基于T—S模糊神經(jīng)網(wǎng)絡(luò)分解爐燃燒控制系統(tǒng)設(shè)計(jì)

李濤+梁凱+高若塵+申琦+張慧杰+宜文

摘 要：針對(duì)分解爐分解是非線性、大滯后、多擾動(dòng)及多變量過(guò)程，難以實(shí)現(xiàn)其對(duì)溫度自動(dòng)控制的問(wèn)題，提出了一種基于T-S神經(jīng)網(wǎng)絡(luò)的控制方法。針對(duì)這一問(wèn)題，文章首先對(duì)水泥預(yù)分解工藝進(jìn)行分析以及對(duì)燃燒理論進(jìn)行研究，然后再利用T-S模糊控制理論確定規(guī)則數(shù)目和輸入變量的隸屬度函數(shù)，采用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力實(shí)現(xiàn)模糊推理。仿真結(jié)果表明：該控制器對(duì)分解爐燃燒控制起到很好的控制效果，并且比傳統(tǒng)PID控制器具有更好的效果。在實(shí)際生產(chǎn)應(yīng)用當(dāng)中，具有很好地穩(wěn)定性和魯棒性，并且節(jié)省了煤的消耗和降低了環(huán)境污染。

關(guān)鍵詞：分解爐；模糊神經(jīng)網(wǎng)絡(luò)；T-S模糊；控制

中圖分類號(hào)：TP271 文獻(xiàn)標(biāo)識(shí)碼：A

Optimal Combustion System Design Based on T-S Fuzzy Neural Network Decomposing

LI Tao，LIANG Kai，GAO Nuo-chen，SHEN Qi，ZHANG Hui-jie，YI Wen

（College of Computer Science and Eleetroaic Engineering，Hunan University，Changsha，Hunan 410082，China）

Abstract：A new control method based on T-S neural network is proposed to solve the problem that the decomposition of the calciner is nonlinear，large-lag，multi-disturbance and multivariable process，and it is difficult to realize the automatic control of temperature.In order to solve this problem，this paper firstly analyzes the process of cement pre-decomposition and studies the combustion theory，then uses TS fuzzy control theory to determine the number of rules and the membership function of input variables，using neural network self-learning and self-adaptability Fuzzy reasoning.The simulation results show that the controller has a good control effect on the combustion control of the precalciner and has a better effect than the traditional PID controller.In the actual production applications，with good stability and robustness，and save the consumption of coal and reduce environmental pollution.

Key words：decomposition furnace；neural network；T-S fuzzy；control

1 引 言

新型干法水泥生產(chǎn)方法采用懸浮預(yù)熱器和預(yù)分解爐技術(shù)為核心，現(xiàn)代科技廣泛應(yīng)用于水泥生產(chǎn)過(guò)程中。分解爐溫控制是質(zhì)量的關(guān)鍵因素水泥生產(chǎn)穩(wěn)定性[1-2]。分解爐溫度控制過(guò)程具有非線性、大滯后、多擾動(dòng)及多變量，很難實(shí)現(xiàn)對(duì)其溫度進(jìn)行自動(dòng)控制。當(dāng)前，水泥生成過(guò)程中普遍采用的控制策略是PID控制和模糊控制。文獻(xiàn)[3]采用的是PID控制器，其結(jié)構(gòu)簡(jiǎn)單、調(diào)整簡(jiǎn)單，廣泛適用于工作穩(wěn)定過(guò)程控制當(dāng)中，但是不能應(yīng)用于具有非線性、大滯后的環(huán)境當(dāng)中。文獻(xiàn)[4-6]提到了模糊控制器能夠解決傳統(tǒng)基于線性系統(tǒng)理論難以解決的控制問(wèn)題時(shí)，能夠得到較好的動(dòng)態(tài)響應(yīng)特性，且無(wú)需知道被控對(duì)象的數(shù)學(xué)模型、適應(yīng)性強(qiáng)、魯棒性好的特點(diǎn)。但模糊控制容易受模糊規(guī)則的限制而引起誤差，并且模糊規(guī)則很難獲取。T-S神經(jīng)網(wǎng)絡(luò)在處理非線性、大滯后、多擾動(dòng)及多變量問(wèn)題方面，具有一定的研究。文獻(xiàn)[7]提出了基于模糊神經(jīng)網(wǎng)絡(luò)的環(huán)境分析策略用于輪椅智能避障控制，方法可行且降低功耗。文獻(xiàn)[8]利用T-S模糊神經(jīng)網(wǎng)絡(luò)控制方法對(duì)水下機(jī)器人進(jìn)行自動(dòng)控制，在環(huán)境惡劣的情況下，其控制性能能保持在較高水平。文獻(xiàn)[9]采用其方法對(duì)退火爐進(jìn)行控制，能夠提高其退火爐質(zhì)量和降低能源損耗及減少環(huán)境污染。

本文針對(duì)分解爐出口溫度控制過(guò)程是非線性、滯后、多擾動(dòng)及多變量，根據(jù)燃燒理論和煤粉在鍋爐中燃燒研究[10-12]，提出了一種T-S模糊神經(jīng)網(wǎng)絡(luò)的控制方法。具有很好的溫度穩(wěn)定性，能降低煤耗，提高熟料強(qiáng)度和降低一氧化碳和氮化物的排放，具有很好的經(jīng)濟(jì)效益和環(huán)境效益。

2 水泥預(yù)分解工藝分析

分解爐過(guò)程的基本工藝如圖1所示，水泥生料由塔架提升機(jī)傳送進(jìn)入五級(jí)懸浮預(yù)熱器，生料喂入C1-C2級(jí)旋風(fēng)筒的連接管道的進(jìn)料口，隨后物料被來(lái)自C2級(jí)旋風(fēng)筒的熱風(fēng)帶入C1級(jí)旋風(fēng)筒進(jìn)行分離，并且再由C1級(jí)旋風(fēng)筒底部的鎖風(fēng)閥排出，進(jìn)入C2-C3級(jí)旋風(fēng)筒的連接管道上的進(jìn)料口，被氣流帶入C2級(jí)旋風(fēng)筒內(nèi)繼續(xù)氣固熱交換。如此反復(fù)，經(jīng)過(guò)逐級(jí)加熱和分離以實(shí)現(xiàn)預(yù)熱生料的目的。預(yù)熱后的物料經(jīng)由C4級(jí)旋風(fēng)筒錐部進(jìn)入分解爐。預(yù)熱器出來(lái)的高溫生料物料經(jīng)由底部從分解爐中部進(jìn)入分解爐，煤粉由分解爐中部給煤口進(jìn)入分解爐，由于煤粉顆粒很小并且充分同物料混合故在分解爐中煤粉以無(wú)焰狀態(tài)燃燒。在分解爐內(nèi)部氣流的作用下煤粉與生料物料充分混合。煤粉燃燒的放熱過(guò)程與生料的碳酸鹽分解的吸熱過(guò)程，在分解爐內(nèi)以懸浮態(tài)或流化狀態(tài)下迅速進(jìn)行，使生料中大部分碳酸鹽被分解。煤粉燃燒所釋放的熱量被碳酸鹽吸收，導(dǎo)致碳酸鹽吸收熱量而發(fā)生分解反應(yīng)。從分解爐出來(lái)的物料分解率高達(dá)85%-95%，從分解爐出來(lái)的物料經(jīng)分解爐上部的鵝頸管進(jìn)入C5級(jí)旋風(fēng)筒。最后，經(jīng)過(guò) C5 級(jí)旋風(fēng)筒的錐部進(jìn)入回轉(zhuǎn)窯進(jìn)行熟料煅燒。endprint

燃燒理論告訴我們，評(píng)價(jià)和表明工業(yè)窯爐燃燒狀況優(yōu)劣，燃燒是否合理的唯一指標(biāo)是空氣過(guò)剩系數(shù)，而空氣過(guò)剩系數(shù)又是由燃料消耗氧氣的量計(jì)算出來(lái)的。因此控制煙氣的殘氧量，也就相當(dāng)于控制了空氣量和空氣過(guò)剩系數(shù)，一般而言，空氣過(guò)剩系數(shù)μ和煙氣中含氧量O2的基本關(guān)系為

μ=2121-O2（1）

從公式（1）中得知煙氣中含氧量越大，則空氣過(guò)剩系數(shù)越大，煙氣中含氧量越小，則空氣過(guò)剩系數(shù)越小。首先，空氣過(guò)剩系數(shù)的增加將降低火焰溫度。其次，空氣過(guò)剩系數(shù)的增加將增加爐窯廢氣的熱損失。如果供給的空氣量太少，爐溫降低，而且會(huì)使燃料消耗大為升高，同時(shí)還會(huì)污染環(huán)境。除此之外，由于空氣過(guò)剩系數(shù)太小，爐窯供風(fēng)不足，使?fàn)t窯內(nèi)壁嚴(yán)重結(jié)焦、積灰，造成爐窯內(nèi)壁結(jié)皮的危害。

經(jīng)過(guò)以上分析，結(jié)合現(xiàn)場(chǎng)操作人員的經(jīng)驗(yàn)以及為了保證產(chǎn)保證產(chǎn)量，故保持入料量不變。所以該系統(tǒng)采用高頻風(fēng)機(jī)和三次風(fēng)閥門以及入煤量為控制量，控制目標(biāo)為窯尾煙氣中的含量以及出口溫度為被控制量，對(duì)分解爐燃燒系統(tǒng)進(jìn)行優(yōu)化智能控制。

3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與過(guò)程

3.1 T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

T-S型模糊神經(jīng)網(wǎng)絡(luò)是模糊邏輯與神經(jīng)網(wǎng)絡(luò)相互融合的一種網(wǎng)絡(luò)結(jié)構(gòu)，它具備了模糊控制和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)，能夠很好地處理不確定性和非線性問(wèn)題。如圖2所示。輸入信號(hào)x1為分解爐溫度與設(shè)定溫度的差值，其模糊化層數(shù)m1=7；輸入信號(hào)x2為分解爐溫度偏差變化率，其模糊化層數(shù)m2=3；輸入信號(hào)x3為分解爐廢氣CO含量與設(shè)定含量的差值，其模糊化層數(shù)m3=5；輸入信號(hào)x4為分解爐廢氣CO含量偏差變化率，其模糊化層數(shù)m4=3。輸入信號(hào)為：xi=[x1，x2，x3，x4]，各個(gè)輸入信號(hào)的模糊化個(gè)數(shù)為mi=[m1，m2，m3，m4]；輸出信號(hào)y1、y2、y3分別為窯頭喂煤量、高溫風(fēng)機(jī)頻率、三次風(fēng)閥門開度故輸出信號(hào)為yj=[y1，y2，y3]。

T-S型模糊神經(jīng)網(wǎng)絡(luò)分為前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)。

3.1.1 前件網(wǎng)絡(luò)

第一層為輸入層，每個(gè)節(jié)點(diǎn)的作用是將輸入向量xi=[x1，x2，x3，x4]T的各個(gè)分量傳入到下一層，該層節(jié)點(diǎn)數(shù)N1=4。

第二層為模糊化層，將輸入層的計(jì)算成模糊子集的隸屬度函數(shù)μji（xi）。

μji（xi）=exp-（xi-cij）22*b2ij（2）

其（2）式中，bij、cij和xi分別代表隸屬函數(shù)的寬度和中心以及輸入信號(hào)，其中i∈（1，2，3，4），j∈（m1，m2，m3，m4）。該層節(jié)點(diǎn)數(shù)為

N2=∑4i=1mi。

第三層為適用度計(jì)算層，將隸屬函數(shù)進(jìn)行每條規(guī)則的適應(yīng)度計(jì)算，該層節(jié)點(diǎn)數(shù)N3=m；規(guī)則計(jì)算采用相乘計(jì)算，其每條規(guī)則適應(yīng)度為：

ak=μj11μj22μj33μj44（3）

式中k=1，2，..，m，ji∈（1，2，..mi）

m=∏4i=1mi。

第四層為歸一化層，進(jìn)行歸一化計(jì)算，該層節(jié)點(diǎn)數(shù)為N4=m。

ak=ak∑mi=1ai （4）

3.1.2 后件網(wǎng)絡(luò)

第一層為輸入層，該層節(jié)點(diǎn)數(shù)N1=5。

第二層為模糊規(guī)則計(jì)算，有m個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)規(guī)則：

yij=pij0+pij1x1+pij2x2+pij3x3+pij4x4 第三層為綜合計(jì)算輸出層：

yi=∑mij=1yijaj （5）

3.2 模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

對(duì)權(quán)值pijl以及前件網(wǎng)絡(luò)的隸屬函數(shù)的中心cij和寬度bij進(jìn)行學(xué)習(xí)。其中i=1，2，3，j=1，2..，m，l=0，1，..，4，常規(guī)的BP算法如下，取誤差函數(shù)E=-12∑3i=1（ti-yi），ti和yi分別表示期望輸出和實(shí)際輸出。其計(jì)算結(jié)果如下：Eplij=-（tl-yl）ajxi（6）

plij（k+1）=plij（k）+β（tl-yl）ajxi （7）

δ（5）j=ti-yi；δ（4）j=∑ri=1yijδ（5）j （8）

δ（3）j=δ（4）j∑mj=1，i≠jaj/（∑mj=1aj）2（9）

δ（2）ij=∑mj=1δ（3）jsijexp[-（xi-cij）2bij]，當(dāng)δ（3）j包含cij和bij時(shí)，sij=1否則sij=0。

Ecij=-δ（2）ij2（xi-cij）bij（10）

Ebij=-δ（2）ij（xi-cij）2b2ij（11）

cij（k+1）=cij（k）-βEcij （12）

bij（k+1）=bij（k）-βEbij（13）

4 仿真結(jié)果和現(xiàn)場(chǎng)應(yīng)用效果

用 Matlab 對(duì)T-S模糊神經(jīng)網(wǎng)絡(luò)控制進(jìn)行仿真，其設(shè)定溫度為860 ℃，與常規(guī)的PID控制系統(tǒng)的效果進(jìn)行比較，如圖3所示。

由圖3可以得出與常規(guī)的PID比較，T-S模糊神經(jīng)網(wǎng)絡(luò)控制具有過(guò)渡過(guò)程時(shí)間短、超調(diào)小的特點(diǎn)，且具有較好的魯棒性。廣西某水泥廠一條生廠線分解爐使用該智能優(yōu)化控制系統(tǒng)，效果非常明顯，與前系統(tǒng)比較效果如下圖4和圖5所示。

從圖4得出，現(xiàn)系統(tǒng)分解爐廢氣出口中氧氣的含量低于5%，并且其波動(dòng)范圍小。從圖5可以得出現(xiàn)系統(tǒng)分解爐出口溫度較為穩(wěn)定，大致在860±2 ℃波動(dòng)。

5 結(jié) 論

針對(duì)分解爐溫度控制難點(diǎn)問(wèn)題，設(shè)計(jì)了基于T-S模糊神經(jīng)網(wǎng)絡(luò)分解爐優(yōu)化燃燒控制系統(tǒng)，采用T-S模糊理論進(jìn)行控制，并且用BP神經(jīng)算法對(duì)其進(jìn)行學(xué)習(xí)，并與傳統(tǒng)PID控制進(jìn)行仿真比較，具有過(guò)渡過(guò)程時(shí)間短、超調(diào)小，較好的魯棒性等特點(diǎn)。在實(shí)際生產(chǎn)過(guò)程中具有相當(dāng)明顯的優(yōu)勢(shì)，不僅降低了能源的消耗和提高了熟料質(zhì)量，增加經(jīng)濟(jì)效益，而且對(duì)研究節(jié)能減排有重大的意義endprint

參考文獻(xiàn)

[1] 姜克盛.新型干法水泥窯分解爐溫度控制方法研究[D].合肥：安徽大學(xué)，2011.

[2] WANG Y Q，ZHOU D H，GAO F R，Iterative learning model predictive control for multi-phase batch processes[J].Journal of Process Control，18（6）： 543-557，2008.

[3] 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.

[4] 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.

[5] 郭峰.基于模糊ARX 模型的水泥回轉(zhuǎn)窯預(yù)測(cè)控制算法研究[D].秦皇島：燕山大學(xué)，2012.

[6] 王偉，張航，羅大庸.基于核模糊 C 均值聚類和局部建模方法的煙氣含氧量軟測(cè)量模型[C].第30屆中國(guó)控制會(huì)議，煙臺(tái)，2011.

[7] 簡(jiǎn)毅，趙新全，張文凱.基于T-S模糊神經(jīng)網(wǎng)絡(luò)的智能輪椅避障控制策略[J].計(jì)算機(jī)測(cè)量與控制，2014，22（12）：3943-3945.

[8] 錢夔，宋愛(ài)國(guó)，章華濤，等.基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的機(jī)器人路徑規(guī)劃方法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，42（4）：637-642.

[9] 于謹(jǐn)，李曉峰.基于T-S模型模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的退火爐溫度控制[J].沈陽(yáng)建筑大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，30（1）：181-186.

[10] 宋春燕，張?chǎng)危铈?高效煤粉鍋爐替換層燃鍋爐技術(shù)改造與能效分析[J].潔凈煤技術(shù)，2015，21（ 3） ： 98-102.

[11] VASCELLARI M， SCHULZE S， NIKRITYUK P， et al. Numerical simulation of pulverized coal MILD combustion using anew heterogeneous combustion submodel[J].Flow，Turbulence and Combustion，2014，92（1-2）：319-345.

[12] 梅振鋒，張健鵬，米建春.中國(guó)電機(jī)工程學(xué)報(bào)[J]，2016，36（19）：5245-5253endprint