李濤+梁凱+高若塵+申琦+張慧杰+宜文

摘 要：針對分解爐分解是非線性、大滯后、多擾動及多變量過程，難以實現(xiàn)其對溫度自動控制的問題，提出了一種基于T-S神經(jīng)網(wǎng)絡(luò)的控制方法。針對這一問題，文章首先對水泥預分解工藝進行分析以及對燃燒理論進行研究，然后再利用T-S模糊控制理論確定規(guī)則數(shù)目和輸入變量的隸屬度函數(shù)，采用神經(jīng)網(wǎng)絡(luò)的自學習和自適應(yīng)能力實現(xiàn)模糊推理。仿真結(jié)果表明：該控制器對分解爐燃燒控制起到很好的控制效果，并且比傳統(tǒng)PID控制器具有更好的效果。在實際生產(chǎn)應(yīng)用當中，具有很好地穩(wěn)定性和魯棒性，并且節(jié)省了煤的消耗和降低了環(huán)境污染。

關(guān)鍵詞：分解爐；模糊神經(jīng)網(wǎng)絡(luò)；T-S模糊；控制

中圖分類號：TP271 文獻標識碼：A

Optimal Combustion System Design Based on T-S Fuzzy Neural Network Decomposing

LI Tao，LIANG Kai，GAO Nuo-chen，SHEN Qi，ZHANG Hui-jie，YI Wen

（College of Computer Science and Eleetroaic Engineering，Hunan University，Changsha，Hunan 410082，China）

Abstract：A new control method based on T-S neural network is proposed to solve the problem that the decomposition of the calciner is nonlinear，large-lag，multi-disturbance and multivariable process，and it is difficult to realize the automatic control of temperature.In order to solve this problem，this paper firstly analyzes the process of cement pre-decomposition and studies the combustion theory，then uses TS fuzzy control theory to determine the number of rules and the membership function of input variables，using neural network self-learning and self-adaptability Fuzzy reasoning.The simulation results show that the controller has a good control effect on the combustion control of the precalciner and has a better effect than the traditional PID controller.In the actual production applications，with good stability and robustness，and save the consumption of coal and reduce environmental pollution.

Key words：decomposition furnace；neural network；T-S fuzzy；control

1 引 言

新型干法水泥生產(chǎn)方法采用懸浮預熱器和預分解爐技術(shù)為核心，現(xiàn)代科技廣泛應(yīng)用于水泥生產(chǎn)過程中。分解爐溫控制是質(zhì)量的關(guān)鍵因素水泥生產(chǎn)穩(wěn)定性[1-2]。分解爐溫度控制過程具有非線性、大滯后、多擾動及多變量，很難實現(xiàn)對其溫度進行自動控制。當前，水泥生成過程中普遍采用的控制策略是PID控制和模糊控制。文獻[3]采用的是PID控制器，其結(jié)構(gòu)簡單、調(diào)整簡單，廣泛適用于工作穩(wěn)定過程控制當中，但是不能應(yīng)用于具有非線性、大滯后的環(huán)境當中。文獻[4-6]提到了模糊控制器能夠解決傳統(tǒng)基于線性系統(tǒng)理論難以解決的控制問題時，能夠得到較好的動態(tài)響應(yīng)特性，且無需知道被控對象的數(shù)學模型、適應(yīng)性強、魯棒性好的特點。但模糊控制容易受模糊規(guī)則的限制而引起誤差，并且模糊規(guī)則很難獲取。T-S神經(jīng)網(wǎng)絡(luò)在處理非線性、大滯后、多擾動及多變量問題方面，具有一定的研究。文獻[7]提出了基于模糊神經(jīng)網(wǎng)絡(luò)的環(huán)境分析策略用于輪椅智能避障控制，方法可行且降低功耗。文獻[8]利用T-S模糊神經(jīng)網(wǎng)絡(luò)控制方法對水下機器人進行自動控制，在環(huán)境惡劣的情況下，其控制性能能保持在較高水平。文獻[9]采用其方法對退火爐進行控制，能夠提高其退火爐質(zhì)量和降低能源損耗及減少環(huán)境污染。

本文針對分解爐出口溫度控制過程是非線性、滯后、多擾動及多變量，根據(jù)燃燒理論和煤粉在鍋爐中燃燒研究[10-12]，提出了一種T-S模糊神經(jīng)網(wǎng)絡(luò)的控制方法。具有很好的溫度穩(wěn)定性，能降低煤耗，提高熟料強度和降低一氧化碳和氮化物的排放，具有很好的經(jīng)濟效益和環(huán)境效益。

2 水泥預分解工藝分析

分解爐過程的基本工藝如圖1所示，水泥生料由塔架提升機傳送進入五級懸浮預熱器，生料喂入C1-C2級旋風筒的連接管道的進料口，隨后物料被來自C2級旋風筒的熱風帶入C1級旋風筒進行分離，并且再由C1級旋風筒底部的鎖風閥排出，進入C2-C3級旋風筒的連接管道上的進料口，被氣流帶入C2級旋風筒內(nèi)繼續(xù)氣固熱交換。如此反復，經(jīng)過逐級加熱和分離以實現(xiàn)預熱生料的目的。預熱后的物料經(jīng)由C4級旋風筒錐部進入分解爐。預熱器出來的高溫生料物料經(jīng)由底部從分解爐中部進入分解爐，煤粉由分解爐中部給煤口進入分解爐，由于煤粉顆粒很小并且充分同物料混合故在分解爐中煤粉以無焰狀態(tài)燃燒。在分解爐內(nèi)部氣流的作用下煤粉與生料物料充分混合。煤粉燃燒的放熱過程與生料的碳酸鹽分解的吸熱過程，在分解爐內(nèi)以懸浮態(tài)或流化狀態(tài)下迅速進行，使生料中大部分碳酸鹽被分解。煤粉燃燒所釋放的熱量被碳酸鹽吸收，導致碳酸鹽吸收熱量而發(fā)生分解反應(yīng)。從分解爐出來的物料分解率高達85%-95%，從分解爐出來的物料經(jīng)分解爐上部的鵝頸管進入C5級旋風筒。最后，經(jīng)過 C5 級旋風筒的錐部進入回轉(zhuǎn)窯進行熟料煅燒。endprint

燃燒理論告訴我們，評價和表明工業(yè)窯爐燃燒狀況優(yōu)劣，燃燒是否合理的唯一指標是空氣過剩系數(shù)，而空氣過剩系數(shù)又是由燃料消耗氧氣的量計算出來的。因此控制煙氣的殘氧量，也就相當于控制了空氣量和空氣過剩系數(shù)，一般而言，空氣過剩系數(shù)μ和煙氣中含氧量O2的基本關(guān)系為

μ=2121-O2（1）

從公式（1）中得知煙氣中含氧量越大，則空氣過剩系數(shù)越大，煙氣中含氧量越小，則空氣過剩系數(shù)越小。首先，空氣過剩系數(shù)的增加將降低火焰溫度。其次，空氣過剩系數(shù)的增加將增加爐窯廢氣的熱損失。如果供給的空氣量太少，爐溫降低，而且會使燃料消耗大為升高，同時還會污染環(huán)境。除此之外，由于空氣過剩系數(shù)太小，爐窯供風不足，使爐窯內(nèi)壁嚴重結(jié)焦、積灰，造成爐窯內(nèi)壁結(jié)皮的危害。

經(jīng)過以上分析，結(jié)合現(xiàn)場操作人員的經(jīng)驗以及為了保證產(chǎn)保證產(chǎn)量，故保持入料量不變。所以該系統(tǒng)采用高頻風機和三次風閥門以及入煤量為控制量，控制目標為窯尾煙氣中的含量以及出口溫度為被控制量，對分解爐燃燒系統(tǒng)進行優(yōu)化智能控制。

3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與過程

3.1 T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

T-S型模糊神經(jīng)網(wǎng)絡(luò)是模糊邏輯與神經(jīng)網(wǎng)絡(luò)相互融合的一種網(wǎng)絡(luò)結(jié)構(gòu)，它具備了模糊控制和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點，能夠很好地處理不確定性和非線性問題。如圖2所示。輸入信號x1為分解爐溫度與設(shè)定溫度的差值，其模糊化層數(shù)m1=7；輸入信號x2為分解爐溫度偏差變化率，其模糊化層數(shù)m2=3；輸入信號x3為分解爐廢氣CO含量與設(shè)定含量的差值，其模糊化層數(shù)m3=5；輸入信號x4為分解爐廢氣CO含量偏差變化率，其模糊化層數(shù)m4=3。輸入信號為：xi=[x1，x2，x3，x4]，各個輸入信號的模糊化個數(shù)為mi=[m1，m2，m3，m4]；輸出信號y1、y2、y3分別為窯頭喂煤量、高溫風機頻率、三次風閥門開度故輸出信號為yj=[y1，y2，y3]。

T-S型模糊神經(jīng)網(wǎng)絡(luò)分為前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)。

3.1.1 前件網(wǎng)絡(luò)

第一層為輸入層，每個節(jié)點的作用是將輸入向量xi=[x1，x2，x3，x4]T的各個分量傳入到下一層，該層節(jié)點數(shù)N1=4。

第二層為模糊化層，將輸入層的計算成模糊子集的隸屬度函數(shù)μji（xi）。

μji（xi）=exp-（xi-cij）22*b2ij（2）

其（2）式中，bij、cij和xi分別代表隸屬函數(shù)的寬度和中心以及輸入信號，其中i∈（1，2，3，4），j∈（m1，m2，m3，m4）。該層節(jié)點數(shù)為

N2=∑4i=1mi。

第三層為適用度計算層，將隸屬函數(shù)進行每條規(guī)則的適應(yīng)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(yīng)度為：

ak=μj11μj22μj33μj44（3）

式中k=1，2，..，m，ji∈（1，2，..mi）

m=∏4i=1mi。

第四層為歸一化層，進行歸一化計算，該層節(jié)點數(shù)為N4=m。

ak=ak∑mi=1ai （4）

3.1.2 后件網(wǎng)絡(luò)

第一層為輸入層，該層節(jié)點數(shù)N1=5。

第二層為模糊規(guī)則計算，有m個節(jié)點，每個節(jié)點代表一個規(guī)則：

yij=pij0+pij1x1+pij2x2+pij3x3+pij4x4 第三層為綜合計算輸出層：

yi=∑mij=1yijaj （5）

3.2 模糊神經(jīng)網(wǎng)絡(luò)學習算法

對權(quán)值pijl以及前件網(wǎng)絡(luò)的隸屬函數(shù)的中心cij和寬度bij進行學習。其中i=1，2，3，j=1，2..，m，l=0，1，..，4，常規(guī)的BP算法如下，取誤差函數(shù)E=-12∑3i=1（ti-yi），ti和yi分別表示期望輸出和實際輸出。其計算結(jié)果如下：Eplij=-（tl-yl）ajxi（6）

plij（k+1）=plij（k）+β（tl-yl）ajxi （7）

δ（5）j=ti-yi；δ（4）j=∑ri=1yijδ（5）j （8）

δ（3）j=δ（4）j∑mj=1，i≠jaj/（∑mj=1aj）2（9）

δ（2）ij=∑mj=1δ（3）jsijexp[-（xi-cij）2bij]，當δ（3）j包含cij和bij時，sij=1否則sij=0。

Ecij=-δ（2）ij2（xi-cij）bij（10）

Ebij=-δ（2）ij（xi-cij）2b2ij（11）

cij（k+1）=cij（k）-βEcij （12）

bij（k+1）=bij（k）-βEbij（13）

4 仿真結(jié)果和現(xiàn)場應(yīng)用效果

用 Matlab 對T-S模糊神經(jīng)網(wǎng)絡(luò)控制進行仿真，其設(shè)定溫度為860 ℃，與常規(guī)的PID控制系統(tǒng)的效果進行比較，如圖3所示。

由圖3可以得出與常規(guī)的PID比較，T-S模糊神經(jīng)網(wǎng)絡(luò)控制具有過渡過程時間短、超調(diào)小的特點，且具有較好的魯棒性。廣西某水泥廠一條生廠線分解爐使用該智能優(yōu)化控制系統(tǒng)，效果非常明顯，與前系統(tǒng)比較效果如下圖4和圖5所示。

從圖4得出，現(xiàn)系統(tǒng)分解爐廢氣出口中氧氣的含量低于5%，并且其波動范圍小。從圖5可以得出現(xiàn)系統(tǒng)分解爐出口溫度較為穩(wěn)定，大致在860±2 ℃波動。

5 結(jié) 論

針對分解爐溫度控制難點問題，設(shè)計了基于T-S模糊神經(jīng)網(wǎng)絡(luò)分解爐優(yōu)化燃燒控制系統(tǒng)，采用T-S模糊理論進行控制，并且用BP神經(jīng)算法對其進行學習，并與傳統(tǒng)PID控制進行仿真比較，具有過渡過程時間短、超調(diào)小，較好的魯棒性等特點。在實際生產(chǎn)過程中具有相當明顯的優(yōu)勢，不僅降低了能源的消耗和提高了熟料質(zhì)量，增加經(jīng)濟效益，而且對研究節(jié)能減排有重大的意義endprint

參考文獻

[1] 姜克盛.新型干法水泥窯分解爐溫度控制方法研究[D].合肥：安徽大學，2011.

[2] WANG Y Q，ZHOU D H，GAO F R，Iterative learning model predictive control for multi-phase batch processes[J].Journal of Process Control，18（6）： 543-557，2008.

[3] LI S W，LI B，LI C R.The study of temperature control of cement decomposition furnace on the basis of fuzzy immune self-adaptive PID control method[C].2013 International Conference on Information Science and Technology. Yangzhou： IEEE，2013： 86 ～ 90.

[4] ZHANG X，LU J.Application of boiler-preheater fuzzy coordinated control for clinker plant[J].Journal of Theoretical & Applied Information Technology，2012，45（ 1） ： 212 ～ 221.

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

[6] 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.

[7] 簡毅，趙新全，張文凱.基于T-S模糊神經(jīng)網(wǎng)絡(luò)的智能輪椅避障控制策略[J].計算機測量與控制，2014，22（12）：3943-3945.

[8] 錢夔，宋愛國，章華濤，等.基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的機器人路徑規(guī)劃方法[J].東南大學學報：自然科學版，2012，42（4）：637-642.

[9] 于謹，李曉峰.基于T-S模型模糊神經(jīng)網(wǎng)絡(luò)預測的退火爐溫度控制[J].沈陽建筑大學學報：自然科學版，2014，30（1）：181-186.

[10] 宋春燕，張鑫，李婷.高效煤粉鍋爐替換層燃鍋爐技術(shù)改造與能效分析[J].潔凈煤技術(shù)，2015，21（ 3） ： 98-102.

[11] VASCELLARI M， SCHULZE S， NIKRITYUK P， et al. Numerical simulation of pulverized coal MILD combustion using anew heterogeneous combustion submodel[J].Flow，Turbulence and Combustion，2014，92（1-2）：319-345.

[12] 梅振鋒，張健鵬，米建春.中國電機工程學報[J]，2016，36（19）：5245-5253endprint