国内外水泥生产自动化及测控技术介绍

促进包括水泥行业在内的原材料工业两化融合与智能化发展，应用互联网、云计算、大数据、物联网与现代制造业有机结合，推动传统行业结构优化与产业转型，由自动化向智能化发展，是我国工业发展的重要方向。自动化及测控技术是实现智能化的基础，为此，本文对国内外水泥行业生产自动化及测控技术运行的现状进行介绍，以期为我国水泥工业智能化发展提供一定的参考。

　　作为典型的流程工业，水泥行业生产过程主要包括生料粉磨、熟料煅烧和水泥粉磨等环节。为此，本文以水泥生产工艺流程为主线来介绍。

1　生料粉磨

1.1　生料自动配料

　　自动配料的前提是实时掌握生料化学成分的变化，并及时反馈给配料系统，调整皮带秤速度。因此，生料化学成分的在线检测是实现自动配料的关键。

　　近红外线光谱（NIR）分析和伽马中子活化是目前在线检测生料成分较为流行的方法。NIR分析方法的原理是吸光度与目标成分的含量呈线性关系，而总吸光度是各成分吸光度的线性组合，因此非常适合对生料成分进行在线检测。伽马中子活化分析是利用热中子辐射俘获产生的伽马射线对物质进行成分分析，根据伽马能谱特征峰的能量和强度便能够确定元素的种类和含量。

　　文献[1]介绍了ABB SOLBASTM技术，其是NIR方法用于矿物分析的一种延伸，其扫描速度非常快，波数测量范围是4000cm-1至12000cm-1，可提供准确连续的测量值。基于该方法的SpectraFlow在线分析仪可安装于空气输送斜槽或皮带上方，扫描的光谱传输到工业计算机进行数据处理，即进行生料化学成分分析，而无需在取样站取样及在化验室分析。分析仪主要包括一个基于ABB FTIR的光谱仪和相关操作装置，无需对空气输送斜槽或皮带进行改造（如图1所示）。为了稳定生料的化学成分，阿曼莱苏特水泥厂在生料输运皮带上安装了SpectraFlow在线分析仪[2]（如图2所示）。据介绍，SpectraFlow分析仪投入运行后已实现了节约能耗5%~10%、产量提高3%的目标。

图1　安装于斜槽（左）和皮带（右）上的SpectraFlow在线分析仪

图2　阿曼莱苏特水泥厂的SpectraFlow分析仪

　　国内有部分水泥企业采用了伽马中子活化分析技术，应用最早的是华新水泥厂。文献[3]介绍了华新水泥厂在2000年就使用在线中子活化分析仪实现水泥生产质量前馈控制的技术应用和效果。该技术具有较好的准确度和精确度，同时由于是实时分析，可及时调整生料配比，增强均化库的均化效果。据介绍[3]，应用该技术后，生料化学成分的均匀性大大提高，出磨生料三率值的标准偏差达到SKH=0.01，SSM=0.07，SAM=0.04，为稳定生产提供了原料保障。与此同时，德国水泥协会（VDZ）“第五届水泥制造工艺技术国际大会”也表示，“结合有效的开采控制，借助于在线中子测试分析仪可使堆场原料化学成分均匀”，从而使得“生料均化库更多地是作为预防生料磨停机的缓冲储存，而非为入窑前生料均化而建立的”。

　　目前，伽马中子活化技术已被国内外诸多水泥企业用于在线监测石灰石等原料的成分。根据监测结果，由在线监测系统实时调整生料配比，使出磨生料成分波动水平达到入窑生料控制水平，减小对生料均化库均化作用的依赖，提高入窑生料成分稳定性，进而稳定生产过程。同时，国内有诸多厂家提供原料在线监测设备，如美国的赛默飞世尔科技(Therm SCientific)和国产的丹东东方测控技术股份有限公司等。据统计，截至2015年8月，后者在国内水泥企业已销售约90套。而随着未来低品位、多组分矿石的增加，企业对生产管理水平要求的提高，该技术具有良好的应用前景。

1.2　生料细度在线测量

　　稳定的原料化学成分易于实现生料粉磨的自动/智能控制。而智能控制的前提是识别相关控制模型，如喂料量与磨内压差、磨机出口温度与喷水量、选粉机转速与生料细度等（以立磨为例）。其中，喂料量、振动、压力、温度、喷水量、转速等参数均可通过现有传感器或计量装置实时测得，而生料细度的测定往往是通过人工采样并筛分获得，具有严重的滞后性。为此，生料细度的在线监测是实现粉磨智能控制的关键。

　　生料细度在线测量方法包括软测量与实际测量，前者指应用易测过程变量（辅助变量）和待测过程变量（主导变量）之间的数学关系，建立细度软测量模型，实现细度在线检测；后者指采用激光衍射仪等装置在线测量与细度相关的变量，继而通过数学转换实现细度的在线测量。

　　文献[5]介绍了软测量技术在生料立磨细度在线检测中的应用，作者采用基于最小二乘支持向量机的实验模型，利用国外某6000t/d水泥熟料生产线DCS系统的历史数据和相应时刻化验室离线分析值，基于生料喂料量、研磨压力、选粉机转速和磨内压差四个参数来预测生料细度，获得了生料细度软测量模型，实现了对生料粒度的在线检测，并可以指导磨操对关键工艺参数的精确调节。当然，除了基于最小二乘支持向量机的模型外，还可通过神经网络、模糊预测、专家规则等方式实现生料细度的在线软检测。

　　应用激光衍射仪等装置对生料、水泥细度进行在线检测是非常成熟的技术，两者的检测原理相同。20世纪90年代，日本就有三种水泥粒度在线检测方法发表并得到应用，分别是采用空气透过法、高性能分级机和激光衍射法。目前看来，激光衍射法的应用前景最好。其原理在于激光在传播过程中，遇到颗粒时，会发生一定的衍射和散射，而其光能的空间（角度）分布与颗粒粒径有关，通过测量各特定角光能量即可反映颗粒粒径分布情况。诸多文献对该技术应用于水泥颗粒粒径在线监测进行了介绍，如文献[6]对激光衍射法在线测定水泥细度进行介绍，包括装置组成、数据通信、测试结果等，表明上述系统能充分满足水泥细度的控制要求。

　　但是，无论是软测量还是激光衍射仪在线监测，目前国内生料细度在线测量相比水泥颗粒细度的在线测量分析，其应用并不广泛，其主要原因在于：广泛应用于生料粉磨的立磨系统的操作难点在于避免立磨振动过大，进而发生跳停；因生料中掺有黏土导致激光衍射仪法应用于生料细度测量具有一定难度；由于企业对生料细度与粉磨电耗、煅烧能耗的认识并不充分，在不追求精细化生产的情况下，对该技术的需求并不迫切等。

1.3　生料粉磨系统自动控制

　　对生料粉磨过程中较为简单的控制系统，如磨入口压力与循环风门开度，系统风量与循环风机阀门开度等，可通过基本的PID调节来实现控制[7]；而针对自动喂料、自动调节研磨压力等具有非线性、长时滞特性的过程，可基于新型PID控制、模糊预测等方法，建立相关控制模型，实现生料粉磨系统的智能控制。

　　文献[8]和[9]分别介绍了新型PID控制算法用于生料立磨系统的控制，包括磨内压差、出口温度、磨内通风和磨机入口负压等。如基于模糊PID控制通过考察磨内压差实际值与控制值的误差和误差变化率，在基于模糊控制规则的情况下，在线对PID控制参数进行修改，从而使磨内压差的控制具有响应速度快、到达稳态时间短等优势。

　　与窑炉和水泥磨智能控制相比，生料粉磨智能控制系统的研究和应用明显偏少，其主要原因在于大部分控制参数可通过传统PID实现一对一控制，而基于生料细度、水分等复杂控制则由于重视程度不够、测量过程滞后等原因，研究和应用较少。

2　熟料烧成

2.1　关键参数实时测量

　　实现关键参数实时测量的途径包括：采用硬件设备的直接测量，以及应用神经网络、模糊预测、流体力学（CFD）模拟软件等软测量方法。

　　Powitec公司的PiT Navigator非常重视关键参数的采集，如火焰温度、篦冷机料层状况等。PiT  Navigator认为“火焰就是描述窑内状况的语言”，因此也有人将PiT称为“智能看火工”[10]。其采用摄像机、侧视摄像头等设备来直接监测窑内火焰温度、替代燃料大小、篦冷机内熟料层厚度与分布等；在获取相关视频信号后，采用指示器（数字图像处理）进行智能CCD或红外热成像分析，从而获得温度和火焰的瞬态变化。

　　除此，PiT Navigator还具有软测量功能，即对熟料fCaO含量、生产过程NOx浓度、C3S含量变化等进行预测，其原理是基于神经监控网络的模型预测。该技术预测精度非常高，以图3为例，“绿色”线条表明fCaO含量的预测值，“红色”点为fCaO的实测值，两者非常接近，绝对误差普遍在0.1%以内。除了直接应用神经网络外，还有其他方法，如模糊预测、模型预测等可用于对相关参数的软测量。文献[11]介绍了利用局部线性神经模糊（Locally Linear Neuro-Fuzzy，LLNF）技术来对水泥窑进行非线性预测和模型仿真，其通过采集和选择生料喂料量、燃料消耗量、窑转速、高温风机转速、二次风压力等数据，经过高峰调节、均一化、数据延迟估算等前处理，采用局部线性模型算法进行网络结构和参数的寻优，实现对窑内火焰温度、CO含量等参数的在线软测量，测量结果具有较好的精确度。

图3　PiT Navigator预测fCaO与实验值对比

　　文献[12]介绍通过CFD软件模拟仿真分解炉内风速、温度等参数，针对性地对分解炉进行技改，取得很好的效果。

　　除了神经网络、模型预测等软测量手段外，应用CFD技术模拟水泥窑炉内温度场、速度场、化学组分浓度场等也逐步成为对难以直接测量参数进行监测的主要手段。CEMEX Ostzement水泥厂应用简化后的CFD模型对窑炉内气体和物料的温度、火焰内部信息、窑内矿物组分的变化等参数进行在线模拟，并将其整合到原有的操作优化系统中，实现了替代燃料利用率的最大化。除了对生产操作参数的监测外，国外水泥企业开始流行高效SNCR技术，即应用在线CFD模拟获得分解炉温度场和速度场，继而找出SNCR反应温度窗口范围，揭示内部流场情况（见图4的模拟结果，显示了对应管道内的温度分布及流场分布），并基于此控制不同水平喷嘴的喷氨量，从而提高SNCR脱硝效率，减少氨水喷入量。文献[13]介绍该技术在德国水泥厂的应用情况，表明其可以在NOx初始浓度为900~1000mg/Nm3的情况下控制排放浓度150~250mg/Nm3，同时减少氨水用量30%。

图4　CFD模拟分解炉管道温度窗口（左）和流场（右）

2.2　熟料烧成过程智能控制

　　基于生产DCS数据、实时采集的关键生产操作参数等，即可应用PID控制、模糊预测、专家系统、模型预测等控制技术对熟料烧成过程进行智能控制。就智能控制软件而言，2006年以前装机数量较多的有ABB的Optimiser/Linkman和史密斯的ECS/Process Expert。近几年又有许多新的专家软件涌入市场，包括Pavilion公司的Pavilion8 MPC和Powitec公司的PiT Navigator，此外还有一些通常不单独提供的控制软件，如Lafarge集团的LUCIE专家系统一般只在其集团内部使用，以及Polysius公司的PolexpertKCE/MCE专家系统一般只随其EPC总包项目提供[10]。在此仅介绍部分专家系统及其应用情况。

　　ABB Optimiser专家优化控制系统采用模糊逻辑理论及类神经网络和模型预测控制（MPC），通过调控燃料、喂料、窑速、冷却系统等多方面参数，寻求目标最优控制，如最低能耗、最大产量等目标。系统设置6个子系统：窑、篦冷机、生料磨、水泥磨、热能管理、电能管理。其中窑子系统包括窑输入处理模块、窑主模块和优化模块。文献[14]介绍了该系统在国外某水泥厂的应用情况，表明该系统实现了最长5个工作日的窑系统无人值守，保证了系统的稳定运行，并且实现了最大产量及最低能耗的目标。巴西Votorantim Cimentors水泥公司[15]针对所使用替代燃料的热值、成分等频繁波动的问题，采用了该优化控制系统。系统使用了一种“虚拟燃料”，可以根据O2和CO的测量值调整喂煤量，从而稳定窑炉工况，降低烧成热耗。

　　Pavilion8 MPC[16]采用的控制原理是多变量非线性过程优化控制技术，其采用数学模型来实施控制，可以保持生产过程一直在最优化的条件下进行。如对于窑系统的多变量非线性控制，操作变量是窑的进料量、燃料量、转速以及冷却速度，控制系统不断调整操作变量，从而维持控制变量，如fCaO含量等在目标值范围内。德国Dyckerhoff水泥厂为了优化由三种不同燃料组成的燃料系统，在其窑系统上安装了一套该控制软件。系统运行9个月后，非常成功，为公司大大减少了燃料成本。

　　PiT Navigator系统除用于关键参数测量的功能外，还在水泥窑优化控制方面有成熟的技术方案。在应用摄像机、侧视摄像头、指示器等采集如火焰温度等关键参数后，系统首先对数据进行分析，如误差分析、依赖性分析、多维复原真实场景、分类归纳等，进而识别最重要的信息，发现可以优化的点；基于分析结果和预测功能，采用复杂工艺的自动优化闭环控制（NMPC）对水泥窑炉和冷却机进行优化。

　　Lafarge的LUCIE专家系统采用的是模糊控制理论，它将工艺操作人员的经验、规则加以总结，运用语言变量和模糊逻辑的理论归纳出控制算法去进行控 制[17]。传感器接收监控信号后进行信息处理，识别工艺运行的正常、可疑、异常状态，自动选择长期行动、短期行动，根据操作人员经验，自动实施相关计算与评估，从而保持生产稳定，精准控制产品质量，以及氮氧化物的最小排放。

　　专家控制系统的核心是由大量实际操作经验而编写的规则库，计算机系统根据预设的规则库进行推理和判断实现实时控制，但其包含三个方面的问题：①系统控制精度取决于所编写规则的复杂性；②系统的调试有很大的难度，越是控制精度高的系统，相关的专家规则越多，则调试时间越长，可能存在的漏洞也越多；③系统的可移植性较差。模糊预测是专家控制系统和模糊规则的融合，其灵活性和可移植性比专家系统稍好。但其基础仍然是专家规则，并不能从本质上解决专家系统的缺陷。这两者的优点在于，在设计中不需要建立被控对象的精确数学模型，因而使得控制机理和策略易于接受与理解，设计简单，便于应用。

　　神经网络模型预测控制的优势在于，神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现，且具有强大的自学习能力。应用过程中，可根据大量DCS历史数据建立控制系统模型。然而，其同样存在一定缺点，如无法解释推理过程和推理依据，而且当数据量不充分或者缺少相关参数时，神经网络所建立的模型精度有限。

　　国内大部分水泥企业在自动化和智能化方面还做得不够，仍然采用人工操作模式，如基于DCS系统反馈的生产信息数据，人工进行加投物料、燃料及控制窑炉运行等。这种半自动化的方法在很大程度上仍然依赖人工技能和经验，很难实现窑炉优化操作运行和精细化管理，必然带来生产运行不稳定、能耗高、热效率低、产品质量和产量波动大等诸多问题。因此，建立窑炉智能控制系统，稳定生产过程，实现节能降耗，将是未来一段时间发展的重点。

　　而针对市场上存在的种类繁多的智能控制系统，企业需针对自身情况进行选择，如部分企业没有安装烟室气体成分在线测量仪，甚至预热器出口的气体分析仪都无法正常工作，则最好选择基于大量计算规则的专家系统或模糊控制系统；部分企业原燃料情况波动较大，甚至燃料由多家单位供应，则最好选择神经网络模型预测控制系统。

3　水泥粉磨

　　水泥粉磨过程控制的目的在于保证水泥细度、温度等指标的前提下实现产量的最大化和电耗的最低化。与生料粉磨广泛采用立磨的粉磨方式不同，国内水泥粉磨仍广泛采用球磨机，或球磨机与辊压机预粉磨、联合粉磨等系统。其控制参数包括磨内通风、循环负荷、磨机进出口压差等。与其他过程控制相同，水泥粉磨智能控制的前提仍是识别相关控制参数及控制模型。

　　与生料细度在线测量方法类似，水泥细度在线测量也广泛采用基于激光衍射法的直接测量和基于神经网络等先进算法的软测量，且与生料在线测量相比，取得了较高程度的应用，在此不再赘述。前述的熟料烧成智能控制系统一般也提供水泥粉磨的智能控制方案，因两者的控制方法相似，在此仅对PiT Navigator系统和LUCIE系统的水泥磨智能解决方案进行介绍。

　　Powitec公司的PiT Navigator系统也提供了水泥磨的智能解决方案。其为每台水泥磨安装了两个“水泥磨指示器”（即“电耳”）用以反应磨内物料的填充程度，同时在选粉机入口、回料和成品收集的相关部位安装了振动传感器（如图5所示），用以反应相关物料量，继而求得循环负荷、选粉机效率等参数。在此基础上，通过“水泥磨导航器”对水泥磨机和选粉机等设备进行优化控制。该导航器可实现相关数据自动采集与分析，并通过自适应、自学习的非线性模型预测控制来实现对水泥磨的智能控制，其控制测量流程如图6所示。

　　Lafarge的LUCIE系统也提供了水泥磨的智能控制方案。据介绍[17]，其控制的基本原则是：稳定磨机物料总的通过量；优化水泥的细度；优化磨机物料总的通过量来提高磨机产量。该系统的控制方法为模糊控制，其将工艺操作人员的经验加以总结，运用模糊逻辑的理论归纳出相应算法进行控制。总体来讲，首先采集磨喂料量、回粉量、磨机功率、磨音、出磨斗式提升机功率、选粉机转速、磨差压或出口压力等信号；继而应用标准化参数表对这些信号进行处理，转换成无量纲的数值；然后通过模糊控制的规则由输入的信号对磨机总通过量、磨内物料量、水泥细度等进行评估；最后通过模糊化参数表做出模糊决策，进行自动控制。笔者曾在都江堰拉法基水泥有限公司见到该系统运行情况，系统投入后，磨机控制非常平稳，中控室5台水泥磨仅有1名操作人员控制，且磨机产量、质量合格率几乎为100%。

图5　PiT水泥磨传感器安装示意

图6　PiT水泥磨控制系统

　　除了国外的水泥磨优化控制系统外，国内也有部分控制系统。应用于北京琉璃河水泥有限公司2号水泥磨的“水泥磨优化控制系统”是由西安艾贝尔科技发展有限公司研发的软件系统。据介绍[18]，该系统在通过噪声传感器获得磨机料位的基础上，可结合磨机电流、出口压力、提升机电流等参数，应用智能PI控制算法自动控制磨机喂料量；通过比较比表面积指标值与实际值，结合出磨提升机功率和入库提升机功率，求得磨内循环负荷，继而对入磨分料阀进行控制，保证磨机循环负荷的稳定。除此，浙江邦业科技有限公司也建立了水泥“粉磨控制系统”，通过综合考虑粉磨细度与产量，磨内负荷与循环风量，料层厚度、研磨压力、磨机及出口差压等参数，建立了有效的粉磨控制模型，有效控制了空磨及饱磨现象。

　　总体而言，与窑炉智能控制相比，粉磨智能控制系统因控制参数较少、参数耦合性较低等而易于实现，但其最大的难点在于部分关键参数无法实时测量，如水泥细度、颗粒分布、循环负荷等。

4　总结

　　总体而言，我国水泥企业生产智能化运行水平远远落后于国外先进水平，其主要表现为过程控制关键参数的缺失和优秀控制系统的缺乏。前者主要指窑炉火焰温度、窑炉气体成分、水泥细度等关键参数无法实现在线直接测量或软测量；后者主要指国内现有控制系统往往存在控制过程简单、控制效果差等问题。而与此同时，在生产智能控制的基础上，国外先进水泥企业已开始在设备一键启动、智能化维护及实验室智能化运行等方面展开了部署。

作者：王俊杰1，田桂萍2，汪　澜1

作者单位：1.中国建筑材料科学研究总院　绿色建筑材料国家重点实验室；2.建筑材料工业技术情报研究所

文章摘自《水泥》杂志2015年第10期