模糊BP神經網絡控制在水泥分解爐溫度控制系統中的應用

李勝旺　張振中　劉震

摘 要：水泥燒成系統中分解爐溫度的控制是一個典型的多變量、大遲滯、強耦合、非線性的復雜控制對象，很難建立起非常精確的數學控制模型，常規的控制算法幾乎都無法取得滿意的控制效果。針對這一問題，文章先分析確定了影響分解爐溫度的常量，采用神經網絡算法構建預測模型，然后經模糊控制器得到噴煤量并調節這一常量來穩定分解爐內部溫度。經現場實際應用結果表明此溫度控制系統響應速度快，實際控制溫度與正常值誤差較小，具有良好的魯棒性、可靠性。

關鍵詞：分解爐；溫度控制；神經網絡；預測控制；模糊控制

引言

隨著國內外房地產行業的蓬勃發展和建材行業的加速轉型，水泥產業目前正處于產品結構和技術創新調整的重要時期。，采用預分解技術的新型干法水泥生產工藝及優化控制策略已經成為我國水泥產業的發展趨勢。分解爐是預分解技術的核心模塊，承擔了預分解系統中煤粉燃燒、氣固換熱以及碳酸鹽的分解等任務，保持爐溫的穩定對于保持整個預分解系統的熱力分布和熱工制度的穩定至關重要。但分解爐的控制具有非線性、大滯后性、強耦合性等特點，這決定了該系統的控制將會非常復雜。

針對以上問題，根據預測控制具有很強的魯棒性，不依賴具體數學模型和在線滾動優化的特點，文章采用基于神經網絡建模的預測控制并結合模糊控制方法，提出了一種可應用于新型水泥干法燒成系統分解爐溫度控制的算法。

1 水泥分解爐工作原理和影響因素

分解爐作為水泥燒成系統的第一個環節，其溫度的控制對整個燒成系統起到了至關重要的作用，溫度過高或過低，都會對系統產生很大的影響甚至停止運行，對生產公司的產銷早成很大的影響。二次風風溫、三次風風溫、煤粉的成分、預熱后生料入爐前的溫度、生料的成分以及分解爐自身散熱等等都會影響分解爐溫度。

在影響分解爐溫度的眾多因素中，通過對分解爐結構的分析和實際操作人員經驗的總結，我們得出影響分解爐參數時變的主要因素有三個，煤粉流量、三次風量和生料流量。在這三個量的值保持一定配比關系的情況下，分解爐的溫度才能穩定在期望值的范圍內。因此，控制好三次風量、煤粉流量以及生料流量成為了本控制系統的重點。

2 自適應BP神經網絡

BP（Back error propagation）神經網絡是一種多層前饋神經網絡，網絡的權值的調整規則采用后向傳播學習算法。目前，BP神經網絡是相對成熟且應用范圍較廣的一中神經網絡模型。典型的BP神經網絡模型結構見圖1，它由輸入層、隱含層以及輸出層組成，隱含層可以有一個或者多個，每層由多個神經元組成。BP神經網絡算法的學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層傳入，經隱含層逐層處理，最后傳向輸出層，每層神經元的狀態只影響下一層神經元的狀態。如果輸出層輸出與期望的輸出差異較大，則轉入反向傳播，將誤差信號沿原來的鏈接通路返回，通過修改各層神經元的權值，使誤差信號最小。

BP神經網絡的學習過程分為兩個階段。

第一階段：網絡的輸入經過輸入層節點，利用其神經元的初始化權值和閾值，計算得出輸出數據，繼而計算出隱含層的輸出，這個階段稱為前向輸出階段。

第二階段：根據最終輸出和期望輸出的誤差，來對每層權值和閾值的修正，若達到要求，則結束，如達不到要求則重復到第一階段。

BP神經網絡的學習算法指網絡的應用初始化，它的實質就是根據輸入輸出數據來建立一種映射關系，與其他映射不同的是，神經網絡映射函數是動態的，映射規律隨著輸入樣本的變化而變化，判斷這種映射的成功與否就是神經網絡的收斂速度，收斂速度越快，說明算法越優越。為了更快地達到收斂，很多科學家針對收斂的速度等進行了相關研究，并達到了很好的效果。下面是BP算法的示意圖，如圖2所示。

3 BP神經預測控制

5 控制算法的應用

將上述控制算法調試的軟件與生產現場水泥生產線的DCS系統相連接并應用后，根據現場工況和工藝要求，將分解爐爐溫的目標控制值設定為845℃，我們得到了該軟件對分解爐系統24小時在線控制的數據圖，如圖8所示。

由圖8可以看出應用模糊BP神經預測控制算法的控制效果與實測效果相比較實測值和預測值二者數據較為接近。

6 結束語

文章應用神經網絡并結合模糊控制以及某水泥廠分解爐實測數據對分解爐建立爐內溫度預測模型，在工況出現波動的情況下，控制系統能夠根據實測數據進行優化控制，提前對分解爐參數進行調整。并準確預測出分解爐爐內溫度的變化趨勢，解決了分解爐控制的非線性，滯后性的困難，使分解爐系統運行的更加穩定，為整個燒成系統做好了鋪墊，對分解爐溫度控制的研究起到了一定的作用。

作者簡介：張振中（1988，9-），男，漢，河北省承德市，本科，河北科技大學，計算機科學與技術。