基于神经网络的水泥回转窑温度预测模型研究

王红君 ，田甘露 ，赵 辉 ，2，岳有军

（1.天津理工大学 天津市复杂系统控制理论与应用重点实验室，天津 300000；2.天津农学院，天津 300000）

近年来，新型干法水泥技术在我国水泥生产中得到了广泛应用，其中回转窑是关键设备，主要用于对水泥熟料的生产[1]。回转窑的生产过程很难准确描述，其中包括燃料的燃烧、热的传导、熟料的化学成分等，熟料传导的同时发生化学、物理、矿物反应。对回转窑温度的稳定控制是保证熟料质量的充分必要条件。考虑到系统的复杂程度，各个环节之间存在相互影响，所以建立整个水泥回转窑温度控制模型。

水泥回转窑温度的预测控制目前主要采用专家系统、模糊控制算法、神经网络等，文献[2]详细介绍了专家系统控制在回转窑的应用，文献[3]采用模糊ARX模型来对水泥回转窑进行预测控制，文献[4-7]提到了模糊控制器能够解决传统基于线性系统理论难以解决的控制问题时，能够得到较好的动态响应特性，且无需知道被控对象的数学模型、适应性强、鲁棒性好的特点。但模糊控制容易受模糊规则的限制而引起误差。近年来，神经网络得到广泛的应用。文献[8-9]提出神经网络可以逼近任意复杂的非线性系统，具有较好的容错性，可快速处理大量数据，实现难以用数学模型表示的复杂映射关系。本文结合神经网络自组织、自适应及较好的容错性的优点，选择不同的方法建立回转窑窑尾温度控制模型，通过Matlab仿真验证该方法的可行性。

1 系统分析及模型建立

熟料烧成环节是水泥生产的核心所在，该环节由旋风预热器、分解炉、回转窑、篦冷机4部分组成，水泥生料经5级旋风预热器及分解炉吸热发生分解反应后进入回转窑，在回转窑的带动下，由窑尾向窑头运动，与此同时，剧烈的煤粉通过鼓风机从窑头向窑尾喷入，对生料进行煅烧，当煅烧温度达到烧成温度，水泥生料发生烧结反应，被煅烧成水泥熟料，最后水泥熟料经窑头罩落入篦冷机内。回转窑烧成系统结构如图1所示。

图1 回转窑烧成系统结构Fig.1 Rotary kiln firing system structure

影响回转窑热工制度的因素很多，主要有煤粉喂入量、生料喂料量、窑筒体转速、窑系统压力、二次风温度、三次风温度、烟气成分、生料的易烧性、煤粉质量等等[10]。并且各个因素之间还存在强耦合作用，对这样一个多因素、慢时变、分布参数多、非线性、大时滞、强耦合的控制对象，难以建立精确的数学模型。对于这样的复杂系统，我们采用神经网络来对回转窑进行控制研究。

窑尾温度与烧成带温度一起表征窑内沿长度方向的热力分布情况[11]。窑尾温度表示窑头火焰的位置以及煅烧情况，反应出窑、炉用风是否平衡，可以间接地反应如系统拉风、三次风管用风等是否正常。窑尾温度也间接反应生料入窑分解率的高低，当入窑生料分解率偏低时，入窑生料温度也不会高，此时窑尾温度很难达到控制要求的范围。燃料用量直接影响烧成带温度和废气中的氧含量，同时也用来改变窑内的温度分布和氧气含量；主排风速度主要改变二次风速，以保证风煤配合及废气中的氧含量，同时也用来改变窑内的温度分布、控制窑尾温度等等。

BP网络的产生由BP算法获得，BP算法的基本思想是学习过程由信号的正向传播与误差反向传播2个过程组成[12]；正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每层神经元的状态仅影响下层神经元的状态。如果输出层的实际输出与期望输出有误差，则计算输出层的误差，然后通过网络将误差信号以某种形式通过隐含层向输入层逐层反转，并将误差分摊给各层的所有单元，从而获得各层的误差信号，此误差信号作为修正各层神经元的依据。不断调整神经网络的权值，直到网络的误差减少到可接受的程度，或进行到预先设定的学习次数为止[13]。本文以山东平邑中联水泥厂的回转窑作为控制对象，从现场采集11个变量（x1，x2，x3，……，x11）的实测数据作为模型网络的训练样本，建立如图2所示的BP网络模型。BP网络的期望输出y为窑尾温度，是系统的控制量。输入参数是影响回转窑窑尾温度的因素。对于图示的模型，其输入输出关系如图2所示。

图2 BP神经网络模型Fig.2 BP neural network model

2 BP神经网络预测

BP（back propagation）网络[14]是一种按误差反向传播的多层前馈网络，是目前应用最广泛的神经网络模型。它可以逼近任意复杂的非线性关系，可以自适应不确定的系统，具有较好的容错性。神经网络的大规模并行性可快速处理大量数据，实现那些难以用数学模型表示的复杂映像关系。

对回转窑系统结构分析后，选择单隐层的BP神经网络进行仿真试验。输入层个数为11，输出层个数为1，隐层的确定通过训练样本对网络进行训练，选择不同隐层数，挑选效果最佳时的层数。设定不同的参数训练并比较训练结果。最终选取隐含层神经元为q=10，学习次数N=100，误差限定值E=0.00004。采用上述参数对网络进行训练。

训练样本采集于实际生产数据，经过聚类分析后选择2000组数据，其中1900组用于网络参数的训练，100组作为测试。测试结果如下，回转窑窑尾气体温度如图3所示，误差如图4所示。

图3 BP神经网络预测输出Fig.3 Output of BP neural network

图4 BP网络预测输出误差Fig.4 Output error of BP neural network

由仿真结果可以看出，模型网络运算输出值与样本期望值相差很小，说明该BP网络具有较好的预测能力和泛化能力。

3 改进的遗传神经网络预测

遗传算法 GA（genetic algorithm）[15-16]是在问题的整个解空间中进行搜索，因此具有较强的全局寻优能力和鲁棒性，函数无连续性和可微性要求等优点，用遗传算法优化神经网络是一种可行的策略。传统的遗传优化算法在目前尚未从理论分析中对全局的收敛性做出合适的分析，简单的遗传算法不能确保收敛性，而且容易出现群体多样性因变异概率小而快速下降。

适应度函数是来度量群体中个体优化计算中可能达到、接近或有助于找到最优解的优良程度[17-18]。适应度较高的个体遗传到下一代的概率就相对较大。针对实际GA计算过程出现的问题，本文通过更改适应度函数的标定来对遗传算法进行改进。基本步骤为

步骤1初始化种群P，交叉规模、编码采用实数进行编码；

步骤2按照适应度函数将每个个体按其结果进行排列，按照式（1）进行概率排列，并引入误差信号的平方值进行概率衡量，称之为进化误差平方。下式中E为进化误差平方：

式中：i=1，2，…，N为染色体数目；k为输出节点数；Tk为测试真实值信号；Vk为预测值信号；

步骤3把新的个体放入到种群中，计算新个体的适应度函数；

步骤4计算BP网络的误差平方和，如果满足误差允许值则继续，否则转入步骤3；

步骤5以遗传算法的优化初值作为BP网络的初始权值，并输入样本开始训练，当精度符合要求后停止。

将算法中详细参数设置如下：种群规模为22；最大进化代数为100；适应度函数中α=0.2；自适应公式中β=0.6。BP网络的模型结构为单隐层结构，隐节点数的最大值为10，权值取值范围为［-1，1］，激励函数均为Sigmoid函数，学习率为0.9，停止训练的误差精度设置为0．01，并同时记录迭代1000步时的训练误差。由于遗传算法的随机性，所以取每种算法重复训练10次的平均值作为最后的结果，实验结果如图5和图6所示。

图5 遗传算法优化神经网络输出Fig.5 Output of GA-BP neural network

图6 遗传算法优化神经网络输出误差Fig.6 Output error of GA-BP neural network

与BP神经网络的预测输出误差相比较，改进的遗传算法优化的神经网络的误差精度在-0.04～0.04，该模型网络运算输出值与样本期望值相差更小，说明该优化后的BP网络具有更好的预测能力和泛化能力。

4 结语

本文以山东平邑中联水泥回转窑为对象，根据对其生产工艺的研究和采样数据的分析，确定了影响水泥回转窑窑尾温度的主要因素，并通过神经网络和优化后的遗传算法进行仿真训练，由计算机自动控制训练输出结果。通过仿真计算可以看出，本文所采用的方法，控制输出都能很好地跟踪实际输出，误差也较小，表明本文方法的可行性。在100个测试数据中，BP神经网络输出与实际输出，误差比较小，但是收敛速度慢；而改进后的遗传算法在输出值的范围内具有更好的精度，更接近输出的实际值。通过对预测误差百分比的大小分析可以得出，本文利用遗传神经网络所建立的回转窑窑尾气体温度预测模型，具有更好的泛化能力，模型的精度与准确度也很高，在水泥回转窑气体控制的模型建立上具有一定的优势，具有更好的应用前景。

[1]王蕊.水泥回转窑生产过程控制系统设计研究[D].天津：天津大学，2004.

[2]王孝红，房喜明，于宏亮.基于专家系统的回转窑窑头工况识别[J].控制工程，2010，17（3）：309-312.

[3]王兰军.水泥回转窑故障诊断系统的研究[D].浙江：浙江大学，2004.

[4]郭峰.基于模糊ARX模型的水泥回转窑预测控制算法研究[D].秦皇岛：燕山大学，2012.

[5]王伟，张航，罗大庸.基于核模糊C均值聚类和局部建模方法的烟气含氧量软测量模型[C]//第30届中国控制会议，烟台，2011.

[6]宋军强.基于模糊神经网络的回转窑控制及其在西门子PCS7环境中的实现[D].西安：西安电子科技大学，2009.

[7]王旭东，邵慧鹤.基于神经网络的通用软测量技术[J].自动化学报，1998，24（5）：702-706.

[8]Ge Z Q，Song Z H.Online monitoring of nonlinear multiple mode processes based on adaptive local model approach[J].Control Engineering Practice，2008，16（12）：1427-1437.

[9]卢通通.基于神经网络的非线性畸变图像的校正和识别技术的研究[D].杭州：中国计量学院，2013.

[10]周惠群.水泥缎烧技术及设备（回转窑篇）[M].武汉：武汉理工大学出版社，2006.

[11]谭咏梅.热工设备运行与维护[D].北京：北京理工大学出版社，2012.

[12]林琳.基于BP神经网络的网络性能预测[D].长春：吉林大学，2004.

[13]杨力远，林宗寿，陈亚明.基于神经网络的回转窑锻烧模拟[J].中国水泥，2004（2）：61-63.

[14]邓伟.BP神经网络构建与优化的研究及其在医学统计中的应用[D].上海：复旦大学，2002.

[15]李哲，张军涛.基于遗传算法与人工神经网络相结合的玉米估产研究[J].自然资源学报，2000，15（3）：270-274.

[16]王小平，曹立明.遗传算法—理论、应用与软件实现[M].西安：西安交通大学出版社，2002.

[17]T Morimoto，J De Baerdemaeker，Y Hashimoto.Optimization of storage system of fruits using neural networks and genetic algorithms[C]//Proceedings of the International Joint Conference of the Fourth IEEE International Conference on Fuzzy Systems and the Second International Fuzzy Engineering Symposium，Japan，1995.

[18]张敏，赵金城.全局优化神经网络拓扑结构及权值的遗传算法[J].大连大学学报，1999，20（6）：9-13.

[19]王小川，史峰.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.