立项背景

目前欧洲、日本等先进发达国家的水泥企业，自动化水平较高，但工艺制造水平已远远落后于国内。国外主要采用焚烧垃圾、动物内脏、废旧轮胎等替代燃料技术降低能耗，但由于国内政策、国情的原因，替代燃料技术推广很慢

国内新型干法水泥生产均用DCS进行控制，耗能主要在“两磨一烧”过程中；生产过程中收集了大量数据，但对数据的深度分析利用不足，没有充分发挥数据本身价值，以及数据背后价值。各水泥企业主要采取装备升级、工艺改造、精细化操作、密封堵漏等措施降能稳质减排，致力于研究风煤料最佳组合，但每一条生产线设备、原材料、气候等存在差异，操作人员认知和操作习惯也不尽相同，因此，这个最佳组合范围一值是行业内探索研究的重点

随着大数据技术的发展，数据已经成为重要的生产资料。目前建模方式主要有理论建模、传统系统辨识和数据驱动的智能建模方法。其中，理论建模和传统系统辨识，属于传统建模方法，理论建模通常被称之为“白箱”，模型通常预先给定，当系统发生变化时，固定的模型很难应对动态变化的控制需求；传统系统辨识通过分析过程内在的运作规律，运用已知的原理定律定理在长期的实践中建立过程经验模型。传统建模方法是建立在理论分析的基础之上的，需要依赖大量的专家知识，通常需要对研究对象的内部运作规律有深入的了解和认识，而熟料煅烧过程相当复杂，受原材料化学成分、煤粉成分、风温、风压和设备磨损等众多因素影响，很难完全从机理上归纳其内在规律

项目原理

基于云计算平台，将智能生产系统、智能质控系统、智能物流系统、数字矿山系统、智能设备管理系统、智慧能源管理系统等异构的海量数据进行融合；利用深度神经网络算法构建质量、能耗预测模型，实现核心生产过程的无人值守；通过大数据算法在经验模型约束的优化空间中精确寻优，实现产线实时动态的最佳卡边运行，达到产量提升和能耗优化的运行目标；面对原（燃）料成份波动对熟料质量影响的现状，建立熟料强度软测量关系模型，动态优化控制参数，保障熟料质量的稳定性；利用神经网络算法对数据的学习能力和算法迁移能力，自适应学习优化，实现对不同产线、不同工况下模型的动态在线更新；沉淀形成核心生产过程无人值守控制算法、能耗优化算法、质量预测算法等，克服了严重依赖一线工人经验的缺点，使相应研究成果具备了在整个水泥行业批量复制的能力

创新点

1、首次将机器学习等人工智能技术引入传统水泥行业，实现水泥生产的优质稳定运行

2、利用神经网络对数据学习和模型迁移能力，实现算法模型的在线更新，满足算法不同产线、不同工况下的长期自适应需求

3、实现水泥行业多类工业设备接入统一，兼容多种工业设备和接口协议，实现不同设备之间的互联互通

4、支持对产品历史工艺、人员信息、原料信息等工业数据的静态结构化数据，对生产设备实时状态数据、实时操作工艺数据、实时产品质检数据等半结构化数据，对工业视频摄像机、音频数据、文本记录数据等非结构化数据等多源异构工业数据处理与集成，海量数据管理与处理

5、建立实时多变量与熟料强度的软测量关系模型，实现熟料质量的实时预测，解决实时生产过程中对熟料质量的不确定性

效益对比

2019年东华水泥熟料产量240万吨，实物煤耗下降7kg/吨，实物煤单价按照780元计算，节约煤炭1310万元。电耗下降3kW.h/吨，平均电价0.6元，节约电费432万元。水泥产量400万吨，熟料掺加比下降2%，每个熟料点按照2.5元计算，节约熟料成本2000万元。全年节约金额合计3742万元。综合能耗折算节约标煤15284吨，减排二氧化碳10240吨，氮氧化物238吨，二氧化硫252吨

可推广范围

采用新型干法水泥生产工艺的熟料线均可适用