陳作炳，劉 盼，劉 陽,陳 響

(武漢理工大學 機電工程學院，湖北 武漢 430070)

煅燒石灰的回轉(zhuǎn)窯是一個多輸入多輸出、非線性、多耦合的復雜系統(tǒng)，具有大慣性、純滯后、時變性等不穩(wěn)定因素，因此石灰窯數(shù)學模型的建立非常困難。要做到穩(wěn)定生產(chǎn)、高質(zhì)量、低消耗和低污染，對煅燒溫度的控制十分重要，傳統(tǒng)控制方案難以滿足控制要求[1]。新型三葉回轉(zhuǎn)石灰窯以天然氣作為燃料生產(chǎn)生石灰，相比傳統(tǒng)回轉(zhuǎn)窯可大大提高熱利用效率，節(jié)能環(huán)保。將模糊神經(jīng)網(wǎng)絡控制應用于新型三葉回轉(zhuǎn)石灰窯控制系統(tǒng)中能夠準確控制石灰窯的煅燒溫度[2-3]，提高活性石灰質(zhì)量，降低能源消耗。

1 三葉回轉(zhuǎn)石灰窯工藝與特點

三葉回轉(zhuǎn)石灰窯屬于臥式窯，與傳統(tǒng)回轉(zhuǎn)石灰窯工藝過程相似，其工藝流程如圖1所示。石灰石從立式預熱器預熱室內(nèi)緩慢下移，窯尾高溫空氣通入預熱室，石灰石在預熱器內(nèi)發(fā)生部分分解后經(jīng)石灰窯溜槽進入石灰窯，在石灰窯內(nèi)與逆向流動的高溫氣體接觸進行煅燒[4]。石灰窯安裝熱電偶測量窯內(nèi)不同位置的溫度，窯內(nèi)的三葉結(jié)構(gòu)使物料在窯內(nèi)不斷回轉(zhuǎn)，充分進行熱交換。煅燒后的石灰經(jīng)過窯尾立式冷卻器冷卻。窯頭的燃燒器采用天然氣作為燃料，減少對環(huán)境的污染，助燃風采用通過立式冷卻器的熱風，提高熱利用效率。

圖1 三葉回轉(zhuǎn)石灰窯工藝流程

三葉回轉(zhuǎn)石灰窯的獨特結(jié)構(gòu)使其熱利用效率比傳統(tǒng)石灰窯高，實現(xiàn)節(jié)能降耗的目的。其剖面結(jié)構(gòu)如圖2所示，窯尾為三葉弧形葉片部分，窯頭為耐火磚部分。物料自窯尾向窯頭流動過程中發(fā)生分解反應，生石灰從窯頭出料。三葉回轉(zhuǎn)石灰窯的弧葉部分截面結(jié)構(gòu)如圖3所示，從外至內(nèi)依次為外筒體、絕熱涂層、澆筑層、弧形葉片。三葉弧形葉片使用310S不銹鋼作為耐高溫材料，內(nèi)部圓弧形鋼板分段相互焊接，使得物料隨著回轉(zhuǎn)窯旋轉(zhuǎn)而得到充分的翻轉(zhuǎn)，改善了傳熱過程，能夠保證物料在回轉(zhuǎn)窯內(nèi)部均勻煅燒，大大提高分解效率和窯的熱使用效率[5]。

圖2 三葉回轉(zhuǎn)石灰窯剖面結(jié)構(gòu)圖

圖3 三葉回轉(zhuǎn)窯截面結(jié)構(gòu)圖

2 T-S型模糊神經(jīng)網(wǎng)絡算法

2.1 T-S模糊神經(jīng)網(wǎng)絡

T-S(takagi-sugeno)模糊神經(jīng)網(wǎng)絡是一種非線性模糊推理模型[6-7]，具有表達模糊推理規(guī)則、計算簡單、利于數(shù)學分析的優(yōu)點，其網(wǎng)絡結(jié)構(gòu)如圖4所示，第一層為輸入層，各個節(jié)點直接與輸入相連接，該層的節(jié)點數(shù)為系統(tǒng)輸入的個數(shù)n。

圖4 T-S模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)

(1)

第三層的每個節(jié)點代表一條模糊規(guī)則的匹配，計算每條規(guī)則的適用度，即

(2)

第四層的節(jié)點數(shù)和第三層相同，第四層的作用是實現(xiàn)歸一化處理，即

(3)

第五層是輸出層，它實現(xiàn)的是清晰化計算，即

(4)

式中，wij相當于yi的第i個語言值隸屬度的中心值。

2.2 T-S模糊神經(jīng)網(wǎng)絡算法

T-S模糊神經(jīng)網(wǎng)絡在結(jié)構(gòu)上與前饋神經(jīng)網(wǎng)絡相同，可采取前饋神經(jīng)網(wǎng)絡的學習算法，即BP網(wǎng)絡的誤差反向傳播算法來調(diào)整參數(shù)。誤差傳播算法是利用樣本數(shù)據(jù)和網(wǎng)絡輸出的差值作為系統(tǒng)誤差，通過不斷向前層求誤差變化率來調(diào)整網(wǎng)絡權(quán)值[3]。

(5)

式中：ydi和yi分別為期望輸出和實際輸出。

(6)

(7)

(8)

(9)

(10)

(11)

3 石灰窯模糊神經(jīng)網(wǎng)絡建模與訓練

3.1 石灰窯模糊神經(jīng)網(wǎng)絡設計

在石灰窯煅燒石灰石控制過程中，煅燒帶溫度受窯頭燃料量的影響最大。 同時，助燃空氣風機的風量和窯轉(zhuǎn)速也會對燃料的燃燒和煅燒帶溫度有所影響，選擇煅燒帶溫度和溫度變化率作為網(wǎng)絡輸入，燃料量、助燃空氣量作為控制參量[8-9]。

該模糊神經(jīng)網(wǎng)絡模型設計為兩輸入、兩輸出，模型網(wǎng)絡共有5層：第一層為輸入層、第二層為輸入隸屬度、第三層為規(guī)則層、第四層為歸一層、第五層為輸出層，其模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)模型如圖5所示。x1,x2分別為煅燒溫度和和煅燒溫度變化率，y1,y2分別為天然氣流量和助燃空氣流量。

圖5 石灰窯模糊神經(jīng)網(wǎng)絡模型

由于模糊神經(jīng)網(wǎng)絡中輸入節(jié)點的物理量不同，同時同節(jié)點的物理量也會隨著所處環(huán)境的改變而發(fā)生顯著變化，如果輸入信號之間的差異特別大，還會導致小數(shù)據(jù)被大數(shù)據(jù)淹沒，因此，歸一化處理是數(shù)據(jù)訓練前必須進行的一項預處理工作，歸一化處理公式為：

(12)

歸一化后的數(shù)值yi為網(wǎng)絡的實際輸入值，控制系統(tǒng)實際采集和計算得出的物理量數(shù)值用xi表示。

在該模型中對每個輸入變量均設置5個模糊語言變量，即輸入變量在論域內(nèi)有5個隸屬函數(shù)，分別對應5個語言變量，因此該模糊神經(jīng)網(wǎng)絡共可產(chǎn)生25條控制規(guī)則。每條控制規(guī)則都對應輸出神經(jīng)網(wǎng)絡的兩個輸出節(jié)點，第四層與第五層的聯(lián)接權(quán)值即為控制規(guī)則中的輸出量[10]。

第一層作為輸入層，x1,x2分別為煅燒溫度和煅燒溫度變化率，該層輸入值直接發(fā)送到下一層。第二層每個節(jié)點采用式(1)計算與其輸入對應的模糊量隸屬度。兩個輸入節(jié)點分別有5個語言變量，故該層的節(jié)點個數(shù)為10。第三層為模糊神經(jīng)網(wǎng)絡的規(guī)則層，采用式(2)計算每條規(guī)則的適用度，該層節(jié)點個數(shù)為各輸入的語言變量數(shù)目的累乘積，即25個。第四層作為模糊神經(jīng)網(wǎng)絡的歸一層，采用式(3)進行歸一化計算，其總節(jié)點數(shù)為25。第五層作為模糊神經(jīng)網(wǎng)絡的規(guī)則層，按照式(4)計算輸出結(jié)果。

模糊神經(jīng)網(wǎng)絡輸出值為0～1之間的歸一化值，要對石灰窯煅燒系統(tǒng)進行控制，需要將輸出的天然氣流量和助燃空氣流量的歸一化值向?qū)嶋H控制值轉(zhuǎn)換，轉(zhuǎn)換公式為：

Q實際=Qmin+yi×(Qmax-Qmin)

(13)

式中：yi為模糊神經(jīng)網(wǎng)絡輸出值；Qmax和Qmin為天然氣流量和助燃空氣流量的實際控制范圍的最大最小值。

經(jīng)過向物理量轉(zhuǎn)換后可得到石灰窯溫度和溫度變化率處于某種狀態(tài)時應設置的最優(yōu)天然氣流量和助燃空氣流量，使石灰窯煅燒帶溫度維持在最優(yōu)狀態(tài)。

3.2 石灰窯模糊神經(jīng)網(wǎng)絡學習與訓練

模糊神經(jīng)網(wǎng)絡算法核心是對網(wǎng)絡連接權(quán)值的調(diào)整，通過對大量樣本數(shù)據(jù)的訓練使網(wǎng)絡連接權(quán)值不斷改變，直到網(wǎng)絡實際的輸出與期望輸出之間的誤差達到訓練所設定的值時才停止對連接權(quán)值的調(diào)整。

通過對模糊神經(jīng)網(wǎng)絡訓練算法公式的推導可以發(fā)現(xiàn)，模糊神經(jīng)網(wǎng)絡模型的建立最主要是找到合適模糊神經(jīng)網(wǎng)絡的權(quán)值，確定各個模糊變量上合適的隸屬度函數(shù)的中心值和寬度值，從而使網(wǎng)絡實際輸出與期望輸出盡可能接近。訓練樣本數(shù)據(jù)參考文獻[11]中的數(shù)據(jù)，120組用于模糊神經(jīng)網(wǎng)絡訓練，40組用于驗證模糊神經(jīng)網(wǎng)絡的學習效果。樣本數(shù)據(jù)和歸一化數(shù)據(jù)如表1和表2所示。

表1 訓練樣本數(shù)據(jù)

網(wǎng)絡訓練借助 MATLAB 軟件進行，各個節(jié)點的輸出均用矩陣運算實現(xiàn)，在開始運算前隨機給定隸屬度中心值、隸屬寬度值和最后一層網(wǎng)絡權(quán)值，再運用反向傳播算法根據(jù)誤差調(diào)整權(quán)值、隸屬度函數(shù)中心值和寬度值，直至120組樣本輸出數(shù)據(jù)與實際輸出的總體誤差和小于規(guī)定誤差后退出訓練循環(huán)并結(jié)束程序。樣本總體誤差曲線如圖6所示。

表2 樣本歸一化數(shù)據(jù)

圖6 樣本總體誤差曲線

由圖6可知，在設定最大訓練次數(shù)為1 000次的情況下，總體樣本誤差隨著訓練次數(shù)的增加逐漸下降，且下降過程中沒有誤差反彈現(xiàn)象出現(xiàn)，驗證了模糊神經(jīng)網(wǎng)絡學習算法的正確性。

為驗證三葉回轉(zhuǎn)石灰窯T-S模糊神經(jīng)網(wǎng)絡能否表達石灰窯的特征，用剩余40個樣本數(shù)據(jù)的煅燒溫度和溫度變化率作為訓練好的網(wǎng)絡輸入，計算網(wǎng)絡輸出并與樣本數(shù)據(jù)中的燃氣量和助燃空氣量對比，三葉回轉(zhuǎn)石灰窯模糊神經(jīng)網(wǎng)絡的燃氣流量輸出和助燃空氣流量輸出與測試樣本擬合對比如圖7、圖8所示。從圖7和圖8可以看出模糊神經(jīng)網(wǎng)絡輸出的控制量與樣本數(shù)據(jù)高度相似，該模糊神經(jīng)網(wǎng)絡可用于石灰窯DCS(distributed control system)控制系統(tǒng)做控制參數(shù)輸出計算。

圖7 燃氣流量樣本與網(wǎng)絡輸出擬合對比

圖8 助燃空氣量樣本與網(wǎng)絡輸出擬合對比

3.3 石灰窯模糊神經(jīng)網(wǎng)絡的應用

石灰窯系統(tǒng)是動態(tài)系統(tǒng)，石灰石成分和粒徑變化、流量變化和環(huán)境溫度等都會對石灰窯煅燒系統(tǒng)產(chǎn)生影響，若僅用模糊神經(jīng)網(wǎng)絡充當控制器不能適應石灰窯生產(chǎn)條件的變化，難以保證石灰質(zhì)量，自校正控制可以彌補這一缺點[12-13]。石灰窯煅燒系統(tǒng)模糊神經(jīng)網(wǎng)絡自適應控制原理如圖9所示，共有兩條回路，一條為模糊神經(jīng)網(wǎng)絡學習和優(yōu)化控制器參數(shù)回路，一條為模糊神經(jīng)網(wǎng)絡控制器和石灰窯煅燒系統(tǒng)組成的反饋控制回路。石灰窯煅燒系統(tǒng)受工況條件影響較大，模糊神經(jīng)網(wǎng)絡學習模塊根據(jù)控制器的輸出和被控系統(tǒng)的實際輸出不斷學習，形成適應工況的模糊控制規(guī)則，進而對模糊神經(jīng)網(wǎng)絡控制器的參數(shù)進行優(yōu)化，控制器根據(jù)新的控制參數(shù)輸出控制參量可以達到良好的控制效果。

圖9 石灰窯煅燒系統(tǒng)自校正控制原理

4 結(jié)論

針對石灰窯煅燒帶溫度難以控制的問題，建立了2個輸入2個輸出的三葉回轉(zhuǎn)石灰窯的模糊神經(jīng)網(wǎng)絡模型，用石灰窯在不同工況下的樣本訓練網(wǎng)絡模型，經(jīng)過誤差反向傳播算法學習后，模型能夠準確表達出石灰窯的特征，證明該模糊神經(jīng)網(wǎng)絡學習能力強，能夠根據(jù)石灰窯溫度和溫度變化率準確計算出石灰窯的控制參數(shù)，將該網(wǎng)絡模型參數(shù)和算法應用于石灰窯控制系統(tǒng)中能夠有效提高石灰產(chǎn)品的質(zhì)量。