基于神经网络的预分解窑系统分解炉出口温度建模

王红君 孟欣欣 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 300384；2.天津农学院,天津 300384)

基于神经网络的预分解窑系统分解炉出口温度建模

王红君1孟欣欣1赵 辉1,2岳有军1

(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 300384；2.天津农学院,天津 300384)

在对水泥预分解窑系统的结构与工艺流程进行分析的基础上，分别利用BP神经网络、模糊神经网络和改进的遗传算法神经网络建立预分解窑系统分解炉出口温度控制模型。通过对仿真结果的对比分析，发现改进的遗传算法神经网络具有更好的温度控制精度和准确度。

分解炉出口温度 预分解窑系统 改进的遗传算法神经网络 建模

在水泥生产过程中，预分解窑系统分解炉出口温度的稳定对水泥生产具有重要意义，而建立精确的预分解窑系统分解炉出口温度控制模型是实现温度准确控制的核心。但由于预分解窑系统分解炉出口温度具有非线性、强耦合和随机性特点，对其控制存在较大难度[1]。

目前，水泥生产过程普遍采用的控制策略是PID控制和模糊控制。文献[2]提到PID控制器结构简单、调整方便，广泛应用于各类过程控制中，但在工艺操作时难以得到较好的动态响应特性，抗干扰能力也差。文献[3,4]提到模糊控制器能够解决传统线性系统理论难以解决的控制问题，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，但模糊控制容易受模糊规则的限制而引起误差。

近年来，神经网络得到广泛发展。文献[5,6]提出神经网络可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像关系。

考虑到预分解窑系统分解炉出口温度的复杂程度、控制难度，以及各环节之间存在的相互影响，笔者结合神经网络自组织、自适应和较好容错性的优点，选择不同的方法建立预分解窑系统分解炉出口温度控制模型，最后通过Matlab仿真验证方法的精度和准确度。

新型干法水泥生产技术的预分解窑系统(图1)由预热器、分解炉、回转窑和蓖冷机组成[7]。

图1 预分解窑系统组成

水泥生产过程中气流与料粉在预热器进行对流换热后，进入分解炉受热煅烧，煅烧过程中90%的碳酸盐被分解后经由最末级旋风筒的下料管入窑，而未被分解的少量生料粉会直接进入窑中，在回转窑中继续分解，当回转窑完成少量分解和熟料矿物形成后，经由蓖冷机对高温熟料进行冷却[8]。

由于预分解窑系统各环节的温度直接影响水泥质量[9]，而分解炉出口是系统的一个交汇点，其温度能够反映系统整体状况，因此选取分解炉出口温度作为系统模型的输出。输入变量选择各环节重要参数，主要有生料喂料量、分解炉喂煤量、高温风机转速、一级出口负压、分解炉出口负压、三次风压力、高温风机阀门开度、一级出口温度、五级出口温度、窑尾温度、三次风温度、窑头喂煤量和篦床实际频率。预分解窑系统模型如图2所示。

图2 预分解窑系统模型

2 神经网络建模与仿真结果分析

2.1BP神经网络建模

BP神经网络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[10]。它可以逼近任意复杂的非线性关系，可以自适应不确定系统，具有较好的容错性。

对预分解窑系统结构进行分析后，选择单隐层BP神经网络进行仿真试验。输入层13个，输出层一个。通过训练样本对网络进行训练，选择效果最佳时的隐层数。设定不同的训练参数并比较训练结果，最终选取隐含层神经元q=25，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，能够得到较好的效果。

训练样本是实际生产数据，经过聚类分析后选择1 500组数据，其中1 400组用于网络参数的训练，100组作为测试。得到分解炉出口温度及其误差仿真结果分别如图3、4所示。

图3 基于BP神经网络的分解炉出口温度曲线

图4 基于BP神经网络的分解炉出口温度误差曲线

2.2模糊神经网络建模

模糊神经网络就是将模糊理论与神经网络相结合，其汇集了神经网络和模糊理论的优点，集学习、联想、识别、自适应和模糊信息处理于一体[11,12]。

模糊神经网络的参数设置为：输入层I=13，隐含层神经元q=25，进化次数N=100，误差限定值E=0.00004。得到分解炉出口温度及其误差仿真结果分别如图5、6所示。

图5 基于模糊神经网络的分解炉出口温度曲线

图6 基于模糊神经网络的分解炉出口温度误差曲线

2.3改进的遗传算法神经网络建模

遗传算法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、鲁棒性、函数无连续性及可微性要求等，用遗传算法优化神经网络是一种可行的策略[13]。

改进的遗传算法神经网络参数设置为：种群规模为50，最大进化代数100，适应度函数中α=0.2，自适应公式中β=0.6。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，得到分解炉出口温度及其误差仿真结果分别如图7、8所示。

图7 基于改进遗传算法神经网络的分解炉出口温度曲线

图8 基于改进遗传算法神经网络的分解炉出口温度误差曲线

2.4仿真结果分析

通过上述仿真结果可以看出，上述3种方法的控制输出都能很好地跟踪实际输出，误差较小，表明3种方法的可行性。在100个测试数据中，BP神经网络输出与实际输出的误差较小，但收敛速度慢；模糊神经网络输出也能跟踪实际输出，但误差较大，训练时间也较长；改进的遗传算法神经网络具有更好的精度，其控制输出更接近实际输出。

3 结束语

笔者提出利用神经网络对分解炉出口温度建模，并分别利用BP神经网络、模糊神经网络和改进的遗传算法进行建模与仿真。结果表明，利用改进的遗传算法神经网络所建立的预分解窑系统分解炉出口温度控制模型，具有更好的泛化能力，模型的精度与准确度较高，在预分解窑系统建模上具有一定的优势。

[1] 董会君.水泥生产过程预分解系统工况识别的研究[D].济南:济南大学,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] 黄贤林,刘洁琛,刘红桔.基于模糊控制技术的水泥分解炉温度控制[J].中国建材科技,2014,23(3):54～55.

[5] 刘彩红.BP神经网络学习算法的研究[D].重庆:重庆师范大学,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] 张小霞.新型干法水泥生产线预热与窑外分解过程控制研究[D].济南:济南大学,2011.

[8] 刘彬,刘晓琳.水泥分解炉温度控制系统设计[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] 刘可文,程新丽,涂利锐.神经网络在水泥窑优化控制系统中的应用[J].武汉理工大学学报,2001,23(10):30～33.

[11] 刘普寅,张汉江.模糊神经网络理论研究综述[J].模糊系统与数学,1998,12(1):77～87.

[12] 李小艳.模糊神经网络及其在回转窑控制中的应用[D].西安:西安电子科技大学,2008.

[13] 黄丽.BP神经网络算法改进及应用研究[D].重庆:重庆师范大学,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)基金项目：天津市科技支撑计划项目(13ZCZDGX03800，10ZCKFGX03400)；天津市自然科学基金资助项目(09JCZDJC23900)