水泥作为生产混凝土和砂浆的基本材料,广泛应用于建筑、水利、交通等工程领域,中国改革开放后能源工业快速发展,伴随而来的是环境污染问题加重,水泥生产过程中消耗不可再生能源以及排放大量有害气体,任何一种工艺或者设备上的改进,都会对整个生产过程起到推动作用,实现节能减排,促进水泥工业的可持续发展。本文以陕西省安康市某4000t/d水泥厂为对象,在全面分析新型干法水泥工艺的基础上,针对水泥产线范围广、跨度大、关联设备多等特点,选用浙大中控WebField ECS-700控制系统进行设计,并根据磨机粉磨过程中负荷难以检测的问题,提出不同的磨机负荷预测模型,本文的研究内容主要如下:(1)根据控制要求和生产工艺完成了包括系统整体设计、硬件配置、软件配置的总体控制架构。将新型干法水泥工艺分为生料制备粉磨、预热器加热分解、熟料煅烧和水泥制成四个工段,每工段设置一个现场控制站,操作节点间的通讯网络采用基于TCP/IP的工业以太网,控制网络采用冗余光纤环网,解决了产线稳定运行的远距离通讯问题。采用VFExplorer控制平台进行硬件配置,根据变送器信号接入和产线设备控制要求计算控制点位并留出适当余量,确定控制器、I/O模件的数量、型号及相关配置。硬件配置完成后使用VFFBDBuilder编程软件按照设备控制要求搭建连锁程序,最后利用VFHMICfg软件依据工艺流程组态上位机画面并链接位点数据。(2)水泥生产过程的大多数能耗用于水泥原料粉磨,而磨机负荷是评价粉磨机运行状态的重要指标,因此能准确判断磨机负荷状态显得尤为重要。为了响应国家可持续发展号召,降低生产能耗,针对磨机粉磨过程中负荷难以检测的问题,本文提出一种基于改进型粒子群算法优化RBF神经网络的磨机负荷预测模型。以RBF预测模型为基础,利用PSO算法优化RBF网络的中心向量、基宽参数和隐层至输出层的连接权,通过改进惯性权重因子提出一种非线性变化的惯性权重递减策略,平衡局部与全局粒子搜索能力之间的矛盾使其能快速准确的找到最优解。仿真结果表明RBF模型预测值与实际值偏差较大,PSO-RBF以及IPSO-RBF模型的预测精度均远高于RBF,PSO-RBF模型预测值与实际值相接近,IPSO-RBF模型的预测值与实际值的变化曲线几乎一致,误差最小,相较于PSO-RBF,IPSO-RBF模型的决定系数R~2提高了0.0795,均方根误差RMSE、平均绝对误差MAE和均方误差MSE分别降低了50.1%、48.1%和75.1%,充分证实改进后算法的有效性。本文根据生产线的功能要求设计了水泥厂DCS系统,针对磨机负荷难以检测问题,综合考虑磨机负荷的影响因素,建立磨机负荷的相关预测模型,在理论研究基础上结合工程背景,为后续相关研究提供技术支撑。