基于神經(jīng)網(wǎng)絡(luò)的預(yù)分解窯系統(tǒng)分解爐出口溫度建模

王紅君 孟欣欣 趙 輝,2 岳有軍

(1.天津理工大學(xué)天津市復(fù)雜系統(tǒng)控制理論與應(yīng)用重點實驗室,天津 300384；2.天津農(nóng)學(xué)院,天津 300384)

基于神經(jīng)網(wǎng)絡(luò)的預(yù)分解窯系統(tǒng)分解爐出口溫度建模

王紅君1孟欣欣1趙 輝1,2岳有軍1

(1.天津理工大學(xué)天津市復(fù)雜系統(tǒng)控制理論與應(yīng)用重點實驗室,天津 300384；2.天津農(nóng)學(xué)院,天津 300384)

在對水泥預(yù)分解窯系統(tǒng)的結(jié)構(gòu)與工藝流程進行分析的基礎(chǔ)上，分別利用BP神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和改進的遺傳算法神經(jīng)網(wǎng)絡(luò)建立預(yù)分解窯系統(tǒng)分解爐出口溫度控制模型。通過對仿真結(jié)果的對比分析，發(fā)現(xiàn)改進的遺傳算法神經(jīng)網(wǎng)絡(luò)具有更好的溫度控制精度和準(zhǔn)確度。

分解爐出口溫度 預(yù)分解窯系統(tǒng) 改進的遺傳算法神經(jīng)網(wǎng)絡(luò) 建模

在水泥生產(chǎn)過程中，預(yù)分解窯系統(tǒng)分解爐出口溫度的穩(wěn)定對水泥生產(chǎn)具有重要意義，而建立精確的預(yù)分解窯系統(tǒng)分解爐出口溫度控制模型是實現(xiàn)溫度準(zhǔn)確控制的核心。但由于預(yù)分解窯系統(tǒng)分解爐出口溫度具有非線性、強耦合和隨機性特點，對其控制存在較大難度[1]。

目前，水泥生產(chǎn)過程普遍采用的控制策略是PID控制和模糊控制。文獻[2]提到PID控制器結(jié)構(gòu)簡單、調(diào)整方便，廣泛應(yīng)用于各類過程控制中，但在工藝操作時難以得到較好的動態(tài)響應(yīng)特性，抗干擾能力也差。文獻[3,4]提到模糊控制器能夠解決傳統(tǒng)線性系統(tǒng)理論難以解決的控制問題，能夠得到較好的動態(tài)響應(yīng)特性，且無需知道被控對象的數(shù)學(xué)模型，適應(yīng)性強、魯棒性好，但模糊控制容易受模糊規(guī)則的限制而引起誤差。

近年來，神經(jīng)網(wǎng)絡(luò)得到廣泛發(fā)展。文獻[5,6]提出神經(jīng)網(wǎng)絡(luò)可逼近任意復(fù)雜的非線性系統(tǒng)，具有較好的容錯性，可快速處理大量數(shù)據(jù)，實現(xiàn)難以用數(shù)學(xué)模型表示的復(fù)雜映像關(guān)系。

考慮到預(yù)分解窯系統(tǒng)分解爐出口溫度的復(fù)雜程度、控制難度，以及各環(huán)節(jié)之間存在的相互影響，筆者結(jié)合神經(jīng)網(wǎng)絡(luò)自組織、自適應(yīng)和較好容錯性的優(yōu)點，選擇不同的方法建立預(yù)分解窯系統(tǒng)分解爐出口溫度控制模型，最后通過Matlab仿真驗證方法的精度和準(zhǔn)確度。

新型干法水泥生產(chǎn)技術(shù)的預(yù)分解窯系統(tǒng)(圖1)由預(yù)熱器、分解爐、回轉(zhuǎn)窯和蓖冷機組成[7]。

圖1 預(yù)分解窯系統(tǒng)組成

水泥生產(chǎn)過程中氣流與料粉在預(yù)熱器進行對流換熱后，進入分解爐受熱煅燒，煅燒過程中90%的碳酸鹽被分解后經(jīng)由最末級旋風(fēng)筒的下料管入窯，而未被分解的少量生料粉會直接進入窯中，在回轉(zhuǎn)窯中繼續(xù)分解，當(dāng)回轉(zhuǎn)窯完成少量分解和熟料礦物形成后，經(jīng)由蓖冷機對高溫熟料進行冷卻[8]。

由于預(yù)分解窯系統(tǒng)各環(huán)節(jié)的溫度直接影響水泥質(zhì)量[9]，而分解爐出口是系統(tǒng)的一個交匯點，其溫度能夠反映系統(tǒng)整體狀況，因此選取分解爐出口溫度作為系統(tǒng)模型的輸出。輸入變量選擇各環(huán)節(jié)重要參數(shù)，主要有生料喂料量、分解爐喂煤量、高溫風(fēng)機轉(zhuǎn)速、一級出口負壓、分解爐出口負壓、三次風(fēng)壓力、高溫風(fēng)機閥門開度、一級出口溫度、五級出口溫度、窯尾溫度、三次風(fēng)溫度、窯頭喂煤量和篦床實際頻率。預(yù)分解窯系統(tǒng)模型如圖2所示。

圖2 預(yù)分解窯系統(tǒng)模型

2 神經(jīng)網(wǎng)絡(luò)建模與仿真結(jié)果分析

2.1BP神經(jīng)網(wǎng)絡(luò)建模

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型[10]。它可以逼近任意復(fù)雜的非線性關(guān)系，可以自適應(yīng)不確定系統(tǒng)，具有較好的容錯性。

對預(yù)分解窯系統(tǒng)結(jié)構(gòu)進行分析后，選擇單隱層BP神經(jīng)網(wǎng)絡(luò)進行仿真試驗。輸入層13個，輸出層一個。通過訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練，選擇效果最佳時的隱層數(shù)。設(shè)定不同的訓(xùn)練參數(shù)并比較訓(xùn)練結(jié)果，最終選取隱含層神經(jīng)元q=25，學(xué)習(xí)次數(shù)N=100，誤差限定值E=0.00004。采用上述參數(shù)對網(wǎng)絡(luò)進行訓(xùn)練，能夠得到較好的效果。

訓(xùn)練樣本是實際生產(chǎn)數(shù)據(jù)，經(jīng)過聚類分析后選擇1 500組數(shù)據(jù)，其中1 400組用于網(wǎng)絡(luò)參數(shù)的訓(xùn)練，100組作為測試。得到分解爐出口溫度及其誤差仿真結(jié)果分別如圖3、4所示。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)的分解爐出口溫度曲線

圖4 基于BP神經(jīng)網(wǎng)絡(luò)的分解爐出口溫度誤差曲線

2.2模糊神經(jīng)網(wǎng)絡(luò)建模

模糊神經(jīng)網(wǎng)絡(luò)就是將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，其匯集了神經(jīng)網(wǎng)絡(luò)和模糊理論的優(yōu)點，集學(xué)習(xí)、聯(lián)想、識別、自適應(yīng)和模糊信息處理于一體[11,12]。

模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：輸入層I=13，隱含層神經(jīng)元q=25，進化次數(shù)N=100，誤差限定值E=0.00004。得到分解爐出口溫度及其誤差仿真結(jié)果分別如圖5、6所示。

圖5 基于模糊神經(jīng)網(wǎng)絡(luò)的分解爐出口溫度曲線

圖6 基于模糊神經(jīng)網(wǎng)絡(luò)的分解爐出口溫度誤差曲線

2.3改進的遺傳算法神經(jīng)網(wǎng)絡(luò)建模

遺傳算法是在問題的整個解空間中進行搜索，因此具有較強的全局尋優(yōu)能力、魯棒性、函數(shù)無連續(xù)性及可微性要求等，用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)是一種可行的策略[13]。

改進的遺傳算法神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為：種群規(guī)模為50，最大進化代數(shù)100，適應(yīng)度函數(shù)中α=0.2，自適應(yīng)公式中β=0.6。由于遺傳算法的隨機性，所以取每種算法重復(fù)訓(xùn)練10次的平均值作為最后的結(jié)果，得到分解爐出口溫度及其誤差仿真結(jié)果分別如圖7、8所示。

圖7 基于改進遺傳算法神經(jīng)網(wǎng)絡(luò)的分解爐出口溫度曲線

圖8 基于改進遺傳算法神經(jīng)網(wǎng)絡(luò)的分解爐出口溫度誤差曲線

2.4仿真結(jié)果分析

通過上述仿真結(jié)果可以看出，上述3種方法的控制輸出都能很好地跟蹤實際輸出，誤差較小，表明3種方法的可行性。在100個測試數(shù)據(jù)中，BP神經(jīng)網(wǎng)絡(luò)輸出與實際輸出的誤差較小，但收斂速度慢；模糊神經(jīng)網(wǎng)絡(luò)輸出也能跟蹤實際輸出，但誤差較大，訓(xùn)練時間也較長；改進的遺傳算法神經(jīng)網(wǎng)絡(luò)具有更好的精度，其控制輸出更接近實際輸出。

3 結(jié)束語

筆者提出利用神經(jīng)網(wǎng)絡(luò)對分解爐出口溫度建模，并分別利用BP神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和改進的遺傳算法進行建模與仿真。結(jié)果表明，利用改進的遺傳算法神經(jīng)網(wǎng)絡(luò)所建立的預(yù)分解窯系統(tǒng)分解爐出口溫度控制模型，具有更好的泛化能力，模型的精度與準(zhǔn)確度較高，在預(yù)分解窯系統(tǒng)建模上具有一定的優(yōu)勢。

[1] 董會君.水泥生產(chǎn)過程預(yù)分解系統(tǒng)工況識別的研究[D].濟南:濟南大學(xué),2012.

[2] Li S W,Li B,Li C R.The Study of Temperature Control of Cement Decomposition Furnace on the Basis of Fuzzy Immune Self-adaptive PID Control Method[C].2013 International Conference on Information Science and Technology.Yangzhou:IEEE,2013:86～90.

[3] Zhang X,Lu J.Application of Boiler-preheater Fuzzy Coordinated Control for Clinker Plant[J].Journal of Theoretical & Applied Information Technology,2012, 45(1):212～221.

[4] 黃賢林,劉潔琛,劉紅桔.基于模糊控制技術(shù)的水泥分解爐溫度控制[J].中國建材科技,2014,23(3):54～55.

[5] 劉彩紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[D].重慶:重慶師范大學(xué),2008.

[6] Qiu Y S,Zhu G Y.Working Condition Recognition of Cement Decomposition Furnace Based on ART-2 Neural Network[C].2014 Sixth International Conference on Measuring Technology and Mechatronics Automation. Zhangjiajie:IEEE,2014:807～812.

[7] 張小霞.新型干法水泥生產(chǎn)線預(yù)熱與窯外分解過程控制研究[D].濟南:濟南大學(xué),2011.

[8] 劉彬,劉曉琳.水泥分解爐溫度控制系統(tǒng)設(shè)計[J].控制工程,2004,11(1):63～65.

[9] Yang B,Ma X.Neural Dynamic Programming Based Temperature Optimal Control for Cement Calcined Process[C].2009 Control and Decision Conference. Guilin:IEEE,2009:1903～1908.

[10] 劉可文,程新麗,涂利銳.神經(jīng)網(wǎng)絡(luò)在水泥窯優(yōu)化控制系統(tǒng)中的應(yīng)用[J].武漢理工大學(xué)學(xué)報,2001,23(10):30～33.

[11] 劉普寅,張漢江.模糊神經(jīng)網(wǎng)絡(luò)理論研究綜述[J].模糊系統(tǒng)與數(shù)學(xué),1998,12(1):77～87.

[12] 李小艷.模糊神經(jīng)網(wǎng)絡(luò)及其在回轉(zhuǎn)窯控制中的應(yīng)用[D].西安:西安電子科技大學(xué),2008.

[13] 黃麗.BP神經(jīng)網(wǎng)絡(luò)算法改進及應(yīng)用研究[D].重慶:重慶師范大學(xué),2008.

OutletTemperatureModelingofCementPrecalcinerKilnSystemBasedonNeuralNetwork

WANG Hong-jun1, MENG Xin-xin1, ZHAO Hui1,2, YUE You-jun1

(1.TianjinKeyLaboratoryforControlTheoryandApplicationsinComplicatedSystem,TianjinUniversityofTechnology,Tianjin300384,China;2.TianjinAgriculturalUniversity,Tianjin300384,China)

Based on analyzing cement precalciner kiln system’s structure and technological process, making use of BP neural network, fuzzy neural network and improved genetic algorithm neural network to establish the control model of precalciner kiln’s outlet temperature was implemented. Comparative analysis of the simulation model proves better precision of this improved genetic algorithm neural network.

calciner outlet temperature, precalciner kiln system, improved genetic algorithm neural network, modeling

TH862+.1

A

1000-3932(2016)02-0164-04

2015-12-14(修改稿)基金項目：天津市科技支撐計劃項目(13ZCZDGX03800，10ZCKFGX03400)；天津市自然科學(xué)基金資助項目(09JCZDJC23900)