模糊BP神经网络控制在水泥分解炉温度控制系统中的应用

李胜旺　张振中　刘震

摘 要：水泥烧成系统中分解炉温度的控制是一个典型的多变量、大迟滞、强耦合、非线性的复杂控制对象，很难建立起非常精确的数学控制模型，常规的控制算法几乎都无法取得满意的控制效果。针对这一问题，文章先分析确定了影响分解炉温度的常量，采用神经网络算法构建预测模型，然后经模糊控制器得到喷煤量并调节这一常量来稳定分解炉内部温度。经现场实际应用结果表明此温度控制系统响应速度快，实际控制温度与正常值误差较小，具有良好的鲁棒性、可靠性。

关键词：分解炉；温度控制；神经网络；预测控制；模糊控制

引言

随着国内外房地产行业的蓬勃发展和建材行业的加速转型，水泥产业目前正处于产品结构和技术创新调整的重要时期。，采用预分解技术的新型干法水泥生产工艺及优化控制策略已经成为我国水泥产业的发展趋势。分解炉是预分解技术的核心模块，承担了预分解系统中煤粉燃烧、气固换热以及碳酸盐的分解等任务，保持炉温的稳定对于保持整个预分解系统的热力分布和热工制度的稳定至关重要。但分解炉的控制具有非线性、大滞后性、强耦合性等特点，这决定了该系统的控制将会非常复杂。

针对以上问题，根据预测控制具有很强的鲁棒性，不依赖具体数学模型和在线滚动优化的特点，文章采用基于神经网络建模的预测控制并结合模糊控制方法，提出了一种可应用于新型水泥干法烧成系统分解炉温度控制的算法。

1 水泥分解炉工作原理和影响因素

分解炉作为水泥烧成系统的第一个环节，其温度的控制对整个烧成系统起到了至关重要的作用，温度过高或过低，都会对系统产生很大的影响甚至停止运行，对生产公司的产销早成很大的影响。二次风风温、三次风风温、煤粉的成分、预热后生料入炉前的温度、生料的成分以及分解炉自身散热等等都会影响分解炉温度。

在影响分解炉温度的众多因素中，通过对分解炉结构的分析和实际操作人员经验的总结，我们得出影响分解炉参数时变的主要因素有三个，煤粉流量、三次风量和生料流量。在这三个量的值保持一定配比关系的情况下，分解炉的温度才能稳定在期望值的范围内。因此，控制好三次风量、煤粉流量以及生料流量成为了本控制系统的重点。

2 自适应BP神经网络

BP（Back error propagation）神经网络是一种多层前馈神经网络，网络的权值的调整规则采用后向传播学习算法。目前，BP神经网络是相对成熟且应用范围较广的一中神经网络模型。典型的BP神经网络模型结构见图1，它由输入层、隐含层以及输出层组成，隐含层可以有一个或者多个，每层由多个神经元组成。BP神经网络算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层传入，经隐含层逐层处理，最后传向输出层，每层神经元的状态只影响下一层神经元的状态。如果输出层输出与期望的输出差异较大，则转入反向传播，将误差信号沿原来的链接通路返回，通过修改各层神经元的权值，使误差信号最小。

BP神经网络的学习过程分为两个阶段。

第一阶段：网络的输入经过输入层节点，利用其神经元的初始化权值和阈值，计算得出输出数据，继而计算出隐含层的输出，这个阶段称为前向输出阶段。

第二阶段：根据最终输出和期望输出的误差，来对每层权值和阈值的修正，若达到要求，则结束，如达不到要求则重复到第一阶段。

BP神经网络的学习算法指网络的应用初始化，它的实质就是根据输入输出数据来建立一种映射关系，与其他映射不同的是，神经网络映射函数是动态的，映射规律随着输入样本的变化而变化，判断这种映射的成功与否就是神经网络的收敛速度，收敛速度越快，说明算法越优越。为了更快地达到收敛，很多科学家针对收敛的速度等进行了相关研究，并达到了很好的效果。下面是BP算法的示意图，如图2所示。

3 BP神经预测控制

5 控制算法的应用

将上述控制算法调试的软件与生产现场水泥生产线的DCS系统相连接并应用后，根据现场工况和工艺要求，将分解炉炉温的目标控制值设定为845℃，我们得到了该软件对分解炉系统24小时在线控制的数据图，如图8所示。

由图8可以看出应用模糊BP神经预测控制算法的控制效果与实测效果相比较实测值和预测值二者数据较为接近。

6 结束语

文章应用神经网络并结合模糊控制以及某水泥厂分解炉实测数据对分解炉建立炉内温度预测模型，在工况出现波动的情况下，控制系统能够根据实测数据进行优化控制，提前对分解炉参数进行调整。并准确预测出分解炉炉内温度的变化趋势，解决了分解炉控制的非线性，滞后性的困难，使分解炉系统运行的更加稳定，为整个烧成系统做好了铺垫，对分解炉温度控制的研究起到了一定的作用。

作者简介：张振中（1988，9-），男，汉，河北省承德市，本科，河北科技大学，计算机科学与技术。