基于神經網絡的水泥回轉窯溫度預測模型研究

王紅君 ，田甘露 ，趙 輝 ，2，岳有軍

（1.天津理工大學 天津市復雜系統控制理論與應用重點實驗室，天津 300000；2.天津農學院，天津 300000）

近年來，新型干法水泥技術在我國水泥生產中得到了廣泛應用，其中回轉窯是關鍵設備，主要用于對水泥熟料的生產[1]。回轉窯的生產過程很難準確描述，其中包括燃料的燃燒、熱的傳導、熟料的化學成分等，熟料傳導的同時發生化學、物理、礦物反應。對回轉窯溫度的穩定控制是保證熟料質量的充分必要條件。考慮到系統的復雜程度，各個環節之間存在相互影響，所以建立整個水泥回轉窯溫度控制模型。

水泥回轉窯溫度的預測控制目前主要采用專家系統、模糊控制算法、神經網絡等，文獻[2]詳細介紹了專家系統控制在回轉窯的應用，文獻[3]采用模糊ARX模型來對水泥回轉窯進行預測控制，文獻[4-7]提到了模糊控制器能夠解決傳統基于線性系統理論難以解決的控制問題時，能夠得到較好的動態響應特性，且無需知道被控對象的數學模型、適應性強、魯棒性好的特點。但模糊控制容易受模糊規則的限制而引起誤差。近年來，神經網絡得到廣泛的應用。文獻[8-9]提出神經網絡可以逼近任意復雜的非線性系統，具有較好的容錯性，可快速處理大量數據，實現難以用數學模型表示的復雜映射關系。本文結合神經網絡自組織、自適應及較好的容錯性的優點，選擇不同的方法建立回轉窯窯尾溫度控制模型，通過Matlab仿真驗證該方法的可行性。

1 系統分析及模型建立

熟料燒成環節是水泥生產的核心所在，該環節由旋風預熱器、分解爐、回轉窯、篦冷機4部分組成，水泥生料經5級旋風預熱器及分解爐吸熱發生分解反應后進入回轉窯，在回轉窯的帶動下，由窯尾向窯頭運動，與此同時，劇烈的煤粉通過鼓風機從窯頭向窯尾噴入，對生料進行煅燒，當煅燒溫度達到燒成溫度，水泥生料發生燒結反應，被煅燒成水泥熟料，最后水泥熟料經窯頭罩落入篦冷機內。回轉窯燒成系統結構如圖1所示。

圖1 回轉窯燒成系統結構Fig.1 Rotary kiln firing system structure

影響回轉窯熱工制度的因素很多，主要有煤粉喂入量、生料喂料量、窯筒體轉速、窯系統壓力、二次風溫度、三次風溫度、煙氣成分、生料的易燒性、煤粉質量等等[10]。并且各個因素之間還存在強耦合作用，對這樣一個多因素、慢時變、分布參數多、非線性、大時滯、強耦合的控制對象，難以建立精確的數學模型。對于這樣的復雜系統，我們采用神經網絡來對回轉窯進行控制研究。

窯尾溫度與燒成帶溫度一起表征窯內沿長度方向的熱力分布情況[11]。窯尾溫度表示窯頭火焰的位置以及煅燒情況，反應出窯、爐用風是否平衡，可以間接地反應如系統拉風、三次風管用風等是否正常。窯尾溫度也間接反應生料入窯分解率的高低，當入窯生料分解率偏低時，入窯生料溫度也不會高，此時窯尾溫度很難達到控制要求的范圍。燃料用量直接影響燒成帶溫度和廢氣中的氧含量，同時也用來改變窯內的溫度分布和氧氣含量；主排風速度主要改變二次風速，以保證風煤配合及廢氣中的氧含量，同時也用來改變窯內的溫度分布、控制窯尾溫度等等。

BP網絡的產生由BP算法獲得，BP算法的基本思想是學習過程由信號的正向傳播與誤差反向傳播2個過程組成[12]；正向傳播過程中，輸入信息從輸入層經隱含層逐層計算傳向輸出層，每層神經元的狀態僅影響下層神經元的狀態。如果輸出層的實際輸出與期望輸出有誤差，則計算輸出層的誤差，然后通過網絡將誤差信號以某種形式通過隱含層向輸入層逐層反轉，并將誤差分攤給各層的所有單元，從而獲得各層的誤差信號，此誤差信號作為修正各層神經元的依據。不斷調整神經網絡的權值，直到網絡的誤差減少到可接受的程度，或進行到預先設定的學習次數為止[13]。本文以山東平邑中聯水泥廠的回轉窯作為控制對象，從現場采集11個變量（x1，x2，x3，……，x11）的實測數據作為模型網絡的訓練樣本，建立如圖2所示的BP網絡模型。BP網絡的期望輸出y為窯尾溫度，是系統的控制量。輸入參數是影響回轉窯窯尾溫度的因素。對于圖示的模型，其輸入輸出關系如圖2所示。

圖2 BP神經網絡模型Fig.2 BP neural network model

2 BP神經網絡預測

BP（back propagation）網絡[14]是一種按誤差反向傳播的多層前饋網絡，是目前應用最廣泛的神經網絡模型。它可以逼近任意復雜的非線性關系，可以自適應不確定的系統，具有較好的容錯性。神經網絡的大規模并行性可快速處理大量數據，實現那些難以用數學模型表示的復雜映像關系。

對回轉窯系統結構分析后，選擇單隱層的BP神經網絡進行仿真試驗。輸入層個數為11，輸出層個數為1，隱層的確定通過訓練樣本對網絡進行訓練，選擇不同隱層數，挑選效果最佳時的層數。設定不同的參數訓練并比較訓練結果。最終選取隱含層神經元為q=10，學習次數N=100，誤差限定值E=0.00004。采用上述參數對網絡進行訓練。

訓練樣本采集于實際生產數據，經過聚類分析后選擇2000組數據，其中1900組用于網絡參數的訓練，100組作為測試。測試結果如下，回轉窯窯尾氣體溫度如圖3所示，誤差如圖4所示。

圖3 BP神經網絡預測輸出Fig.3 Output of BP neural network

圖4 BP網絡預測輸出誤差Fig.4 Output error of BP neural network

由仿真結果可以看出，模型網絡運算輸出值與樣本期望值相差很小，說明該BP網絡具有較好的預測能力和泛化能力。

3 改進的遺傳神經網絡預測

遺傳算法 GA（genetic algorithm）[15-16]是在問題的整個解空間中進行搜索，因此具有較強的全局尋優能力和魯棒性，函數無連續性和可微性要求等優點，用遺傳算法優化神經網絡是一種可行的策略。傳統的遺傳優化算法在目前尚未從理論分析中對全局的收斂性做出合適的分析，簡單的遺傳算法不能確保收斂性，而且容易出現群體多樣性因變異概率小而快速下降。

適應度函數是來度量群體中個體優化計算中可能達到、接近或有助于找到最優解的優良程度[17-18]。適應度較高的個體遺傳到下一代的概率就相對較大。針對實際GA計算過程出現的問題，本文通過更改適應度函數的標定來對遺傳算法進行改進。基本步驟為

步驟1初始化種群P，交叉規模、編碼采用實數進行編碼；

步驟2按照適應度函數將每個個體按其結果進行排列，按照式（1）進行概率排列，并引入誤差信號的平方值進行概率衡量，稱之為進化誤差平方。下式中E為進化誤差平方：

式中：i=1，2，…，N為染色體數目；k為輸出節點數；Tk為測試真實值信號；Vk為預測值信號；

步驟3把新的個體放入到種群中，計算新個體的適應度函數；

步驟4計算BP網絡的誤差平方和，如果滿足誤差允許值則繼續，否則轉入步驟3；

步驟5以遺傳算法的優化初值作為BP網絡的初始權值，并輸入樣本開始訓練，當精度符合要求后停止。

將算法中詳細參數設置如下：種群規模為22；最大進化代數為100；適應度函數中α=0.2；自適應公式中β=0.6。BP網絡的模型結構為單隱層結構，隱節點數的最大值為10，權值取值范圍為［-1，1］，激勵函數均為Sigmoid函數，學習率為0.9，停止訓練的誤差精度設置為0．01，并同時記錄迭代1000步時的訓練誤差。由于遺傳算法的隨機性，所以取每種算法重復訓練10次的平均值作為最后的結果，實驗結果如圖5和圖6所示。

圖5 遺傳算法優化神經網絡輸出Fig.5 Output of GA-BP neural network

圖6 遺傳算法優化神經網絡輸出誤差Fig.6 Output error of GA-BP neural network

與BP神經網絡的預測輸出誤差相比較，改進的遺傳算法優化的神經網絡的誤差精度在-0.04～0.04，該模型網絡運算輸出值與樣本期望值相差更小，說明該優化后的BP網絡具有更好的預測能力和泛化能力。

4 結語

本文以山東平邑中聯水泥回轉窯為對象，根據對其生產工藝的研究和采樣數據的分析，確定了影響水泥回轉窯窯尾溫度的主要因素，并通過神經網絡和優化后的遺傳算法進行仿真訓練，由計算機自動控制訓練輸出結果。通過仿真計算可以看出，本文所采用的方法，控制輸出都能很好地跟蹤實際輸出，誤差也較小，表明本文方法的可行性。在100個測試數據中，BP神經網絡輸出與實際輸出，誤差比較小，但是收斂速度慢；而改進后的遺傳算法在輸出值的范圍內具有更好的精度，更接近輸出的實際值。通過對預測誤差百分比的大小分析可以得出，本文利用遺傳神經網絡所建立的回轉窯窯尾氣體溫度預測模型，具有更好的泛化能力，模型的精度與準確度也很高，在水泥回轉窯氣體控制的模型建立上具有一定的優勢，具有更好的應用前景。

[1]王蕊.水泥回轉窯生產過程控制系統設計研究[D].天津：天津大學，2004.

[2]王孝紅，房喜明，于宏亮.基于專家系統的回轉窯窯頭工況識別[J].控制工程，2010，17（3）：309-312.

[3]王蘭軍.水泥回轉窯故障診斷系統的研究[D].浙江：浙江大學，2004.

[4]郭峰.基于模糊ARX模型的水泥回轉窯預測控制算法研究[D].秦皇島：燕山大學，2012.

[5]王偉，張航，羅大庸.基于核模糊C均值聚類和局部建模方法的煙氣含氧量軟測量模型[C]//第30屆中國控制會議，煙臺，2011.

[6]宋軍強.基于模糊神經網絡的回轉窯控制及其在西門子PCS7環境中的實現[D].西安：西安電子科技大學，2009.

[7]王旭東，邵慧鶴.基于神經網絡的通用軟測量技術[J].自動化學報，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]盧通通.基于神經網絡的非線性畸變圖像的校正和識別技術的研究[D].杭州：中國計量學院，2013.

[10]周惠群.水泥緞燒技術及設備（回轉窯篇）[M].武漢：武漢理工大學出版社，2006.

[11]譚詠梅.熱工設備運行與維護[D].北京：北京理工大學出版社，2012.

[12]林琳.基于BP神經網絡的網絡性能預測[D].長春：吉林大學，2004.

[13]楊力遠，林宗壽，陳亞明.基于神經網絡的回轉窯鍛燒模擬[J].中國水泥，2004（2）：61-63.

[14]鄧偉.BP神經網絡構建與優化的研究及其在醫學統計中的應用[D].上海：復旦大學，2002.

[15]李哲，張軍濤.基于遺傳算法與人工神經網絡相結合的玉米估產研究[J].自然資源學報，2000，15（3）：270-274.

[16]王小平，曹立明.遺傳算法—理論、應用與軟件實現[M].西安：西安交通大學出版社，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]張敏，趙金城.全局優化神經網絡拓撲結構及權值的遺傳算法[J].大連大學學報，1999，20（6）：9-13.

[19]王小川，史峰.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.