水泥生料預分解過程熱效率優化控制研究進展

摘要：針對新型干法水泥生產工藝中水泥生料預分解過程能耗高、熱效率低的現狀，分析水泥生料預分解過程數值模擬、分解爐出口溫度優化設定、分解爐出口溫度建模和控制的國內外研究與應用動態，提出通過建立預分解過程的熱效率模型來優化分解爐出口溫度的解決方案；總結比例-積分-微分控制、模糊控制、神經網絡控制、模型預測控制及其組合控制算法在提高水泥生料預分解過程熱效率中的應用方案，并對各方案的可行性進行分析；最后指出將熱效率優化模型與模型預測控制相結合構成雙層結構預測控制，更有助于提高水泥生料預分解過程的熱效率。

關鍵詞：水泥生料預分解；熱效率；數值模擬；分解爐出口溫度；雙層結構預測控制

中圖分類號：TP273

文獻標志碼：A

Research Progress on Optimal Control of Thermal Efficiency in Cement Raw Material Pre-decomposition Process

MA Hengchaoa， LIU Zhaoa， LI Fanjunb， WANG Xiaohonga

（a.School of Electrical Engineering， b. School of Mathematical Sciences， University of Jinan，

Jinan 250022， Shandong， China）

Abstract： In view of the status of high energy consumption and low thermal efficiency of cement raw material pre-decomposition process in new dry process cement production technology， the research and application trends at home and abroad of numerical simulation of cement raw material pre-decomposition process， optimal setting of outlet temperature of decomposing furnaces， modeling and control of outlet temperature of decomposition furnaces were reviewed. A solution schemes to optimize decomposing furnace outlet temperature was proposed by establishing a thermal efficiency model of pre-decomposition process." The application schemes of proportional-integral-derivative control， fuzzy control， neural network control， model predictive control， and their combined control algorithms in improving the thermal efficiency of cement raw material pre-decomposition process were summarized， and the feasibility of each scheme was analyzed. A two-layer structure predictive control combining a thermal efficiency optimization model and a model predictive control was pointed out to be more beneficial to improve the thermal efficiency of raw material pre-decomposition process.

Keywords： cement raw material pre-decomposition; thermal efficiency; numerical simulation; outlet temperature of decomposing furnace; two-layer structure predictive control

收稿日期：2022-01-17 網絡首發時間：2022-11-30T10∶15∶12

基金項目：國家自然科學基金項目（62073153）; 山東省重點研發計劃項目（2019GSF109018）

第一作者簡介：馬恒超（1996—），男，山東滕州人。碩士研究生，研究方向為流程工業綜合自動化。E-mail：cse_mahc@stu.ujn.edu.cn。

通信作者簡介：劉釗（1987—），男，山東禹城人。講師，博士，碩士生導師，研究方向為復雜工業過程建模與智能控制。E-mail：cse_liuz@ujn.edu.cn。

網絡首發地址：https：//kns.cnki.net/kcms/detail/37.1378.N.20221129.0952.004.html

水泥是國民經濟基本建設的重要原材料，其工業耗能約占我國工業總能耗的4%^［1］。在新型干法水泥生產工藝中，穩態工況下水泥熟料生產過程熱效率與生料預分解、熟料煅燒、熟料冷卻3個工序的熱效率呈線性正相關，并且生料預分解過程中消耗的燃煤量約占整個水泥熟料制成過程的60%^［2］，因此，對生料預分解環節進行熱效率優化，將更有效地提高整個生產過程的熱效率。

工業生產過程熱效率問題已經得到國家和生產企業的高度重視，為了實現國家提出的可持續發展目標，對水泥生產工業進行節能降耗勢在必行^［3］，但目前直接對生料預分解過程進行熱效率優化的研究還較少。本文中針對水泥生料預分解過程，從數值模擬、分解爐出口溫度設定、分解爐出口溫度建模和控制4個方面對國內外的研究成果進行分類綜述，并分析從能量流的角度進行水泥生料預分解過程節能潛力挖掘，結合先進過程控制算法提高水泥生產過程熱效率方案的可行性。

1 水泥生料預分解過程

水泥生料預分解過程如圖1所示，主要生產設備為懸浮預熱器和分解爐，其中預熱器由C₁，C₂，…，C₅共5個旋風筒串聯構成，旋風筒的主要作用是進行物料分散、氣-固兩相換熱和少部分碳酸鈣分解。在實際現場中生料由斗式提升機從生料均化庫中帶入到旋風筒C₁和旋風筒C₂的連接處，由來自旋風筒C₂自下而上的高溫氣體吹入到旋風筒C₁進行氣-固分離，通過C₁底部的鎖風閥進入旋風筒C₂和旋風筒C₃之間的連接管道，并被來自旋風筒C₃的高溫氣體吹入旋風筒C₂內。如此經過層層加熱，生料在懸浮狀態下充分地與高溫氣體進行熱交換，生料中的水分被蒸發，黏土礦物脫水分解，為后續的碳酸鈣分解和熟料煅燒提供良好的基礎。

經過高溫預熱后溫度高達約750 ℃的生料由旋風筒C₄底部送入分解爐^［4］。分解爐是生料中的碳酸鈣分解的主要場所，在分解爐內煤粉和生料進行充分混合，并且在來自篦冷機三次風的作用下，煤粉劇烈燃燒產生大量的熱，這些熱量被生料快速吸收完成碳酸鈣的分解，然后生料經過分解爐頂部鵝頸管到達旋風筒C₅后進入回轉窯進行熟料煅燒，同時剩余熱量由高溫風機和廢氣風機帶入到預熱器，由下自上地與生料進行熱交換后從旋風筒C₁進入頂部的增濕塔處理后排出。

由于分解爐出口溫度設置不合理導致旋風筒C₁出口廢氣溫度普遍高于設備預設值，這是造成預分解過程能耗高的問題之一。預分解工藝的主要任務是保障生料的入窯分解率達到85%～95%，減輕回轉窯的煅燒壓力^［5］。生料分解所需熱量由成分所決定，而熱量的主要來源是分解爐喂煤燃燒釋放的熱量。若該環節收入的熱量多于生料分解所需的熱量，就會造成能耗增大，因此有必要將熱效率優化引入到生料預分解控制中，以提高熱效率的方式降低預分解過程能耗。

2 分解爐熱效率優化研究進展

如何提高水泥生產工藝中預分解過程熱效率一直是學術界和工業界研究的熱點。目前針對該過程的研究可分為設備升級改造和自動控制系統改造兩大方面。在設備改造的研究中，一些學者在流體力學的基礎上采用數值模擬的方式對分解爐內部氣-固流場、溫度分布等進行研究，找到影響設備運行效率的相關因素，為高效率、低能耗設備的研發和改造提供了理論依據。在控制系統改造中普遍采用先進的過程控制技術，提高控制系統的魯棒性，保障設備可以長時間穩定、高效地運行。通過閱讀相關文獻發現，若要通過對控制系統改造來提高預分解過程熱效率，首先要對預分解過程的能量流有一個清晰的認知，通過能量流建立預分解過程的熱效率模型是實施節能措施重要依據；其次，根據熱效率模型找到影響熱效率可控變量，并計算得到分解爐出口溫度最優值是系統降耗的基礎；最后，對系統建立控制模型并利用控制器對目標值進行穩定、準確、快速的跟蹤是實現系統降耗的關鍵。

2.1 預分解過程數值模擬

隨著分解爐設備升級，采用經驗和試驗的方式發現問題并改進設備不僅困難，而且很難得到爐內部熱工過程以及各種參數耦合情況。對此許多學者以流體力學為基礎，對爐內溫度場、氣-固流場等進行數值模擬。其中李麗君^［6］通過研究預熱系統結構，對氣-固兩相流流場、顆粒分離率以及運動軌跡進行數值模擬，但并未考慮傳熱效率、生料分解率等因素。李祥東^［7］針對分解爐的特點，以計算流體力學（computational fluid dynamics，CFD）為基礎對生料分解和煤粉燃燒進行動力學實驗并獲得相關系數，正確描述了兩者的反應過程，但如果能同時考慮生料的細度和入口位置的影響，得到運動軌跡將能更好地指導生產。李安平等^［8］通過實驗發現碳酸鈣分解不僅與溫度和物料成分有關，而且還受爐內二氧化碳（CO₂）氣體分壓的影響。對此邢寧寧^［9］對產量為5 000 t/d的水泥生產線的新型三噴騰分解爐用Fluent軟件進行煤粉燃燒和碳酸鈣分解耦合流場數值模擬，得到了不同分解率下的溫度分布和CO₂濃度，再一次證實了碳酸鈣的分解機理，為生料預分解研究提供理論基礎。但磊^［10］設計了L型五孔探針的數據采集系統，可以通過冷模試驗與CFD數值模擬得到分解爐內流場與生料運動軌跡，結合分解爐模型實驗確定了生料最佳進入點。夏凡^［11］在三維數值模擬的基礎上與傳統優化相結合，利用神經網絡和遺傳算法求出被優化參數的最優值，并通過數學證明了其優化的可靠性，將傳統的數值模擬與實際的設備控制相結合，這是今后分解爐控制需要進一步研究的課題。

通過數值模擬，不僅能得到分解爐內部運行狀況，同時也為設備改造提供了方向。王為術等^［12］、梅書霞等^［13］利用數值模擬研究了不同三次風速下分解爐內溫度場、氮氧化物分布特性，得到了不同三次風速下分解爐的碳酸鹽的分解規律，為三次風閥門開度調節提供了參考。蔡鑫等^［14］通過對分解爐煤粉燃燒、生料分解和氣-固兩相流進行數值模擬，通過改變噴嘴的位置解決了分解爐爐內溫度不均勻和物料不易分散的問題。李睿等^［15］通過對4種不同方位噴煤管的分解爐進行數值模擬，分析不同位置的噴煤管對爐內煤粉燃燒和氮氧化物生成的影響，并提出了噴煤管安裝位置的改進方案。巴清心^［16］通過對分解爐內煤粉和生料的流動路線以及速度分布進行數值模擬，對分解爐結構進行改進，改善了爐內溫度分布，延長了生料在爐內的反應時間。陳思維^［17］為了避免因測試手段而造成“盲區現象”，采用流體力學對爐內流場進行分析，根據分析結果對三次風的入口位置、下料管位置等進行改進，提高了分解爐的性能。徐順生等^［18］發現分解爐底錐的入口直徑對爐內的溫度場、生料分解率、煤粉的燃盡率具有顯著影響，通過數值模擬確定了入口最佳的直徑，顯著提升了生料分解率和煤粉燃盡率。王俊杰等^［19］對分解爐進行數值模擬獲得爐內溫度分布、生料分解、煤粉燃燒、速度場等信息，對分解爐存在的錐部溫度過高、截面速度分布不均等問題給出了優化建議。付偉^［20］通過對分解爐放風設備進行數值模擬，分析其內部流場，確定放風設備位置，有效地解決了分解爐因使用高硫煤引起結皮堵塞的問題。

綜上所述，以流體力學為基礎對分解爐內的溫度分布、生料和氣體運動軌跡以及CO₂濃度分布進行數值模擬，不僅可以更好地了解爐內狀況，同時也為設備的改造提供了依據；但是，由于分解爐內部物化反應非常復雜，因此目前通過數值模擬技術還不能完全掌握真實的爐內流場規律。

2.2 水泥預分解過程節能研究

在水泥預分解過程中，分解爐出口溫度隨工況變化調節是否及時、合理，不僅直接影響生料分解率，同時也決定著該過程熱效率的高低。目前在自動化程度相對較高的水泥廠，通常是利用智能算法來模擬操作員對分解爐出口溫度進行自動設定，溫度設定的合理性受操作員水平影響，容易造成生產熱效率降低，能耗增加。對此，借鑒鋼鐵、鋁冶煉等高耗能企業的節能措施，分析從能量流的方向建立生料預分解過程熱效率模型，結合智能尋優算法尋找當前工況下分解爐出口溫度最優值的可行性。

2.2.1 能量流和熱效率在線監測

以鋼鐵、水泥為代表的高耗能企業具有很大的節能潛力，從能量流角度分析生產過程中各能量的來源、大小和去向，從而實現產業節能是非常必要的。許多學者從物質流、能量流的角度對鋼鐵生產、鋁冶煉進行節能潛力的挖掘，并取得了一定的成效，對水泥產業節能降耗具有非常重要的參考價值。能量流的準確劃分是進行能量流分析的基礎。楊婷^［21］通過對鋼鐵工業能量流模型分析總結，得出能量流轉換過程以及能級變化的規律，并對其能量的來源和去向進行了更為詳細的劃分，為后續學者分析企業能量流提供了參考和依據。張紅日^［22］通過分析鋼鐵工業的能量流網絡，建立了熱電系統的優化調度模型，提高了能源的利用效率，降低了系統的運行成本。董人菘^［23］通過能量流分析總結出影響能耗的因素，為后續建立優化調度模型進行節能降耗提供了基礎。劉實實^［24］通過對鋁業生產過程的能量流分析，構建了鋁業生產能量流分析框架，從能量流的角度挖掘節能降耗的潛力，為提高鋁業生產過程的能源利用率提供依據。以上學者的研究不僅可以有效分析生產過程各因素對能耗的影響，同時也為建立熱效率模型，實現預分解過程熱效率在線監測提供了理論依據。

在水泥熟料冷卻過程和熟料煅燒過程的熱效率監測的研究中，張紋碩^［25］、高龍^［26］根據能量守恒定律對熟料冷卻過程熱量的收支進行分析，建立熱效率監控系統，對提高熟料冷卻過程的熱效率具有實際意義。初林峰^［27］、劉琦^［28］研發了熟料煅燒過程熱效率在線監測系統，給出了系統的熱效率計算方法。以上的研究對預分解過程熱效率模型的建立具有很好的參考價值，尤其是針對無法在線測量參數的處理更具有指導意義，但是文獻［27-28］中僅將熱效率數值在線分析計算出來，對于系統的優化控制還是需要依賴于操作員，對熱效率的提升并沒有直接作用。

與上述研究不同，寧方乾^［29］通過建立熱效率模型，在線計算出回轉窯系統的熱效率，還將其得到的熱效率值作為主導變量，再結合游離氧化鈣（f-CaO）和窯主機電流等輔助變量，能夠對燒成帶溫度優化設定值進行自動給定，不僅使得燒成帶溫度的設定值更加合理，同時也促進了系統的節能降耗。

2.2.2 分解爐出口溫度優化設定

分解爐的出口溫度設定是否合理不僅影響水泥熟料燒成過程的穩定性，而且直接影響預分解過程的熱效率。路士增^［30］將生料三率值、窯尾生料分解率的化驗值和生料細度作為最小二乘支持向量機的輸入變量，得到分解爐出口溫度的預設定值，利用專家系統和模糊系統對預設定值進行補償校正，實現分解爐出口溫度的自動給定。對于生料分解率，目前在實際生產現場主要采用燒失量法、CO₂氣體吸收法、CO₂容積增量法等人工離線化驗方式進行計算，具有很大的滯后性，而且采用離線的計算值無法保證分解爐出口溫度設定的合理性。劉慧^［31］采用最小二乘支持向量機建立軟測量模型對生料入窯的分解率進行軟測量，但是該模型是建立在穩態工況下，并未考慮到分解爐工況多變的狀況。金星等^［32］基于改進粒子群的支持向量機算法，改善了粒子群易陷入局部最優的缺陷，最終只是考慮了整體壓力對生料分解率的影響，并未考慮CO₂分壓的影響。徐學傳^［33］在研究生料分解率軟測量時，同時考慮旋風筒C₃、C₄的溫度和壓力的影響，并分別對其進行建模處理。相較于文獻［31-32］，文獻［33］中的研究更加接近實際生產過程，但都并未考慮異常數據對測量結果的影響。喬景慧等^［34］提出基于數據驅動的生料分解率軟測量模型，克服了在生產現場因干擾等其他因素而引起的數據異常對軟測量結果的影響，投入運行后對提高水泥產量、降低能耗具有積極的作用。申帥^［35］采用改進的Takagi-Sugeno（T-S）模糊神經網絡進行生料分解率預測，并利用動態減法聚類克服了模糊模型的人為因素的影響，仿真結果符合預期目標，并根據生料易燒性指數和回轉窯電流，通過模糊系統實現分解爐出口溫度的自動設定。文獻［30，35］中對分解爐出口溫度進行自動設定，在一定程度上避免了因操作員經驗不足造成溫度設定不合理，但是算法中涉及到專家系統和模糊系統，又在一定程度上引入了人為因素。

張廷玉^［36］通過分析鋼鐵行業生產環節的目標值，建立爐溫優化函數和約束，利用遺傳算法實現加熱爐爐溫的優化設定。受此啟發，在分解爐出口溫度自動設定方面可以依據能量流的分析，建立預分解環節熱效率模型和相關約束，利用智能尋優算法，實現分解爐出口溫度的自動設定。目前尋優算法有很多，例如梯度法^［37-40］、單純形法^［41-44］、粒子群算法以及天牛須搜索算法等等。梯度法一般適用于無約束的函數優化問題，無法正常求解帶有約束條件的問題。單純形法雖然可以解決帶有約束的函數求解問題，但是收斂速度慢。粒子群算法具有結構簡單、收斂速度快的優點，但是容易出現局部收斂的情況，許多學者對該算法進行了改進。為了克服粒子群算法容易陷入局部最優的缺陷，Wang等^［45］從粒子的位置和速度的更新機制出發，提出一種新的更新機制，缺點是收斂速度變慢。將粒子群與一種或幾種不同的算法進行結合，揚長避短實現全局最優，是當前的一個研究熱點。Liu等^［46］利用混沌優化與粒子群算法結合在局部收斂時可以跳出局部最優的特點，提出了混沌粒子群算法。Li等^［47］、高鷹等^［48］利用模擬退火算法全局優化的性能，將粒子群算法和模擬退火算法進行融合，改善粒子群算法早熟的問題。為了克服粒子群算法由于在尋優后期出現停止現象，導致搜索精度低的問題，Gong等^［49］將遺傳算法和粒子群算法進行結合，尋優的性能有了很大的提升。Lin等^［50］將天牛須搜索算法和粒子群搜索算法相融合，將每個粒子看作一只獨立的天牛，實驗結果表明融合算法的搜索性能比獨立算法的更好。天牛須搜索算法是受到天牛覓食啟發提出的，雖然它與粒子群算法一樣都無法避免陷入局部最優值，但是它跳出的能力更強，也比粒子群算法收斂更快^［51］。Li等^［52］將天牛須搜索-粒子群算法應用到了實際的工程問題上，利用該算法解決了電力系統的經濟負載分配的問題，優化效果優于遺傳算法和粒子群算法。在以上的尋優算法中，天牛須搜索-粒子群算法既兼顧了個體的靈活性，又通過增加種群多樣性提升了種群間的信息交互，在很大程度上提高了熱效率模型參數尋優的精準度。

綜上所述，目前分解爐出口溫度設定值在一定程度上依賴于操作員經驗進行調控，可以在一定程度上保證溫度的合理性，但無法保證溫度最優。從能量流的角度分析生料預分解過程的能量的輸入、輸出，建立熱效率數學模型，從機理上找到影響熱效率的因素，并利用智能尋優算法根據工況實時給出分解爐出口溫度最優設定值，更容易實現生料預分解過程熱效率的最優化。

2.3 分解爐出口溫度建模

在預分解過程中分解爐的功能是使煤粉燃燒放熱和生料分解，要想對分解爐進行更好的控制，對其進行精確建模是必不可少的。從文獻［6-9］中可以看出，分解爐具有多擾動、多工況、強耦合和時滯非線性等特點，有學者針對分解爐工況變化復雜的情況，提出了多工況建模的思想。蘇哲^［53］考慮到分解爐工況波動頻繁、溫度變化范圍較廣的特點，提出針對各典型工況分別建立數學模型，然后進行隸屬度的劃分，建立分解爐出口溫度的T-S數學模型。馬小燕^［54］將分解爐的運行狀態劃分為7個工況，并分別進行建模處理。多工況建模的思想可以很好地將復雜的問題簡單化，但是工況劃分的合理性還需要進一步驗證，而且上述研究將工況確定后并沒有考慮到工況的增加問題，給后期分解爐模型的適配性造成隱患。目前神經網絡算法發展迅速，而且具有逼近任意非線性系統的特點，為分解爐出口溫度模型的建立提供了新的方向。史長城^［55］、李東等^［56］通過分析分解爐工作原理確定影響出口溫度的主要因素，利用徑向基函數（RBF）神經網絡建立了水泥分解爐出口溫度的RBF神經網絡模型，結果表明該模型具有很高的擬合度和泛化能力。王紅君等^［57］利用反向傳播（BP）神經網絡可以逼近復雜非線性系統的特點，將BP神經網絡和遺傳算法結合，改善了其易陷入局部最優的缺陷，實現對分解爐出口溫度進行建模和仿真，結果表明該模型相較于傳統的BP神經網絡在建模上具有更好的性能。標準BP算法是基于誤差梯度下降法，網絡的訓練是從某一初始值開始，并且沿著誤差對權值的一階導數方向收斂，逐步逼近期望誤差，由此可見，初始值和閾值的選取對于訓練結果具有直接影響。若能選擇合適的初始值和閾值將能更好地發揮BP神經網絡逼近任意非線性函數的優勢。如何克服BP神經網絡在建立分解爐出口溫度模型時的缺陷，將是建模中需要考慮的。利用智能算法進行建模，可以很好地解決機理復雜的問題，但是沒有考慮到分解爐的模型是一個時變的系統，原因是隨著時間的變化，系統模型的精確度逐漸降低，對系統的長期穩定運行將造成不利的影響，這也是后期建模需要考慮的問題。

2.4 分解爐出口溫度控制

分解爐作為預分解過程的核心設備，能否穩定運行不僅影響水泥熟料的產量和質量，而且也影響預分解過程的熱效率。目前對于分解爐出口溫度的控制主要有比例-積分-微分（PID）控制、模糊控制、神經網絡控制、預測控制以及它們之間的組合控制。

2.4.1 PID控制與模糊控制

張巖龍等^［58］通過趨勢矯正控制器、偏差矯正控制器、前饋控制器和變積分PID相結合，根據不同的工況對變積分PID進行矯正補償，但是分解爐的控制中干擾因子很多且復雜多變，作者在研究時并未充分的考慮。馮麗輝等^［59］為了克服傳統PID控制魯棒性弱的缺陷，提出了前饋-負反饋的多變量模糊控制策略，并在生產現場取得了良好的運行效果。李學軍等^［60］將模糊控制與PID相結合，利用模糊控制給出溫度設定值，PID控制器對溫度進行精確控制。王盛慧等^［61］將PID控制和模糊控制結合，保留了模糊控制的動態特性好的優點。喬景慧等^［62］提出了一種由基于T-S模糊控制器、改進的Elman網絡的Q學習異常工況控制器和切換機組成的有前饋補償的溫度智能切換控制的方法。張振中^［63］在利用模糊控制實現分解爐出口溫度穩定控制的同時，引入專家系統實現故障診斷，可以及時、有效地發現分解爐在運行中出現的問題，并給出解決方案，提高了分解爐控制的智能性。梁凱^［64］從現場采集的數據中獲取樣本規則，并利用T-S模糊控制器對分解爐溫度進行穩定控制，其魯棒性和超調量要好于傳統PID控制。段鑫^［65］為了解決分解爐出口溫度控制效果滯后的現狀，提出一種預測模糊控制，通過測量當前時刻的喂煤量、三次風溫風量、生料下料量等參數，預測分解爐的出口溫度，并利用模糊控制提前進行窯尾噴煤的調節。張小霞^［66］將分解爐的工況劃分為正常和異常兩大類，根據工況的不同分別選擇不同的灰色預測方法來預測分解爐出口溫度，并利用模糊控制器計算窯尾喂煤增量。侯彥濤^［67］將窯尾喂煤量和三次風的閥門開度作為控制量，構造了二維一階模糊控制器，對分解爐溫度進行穩定控制，控制效果優于PID控制和常規模糊控制。

模糊控制在設計中不需要精確的數學模型，在很大程度上解決了分解爐溫度模型不易建立的難題，在工程應用上具有很大的潛力；但是，模糊控制的核心是模糊規則，規則的制訂主要取決于專家經驗，不僅造成了主觀性強的缺陷，而且隨著輸入維數的增多，規則表也變得非常復雜。隨著模糊理論的發展，若能解決這些問題，將更有助于模糊控制性能的提升。

2.4.2 神經網絡控制

神經網絡最初由Mcculloch和Pitts提出，因為可以逼近復雜非線性關系，具有很強的魯棒性、容錯性以及自學習和自適應能力，所以在自動控制領域具有舉足輕重的地位^［68］。張志剛^［69］提出一種神經網絡動態規劃方法，將BP神經網絡作為雙重啟發式動態規劃神經網絡的模型網絡部分構成一種新型的控制器，訓練完成后實現對分解爐溫度穩定控制，仿真效果優于傳統BP神經網絡控制。張宏斌等^［70］在對水泥回轉窯進行控制時，提出在定值控制回路的基礎上加入BP神經網絡控制，形成2層結構控制回路，利用第2層的BP神經網絡回路對第1層控制回路的控制參數進行實時調整。當回轉窯的參數發生變化時啟動第2層回路對該回路的設定值進行重新設定，通過仿真發現神經網絡在水泥窯的控制方面有一定的優勢，但是并未應用到現實生產中。劉彬等^［71］采用BP神經網絡對三次風的閥門開度和噴煤量進行控制，實現了對分解爐溫度的控制，但是并未考慮BP神經網絡易陷入局部最優的缺陷。劉曉琳等^［72］根據煤粉燃燒和碳酸鹽分解的動力學模型，確定了影響分解爐出口溫度的變量，克服了依據經驗選擇變量的主觀性，并利用改進的BP神經網絡作為控制器，根據當前工況對窯尾噴煤量和三次風閥門開度進行控制，最終實現對分解爐出口溫度的精確控制。馬保國等^［73］將RBF神經網絡與專家系統相結合，對分解爐出口溫度進行自動控制，其中利用RBF神經網絡完成輸入、輸出變量之間的關聯強度和影響程度的推理，再通過專家系統完成推理的可視化過程，最終實現對分解爐出口溫度的精確控制。史長城等^［74］為解決分解爐出口溫度具有非線性、強耦合和控制滯后的問題，提出采用基于RBF神經網絡的啟發式動態規劃算法對分解爐出口溫度進行控制。

神經網絡控制雖然提高了系統的魯棒性，并且具有一定的自學習能力，但是算法較為復雜，目前在水泥生產過程中還并未廣泛應用，以上關于神經網絡控制的相關文獻也大多處于仿真階段。隨著技術和理論的發展，神經網絡控制將會更加廣泛應用到實際生產現場中。

2.4.3 模型預測控制

模型預測控制作為先進過程控制的代表具有較強的抗干擾能力，即使在模型不準確時也可以獲得良好的跟蹤性能。Stadler等^［75］采用模型預測控制對水泥回轉窯進行調控，投運之后參數的波動性得到了很大的改善。壯炳良等^［76］將模型預測控制運用到熟料產量為5 000 t/d的生產線，投運之后單位熟料減少煤耗4%。薛美盛等^［77］在分解爐出口溫度控制時，為了解決因設備異常導致控制失效的問題，在傳統的廣義預測控制算法的基礎上加入選擇模塊，通過數據相關性對控制器進行切換，投入運行后分解爐出口溫度波動大幅下降。最近幾年，隨著智能控制技術的發展，預測控制也向著智能預測控制的方向發展。例如汪海峰等^［78］將模糊控制與預測控制結合提出模糊預測控制算法，并應用在分解爐出口溫度控制中，投入運行后控制效果明顯優于PID控制。于廣宇^［79］將神經網絡與預測控制相結合組成神經網絡預測控制算法，并利用遺傳算法作為滾動優化控制器，實現對分解爐出口溫度的控制。宋立琮等^［80］提出采用模糊廣義預測控制算法解決煤粉熱值對分解爐溫度的影響，投入運行后分解爐的出口溫度波動與人工操作的相比減小75%。賈利穎^［81］利用高斯遺傳算法對廣義預測控制進行參數優化，與傳統的廣義預測控制相比，分解爐出口溫度控制具有更好的魯棒性和響應速度。預測控制除了應用在水泥分解爐出口溫度外，在水泥粉磨系統^［82-84］、回轉窯溫度控制^［85-87］和篦冷機控制^［88］中也得到了廣泛應用。

目前，隨著工業控制要求的提高，主流的預測控制技術均采用雙層結構，如圖2所示，其中上層結構進行實時優化，下層結構負責控制系統跟隨上層的優化結果，目前已在石化^［89-92］、輕工^［93-95］、機器人^［96-99］等領域得到了廣泛的應用。鄒濤等^［100］從定性和定量的角度對比了單、雙層預測控制系統的性能，結果表明雙層結構預測控制系統的性能更好。孫浩杰等^［101］通過對雙層結構預測控制系統和常規預測控制系統進行比較和分析發現，雙層結構預測控制系統的穩態目標層可以使動態控制層的計算更加合理，并且更有助于提高系統的經濟性。

為了提高能量利用率，仲崇琳^［102］針對石油化工的催化裂化系統提出采用實時優化-模型預測控制（RTO-MPC）的雙層結構預測控制算法，當穩態優化點發生變化時，上層結構通過求解建立的基于較小有效能耗目標函數獲得各控制量目標值，并傳遞給下層的模型預測控制器進行及時跟蹤，仿真結果表明，該算法在保證控制性能的基礎上極大地減少系統的有效能耗。饒寧^［103］采用模型預測控制和動態控制兩級結構，結合自來水廠實際情況，通過建立上層穩態目標函數，實現卡邊控制，試驗結果表明，雙層結構預測控制可以在保證出水質量的前提下，避免了原材料浪費導致成本增加的問題。成宬^［104］采用雙層結構預測控制解決微波爐加熱過程中物料溫度分布不均勻的問題，其中上層通過計算穩態目標層得到各磁控管的輸入電功率的最優值，并傳遞給下層的動態矩陣控制，實現對目標值的跟蹤，控制效果優于傳統PID控制，有效地保證了溫度變化的平穩性。蘇寶玉等^［105］在氯乙烯精餾塔的控制系統中引入雙層結構預測控制，不僅解決了該系統多變量耦合和大滯后的特性，而且大大降低了生產成本。

在流程工業的控制中，隨著生產工藝和設備的改進，整個系統的復雜度也隨之增加，因此控制系統存在變量耦合嚴重、約束增多、穩態目標難以建立且計算速度慢等問題。潘紅光等^［106］提出將軟約束進行等級劃分，在原有的穩態目標中引入新的變量，并給出穩態目標統一的表達方式，解決了穩態目標難以建立的問題。席裕庚等^［107］提出適用于帶約束的多目標優化的解決辦法，為具有多約束系統的目標求解提供了理論依據。馮惕等^［108］采用模糊隸屬度函數進行軟約束調整，但隸屬度函數的調整策略基于操作人員的經驗，具有較強的主觀性。鄒濤等^［109］提出將帶軟約束的目標函數經過約束放松后轉化為二次規劃問題，并用邏輯變量來編隊約束優先級進行標記處理。鄭洪宇等^［110］為了解決穩態優化時計算速度慢，難以適用于實時性要求較高的場合的問題，提出離線計算穩態目標值，然后通過在線查表的方式得到實時優化值。

綜上所述，隨著智能技術的發展，通過神經網絡與預測控制相結合組成基于神經網絡的預測控制算法，與模糊控制和神經網絡控制相比，在工程上獲得了較大規模的應用，雙層結構預測控制的出現又在一定程度上彌補了單層預測控制的不足，若能將熱效率優化函數與預測控制相結合構成雙層結構預測控制，將更有助于水泥生料預分解過程熱效率的提高。

3 結語

在水泥生料預分解過程中，分解爐是煤粉燃燒和生料分解的重要設備，但是分解爐內碳酸鈣分解、氣-固流動等過程非常復雜，導致通過數值模擬技術并不能精確地將爐內氣-固流場、溫度分布等信息分析出來，在一定程度上也影響了分解爐的結構改造。隨著控制理論的迅速發展，從控制系統著手對水泥生料分解爐進行熱效率優化具有廣闊的前景。本文中通過對國內外相關文獻進行分類綜述，提出從能量流的角度建立預分解環節的熱效率模型指導分解爐出口溫度設定，并利用雙層結構預測控制算法的較強抗干擾能力，實現對分解爐出口溫度自動控制的方案，不僅可以保證預分解過程的穩定性，而且能使系統持續、穩定地運行在熱效率最優的狀態，從而減少水泥熟料燒成過程的燃料消耗。

參考文獻：

［1］ 狄東仁， 劉宇， 李晉梅.水泥能耗限額標準分析及修訂意見［J］.水泥技術， 2021（3）： 16-17.

［2］ 劉釗. 水泥熟料生產過程熱效率監測、評估與優化方法研究［D］. 北京： 中國科學院大學， 2016.

［3］ 田鵬. 水泥企業成本控制與節能減排措施研究［J］. 四川水泥， 2021（6）： 11.

［4］ 侯彥濤. 水泥分解爐溫度控制系統設計［D］.湘潭： 湖南科技大學， 2009.

［5］ 楊婕. 窯爐生產過程智能監控系統［D］. 武漢： 武漢理工大學， 2006.

［6］ 李麗君. 新型干法低阻高效預分解系統性能研究［D］. 武漢： 武漢理工大學， 2007.

［7］ 李祥東. 分解爐內燃燒與分解的CFD技術應用研究［D］. 南京： 南京工業大學， 2003.

［8］ 李安平， 張薇， 簡淼夫， 等. 水泥生料在模擬分解爐內分解特性的研究［J］. 硅酸鹽學報， 1995， 23（2）： 176-179.

［9］ 邢寧寧. 基于Fluent軟件模擬水泥分解爐熱工過程［D］. 濟南： 濟南大學， 2012.

［10］ 但磊. 旋噴氣流下分解爐內生料冷態運動狀況研究［D］. 綿陽： 西南科技大學， 2021.

［11］ 夏凡. 旋噴結合水泥分解爐的優化設計研究［D］. 武漢： 華中科技大學， 2006.

［12］ 王為術， 廖義涵， 田苗， 等.分解爐分級燃燒三次風配風優化［J］. 科學技術與工程， 2019， 19（30）： 159-163.

［13］ 梅書霞， 謝峻林. 不同三次風速下分解爐二相流場的數值模擬［J］. 化學工程， 2007， 35（9）： 21-24.

［14］ 蔡鑫， 馬永亮.水泥預分解爐內流場及溫度場的數值模擬［J］. 環境工程學報， 2014， 8（10）： 4350-4353.

［15］ 李睿， 齊硯勇， 高宇蕾， 等. 分解爐噴煤管方位對NO生成量影響的數值模擬［J］. 水泥， 2017（4）： 7-10.

［16］ 巴清心. 水泥生產用分解爐傳熱和流動特性的數值模擬及實驗研究［D］. 濟南： 山東大學， 2015.

［17］ 陳思維. 窯尾預分解系統冷模流場研究［D］.武漢： 武漢理工大學， 2005.

［18］ 徐順生， 武浩， 劉飛虹， 等. 分解爐混煤燃燒最佳底錐入口直徑的模擬研究［J］. 硅酸鹽通報， 2016， 35（8）： 2383.

［19］ 王俊杰， 殷祥男， 蔣為公， 等. 采用計算流體動力學對分解爐進行診斷和優化的案例分析［J］. 水泥， 2017（1）： 31.

［20］ 付偉. 旁路放風系統在預分解系統中的數值模擬［D］. 武漢： 武漢理工大學， 2013.

［21］ 楊婷. 鋼鐵生產流程能量流解析及應用［D］.馬鞍山： 安徽工業大學， 2013.

［22］ 張紅日. 鋼鐵企業熱電系統多工況優化調度研究［D］. 大連： 大連理工大學， 2021.

［23］ 董人菘. 鋼鐵生產過程能耗預測與調度優化研究［D］. 昆明： 昆明理工大學， 2014.

［24］ 劉實實. 我國鋁業生產能量流研究［D］. 北京： 北方工業大學， 2015.

［25］ 張紋碩. 篦冷機熱效率監測系統研究［D］. 長春： 長春工業大學， 2021.

［26］ 高龍. 篦冷機熱效率分析與優化指導系統［D］. 濟南： 濟南大學， 2016.

［27］ 初林峰. 水泥回轉窯熱效率在線監測與分析系統的研究［D］. 濟南： 濟南大學， 2017.

［28］ 劉琦. 水泥回轉窯系統熱效率模型在線評估與校正［D］. 濟南： 濟南大學， 2021.

［29］ 寧方乾.水泥回轉窯熱效率優化指導系統研究［D］. 濟南： 濟南大學， 2019.

［30］ 路士增. 水泥生產過程分解爐環節的優化控制研究［D］. 濟南： 濟南大學， 2012.

［31］ 劉慧. 新型干法水泥生產窯尾分解率軟測量研究［D］. 濟南： 濟南大學， 2010.

［32］ 金星， 徐婷， 冷淼. 基于IPSO-SVR的水泥分解爐溫度預測模型研究［J］. 現代電子技術， 2017， 40（9）： 149-151.

［33］ 徐學傳. 新型干法水泥生產預熱器分解率的軟測量研究［D］. 濟南： 濟南大學， 2011.

［34］ 喬景慧， 柴天佑. 數據與模型驅動的水泥生料分解率軟測量模型［J］. 自動化學報， 2019， 45（8）： 1568-1574.

［35］ 申帥. 水泥煅燒系統先進控制技術的應用研究［D］. 杭州： 浙江工業大學， 2018.

［36］ 張廷玉. 加熱爐鋼溫建模與爐溫優化設定研究［D］. 沈陽： 東北大學， 2014.

［37］ KHAN A T， CAO X W， LI Z， el at. Enhanced beetle antennae search with zeroing neural network for online solution of constrained optimization［J］. Neurocomputing， 2021， 447： 294.

［38］ ZHANG L， ZHOU W J， LI D H. Global convergence of a modified Fletcher-Reeves conjugate gradient method with Armijo-type line search［J］. Numerische Mathematik， 2006， 104（4）： 561.

［39］ ZHANG L， Li J L. A new globalization technique for nonlinear conjugate gradient methods for nonconvex minimization［J］. Applied Mathematics and Computation， 2011， 217（24）： 10295.

［40］ NAKAMURA W， NARUSHIMA Y， YABE H. Nonlinear conjugate gradient methods with sufficient descent properties for unconstrained optimization［J］. Journal of Industrial and Management Optimization， 2013， 9（3）： 595.

［41］ 敖特根. 單純形法的產生與發展探析［J］. 西北大學學報（自然科學版）， 2012， 42（5）： 861.

［42］ 曾國斌. 線性規劃問題的單純形算法研究［J］. 數學學習與研究， 2013（21）： 87.

［43］ VAIDYA N. Application of quick simplex method on the dual simplex method： a new approach［J］. Journal of Advances in Mathematics and Computer Science， 2017， 24（5）： 1.

［44］ NADAR D K. Some applications of simplex method［J］. RIET-IJSET： International Journal of Science， Engineering and Technology， 2015， 2（2）： 171.

［45］ WANG C F， SONG W X. A modified particle swarm optimization algorithm based on velocity updating mechanism［J］. Ain Shams Engineering Journal， 2019， 10（4）： 847-866.

［46］ LIU B， WANG L， JIN Y H， et al. Improved particle swarm optimization combined with chaos［J］. Chaos， Solitions amp; Fractals， 2005， 25（5）： 1262-1269.

［47］ LI L L， WANG L， LIU L H. An effecitive hybrid PSOSA strategy for optimization and its application to parameter estimation［J］. Applied Mathematics and Computation， 2006， 179（1）： 136-145.

［48］ 高鷹， 謝勝利. 基于模擬退火的粒子群優化算法［J］. 計算機工程與應用， 2004（1）： 47-50.

［49］ GONG Y J， LI J J， ZHOU Y C， et al. Genetic learning particle swarm optimization［J］. IEEE Transactions on Cybernetics， 2016， 46（10）： 2278-2288.

［50］ LIN M J， LI Q. A hybrid optimization method of beetle antennae search algorithm and particle swarm optimization［J］. DEStech Transactions on Engineering and Technology Research， 2018： 69719282.

［51］ YOUSIF S， SAKA M P. Enhanced beetle antenna search： a swarm intelligence algorithm［J］. Asian Journal of Civil Engineering， 2021， 22： 1186-1218.

［52］ LI Q H， WEI A X， ZHANG Z H. Application of economic load distribution of power system based on BAS-PSO ［J］. IOP Conference Series： Materials Science and Engineering， 2019， 490（7）： 72056.

［53］ 蘇哲. 水泥分解爐標準工況模板及建模研究［D］. 濟南： 濟南大學， 2015.

［54］ 馬小燕. 水泥分解爐混雜建模與仿真研究［D］. 濟南： 濟南大學， 2014.

［55］ 史長城. 水泥分解爐出口溫度RBF神經網絡建模［J］. 貴州師范學院學報， 2016， 32（6）： 27-29.

［56］ 李東， 艾紅. 水泥分解爐溫度的RBF神經網絡監督控制［J］. 傳感器世界， 2018， 24（12）： 27-31.

［57］ 王紅君， 孟欣欣， 趙輝， 等. 基于神經網絡的預熱分解窯系統分解爐出口溫度建模［J］.化工自動化及儀表， 2016， 43（2）： 165-166.

［58］ 張巖龍， 王孝紅， 于宏亮. 水泥分解爐智能控制系統的設計［J］. 濟南大學學報（自然科學版）， 2014， 28（2）： 98-100.

［59］ 馮麗輝， 呂智愚， 董乃飛， 等. 水泥分解爐出口溫度的多變量模糊控制［J］. 控制工程， 2014， 21（3）： 375-377.

［60］ 李學軍， 周元， 賓光富， 等. 基于三維模糊PID控制策略的水泥分解爐溫度控制系統研究［J］. 電子測量與儀器學報， 2009， 23（10）： 39-41.

［61］ 王盛慧， 王子峰， 姜長泓. 模糊PID水泥分解爐溫度控制［J］. 長春工業大學學報， 2016， 37（3）： 253-255.

［62］ 喬景慧， 柴天佑. 改進ELMAN網絡的Q學習溫度切換控制［J］. 控制理論與應用， 2015， 32（7）： 957-962.

［63］ 張振中. 模糊控制和專家系統在水泥分解爐控制中的應用［D］. 石家莊： 河北科技大學， 2016.

［64］ 梁凱. 基于模糊神經網絡分解爐優化燃燒控制的研究［D］. 長沙： 湖南大學， 2017.

［65］ 段鑫. 水泥分解爐控制模式的研究［D］. 石家莊： 河北科技大學， 2015.

［66］ 張小霞. 新型干法水泥生產線預熱與窯外分解過程控制研究［D］. 濟南： 濟南大學， 2011.

［67］ 侯彥濤.水泥分解爐溫度控制系統設計［D］. 湘潭： 湖南科技大學， 2009.

［68］ 王學武， 譚得健.神經網絡的應用與發展趨勢［J］.計算機工程與應用， 2003（3）： 98.

［69］ 張志剛. 神經動態規劃在水泥分解爐溫度控制中的應用研究［D］. 南寧： 廣西大學， 2007.

［70］ 張宏斌， 岳超源， 劉文斌， 等. BP神經網絡在水泥窯控制建模中的應用［J］. 計算機工程與應用， 2002（14）： 235.

［71］ 劉彬， 劉曉琳. 水泥分解爐溫度控制系統設計［J］. 控制工程， 2004（1）： 63.

［72］ 劉曉琳， 高海賓， 劉彬. 用BP神經網絡控制水泥分解爐溫度［J］. 四川水泥， 2003（4）： 21.

［73］ 馬保國， 錢方正， 柯凱， 等. 基于神經網絡的分解爐喂煤量智能控制系統［J］. 計算機技術與發展， 2006（7）： 94-95.

［74］ 史長城， 田森平. 水泥分解爐出口溫度HDP優化控制研究［J］. 湖北大學學報（自然科學版）， 2017， 39（5）： 559-562.

［75］ STADLER K S， POLAND J， GALLESTEY E. Model predictive control of a rotary cement kiln ［J］. Control Engineering Practice， 2010， 19（1）： 3-8.

［76］ 壯炳良， 張書法. 基于預測模型的非線性多變量控制器在水泥煅燒過程中的應用［J］. 新世紀水泥導報， 2015， 21（6）： 11-12.

［77］ 薛美盛， 王一豐， 秦宇海. 水泥熟料煅燒過程先進控制系統的設計與實現［J］. 化工自動化及儀表， 2020， 47（2）： 106-109.

［78］ 汪海峰， 諸靜. 模糊預測控制在水泥生產過程中的應用［J］.工業儀表與自動化裝置， 2003（2）： 11-12.

［79］ 于廣宇. 分解爐出口溫度的神經網絡預測控制問題研究［D］. 合肥： 合肥工業大學， 2021.

［80］ 宋立琮， 王靖. 模糊廣義預測控制在水泥分解爐溫度控制中的應用［J］. 水泥技術， 2015（2）： 29.

［81］ 賈利穎. 基于時序DBN-ARX的水泥分解爐溫度預測控制及參數優化［D］. 秦皇島： 燕山大學， 2019.

［82］ 代桃桃. 聯合粉磨系統的模糊預測控制［D］.濟南： 濟南大學， 2015.

［83］ 謝婭妮. 基于典型工況的水泥聯合粉磨預測控制［D］. 濟南： 濟南大學， 2017.

［84］ 王杰. 基于軟約束的水泥磨預測控制算法研究［D］. 秦皇島： 燕山大學， 2013.

［85］ 郁建國. 模糊預測控制在水泥生產過程中的應用［J］. 江西建材， 2019（5）： 41.

［86］ 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.

［87］ 張春華. 冀東水泥三期C線燒成系統預測控制應用研究［D］. 秦皇島： 燕山大學， 2013.

［88］ 張俊. 基于典型工況模型的篦冷機預測控制研究［D］. 濟南： 濟南大學， 2017.

［89］ LIN K H， EASON J P， YU Z， et al. Nonlinear model predictive control of the hydraulic fracturing process［J］. IFAC PapersOnLine， 2020， 53（2）： 11428.

［90］ ZOU H B， LI H S. Improved PI-PD control design using predictive functional optimization for temperature model of a fluidized catalytic cracking unit［J］. ISA Transactions， 2017， 67： 215.

［91］ KRISHNAMOORTHY D， BERGHEIM E M， PAVLOV A， et al. Modelling and robustness analysis of model predictive control for electrical submersible pump lifted heavy oil wells［J］. IFAC PapersOnLine， 2016， 49（7）： 544.

［92］ WAHID A， ADI A. Modeling and control of multivariable dis-tillation column using model predictive control using UNISIM［J］. Journal Ilmiah SINERGI， 2016， 20（1）： 14.

［93］ HE N， SHI D W， FORBES M， et al. Robust tuning for machine-directional predictive control of MIMO paper-making processes［J］. Control Engineering Practice， 2016， 55： 1.

［94］ 魏波， 靳雷. 基于改進型Elman網絡的堿回收黑液預測控制［J］. 儀表技術與傳感器， 2012（6）： 48.

［95］ 劉鴻斌， 沈文浩， 李東勛.定量水分的無窮時域預測控制仿真研究［J］. 微計算機信息， 2009， 25（14）： 240.

［96］ SHANG W， ZHU H Z， PAN Y R， et al. A distributed model predictive control for multiple mobile robots with the model uncertainty［J］. Discrete Dynamics in Nature and Society， 2021， 2021： 1.

［97］ WANG Z X， ZHANG Q Y， JIA T， et al. Research on control algorithm of an automatic driving robot based on improved model predictive control［J］. Journal of Physics： Conference Series， 2021， 1920： 012116.

［98］ BAI G X， LIU L， MENG Y， et al. Path tracking of wheeled mobile robots based on dynamic predicition model［J］. IEEE Access， 2019， 7： 36960.

［99］ GIUSEPPE G， FILIPPO A. Nonlinear model predictive control for the landing of a quadrotor on a marine surface vehicle［J］. IFAC PapersOnLine， 2020， 53（2）： 9328.

［100］ 鄒濤， 王丁丁， 潘昊， 等. 從區間模型預測控制到雙層結構模型預測控制［J］. 化工學報， 2013， 64（12）： 4475-4482.

［101］ 孫浩杰， 鄒濤， 李麗娟. 雙層結構模型預測控制算法性能分析［J］. 控制理論與應用， 2020， 37（1）： 14-21.

［102］ 仲崇琳. 基于有效能分析的FCC主分餾塔優化控制［D］. 上海： 上海交通大學， 2018.

［103］ 饒寧. 水處理混凝投藥預測控制方法研究［D］. 杭州： 浙江工業大學， 2013.

［104］ 成宬. 微波加熱過程的溫度優化預測控制研究［D］. 昆明： 昆明理工大學， 2020.

［105］ 蘇寶玉， 鄒濤， 臧春華， 等. 氯乙烯精餾高沸塔的雙層結構模型預測控制策略［J］. 信息與控制， 2015， 44（4）： 405-409.

［106］ 潘紅光， 高海南， 孫耀， 等 基于多優先級穩態優化的雙層結構預測控制算法及軟件實現［J］. 自動化學報， 2014， 40（3）： 406-413.

［107］ 席裕庚， 谷寒雨. 有約束多目標多自由度優化的可行性分析及軟約束調整［J］. 自動化學報， 1998， 24（6）： 728-730.

［108］ 馮惕， 李少遠. 基于模糊滿意度CMMO問題軟約束的自動調整［J］. 上海交通大學學報， 2002， 36（增刊1）： 113-115.

［109］ 鄒濤， 李少遠. 復雜系統CMMO問題的軟約束調整與目標協調［J］.控制與決策， 2005（4）： 388-391.

［110］ 鄭洪宇， 潘昊， 鄒濤， 等. 離線優化在線查表的雙層結構預測控制［J］. 控制理論與應用， 2016， 33（6）： 736-743.

（責任編輯：劉 飚）