一种基于搜索空间变动的水泥粉磨过程多目标优化方法

计算;推算;计数设备的制造及其应用技术1.本发明属于数据分析、数据驱动和多目标优化领域，特别是涉及一种基于搜索空间变动的水泥粉磨过程多目标优化方法。背景技术：2.中国作为世界上最大的水泥生产国，水泥产量在40年里得到迅速增长，且生产总量占世界的50％以上。虽然我国水泥产量居于世界前列，但其生产过程中的自动化、智能化水平并不高，导致资源没有得到合理有效的利用，造成大量粉尘等污染物的产生，对生态环境产生巨大影响。水泥粉磨系统是一个由多道工序组合而成的复杂过程，在水泥生产过程中有着重要地位，水泥成品比表面积、电耗和产量是粉磨过程中需要衡量的重要指标，多指标间的优化对提高经济效益和提升产品质量至关重要。然而，由于各指标间关联耦合，缺少协作的多目标优化方法，导致能源利用率低，比表面积不稳定。此外，水泥粉磨过程工况动态变化，决策变量的优化求解调动幅度较大，造成生产系统不稳定。因此，在保证电耗、产量和比表面积共同优化的同时，兼顾生产过程平稳进行，是水泥粉磨过程的核心问题。技术实现要素：3.本发明针对上述背景技术中存在的问题，提出了一种基于搜索空间变动的水泥粉磨过程多目标优化方法，旨在解决水泥粉磨过程中多目标优化建模问题以及通过优化算法得到的解尽可能减小决策变量调度，保证水泥粉磨过程稳定问题。4.为实现上述目的，本发明采用了如下技术方案，具体步骤如下：5.步骤s1、获取数据集：通过gbdt从水泥粉磨系统历史数据中选取与水泥成品比表面积、电耗、产量相关的决策变量。6.步骤s2、构建预测模型：分别构建水泥成品比表面积、电耗、产量的tcn预测模型并使用处理好的数据进行训练。7.步骤s3、构建目标函数：应用训练好的预测模型构建目标函数。8.步骤s4、多目标优化模型求解：应用nsga-ii算法对水泥粉磨过程多目标优化模型进行求解。9.步骤s5、进行稳定性阈值判断：得到pareto前沿解后，启动稳定性策略，判断pareto前沿解的稳定性是否达到阈值。达到阈值的解多于一个，则选取比表面积合格且产能比最低的解作为优化解。10.步骤s6、启动搜索空间变动策略：若不存在达到稳定性阈值的解，则启动搜索空间改变策略，并重新进行优化，指导得到满足稳定性阈值的解。11.步骤s7、进行滚动优化：进行时域滚动优化，得到动态条件下水泥粉磨过程优化结果。12.进一步地，所述步骤s1中，从历史数据中选出与水泥成品比表面积、电耗、产量相关的决策变量具体步骤包括：13.构建gbdt模型：gbdt全称为梯度提升决策树，是一种迭代决策树算法的集成模型，其基本原理是通过每次迭代产生一个弱学习器，弱学习器由cart回归树构建，每个分类器在上一轮分类器的残差基础上进行训练，直到迭代次数完成，每次迭代后，拟合的残差都会减小，即gbdt每次迭代采用的都是残差逼近的方法。最后将迭代产生的弱分类器按一定的结合策略得到强学习器。gbdt每次迭代都是为了减少上一次迭代的残差，为了减少残差，可以在残差减小的梯度方向上建立模型。gbdt模型建立的核心在于利用损失函数的负梯度方向在当前模型的值作为残差的近似值，进而拟合一棵cart回归树。14.gbdt算法基本步骤：15.(1)选取训练集t＝{(x1，y1)，(x2，y2)，…，(xn，yn)}，迭代次数m和损失函数，初始化弱分类器：[0016][0017](2)对于m＝1，2，……，m执行以下步骤：[0018]1)对i＝1，2，……，n计算近似残差：[0019][0020]2)对近似残差rim拟合一棵回归树，得到第m棵树的叶节点域rjm，j＝1，2，……，jm即一棵由j个叶节点组成的树。[0021]3)对j＝1，2，……，jm计算最佳拟合值：[0022][0023]4)更新分类器：[0024][0025]其中，[0026](3)得到最终的强学习器：[0027][0028]特征j的全局重要度是以特征在单颗树中的重要尺度的平均值来衡量：[0029][0030]其中m是树的数量。特征j在单颗树中的重要度如下：[0031][0032]其中l为树的叶子节点数量，l-1即为数的非叶子节点数量，vt是和节点t相关联的特征，是节点t分裂之后平方损失的减少值。[0033]将历史数据中的决策变量输入到训练好的gbdt模型中，模型根据上述两个重要度的式子计算得到每个变量的重要度，然后将重要度按照从大到小进行排列，根据排序结果对历史数据进行选取，得到与水泥电耗数据相关输入变量，从而实现了一个高维数据向低维数据空间映射的过程，去除了数据冗余性。根据gbdt模型选取的与三个指标相关的决策变量分别为：[0034]用于预测水泥成品比表面积的决策变量有：球磨出口压力x1、辊压机固端开度反馈x2、循环风机变频反馈x3、出磨斗提电流反馈x4、定辊电流反馈x5、动辊电流反馈x6、循环风机挡板开度x7、主机电流x8、入库提升机电流反馈x9、辊压机仓重反馈x10、选粉机转速反馈x11、选粉机进口压力x12。[0035]用于预测电耗的决策变量有：定辊电流反馈x5、动辊电流反馈x6、循环风机挡板开度x7、主机电流x8。[0036]用于预测产量的决策变量有：循环风机挡板开度x7、主机电流x8、入库提升机电流反馈x9、辊压机仓重反馈x10、选粉机转速反馈x11、选粉机进口压力x12，辊压机开端开度反馈x13、磨机回粉量x14、喂料斗提电流反馈x15。[0037]进一步的，所述步骤s2中，构建时间卷积网络模型：时间卷积网络模型由输入层、tcn网络层、全连接层及输出层构成，tcn网络层包括多个tcn残差模块。tcn残差模块又是由扩张因果卷积、weightnorm层、relu激活函数和dropout层组成，weightnorm层能够提高模型准确性、加快模型训练速度，relu激活函数能够解决深度学习训练过程中梯度消失的问题，dropout层通过随机失活神经元的方式避免出现过拟合情况。通过引入一个1*1卷积，使得输入输出数据维度相同。[0038]具体包括：[0039]构建因果卷积网络：因果卷积的特点在于网络输出长度等于输入长度，且当前时间的输出仅与前一层中该时刻和更早的元素卷积有关，与未来时间的信息无关。假设时间序列数据x＝(x1，x2，…，xn)，滤波器为f＝(f1，f2，…，fk)，则在xt的因果卷积为[0040][0041]式12中：k为卷积核大小。[0042]引入扩张卷积层：由于时间序列建模的长度会受到因果卷积中卷积核大小的影响，为了提取更多信息，这里引入了扩张卷积。其原理是通过间隔卷积核的数量指数级增大感受野，使得较大范围的信息被包括，顶层输出代表更大范围的输入特征，通常，扩张因子是以2的指数形式增加。则当扩张因子为d时，xt处的扩张卷积表达式子为：[0043][0044]引入残差卷积层：通常网络深度越深，网络的表达能力也会越强，但同时新的问题如梯度爆炸、梯度消失等也会随之产生，为了避免这些问题，在前面设计的基础上引入残差卷积层，使得更深层的时间卷积网络能力退化问题得到改善。残差卷积层即构建残差块，残差块的定义为：[0045]y＝f(x，wi)+xꢀꢀꢀ(14)[0046]其中，wi为第i层的权重系数，f(x，wi)是时间卷积网络需要学习的残差映射，y是要预测的输出向量。[0047]其中，relu激活函数为：[0048][0049][0050]式中，w(1)，w(2)为对应输入的权重矩阵，v和e为残差网络的权重和偏置项，s(i，j)为第j块第i层的激活函数，st(j.l)表示t时刻扩张卷积后引入残差后的结果，t时刻的指标预测结果即是对各个卷积层的输出结果进行跳跃连接相加，在这个过程中，满足其中是的结果。[0051]其中，当残差输入的数据维度与残差输出数据维度不相同时，引入一个1*1卷积确保二者数据维度保持一致。[0052]根据对时间t的指标进行预测，预测得到的为：[0053][0054]其中，为权重矩阵，q为偏置项。[0055]进一步地，所述步骤s3中，构建以水泥成品比表面积和能产比为目标的目标函数，具体模型表达式为：[0056][0057]式中，j1表示水泥成品比表面积越接近其标准值350m2/kg越好；[0058]j2表示最大限度降低水泥粉磨过程中的能产比，即电耗与产量的比值；[0059]x1表示在水泥粉磨过程中与水泥成品比表面积q(x1)相关的12个变量；[0060]x2表示在水泥粉磨过程中与电耗e(x2)相关的4个变量；[0061]x3表示在水泥粉磨过程中与产量y(x3)相关的9个变量；[0062]x4表示在水泥粉磨过程中与能产比r(x4)相关的11个变量；[0063]q(x1)表示水泥成品比表面积，其需满足质量要求；[0064]xi表示各决策变量，其需满足各设备的运行条件。[0065]进一步地，所述步骤s4中，通过nsga‑ⅱ对水泥粉磨过程多目标优化模型进行求解，具体包括：[0066]步骤s41：参数设置。设置初始约束条件、决策变量个数、种群规模n、算法迭代次数p、时域滚动次数m。[0067]步骤s42：种群初始化。根据各决策变量的上下限随机生成大小为n的初始种群。[0068]步骤s43：非支配排序和拥挤度计算。[0069]步骤s44：交叉和变异操作。对父代种群进行交叉变异操作生成子代种群，将父代种群和子代种群合并为新种群。[0070]步骤s45：对新种群进行非支配排序，计算拥挤度。[0071]步骤s46：通过拥挤度排序选取出新的父代种群。[0072]步骤s47：判断是否到达算法迭代次数，若到迭代次数，则停止算法并得到pareto前沿解集。[0073]进一步地，所述步骤s4中，得到的pareto前沿解为：[0074]xf＝{x|x∈rank1}[0075]式中，xf为pareto最优解集；[0076]rank1为分支配排序后的第一级非支配层。[0077]进一步地，所述步骤s5中，具体包括：判断pareto前沿解的稳定性是否达到阈值，若达到阈值的解多于一个，则选取比表面积合格且产能比最低的解作为优化解。稳定性指标设计为：[0078][0079]式中，xq为pareto前沿中某个解的第q个决策变量值；[0080]为决策变量当前值；[0081]和是决策变量xq的最大值和最小值；[0082]cq表示为第q个决策变量的权重；[0083]n为决策变量个数。[0084]进一步地，所述步骤s6中，具体包括：若不存在达到稳定性阈值的解，则改变决策变量约束条件，并重新进行优化。直到得到满足稳定性阈值的解。改变搜索空间策略应用公式如下所示：[0085][0086]式中，b、a分别为决策变量当前约束边界上、下限；[0087]为决策变量当前设定值；[0088]b′、t′分别为决策变量变约束后的约束边界上、下限；[0089]r为常数且r大于等于1。[0090]进一步地，所述步骤s7中，进行滚动时域优化，并判断是否达到滚动次数，若达到滚动次数，则算法终止，否则再次进行优化。具体包括：每次优化时域定义为t分钟，从t0时刻开始，根据t0到t0+th的数据预测得到t0+th到t0+th+tr的数据，通过优化算法对水泥粉磨多目标优化模型进行求解，得到从t0+th到t0+th+tr时刻决策变量优化解，通过优化解对各设备进行调度，下一次优化从t0+tr时刻开始，根据t0+tr到t0+tr+th时刻的数据预测得到t0+tr+th到t0+2tr+th的数据，通过求解后得到t0+tr+th到t0+2tr+th的运行指标优化值，由此循环往复。[0091]由于采用了上述技术方案，本发明取得的技术效果为：[0092]本发明提出的一种基于搜索空间变动的水泥粉磨过程多目标优化方法，该方法考虑了实际生产状况、各决策变量的约束边界，建立以水泥粉磨过程能产比和水泥成品比表面积为目标函数的多目标优化模型，实现了能产比降低、优化水泥成品质量的目的，提高了生产性能。同时为保证该过程动态、稳定进行，在nsga‑ⅱ中加入搜索空间变动策略、稳定性策略和滚动时域策略，提出了一种改变搜索空间的非支配遗传算法，该算法通过对决策变量调度进行稳定性分析，设置搜索空间变动策略，使求解符合实际工况，并通过滚动时域策略使其能处理动态工况下的优化问题，验证该优化方法的有效性。附图说明[0093]图1为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法的流程示意图；[0094]图2为本发明实施例提供的构建gbdt模型的流程示意图；[0095]图3为本发明实施例提供的tcn结构示意图；[0096]图4为本发明实施例提供的比表面积预测结果；[0097]图5为本发明实施例提供的电耗预测结果；[0098]图6为本发明实施例提供的产量预测结果；[0099]图7为本发明实施例提供的滚动时域优化原理图；[0100]图8为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法在设置不同稳定性阈值下能产比均值变化趋势图；[0101]图9为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法在设置不同稳定性阈值下比表面积均值变化趋势图；[0102]图10为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法在设置不同稳定性阈值下稳定性均值变化趋势图；[0103]图11为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法在设置不同稳定性阈值下所选的决策变量调度均值变化趋势图；[0104]图12为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法优化后的能产比与历史能产比对比图；[0105]图13为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法优化后的比表面积与历史比表面积对比图；[0106]图14为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法优化后的能产比与传统nsga‑ⅱ优化后的能产比对比图；[0107]图15为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法优化后的比表面积与传统nsga‑ⅱ优化后的比表面积对比图；[0108]图16为本发明实施例提供的一种基于搜索空间变动的水泥粉磨过程多目标优化方法优化解稳定性与传统nsga‑ⅱ优化解稳定性对比图。具体实施方式[0109]下面结合附图和实施例对本技术作进一步详细说明，需要补充的是，为了方便叙述，附图中仅示出了与有关发明相关的部分，同时，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。[0110]本发明提供了一种基于搜索空间变动的水泥粉磨过程多目标优化方法，该方法将决策变量调度考虑在内，建立了以能产比和比表面积为目标的水泥粉磨过程多目标优化模型，由此实现了在保证生产过程稳定的前提下，降低能产比，提高水泥成品质量，实现水泥粉磨过程的多目标优化。[0111]图1为一种基于搜索空间变动的水泥粉磨过程多目标优化方法，该方法的原理为：首先，建立了以水泥成品比表面积和能产比为目标的水泥粉磨过程多目标优化模型，使生产性能得到提升。其次，提出了一种改变搜索空间的nsga‑ⅱ算法。该算法在nsga‑ⅱ中加入搜索空间变动策略、稳定性策略和滚动时域策略，在提升生产性能的同时减小决策变量调动幅度，保证生产过程稳定。[0112]该方法包括以下步骤：[0113]步骤s1、获取数据集：通过gbdt从水泥粉磨系统历史数据中选取与水泥成品比表面积、电耗、产量相关的决策变量。[0114]步骤s2、构建预测模型：分别构建水泥成品比表面积、电耗、产量的tcn预测模型并使用处理好的数据进行训练。[0115]步骤s3、构建目标函数：应用训练好的预测模型构建目标函数。[0116]步骤s4、多目标优化模型求解：应用nsga-ii算法对水泥粉磨过程多目标优化模型进行求解。[0117]步骤s5、进行稳定性阈值判断：得到pareto前沿解后，启动稳定性策略，判断pareto前沿解的稳定性是否达到阈值。达到阈值的解多于一个，则选取比表面积合格且产能比最低的解作为优化解。[0118]步骤s6、启动搜索空间变动策略：若不存在达到稳定性阈值的解，则启动搜索空间改变策略，并重新进行优化，指导得到满足稳定性阈值的解。[0119]步骤s7、进行滚动优化：进行时域滚动优化，得到动态条件下水泥粉磨过程优化结果。[0120]通过采集水泥厂水泥粉磨过程中的实际数据作为实例来说明本发明所提的方法，并对每一步进行详细说明。[0121]步骤s1、获取数据集：通过gbdt从水泥粉磨系统历史数据中选取与水泥成品比表面积、电耗、产量相关的决策变量。[0122]具体来说，在一个实施例中，如图2所示，建立gbdt模型步骤具体包括：[0123]s11：建立gbdt模型[0124]选取训练集t＝{(x1，y1)，(x2，y2)，……，(xn，yn)}，迭代次数m和损失函数，初始化弱分类器：[0125][0126]s12：计算近似残差[0127]对于m＝1，2，……，m，执行以下步骤：[0128]对i＝1，2，……，n，计算近似残差：[0129][0130]s13：拟合一棵回归树[0131]对近似残差rim拟合一棵回归树，得到第m棵树的叶节点域rjm，j＝1，2，……，jm，即一棵由j个叶节点组成的树。[0132]s14：计算最佳拟合值[0133]对j＝1，2，……，jm，计算最佳拟合值：[0134][0135]s15：更新分类器：[0136][0137]其中，[0138]s16：得到最终的强学习器：[0139][0140]根据gbdt模型选取的与三个指标相关的决策变量分别为：[0141]用于预测水泥成品比表面积的变量有：球磨出口压力x1、辊压机固端开度反馈x2、循环风机变频反馈x3、出磨斗提电流反馈x4、定辊电流反馈x5、动辊电流反馈x6、循环风机挡板开度x7、主机电流x8、入库提升机电流反馈x9、辊压机仓重反馈x10、选粉机转速反馈x11、选粉机进口压力x12。[0142]用于预测电耗的变量有：定辊电流反馈x5、动辊电流反馈x6、循环风机挡板开度x7、主机电流x8。[0143]用于预测产量的变量有：循环风机挡板开度x7、主机电流x8、入库提升机电流反馈x9、辊压机仓重反馈x10、选粉机转速反馈x11、选粉机进口压力x12，辊压机开端开度反馈x13、磨机回粉量x14、喂料斗提电流反馈x15。[0144]步骤s2、构建预测模型：分别构建水泥成品比表面积、电耗、产量的tcn预测模型并使用处理好的数据进行训练。[0145]具体来说，在一个实施例中，tcn结构示意图如图3所示，建立时间卷积网络并使用数据进行训练得到训练后的tcn预测模型步骤具体如下。[0146]构建因果卷积网络：利用一维全卷积网络体系结构将任意长度的输入映射到相同长度的输出序列，因果卷积的特点为当前时间的输出仅与前一层中该时刻和更早的元素卷积有关，与未来时间的信息无关。假设时间序列数据x＝(x1，x2，…，xn)，滤波器为f＝(f1，f2，…，fk)，则在xt的因果卷积为[0147][0148]式中：k为卷积核大小。[0149]引入扩张卷积层：由于时间序列建模的长度会受到因果卷积中卷积核大小的影响，为了提取更多信息，这里引入了扩张卷积。参照图3，扩张卷积层能够使接受场以指数的形式增长，其原理是通过间隔卷积核的数量指数级增大感受野，使得较大范围的信息被包括，顶层输出代表更大范围的输入特征，通常，扩张因子是以2的指数形式增加。假设时间序列数据x＝(x1，x2，…，xn)，滤波器为f＝(f1，f2，…，fk)，则当扩张因子为d时，xt处的扩张卷积表达式子为：[0150][0151]其中k为滤波器大小，t-(k-k)d为指示过去的方向，扩张因子d为两个相邻的滤波器之间间隔的步长。[0152]引入残差卷积层：通常，网络深度越深，网络的表达能力也会越强，但同时新的问题如梯度爆炸、梯度消失等也会随之产生，为了避免这些问题，在前面设计的基础上引入残差卷积层，使得更深层的时间卷积网络能力退化问题得到改善。残差卷积层即构建残差块，残差块的定义为：[0153]y＝f(x，wi)+xꢀꢀꢀ(13)[0154]其中，wi为第i层的权重系数，f(x，wi)是时间卷积网络需要学习的残差映射，y是要预测的输出向量。[0155]参照图3，构建残差卷积层包括，扩张因果卷积、weightnorm层、relu激活函数和dropout层组成，残差卷积层包括一个分支，引出系列变换f(x)，然后将一次训练后的x序列与f(x)相加，同时将新的x序列作为新一轮运算的输入。[0156]其中，relu激活函数为：[0157][0158][0159]式中，w(1)，w(2)为对应输入的权重矩阵，v和e为残差网络的权重和偏置项，s(i，j)为第j块第i层的激活函数，st(j.l)表示t时刻扩张卷积后引入残差后的结果，t时刻的水泥电耗的预测结果即是对各个卷积层的输出结果进行跳跃连接相加，在这个过程中，满足其中是的结果。[0160]其中，当残差输入的数据维度与残差输出数据维度不相同时，引入一个1*1卷积确保二者数据维度保持一致。[0161]根据对时间t的水泥电耗进行预测，预测得到的为：[0162][0163]其中，为权重矩阵，q为偏置项。[0164]具体来说，在一个实施例中，步骤s2：将水泥成品比表面积、电耗、产量作为tcn预测模型输出，将步骤s1中选取的影响各指标的决策变量作为tcn的输入，分别对三个预测模型进行训练，得到训练好的预测模型。[0165]图4～图6分别为三个指标的tcn测试图，同时还应用了cnn、lstm进行对比，三个指标的预测模型均方根误差(rmse)、平均绝对误差(mae)和相对误差(mre)如表1所示，可以看出通过tcn构建的三个预测模型均具有良好的精度，能够实现不同指标的准确预测。[0166]表1各模型的比表面积、电耗和产量预测模型各误差值[0167][0168]步骤s3、构建目标函数：应用训练好的预测模型构建目标函数。[0169]具体来说，在一个实施例中，步骤s3：以设备实际运行条件和水泥成品质量为约束条件，构建基于能产比和水泥成品比表面积的多目标优化函数。最终得到的水泥粉磨过程多目标优化模型为：[0170][0171]式中，j1表示水泥成品比表面积越接近其标准值350m2/kg越好；[0172]j2表示最大限度降低水泥粉磨过程中的能产比，即电耗与产量的比值；[0173]x1表示在水泥粉磨过程中与水泥成品比表面积q(x1)相关的12个变量；[0174]x2表示在水泥粉磨过程中与电耗e(x2)相关的4个变量；[0175]x3表示在水泥粉磨过程中与产量y(x3)相关的9个变量；[0176]x4表示在水泥粉磨过程中与能产比r(x4)相关的11个变量；[0177]q(x1)表示水泥成品比表面积，其需满足质量要求；[0178]xi表示各决策变量，其需满足各设备的运行条件。[0179]步骤s4、多目标优化模型求解：应用nsga‑ⅱ算法对水泥粉磨过程多目标优化模型进行求解。[0180]具体来说，在一个实施例中，步骤s4，具体步骤包括：[0181]步骤s41：参数设置。设置初始约束条件、决策变量个数、种群规模n、算法迭代次数p、时域滚动次数m。[0182]步骤s42：种群初始化。根据各决策变量的上下限随机生成大小为n的初始种群。[0183]步骤s43：非支配排序和拥挤度计算。[0184]步骤s44：交叉和变异操作。对父代种群进行交叉变异操作生成子代种群，将父代种群和子代种群合并为新种群。[0185]步骤s45：对新种群进行非支配排序，计算拥挤度。[0186]步骤s46：通过拥挤度排序选取出新的父代种群。[0187]步骤s47：判断是否到达算法迭代次数，若到迭代次数，则停止算法并得到pareto前沿解集。[0188]具体来说，在一个实施例中，步骤s47：得到的pareto前沿解集表示为：[0189]xf＝{x|x∈rank1}[0190]式中xf为pareto最优解集，rank1为分支配排序后的第一级非支配层。步骤s5、进行稳定性阈值判断：得到pareto前沿解后，启动稳定性策略，判断pareto前沿解的稳定性是否达到阈值。达到阈值的解多于一个，则选取比表面积合格且产能比最低的解作为优化解。[0191]具体来说，在一个实施例中，步骤s5，稳定性指标设计为：[0192][0193]式中，xq为pareto前沿中某个解的第q个决策变量值；[0194]为决策变量当前值；[0195]和是决策变量xq的最大值和最小值；[0196]cq表示为第q个决策变量的权重；[0197]n为决策变量个数。[0198]步骤s6、启动搜索空间变动策略：若不存在达到稳定性阈值的解，则启动搜索空间变动策略，并重新进行优化，直到得到满足稳定性阈值的解。[0199]具体来说，在一个实施例中，步骤s6，改变搜索空间策略应用公式如下所示：[0200][0201]式中，b、a分别为决策变量当前约束边界上、下限；[0202]为决策变量当前设定值；[0203]b′、a′分别为决策变量变约束后的约束边界上、下限；[0204]r为常数且r大于等于1。[0205]步骤s7、进行滚动优化：进行时域滚动优化，得到动态条件下水泥粉磨过程优化结果。[0206]具体来说，在一个实施例中，步骤s7，如图7所示。每次优化时域定义为t分钟，从t0时刻开始，根据t0到t0+th的数据预测得到t0+th到t0+th+tr的数据，通过优化算法对水泥粉磨多目标优化模型进行求解，得到从t0+th到t0+th+tr时刻决策变量优化解，通过优化解对各设备进行调度，下一次优化从t0+tr时刻开始，根据t0+tr到t0+tr+th时刻的数据预测得到t0+tr+th到t0+2tr+th的数据，通过求解后得到t0+tr+th到t0+2tr+th的运行指标优化值，由此循环往复。[0207]图8表示不同稳定性阈值下，能产比均值的变化趋势，随着稳定性阈值的逐渐增大，能产比均值也相应增大，代表能产比优化结果越来越差；[0208]图9表示不同稳定性阈值下，比表面积均值的变化趋势，随着稳定性阈值的逐渐增大，比表面积均值逐渐升高，并靠近标准值，说明水泥成品质量越来越稳定；图10表示不同稳定性阈值下得到的稳定性均值变化趋势。由结果图可以看出，稳定性均值逐渐增大，代表各决策变量调度变小；[0209]以上结果是由于随着阈值设定的增大，在搜索空间变动策略的影响下，各决策变量的约束边界逐渐变小，能产比优化效果变差，而由于目标间相互冲突，比表面积逐渐接近标准值，符合多目标优化的特点。[0210]图11表示本文所选的决策变量调度在不同稳定性阈值下的变动情况。从图11中可以看出，随着稳定性阈值的增大，各决策变量调度明显下降，说明最终得到的决策变量优化解与当前设定值越接近，有利于保证水泥粉磨过程稳定，减少生产事故的发生。[0211]图12为该方法优化后的能产比与历史能产比对比结果，从中可以看出通过本文提出的方法对模型进行求解后，能产比得到显著降低，历史产能比均值为2.53kwh/t，优化后得到的能产比均值为2.3kwh/t；[0212]图13为该方法优化后的水泥成品比表面积与历史比表面积对比结果，从结果图中可以看出，比表面积的优化结果均值在349m2/kg左右，历史比表面积在338m2/kg左右，本发明提出的方法优化后的比表面积相比于历史比表数据有很大提升，且更贴近于标准值；[0213]图14为本发明提出的方法能产比优化结果与传统nsga‑ⅱ对比结果，从结果图中可以看出，本发明提出的方法平均可将能产比降至2.34kwh/t，nsga‑ⅱ平均可将能产比降至1.95kwh/t，本发明提出的方法优化后的能产比不如nsga‑ⅱ的结果好。[0214]这是由于当优化结果不满足稳定性阈值时，算法通过改变搜索空间策略改变决策变量的约束边界并进行重新优化，当约束边界缩小时，求得的优化解相对会变差，且通过本发明提出的方法优化后的能产比相对变化幅度大一些，这是由于每次约束边界可能都不相同，前后两次优化得到的能产比差距可能会大些，符合多目标优化的特点。[0215]图15为本发明提出的方法比表面积优化结果与传统nsga‑ⅱ对比结果，从结果图中可以看出，本发明提出的方法比表面积优化的结果整体上优于nsga‑ⅱ，通过本发明提出的方法优化后得到的比表面积在350m2/kg左右，而通过nsga‑ⅱ优化后得到的比表面积在342m2/kg到351m2/kg之间，具有一定的优势。[0216]图16为本发明提出的方法优化后得到的稳定性与传统nsga‑ⅱ对比结果。从结果图中可以看出，本发明提出的方法得到的稳定性明显高于nsga‑ⅱ得到的稳定性，由于stth阈值的设定，本发明提出的方法得到的稳定性均高于0.85，而nsga‑ⅱ求得的稳定性最高值也仅仅达到0.68，并且最低值达到0.43，对水泥粉磨过程的稳定的生产十分不利。[0217]虽然通过nsga‑ⅱ求解后得到的能产比优化结果比本发明提出的方法得到的结果好，但这是牺牲生产过程稳定性带来的结果，因此更容易造成生产停滞，严重的会发生安全事故，[0218]本发明提出的一种基于搜索空间变动的水泥粉磨过程多目标优化方法，该方法考虑了实际生产状况、各决策变量的约束边界，建立以水泥粉磨过程能产比和水泥成品比表面积为目标函数的多目标优化模型，实现了能产比降低、优化水泥成品质量的目的，提高了生产性能。同时为保证该过程稳定进行，提出了一种改变搜索空间的非支配遗传算法，该算法通过对pareto前沿解集进行稳定性分析，应用搜索空间变动策略改变约束边界，得到兼顾生产过程稳定性的决策变量优化解，减小了决策变量调整幅度，最后通过滚动时域策略，实现了水泥粉磨过程的动态稳定生产。[0219]参照图8-16，为本发明里一个实施例，为对本发明提供的方法产生的效果加以验证说明，本实施例对本发明方法进行了测试，用实际结果验证了本发明方法的有效性。[0220]应说明的是，以上实施例仅是对本发明原理及实施方式进行了详细的叙述，而非限制本发明的技术方案，本领域的普通技术人员应当理解，在不脱离本发明的精神和范围内，依然可以对本发明进行修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!