水泥烧成多种APC+RTO控制应用

　　 PART/1 水泥熟料烧成当前投运现状分析
水泥熟料生产工艺过程复杂，影响生产工艺的变量多且耦合明显，控制难点主要集中在以下几个方面：
1）被控对象及环境复杂：水泥熟料烧成是大容量生产过程，物料量巨大，且在多种物质运动的同时进行着复杂多变的物理化学反应。
2）控制参数众多：水泥回转窑的控制参数多达数百个，这些参数之间存在强烈的耦合关系，相互影响，需要准确的分析和操作。
3）热工制度稳定要求高：水泥回转窑物料在长达数十米的封闭窑内发生物化反应，由于回转窑特性，无法进行有效的仪表监控，因此需保证整个烧成热工制度的稳定，并且要时刻检测和控制窑头窑尾温度、压力等关键参数，确保窑内烧成带稳定。
传统控制采用PID回路及DCS控制常规仪表的做法，虽然能够起到一定的稳定生产作用，但是存在一些显著的弊端，例如：熟料质量不稳定、高度依赖操作人员生产经验、煤单耗和电单耗高等。目前在水泥行业也做了很多APC先进控制的工作，确实大大提升了水泥生产过程的指标稳定性，但是仅仅是短期达到了该效果，从长期投运效果来看，还是存在无法适应水泥熟料原料、烧成工况改变等变化，造成APC系统投运困难，长期有效投运率低。

PART/2 工艺控制难点分析
针对水泥控制过程进行详细分析，对于当前算法无法长期适用主要存在以下几个方面原因：
a）原材料质量差异带来的控制响应时变差异
从工厂整体运营发展角度，为降本增效，对于石灰石、原煤采购在长周期生产过程中必然存在变化，甚至部分工厂存在频繁更换不同产地原煤、煤矸石、石灰石，这样对于传统PID和APC控制形成了灾难性难题。
传统PID虽然鲁棒性较强，可极大提升适应性，但是其也存在控制适应边界，当超过PID控制适应边界，那么系统必然失控；其次传统APC绝大多数采用MPC算法，MPC算法是一种极为优秀的算法，但是该算法得基础来源于对历史数据的分析，并根据历史上对被控对象影响较大的因素进行响应分析，但是当原材料质量产生较大差异，煤质更换甚至掺入煤矸石，或者新增替代燃料，那么此时无论PID还是MPC算法均会失控，造成系统窜生料等工况发生。
　　b）当前PID及APC算法不具备RTO功能
PID及APC算法从根本上用来提升自控率，解决控制精度问题。因此对于装置实时优化RTO，没有相应算法支撑。RTO核心主要解决由于装置生产负荷变化或者工况变化，自动去修改装置对应工艺参数设定值，从而确保整个装置控制效果达到最佳或者能耗最佳。该功能是传统PID及APC算法无法实现的。
　　c）多输入多输出强耦合系统
影响最终水泥烧成的关键因素有生料流量、窑尾煤量、煤粉质量、替代燃料用量、三次风温度等直接关联因素，导致不同工况下各工艺参数强弱直接影响到系统的稳定性。
　　d）大滞后难以克服
现场实际生产数据表明，生料入窑到篦冷机产生变化的纯滞后时间就长达50分钟以上，窑内过程参考工艺参数没有，且窑况变化基本需要8小时以上才能发生趋势性变化，相当于黑匣子控制过程。常规PID回路的控制难以适应，导致水泥烧成装置的长期自动投运率过低。

PART/3 智能生产控制系统解决方案
整体控制策略设计分为两部分，其中第一个为多重APC控制响应算法提升控制过程响应效果，提升水泥生产过程适应性，另一部分则作为实时优化RTO算法，实现对水泥烧成过程的工艺参数优化，从而确保水泥窑持续处于稳定状态，两者构成整个优化控制系统[3]。

3.1多重APC控制响应算法
针对水泥烧成过程的原材料质量差异，设备特性变化造成的控制强非线性、强耦合性，控制响应过程难以规律化问题，需要采用多种APC控制响应算法。该算法主要分为变PID控制，智能软伺服算法、专家观测器算法及重叠响应控制算法。

在控制层，该四种算法的多种组合可以针对不同控制对象进行适应性提升。例如鲁棒性最好的PID需要进行改良，可有效缓解传统PID对于非线性控制适应性问题。同时智能软伺服算法可以采用模糊人工控制方案，该算法基于MPC算法原理可实现当系统产生偏离时快速纠偏的控制策略；专家观测器算法采用了人工智能预测算法，对控制对象演变趋势有效预测，提前干预；重叠控制算法则基于最快响应原则，采用历史数据库工况，筛选当前工况下最佳运行参数，直接进行推荐闭环，先将系统直接控制回基本工况，加强系统应急操作。

3.2多重实时优化RTO算法
实时RTO算法主要是分析控制对象，筛选在控制过程中可有效表征装置核心状态参数的变量或者依据多种参数综合判定，将装置当前工艺参数控制在一个合适的设定值上。
在该应用现场，主要应用了综合判据、智能纠偏模型和Keres机器学习+LSTM神经网络算法三种RTO算法。
基于Keres机器学习+LSTM神经网络算法，我们通过对核心装置参数进行数据特征挖掘与分析，生成了“工况可视化系统”。“工况可视化系统”可以直观地展示出实时工况的演变过程，并判断出实时工况是否为“常见工况”，表盘内即为常见工况，表盘外为需要关注的不常见工况。
为实现运行参数优化及能耗优化，“基于工况可视化的参数推荐”包含了烧成系统、生料磨系统和煤磨系统，并在生料磨、煤磨和篦冷机系统找出了最佳工况区域（即：高产低能耗），具备从历史数据挖掘最佳工况并持续将装置运行点优化至最佳工况的能力。

PART/4水泥烧成RASO智能优化控制系统应用范围
本次智能生产技术改造可分为四大RASO控制域，分别为：窑尾控制域、窑头控制域、煤磨控制域、原料磨控制域。四大RASO控制域共计43个子控制器，各控制器变量清单如下表1所示：

结论
基于多重APC控制响应算法、多重实时优化RTO算法、基于Keres机器学习+LSTM神经网络算法的“工况可视化的参数推荐”功能，使得水泥窑APC+RTO控制系统具有系统建模简单方便、算法抗干扰性强、可保证长期投运并持续让装置最佳状态运行的核心优势，可以有效解决常规PID、MPC控制器的响应慢，对原料适应边界过窄等问题，具有较高的推广价值。