楊寶生，路紅梅，李建新

（宿州學(xué)院 智能信息處理實驗室，安徽 宿州 234000）

基于RBFNN的水泥預(yù)分解窯主元分析與建模

楊寶生，路紅梅，李建新

（宿州學(xué)院 智能信息處理實驗室，安徽 宿州 234000）

鑒于水泥預(yù)分解窯煅燒工段參數(shù)復(fù)雜多變，難以用直接的數(shù)學(xué)模型來表示，對該工段機(jī)理進(jìn)行了深入分析，研究其運行狀態(tài)與規(guī)律。采用神經(jīng)網(wǎng)絡(luò)的方法建立該工段的仿真模型。通過選擇合理的狀態(tài)與控制變量，并采集實際運行數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)權(quán)值。建立基于RBFNN神經(jīng)網(wǎng)絡(luò)水泥預(yù)分解窯煅燒工段模型，結(jié)果顯示對采樣數(shù)據(jù)擬合效果較好，并且具有一定的泛化能力，可以作為該工段的仿真模型，用于探索新的控制算法。

RBFNN；預(yù)分解窯；主元分析；模型

1 引言

隨著我國基礎(chǔ)設(shè)施建設(shè)步伐的大規(guī)模開展，對水泥的需求體現(xiàn)出旺盛的生命力。新型干法水泥預(yù)分解技術(shù)就是在預(yù)熱器和回轉(zhuǎn)窯之間增設(shè)分解爐，水泥生料在分解爐中要完成90%以上的碳酸鹽預(yù)分解，建立準(zhǔn)確的對象模型是保證優(yōu)化控制的充分必要條件［1］。水泥生產(chǎn)的燒成系統(tǒng)參數(shù)眾多且相互耦合、大滯后及非線性現(xiàn)象嚴(yán)重，無法建立準(zhǔn)確的數(shù)學(xué)模型，在實際生產(chǎn)中依靠人工經(jīng)驗來控制調(diào)整各生產(chǎn)參數(shù)，不穩(wěn)定且無法保證最優(yōu)的節(jié)能控制效果。本文以系統(tǒng)觀從整體上來分析對象的建模方法，避免局部模型對最終產(chǎn)品結(jié)果影響的不確定性，使用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建燒成系統(tǒng)模型，探索機(jī)理與智能建模相結(jié)合的綜合建模，并使該模型具有在線學(xué)習(xí)和自適應(yīng)能力。

2 影響預(yù)分解窯燒成系統(tǒng)建模的主要因素

2.1 兩個運行狀態(tài)

預(yù)分解窯系統(tǒng)的煅燒工段主要由預(yù)熱器、分解爐、回轉(zhuǎn)窯和篦冷機(jī)四部分組成。整個工藝過程分成兩個方向，一個是從下而上的煙氣流向，一個是從上而下的物料流向［2］。生料由預(yù)熱器送入，與煙氣進(jìn)行熱量交換后被預(yù)熱。熱料在分解爐內(nèi)分解后被送入回轉(zhuǎn)窯，由于窯體傾斜放置且旋轉(zhuǎn)，物料不斷向窯頭運動。料在窯內(nèi)被逆向流動的高溫氣體加熱而燒成熟料。最后，熟料經(jīng)窯頭罩下端落入篦冷機(jī)，再經(jīng)空氣冷卻后，卸出入庫。在冷卻機(jī)中被熟料預(yù)熱的空氣，一部分經(jīng)過三次風(fēng)管引入分解爐作為分解爐中燃料的助燃空氣。另一部分從回轉(zhuǎn)窯窯頭入窯作為二次風(fēng)，供窯內(nèi)燃料的燃燒，煤粉借助一次風(fēng)的風(fēng)力從噴煤管噴入。

2.2 五個顯著特征

水泥熟料煅燒過程涉及到機(jī)械、電器、控制、壓力、溫度、流量、成分等多種變量。各種參數(shù)的影響都是不相同的，這些參數(shù)之間還會產(chǎn)生相互影響，且處于不斷變化之中［3］。熟料生產(chǎn)穩(wěn)定性直接影響水泥質(zhì)量。從前述研究對象的分析中可以看出，水泥熟料鍛燒系統(tǒng)有五個顯著特征，分別是：影響因素眾多、復(fù)雜的物理化學(xué)過程、大滯后與嚴(yán)重的非線性，以及實驗所需數(shù)據(jù)無法精確采集。

2.3 三個平衡要求

由于煅燒過程的物理、化學(xué)反應(yīng)要求的溫度環(huán)境等不同，需要的熱量也不同，因而要求水泥系統(tǒng)有一定的熱工制度，即窯系統(tǒng)熱力平衡分布規(guī)律，這受到燃料燃燒規(guī)律和熱傳遞規(guī)律的制約［4］。通過對工藝的分析可以獲知，為了保證獲得穩(wěn)定的熱工制度，實際生產(chǎn)過程中應(yīng)該做到三個平衡［5］，即：物料平衡、氣體平衡、熱量平衡。

3 水泥預(yù)分解窯煅燒工段建模

有研究學(xué)者認(rèn)為，預(yù)分解窯系統(tǒng)的回轉(zhuǎn)窯的動態(tài)特性可以用偏微分方程描述。但是，在模擬試驗中，這種依賴于時間的控制系統(tǒng)分析與現(xiàn)實相比要慢得多。目前，對模型中所采用的假定和參數(shù)值的可行性還缺乏更深入的研究。因此，本研究嘗試采用RBF神經(jīng)網(wǎng)絡(luò)方法。

徑向基函數(shù)（radial basis function，RBF）方法是在高位空間進(jìn)行插值的一種技術(shù)。RBF神經(jīng)元模型的輸出表達(dá)式為

其中radbas為徑向基函數(shù)，一般為高斯函數(shù)

其中x是n維輸入向量；ci是第i個基函數(shù)的中心，與x具有相同的維數(shù)向量；σi是第i個感知的變量，可以自由選擇參數(shù)，其決定基函數(shù)圍繞中心的寬度；m是感知元的個數(shù)。該函數(shù)光滑性好，徑向?qū)ΨQ，形式簡單。RBF網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，對于每個訓(xùn)練樣本，它只需對少量的權(quán)值和閾值進(jìn)行修改，因而訓(xùn)練速度較快，因此將其應(yīng)用到預(yù)分解窯系統(tǒng)的實時控制，具有較強的優(yōu)勢。

3.1 建模主元素選取

本文采用RBF神經(jīng)網(wǎng)絡(luò)對水泥預(yù)分解窯煅燒工段進(jìn)行建模，如圖1所示。基于RBF神經(jīng)網(wǎng)絡(luò)的模型能夠較好的描述該非線性系統(tǒng)的主要性能，并且具有一定泛化能力?？刂屏颗c狀態(tài)量的選取是基于保證水泥熟料質(zhì)量前提下進(jìn)行的。根據(jù)我們分析，應(yīng)該從整個系統(tǒng)角度考慮來選取這些量。影響系統(tǒng)的主要因素是風(fēng)、煤、料［6］。因此，控制量的選取就集中在對風(fēng)、煤、料的控制上。圖中ui（t），i＝1，2，…，5，表示系統(tǒng)操作量，即生料量、分解爐喂煤量、回轉(zhuǎn)窯喂煤量、回轉(zhuǎn)窯轉(zhuǎn)速，旋風(fēng)筒C1出口負(fù)壓；xj（t），j＝1，2表示系統(tǒng)被控量，分別表示分解爐出口溫度和旋風(fēng)筒C1出口廢氣氧含量。建模所用數(shù)據(jù)是廣西某水泥廠預(yù)分解窯5000t／d生產(chǎn)線采集的實時數(shù)據(jù)，在訓(xùn)練之前必須進(jìn)行歸一化處理。

圖1 基于RBFNN的水泥預(yù)分解窯燒成系統(tǒng)模型

3.2 模型輸出測試

采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的newrbe函數(shù)建立預(yù)分解窯系統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)模型，該函數(shù)建立一個零誤差的徑向基網(wǎng)絡(luò)函數(shù)，相關(guān)參數(shù)的選擇是根據(jù)多次參數(shù)調(diào)整與設(shè)置的經(jīng)驗綜合確定的，經(jīng)過多次訓(xùn)練得到預(yù)分解窯系統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)模型。部分訓(xùn)練數(shù)據(jù)的擬合效果如圖2。模型泛化能力測試曲線如圖3所示，有待提高。

圖2 基于RBF網(wǎng)的煅燒工段模型訓(xùn)練后的擬合曲線

圖3 基于RBF網(wǎng)的煅燒工段模型訓(xùn)練后的泛化能力測試

4 結(jié)束語

水泥預(yù)分解窯生產(chǎn)中熟料煅燒過程是一個大滯后、大慣性、非線性的復(fù)雜控制對象，影響它的外部因素很多，且各個因素之間存在耦合和不確定性，難以用一個精確的數(shù)學(xué)模型來描述。本文經(jīng)過多次進(jìn)廠考察與仔細(xì)分析，提取出對預(yù)分解窯系統(tǒng)優(yōu)化控制有效的被控量與操作量。本文采用神經(jīng)網(wǎng)絡(luò)的RBF算法對預(yù)分解窯系統(tǒng)建模，通過調(diào)試選擇合適訓(xùn)練參數(shù)，獲得了較好的模型輸出，可用于探索新的控制方法。

［1］熊富強，桂衛(wèi)華，陽春華，等.基于PLS－LSSVM方法的濕法煉鋅過程預(yù)測建模，儀器儀表學(xué)報，2011，32（4）：941－948.

［2］李瑞蓮，袁 毓，高國燊.水泥廠生料磨機(jī)的人工神經(jīng)網(wǎng)絡(luò)建模及優(yōu)化配比整定［J］.新技術(shù)新工藝，1999，（4）：7－10.

［3］楊寶生，馬修水.基于雙啟發(fā)動態(tài)規(guī)劃的預(yù)分解窯控制器設(shè)計［J］.計算機(jī)應(yīng)用，2011，31（8）：2286－2288＋2292.

［4］楊傳健.基于UML的鍋爐燃燒控制系統(tǒng)的實現(xiàn)［J］.滁州學(xué)院學(xué)報，2005，7（1）：105－107.

［5］Yang B.S.，Cao D.G..Action－Dependent Adaptive Critic Design Based Neurocontroller for Cement Precalciner Kiln［J］.International Journal of Computer Network and Information Security，2009，（1）：62－68.

［6］蔣曉肖，樊 建，陳廣博.基于模型的RBF循環(huán)流化床鍋爐床溫控制［J］.控制工程，2009，（S1）：114－116.

TP29

A

1673-1794（2011）05-0030-02

楊寶生（1981－），講師，工學(xué)碩士，研究方向：智能優(yōu)化控制；路紅梅（1965－），副教授，宿州學(xué)院信息工程學(xué)院副院長，工學(xué)碩士，研究方向：智能計算；李建新（1971－），高級實驗師，工學(xué)碩士，研究方向：自動檢測。

安徽省自然科學(xué)基金資助項目 （10040606Q64）；宿州學(xué)院智能信息處理實驗室開放課題資助項目（2011YKF09，2011YKF11）.

2011-05-30