具体实施方式

为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图，对本发明作进一步详细说明。

如图1所示，本发明的基于全自动游离氧化钙分析仪数据实时预测熟料f-CaO的方法，具体包括如下步骤：

步骤一，数据采集和处理，具体为：

采集现场数据：获得现场控制系统DCS中生产数据、全自动游离氧化钙分析仪检测数据以及全自动游离氧化钙分析仪取样时间，实时采集水泥生产的过程数据值，本发明中共采集水泥生产系统过程数据1000多个点位，主要包含分解炉喂煤量反馈、高温风机转速反馈、分解炉出口温度、二室篦下压力反馈、EP风机转速、喂料量、窑头负压、二次风温反馈、窑电流、窑尾温度等。

进行数据处理：针对所采集的现场数据存在不良值的情况，采用滤波降噪、标准等预处理方法对数据采集异常值进行处理，具体为：

异常值剔除：对水泥烧成现场数据采集过程中，由于生产现场事故的影响或者传感器故障，某些参数发生突变，造成的存在明显异常的采集数据进行直接剔除处理；

一阶滤波处理：对测量信号进行滤波处理，消除信号的噪声对控制的影响。

所述滤波采用一阶滤波，又称一阶惯性滤波，或者一阶低通滤波，对滤除信号中的高频部分噪音有着良好的效果，一阶滤波的表达式如下：

Y(n)＝Coef*X(n)+(1-Coef)*Y(n-1)，

其中，X(n)表示本次滤波输入值，新的采样信号；Y(n)表示本次滤波输出值；Y(n-1)表示上次滤波输出值；Coef表示滤波系数，值在0～1之间，根据实际需要选择合适的滤波系数，通过调节滤波系数可以调整滤波的强度，若滤波系数越接近1，则滤波越弱，即越接近原始信号；若滤波系数越接近0，则滤波越强。

步骤二，选取变量确定初始参数，具体为：

首先对水泥烧成工艺以及熟料f-CaO的生成机理进行深入研究，并分析各变量对熟料f-CaO的影响程度，选取与熟料f-CaO密切相关的特征输入，作为预测熟料f-CaO的辅助变量。

熟料f-CaO的生成机理可知，熟料f-CaO含量主要取决于生料的成分和烧成系统的煅烧情况。初步选取熟料f-CaO辅助变量集合为：石灰石饱和比KH、硅酸率SM、铝酸率IM、窑主机电流、二次风温、烟室NOx、烟室温度、二室篦下压力、分解炉出口温度、窑转速、三次风温度、分解炉喂煤量、高温风机转速、EP风机转速、喂料量,窑头负压、比色高温等多个变量。

通过分析水泥工艺选取的变量作为熟料f-CaO软测量的输入变量，每个变量的时间序列作为模型输入；所述输入变量为从相应的控制系统DCS中采集的样本数据集，样本数据集包括有标签和无标签的训练数据集、预测数据集，对样本数据进行统一最大最小归一化处理和异常值剔除处理。

步骤三，分析数据，建立熟料f-CaO预测模型，具体为：

如图2所示，针对水泥烧成过程的多变量耦合、非线性不确定时滞等特性，通过数据的相关性分析，确定预测模型的特征变量，即输入变量；将特征变量作为输入，将全自动游离氧化钙检测仪1h/次的熟料f-CaO数据作为输出，将所有输入输出变量进行归一化处理，构建基于时间序列的熟料f-CaO预测模型，模型表达式为：

f-CaO＝k0+k1x1+k2x2+k3x3+k4x4+k5x5+k6x6+k7x7+k8x8

其中，k0表示截距；k1-k8为各参数的贡献率，具体的，k1表示比色高温；k2表示石灰石饱和比KH；k3表示硅酸率SM；k4表示铝酸率IM；k5表示高温NOx；K6表示烟室温度；k7表示看火亮度；K8表示二次风温。

步骤四，预测熟料f-CaO数据自动矫正，具体为：

在同一时间序列中，采用全自动游离氧化钙检测仪获取熟料f-CaO数据，对预测计算得到的熟料f-CaO数据进行对比矫正，调整熟料f-CaO预测模型参数。

具体的，首先全自动游离钙检测仪每次取样时，会发出一次脉冲信号，系统记录下取样时间，然后将取样时刻的预测熟料f-CaO数据与全自动游离氧化钙检测仪的结果进行对比矫正，给与全自动游离氧化钙检测仪熟料f-CaO数据一定的置信度，以该值作为标准，进行迭代调整熟料f-CaO预测模型参数，实现模型的熟料f-CaO预测自动滚动优化。

结合初步熟料f-CaO预测模型，配置相应的模型参数，具体包括：

设置置信因子与安全检查：由于化验值分析中存在不确定性，引入一个置信因子来补偿该不确定性。置信因子beliefFactor的范围在0～1之间，值越接近于1，表示越相信最新的化验值。在实际计算过程中，校正系数BiasRatio/BiasAdd还要增加上下限约束，超过后强制等于上下限。

对全自动游离氧化钙检测仪检测的熟料f-CaO值进行校正安全检查：

①最大值检查：如果化验值大于最大值，这个值会被拒绝。

②最小值检查：如果化验值小于最小值，这个值会被拒绝.

③变化率检查：如果化验值偏差大于最大偏差量，这个值会被拒绝.

④采样时间检查：如果采样时间与当前时间间隔大于最大采样间隔，该化验值会被拒绝。

如图3所示，化验值校正系数的计算采用相对值校正方法或绝对值校正方法。

在使用所述两种方法之前先计算软仪表的预测输出值与化验值的偏差：

BiasDifference＝Lab-PredUnbiased，其中，Lab表示化验值；PredUnbiased表示同一采样时刻下的软仪表的预测输出。

由于化验分析需要时间，化验值的输入时间一般要比采样时间晚。所以根据系统获取的取样时间，将化验值与软仪表的输出值进行比较来得到化验值偏差，根据化验值偏差得到最终经过矫正的预测值。

以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。