本与步骤s2中真实的水泥数据样本混合作为cnn预测模型的训练集，输入cnn预测模型中进行训练，同时ddm-gan模型持续生产可靠的水泥样本数据，继续扩充卷积预测网络的训练集。
[0063]
cnn预测模型的结构如图5所示。模型将首先对输入数据进行卷积运算，从中提取数据特征，将多层卷积层输出的特征图谱输入全连接层，通过全连接层将局部特征连接为全局特征，以此提高网络的特征提取能力和预测精度。c-ddm-gan模型的结构图如图3所示。cnn预测网络的训练集数据由真实数据和ddm-gan模型生成的数据两部分组成。将ddm-gan生成的数据生成的数据按照所选的12个变量为输入数据，水泥熟料f-cao含量数据为标签数据的形式进行处理，得到和y
′n，并和步骤s2中处理好的数据混合作为cnn预测网络的训练集。并且，可通过多次取样来更新生成数据，使cnn预测模型训练的越来越准确。
[0064]
步骤s5、构建卷积-双重分布度量-生成对抗网络(c-ddm-gan)模型：将cnn预测模型和ddm-gan模型组合为c-ddm-gan模型，应用c-ddm-gan模型中训练好的cnn预测模型，实现水泥熟料游离氧化钙的预测。
[0065]
本发明提出了一种基于c-ddm-gan模型的水泥熟料f-cao含量预测方法，采用ddm-gan和cnn预测网络结合的方式，首先从水泥煅烧系统的数据库中选取与水泥熟料f-cao含量相关的12个变量，同时将水泥熟料f-cao含量数据按照其有效时段扩充，再将12个变量的时间序列数据与水泥熟料f-cao含量数据作为真实数据集输入ddm-gan中进行数据增强，将ddm-gan生成的可靠的样本数据与真实数据混合为训练集用于cnn预测网络的训练，cnn预测网络为没有池化层的多层卷积网络结构。最终，实现水泥熟料f-cao的预测。
技术特征：1.一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：包括如下步骤：步骤s1、从水泥煅烧系统的数据库中选取与水泥熟料f-cao含量相关的多个输入变量为辅助变量，将输出变量的水泥熟料f-cao含量值作为预测变量；步骤s2、将预测变量按照辅助变量的有效时段分别进行时间序列扩充，再使用滑动窗口技术平衡数据间的时间尺度，最后将处理的数据进行归一化；步骤s3、搭建ddm-gan模型，将步骤s2中归一化后的数据作为真实的水泥样本数据输入ddm-gan模型进行训练，在ddm-gan模型中生成可靠的水泥样本数据；步骤s4、搭建cnn预测模型，将步骤s3中ddm-gan生成的水泥数据样本与步骤s2中真实的水泥数据样本混合作为cnn预测模型的训练集，输入cnn预测模型中进行训练，同时ddm-gan模型持续生产可靠的水泥样本数据，继续扩充卷积预测网络的训练集；步骤s5、构建c-ddm-gan模型：将cnn预测模型和ddm-gan模型组合为c-ddm-gan模型，应用c-ddm-gan模型实现对水泥生产数据的数据增强和对水泥熟料游离氧化钙的预测。2.根据权利要求1所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述步骤s1中辅助变量分别为窑主机电流、二次风温、窑尾温度、烟室nox、二室篦下压力、分解炉出口温度、窑头负压、烟室o2、烟室co、窑转速和三次风温并分别定义为x1、x2、x3、x4、x5、x6、x7、x8、x9、x
10
、x
11
和x
12
，预测变量为水泥熟料f-cao含量值，定义为y。3.根据权利要求1所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述步骤s2中辅助变量的测量周期为一分钟，游离氧化钙含量离线测量的周期为一小时，将游离氧化钙含量按照其有效的一个小时时段内进行扩充，扩充完成后，将扩充后的预测变量与其有效时段内辅助变量的时间序列拼接成输入矩阵4.根据权利要求3所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述步骤s3中ddm-gan模型包括编码器、生成器和判别器，生成器为多层反卷积神经网络结构，编码器与判别器为多层卷积神经网络结构，其中编码器与生成器构成变分自编码器，同时生成器与判别器构成生成对抗网络。5.根据权利要求4所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述编码器将输入矩阵编码为潜在向量z,生成器此时作为解码器将该潜在向量解码至数据空间，得到解码数据潜在向量z和解码数据的表示如下：z＝en(x)＝q(z|x)，其中，en(x)为编码器对输入数据进行编码，q(z|x)为编码结果；de(z)表示解码器对潜在向量进行解码；p(x|z)为解码结果；变分自编码器的先验分布的正则项和重构损失公式如下：公式如下：
上式中，d
kl
为kl散度，q(z|x)||p(z)表示用q(z|x)来拟合p(z)时产生的信息损耗，q(z|x)表示潜在向量z的分布，p(z)表示高斯分布；e
q(z|x)
[logp(d
n
(x)|z)]表示经过重构后的期望项；变分自编码器的损失函数如下：6.根据权利要求5所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述ddm-gan模型的目标函数如下：gan模型的目标函数如下：上式中，d(x)为判别器对真实数据的判别结果，g(z)为生成器的生成数据，d(g(z))为判别器对生成器的生成数据的判别结果，en(x)为编码器的编码结果，de(en(x))为vae部分的输出，d(de(en(x)))为判别器对vae输出的判别结果。
技术总结本发明公开了一种数据驱动的水泥熟料游离氧化钙的预测方法，包括如下步骤：步骤S1、从水泥煅烧系统的数据库中选取与水泥熟料f-CaO含量相关的多个输入变量为辅助变量，将输出变量的水泥熟料f-CaO含量值作为预测变量；步骤S2、将预测变量按照辅助变量的有效时段分别进行时间序列扩充，将数据进行归一化；步骤S3、搭建DDM-GAN模型，在DDM-GAN模型中生成可靠的水泥样本数据；步骤S4、搭建CNN预测模型，将DDM-GAN生成的水泥数据样本与真实的水泥数据样本混合输入CNN预测模型中进行训练；步骤S5、构建C-DDM-GAN模型，实现对水泥生产数据的数据增强和对水泥熟料游离氧化钙的预测。强和对水泥熟料游离氧化钙的预测。强和对水泥熟料游离氧化钙的预测。
技术研发人员：郝晓辰 张逸夫 刘林 黄高路 党辉 刘金波
受保护的技术使用者：燕山大学
技术研发日：2022.07.19
技术公布日：2022/11/1
