一種水泥分解爐燃燒自動控制方法與流程

本發(fā)明是一種水泥分解爐燃燒自動控制方法，屬于自動控制領域。

背景技術：

水泥分解爐是水泥生產(chǎn)線上的核心設備，也是節(jié)能降耗的關鍵設備，水泥生產(chǎn)過程中最關鍵的生料煅燒理化反應在窯內進行，而分解爐對物料的分解將直接影響回轉窯的物料煅燒的質量，從而影響水泥熟料的質量、產(chǎn)量以及能耗，對水泥分解爐能耗的優(yōu)化控制從一定程度上體現(xiàn)了一個國家的工業(yè)和技術水平。水泥生料在分解爐內的分解過程，是一個復雜的大滯后、多變量、多擾動及非線性過程，因此分解爐系統(tǒng)的建模以及控制難度大，不容易實現(xiàn)。目前，在我國新型干法水泥生產(chǎn)線上控制分解爐的系統(tǒng)多是集散控制系統(tǒng)(DCS)，主要依靠操作員的工作經(jīng)驗為主進行手工調節(jié)來實現(xiàn)水泥熟料生產(chǎn)的工藝流程控制，與國外先進的水泥生產(chǎn)企業(yè)相比，沒有應用工藝優(yōu)化控制軟件，缺乏能效標準和節(jié)能措施，造成水泥生產(chǎn)單耗較大，浪費了大量能源。如何通過有效的控制方法提高生產(chǎn)效率，在保證產(chǎn)品質量的前提下降低能耗，成為目前水泥生產(chǎn)過程亟待解決的問題。

我國許多中小水泥生產(chǎn)企業(yè)的分解爐溫度過程控制主要還是采用人工調節(jié)的方式,自動化程度較低,受操作人員知識、經(jīng)驗和情緒等因素的制約,在不同的操作人員操作的過程中熟料的質量、產(chǎn)量、能耗等指標可能差距較大,無法實現(xiàn)生產(chǎn)過程的統(tǒng)一和優(yōu)化。生產(chǎn)效率相對較低、能耗較大、質量較不穩(wěn)定、操作人員勞動強度大,是水泥工業(yè)普遍存在的問題。大型水泥廠使用的設備也大部分是手動控制居多，自動控制也是采用經(jīng)典的PID控制算法，然而PID控制算法，不大適合這種復雜的大滯后、多變量、多擾動及非線性過程。同時大部分水泥廠都只對窯頭喂煤進行調節(jié)很少對風進行調節(jié)。因此，每年水泥廠、煉鐵廠以及火力發(fā)電站的燃燒煤會產(chǎn)生CO，S化物及N化物等有毒污染氣體，其中CO會造成燃料的浪費，對國家經(jīng)濟造成很大的損失和對國家環(huán)境造成很大的危害。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種水泥分解爐燃燒自動控制方法，從而有效地降低煤的消耗和CO的排放，以及使其溫度穩(wěn)定在其設定值。

本發(fā)明通過以下技術方案實現(xiàn)，包括分解爐，以及通過檢測儀表獲得的五個變量數(shù)據(jù)：窯頭喂煤量、高溫風機轉速、三次風壓強、分解爐溫度、廢氣CO含量；其中廢氣中的氧氣與CO含量成反比，控制方法如下：

步驟1采樣數(shù)據(jù)，

取檢測儀表獲得的變量數(shù)據(jù)：分解爐溫度與設定溫度的差值、分解爐溫度偏差變化率；以及分解爐廢氣C0含量與設定含量的差值、分解爐廢氣CO含量偏差變化率作為輸入信號；

取檢測儀表獲得的變量數(shù)據(jù)：窯頭喂煤量、高溫風機頻率和三次風閥門開度作為輸出信號；

采集多組輸入信號與輸出信號作為數(shù)據(jù)，將采集數(shù)據(jù)的一部分輸入信號及其對應的輸出信號作為訓練數(shù)據(jù)，另一部分輸入信號及其對應的輸出信號作為測試數(shù)據(jù)；通過訓練數(shù)據(jù)建模，測試數(shù)據(jù)驗證模型，實現(xiàn)機器的智能控制；

步驟2模糊神經(jīng)網(wǎng)絡控制算法建模，

訓練數(shù)據(jù)包括訓練輸入信號和訓練輸出信號，假設算法模型的初始參數(shù)是隨機設定的，輸入訓練輸入信號，通過該模型得到的實際結果，與訓練輸出信號進行比較，得出其誤差值,通過算法,修改其權值，使訓練輸出信號與訓練輸出信號的差值無限趨近于零，即停止訓練，得到所需算法模型；

測試數(shù)據(jù)包括測試輸入和測試輸出，通過測試數(shù)據(jù)的輸入，比較實際結果與測試數(shù)據(jù)的輸出，來驗證通過模型得出的實際輸出是否與測試輸出相等；相等則模型建立，不相等則返回訓練數(shù)據(jù)重新建模；

步驟3實現(xiàn)分解爐的自動控制，

經(jīng)過模糊神經(jīng)網(wǎng)絡控制算法，得出增加或者減少送煤量或者氧氣含量的控制指令，從而使得分解爐出口溫度穩(wěn)定在設定的溫度的±2℃，以及CO含量和氧氣含量也達到設定的值，實現(xiàn)分解爐的自動控制；

所述步驟1中分解爐溫度與設定溫度的差值△T(k)＝T_set-T_current,設為系統(tǒng)的輸入信號x₁；分解爐溫度偏差變化率設為系統(tǒng)的輸入信號x₂；分解爐廢氣C0含量與設定含量的差值△C0＝CO_set-CO_current,設為系統(tǒng)的輸入信號x₃；分解爐廢氣CO含量偏差變化率設為系統(tǒng)的輸入信號x₄；

所述窯頭喂煤量設為y₁，高溫風機頻率設為y₂，三次風閥門開度設為y₃；

輸入信號為x_i＝[x₁,x₂,x₃,x₄],輸出信號為y_i＝[y₁,y₂,y₃]。

所述步驟2中模糊神經(jīng)網(wǎng)絡控制算法建模包括以下步驟：

Step1，根據(jù)步驟1的采樣數(shù)據(jù)，得到訓練數(shù)據(jù)和測試數(shù)據(jù)；

Step2，初始化連接參數(shù)以及個數(shù)，隸屬函數(shù)采用高斯函數(shù)，輸入層為4個，每個輸入信號的模糊集合為m_i＝[m₁,m₂,m₃,m₄],其中m₁＝7，m₂＝5，m₃＝3，m₄＝5，故初始化中心寬度和中心分別為b_ij和c_ij,其中i代表輸入信號的個數(shù)，j∈1,2,..m_i，t為輸出的參數(shù)為1,2兩個取值，為輸出值連接值，確定迭代總數(shù)bite＝1000次，初始值次數(shù)i＝1；

Step3，首先將訓練樣本輸入MATLAB當中，其輸入信號為x_i＝[x₁,x₂,x₃,x₄]，將其進行隸屬函數(shù)化：

該層節(jié)點數(shù)為其中i∈1,2,3,4；j∈1,2..mi；

Step4，將隸屬函數(shù)進行每條規(guī)則的適應度計算，該層節(jié)點數(shù)N3＝m；規(guī)則計算采用相乘計算，其每條規(guī)則適應度為：

其中i1∈1,2,..,m1；i2∈1,2,..,m2；i3∈1,2,..,m3；i4∈1,2,..,m4；k＝1,2,…m；

Step5，如step4所求出的規(guī)則適應度進行歸一化計算，該層節(jié)點無數(shù)為N4＝m，

Step6，輸出層由兩個結構相同的子網(wǎng)絡所組成，每個子網(wǎng)絡產(chǎn)生一個輸出量；該層是計算每一條規(guī)則的后件，該層有m個節(jié)點，每個節(jié)點代表一個規(guī)則：

j＝1,2,…m；i＝1,2，3；

Step7，所述模糊神經(jīng)網(wǎng)絡控制算法的輸出層yi，是各規(guī)則后件的加權和，

Step8，該算法的自學習過程，通過其誤差是否達到目標設定值，如果達到則停止進行訓練，否則采用梯度下降的算法。

所述step8中梯度下降算法的具體步驟如下：

步驟1，誤差t_i和y_i分別表示期望輸出和實際輸出，r為輸出的個數(shù)；

步驟2，對權值連接值進行學習修改，其算法如下：

式中，j＝1,2,…,m；i＝1,2,…，n；l＝1,2，3；

步驟3，對權值c_ij和b_ij進行學習修改，其算法如下：

第一層，將其分成分步求導；

第二層，

第三層，

第四層，

中包含c_ij和b_ij的參數(shù)時,s_ij＝1，否則，s_ij＝0；

第五層，

第六層，

β>0為學習速率，i＝1，2，...，n；j＝1，2，..，m_i；

將其c_ij(k)＝c_ij(k+1),b_ij(k)＝b_ij(k+1),p_ij(k)＝p_ij(k+1),重復步驟三開始的方式，迭代次數(shù)加1，直到滿足目標誤差。跳出循環(huán)，得到控制算法的參數(shù)；

步驟4，測試數(shù)據(jù)算法驗證，根據(jù)步驟2中得到的權值參數(shù)c_ij,b_ij,從而得到了模糊神經(jīng)網(wǎng)絡控制算法；將其測試數(shù)據(jù)傳入其控制器當中，通過輸出與實際輸出相比較得出其誤差值，如果誤差值很大，將樣本進行刪選和修改，剔除異常數(shù)據(jù)，返回步驟2重新進行訓練；如果誤差滿足要求，則將其設為模糊神經(jīng)網(wǎng)絡控制算法；

步驟5，輸入信號經(jīng)過嵌入中控機里面的模糊神經(jīng)網(wǎng)絡控制算法(簡稱TSFNN)，計算出分解爐的輸入變量的值；通過數(shù)據(jù)通訊接口將分解爐的輸出變量的值傳送給現(xiàn)場執(zhí)行器，其現(xiàn)場執(zhí)行器為窯頭喂煤量、高溫風機頻率以及三次風閥門開度；再通過測量儀表的數(shù)據(jù)進行循環(huán)操作，構成水泥分解爐模糊神經(jīng)網(wǎng)絡控制系統(tǒng)，使水泥分解爐在模糊神經(jīng)網(wǎng)絡控制算法法下，實現(xiàn)智能控制。

本發(fā)明的原理是一種算法模型，通過模糊神經(jīng)網(wǎng)絡控制算法模型，將機器學習的方法用在控制系統(tǒng)當中，通過訓練數(shù)據(jù)建模，測試數(shù)據(jù)驗證模型，實現(xiàn)機器的智能控制。其中訓練數(shù)據(jù)包括訓練輸入和訓練輸出，其訓練輸入為(x1到x4)，訓練輸出為(y1到y(tǒng)2)；假設算法模型的初始參數(shù)是隨機設定的，輸入(x1到x4)，通過該模型輸出的實際結果記為y'₁和y'₂，將其y1-y'₁和y2-y'₂,得出其誤差值,通過算法,修改其權值，使其y1-y'₁和y2-y'₂的差值無限趨近于零，即停止訓練，得到所需算法模型。測試數(shù)據(jù)包括測試輸入和測試輸出，其測試輸入為(x1到x4)，測試輸出為(y1到y(tǒng)2)，通過測試數(shù)據(jù)的輸入，比較實際結果與測試數(shù)據(jù)的輸出，來驗證通過模型得出的實際輸出是否與測試輸出相等；相等則模型建立，不等則返回訓練數(shù)據(jù)重新建模。

本發(fā)明具有以下優(yōu)點，1.模糊神經(jīng)網(wǎng)絡算法具有自動控制功能，不依賴系統(tǒng)模型；2.生產(chǎn)過程不再依賴專家的生產(chǎn)經(jīng)驗；3.降低煤的損耗與空氣污染。

附圖說明

圖1為系統(tǒng)方框圖。

圖2為模糊神經(jīng)網(wǎng)絡算法流程圖。

具體實施方式

下面結合圖1到圖2對本發(fā)明實例進一步說明，在圖1系統(tǒng)方框圖中。首先現(xiàn)場進行數(shù)據(jù)收集，主要是耗煤量與窯頭喂煤傳送帶電流，分解爐出口溫度，廢氣中CO含量，以及高溫風機頻率的數(shù)據(jù)，對數(shù)據(jù)進行異常數(shù)據(jù)處理，得到訓練數(shù)據(jù)和測試數(shù)據(jù)。以及確定煤耗量與電流的關系，以及風機頻率與氧氣之間的大致關系。

本發(fā)明人是將神經(jīng)網(wǎng)絡的BP算法，與T-S模糊控制相結合的方式，構成算法，其算法模塊在圖1的T-S模糊神經(jīng)網(wǎng)絡控制中。在圖1中的量化具體如下，分解爐出口溫差，其溫差變化的閾值范圍為-40,40，所以X1對應的模糊子集論域為-3,-2,-1,0,1,2,3,其中當溫差在[-2,-2]其論域為0，當溫差在[-5,-2]其論域為-1，當溫差在[-10,-5]其論域為-2，當溫差在[-40,-10]其論域為-3，

當溫差在[2,5]其論域為1，當溫差在[5,10]其論域為2，當溫差在[10,40]其論域為3；分解爐溫度誤差變化率范圍為[-20,20],X2對應的模糊子集論域為-2,-1,0,1,2，其中當溫差變化率在[-2,-2]其論域為0，當溫差在[-5,-2]其論域為-1，當溫差在[-20,-5]其論域為-，當溫差在[2,5]其論域為1，當溫差在[5,20]其論域為2；廢氣CO/ppm含量差值在[-500,20000],X3對應的模糊子集論域為{0,1，2}，當CO含量差值在[-500,0]表示CO含量達標其論域為0，當CO含量差值在[0,2000]表示CO含量高出標準值其論域為1，當CO含量差值在[2000,20000]表示CO含量嚴重超標其論域為2；廢氣C0/ppm含量差值變化率的范圍為[-10000,10000],X4對應的模糊子集的論域為{-2,-1,0,1,2},當CO含量差值變化率[-10000,-5000]其論域為-2，當CO含量差值變化率[-5000,-250]其論域為-1，當CO含量差值變化率[-250,250]其論域為0，當CO含量差值變化率[250,5000]其論域為1，當CO含量差值變化率[5000,20000]其論域為2；輸出對應于電流的變化量，其論域為{-3，-2，-1,0,1,2，3}；其高溫風機頻率的變化量其論域為{-3，-2，-1,0,1,2,3}；改值經(jīng)過現(xiàn)場以及歷史數(shù)據(jù)獲取。

圖1的T-S模糊神經(jīng)網(wǎng)絡控制器，其核心算法如下所述，該網(wǎng)絡分為前件網(wǎng)絡和后件網(wǎng)絡，前件網(wǎng)絡進行結構辨識，后件網(wǎng)絡進行參數(shù)輸出。其主要是T-S模糊推理，模糊系統(tǒng)的輸入變量為x₁,x₂,..x_n,用矢量x＝[x₁,x₂,x₃,x₄]^T表示x的論域實空間上的緊密集，即x∈U∈Rⁿ；模糊系統(tǒng)的輸出變量為y，y的論域是實數(shù)域上的緊密集，即x∈V∈R。模糊推理規(guī)則的一般形式為：

模糊推理規(guī)則中，j＝1,2,…,M,M為規(guī)則數(shù)；A_ij是x₁的模糊集合，隸屬函數(shù)B^j是y的模糊集合，隸屬函數(shù)輸入變量隸屬函數(shù)為高斯函數(shù)，即：

采用sum-product的推理方法和加權平均的解模糊方法，將各隸屬度進行模糊計算，采用模糊算子為連乘算子：

所以其輸出值為：

其學習算法，采用的是梯度下降法，其具體步驟如下：

步驟1，誤差t_i和y_i分別表示期望輸出和實際輸出，r為輸出的個數(shù)；

步驟2，對權值連接值進行學習修改，其算法如下：

式中，j＝1,2,…,m；i＝1,2,…，n；l＝1,2，3；

步驟3，對權值c_ij和b_ij進行學習修改，其算法如下：

第一層，將其分成分步求導

第二層，

第三層，

第四層，

中包含c_ij和b_ij的參數(shù)時,s_ij＝1，否則，s_ij＝0；

第五層，

第六層，

β>0為學習速率，i＝1，2，...，n；j＝1，2，..，m_i；

將其c_ij(k)＝c_ij(k+1),b_ij(k)＝b_ij(k+1),p_ij(k)＝p_ij(k+1),重復步驟三開始的方式，迭代次數(shù)加1，直到滿足目標誤差。跳出循環(huán)，得到控制算法的參數(shù)。

圖2為該學習算法的整體流程以及對其算法的認證，首先將訓練數(shù)據(jù)進行訓練。使其得到的模型滿足要求，則將測試數(shù)據(jù)對模型進行測試，得到測試數(shù)據(jù)與實際數(shù)據(jù)的誤差曲線，然后根據(jù)其曲線對輸出進行修改，使其模型滿足控制所需。如果模型不能滿足需求，再重新訓練，直到滿足要求。將其滿足要求的模型，傳入圖1的T-S模糊神經(jīng)網(wǎng)絡控制器模塊中。