论文部分内容阅读
【摘要】在分析了水泥生产过程中回转窑的运行原理和影响其工作性能因素的基础上，应用RBF算法和模糊控制进行建模，以窑头负压、温度，窑尾負压、温度为输入，对窑电流进行预测，经过试验数据与现场实际数据比较，模糊RBF神经网络在窑电流预测方面有很大的参考意义。
【关键词】窑电流；RBF神经网络；模糊控制；预测控制
引言
水泥回转窑是新型干法水泥生产线的核心设备，生料煅烧理化反应是水泥生产过程在回转窑中最关键的部分，回转窑的负载电流能很大程度反映窑内热工状况。研究窑电流的建模和预测方法，对提高水泥回转窑的控制水平具有重要的理论和实际意义。
时变性、非线性、滞后性是回转窑的重要特征，窑电流是回转窑的主要参数之一，其波动情况受很多因素共同影响，普通的数学模型很难比较精确的预测窑电流的变化趋势。
根据上述问题本文采用模糊控制与神经网络算法相结合的方法对窑电流的发展趋势进行预测。建立RBF神经网络的预测模型，将预测数据与实测数据进行了比较，发现预测数据与实测数据误差很小，对水泥厂实际生产具有很高价值的指导意义。
1、RBF神经网络
1.1RBF网络常用学习算法
基函数中心的选取对RBF网络性能的影响并是至关重要的，RBF网络中心选取不当构造不出性能优越的网络。例如，有些网络数值上产生病变是由于选取的网络中心太靠近造成近似线性相关。通常使用的RBF有：高斯函数、多二次函数、逆多二次函数、薄板样条函数等。高斯函数的应用在普通RBF网络中是比较常见的。高斯基函数表达形式简单对于多输入变量复杂性不会有太多增加，所以常作为基函数，并且径向对称；光滑性好，任意阶导数均存在。基函数结构简单解析性好的基函数是进行理论分析的基础。
随机选取中心、自组织选取中心、有监督选取中心、正交最小二乘等方法是按RBF的中心选取方法的来区分的。采用监督学习算法对数的中心、扩展常数和输出层权值进行训练，在训练过程中不断修整参数。本文介绍一种梯度下降算法。
参数公式是目标函数在训练过程中通过样本误差不断修整，所有样本输入一轮后对应各参数调整一次。瞬时值可以作为目标函数的表达形式，即当前输入样本引起的误差：E=0.5e*e。单样本训练模式的目的是使上式中目标函数参数误差最小化。
2、模糊控制器
模糊控制器如图2所示主要由：模糊化、模糊控制规则、模糊决策和解模糊，四部分组成。
结合现场实际工况，将系统偏差E和偏差变化率EC作为模糊控制器的输入，△S作为输出。设定输入变量偏差E和偏差变化率EC语言值的模糊子集为{负大，负中，负小，零，正小，正中，正大}，并简记为{NB，NM，NS，Z，PS，PM，PB}。窑电流偏差E和偏差变化率EC的论域定为[-100，100]，ΔS为模糊控制器输出值S的调整值。ΔS的论域为：ΔS=[-0.5，0.5]，其模糊集为：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分别为负大、负中、负小、零、正小、正中，正大。 隶属度函数NB、PB选为高斯函数，其余选取等腰三角形函数作为隶属度函数。E，EC作为两个输入值决定模糊控制器调整值ΔS的输出。模糊控制器输出值S与调整值ΔS根据如下公式进行调整
3、RBF神经模糊网络控制系统的结构
具有学习算法的模糊RBF神经网络被称作RBF神经模糊网络系统，“if-then”是模糊规则的表达形式，模糊规则在模糊RBF神经系统中占有控制决策的支配地位；神经模糊系统的参数的调整则通过学习算法对数据信息的更新来完成。通过学习能自动产生模糊规则是RBF模糊神经系统的优势所在。模糊RBF神经网络控制系统的结构图如图3所示。R为输入信号，E、Ec分别为窑头温度、压力和窑尾温度、压力与设定值的误差及误差变化率，E和Ec量化后的模糊量送入RBF神经网络构成神经模糊网络控制器的输入；Ke、Kc为量化因子。
4、控制算法的应用
在生产现场，采用了本文所述控制算法的软件与水泥生产线的DCS系统相连接，并应用该软件对回转窑各参数进行了200分钟的在线控制，根据现场情况和烧成系统的工艺要求，将窑电流的目标设定值为1150A。应用本文所提出的预测控制方式下，对后30分钟窑电流的变化值进行了预测，如图4所示。
试验表明在经过6次迭代后窑电流网络训练趋于稳定，在经过第69次迭代时网络的预测性能达到最佳。经过与实测数据的对比，仿真的数据是合理的，最后的均方差误差小，测试集误差和验证集误差特征类似，没有明显的因过拟合想象发生的迭代。结合图4和图5所示，表明RBF模糊神经网络对窑电流的预测有较高可靠性。
5、结束语
本文应用模糊RBF神经网络对回转窑系统建立控制模型，当现场工况出现波动时，控制系统把偏差量送入模糊RBF神经预测系统中，根据实测数据进行分析处理，从而较为准确预测出窑电流的变化趋势，对烧成系统的预判断有很大的参考价值，便于提前对回转窑系统进行调整。
参考文献
[1]庞清乐.基于粗糙集理论的神经网络预测算法及其在短期负荷预测中的应用[J].电网技术，2010，12.
[2]张亮，王瑞民，周友运.一种基于模糊神经网络融合的故障诊断模型研究[J].弹箭与制导学报，2005，25（3）.
[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.
[4]李永亮，袁铸钢，于宏亮.ART-2在回转窑电机电流模式识别中的应用[J].济南大学学报（自然科学版），2008，22（2）：149-152.
[5]李萍，乌日图，杨举宪.水泥回转窑系统模糊控制研究[J].内蒙古科技与经济，2004（9）：81-82.
[6]胡宝清.模糊理论基础[M]2版，武汉大学出版社，2010.330-446.
作者简介
第一作者简介：刘伟涛，男，汉族，河北保定人，硕士，单位，河北科技大学信息工程学院，研究方向：计算机测控；
第二作者简介：李瑞，女，汉族，河北衡水人，硕士，单位，河北科技大学信息工程学院，研究方向：计算机测控。
【关键词】窑电流；RBF神经网络；模糊控制；预测控制
引言
水泥回转窑是新型干法水泥生产线的核心设备，生料煅烧理化反应是水泥生产过程在回转窑中最关键的部分，回转窑的负载电流能很大程度反映窑内热工状况。研究窑电流的建模和预测方法，对提高水泥回转窑的控制水平具有重要的理论和实际意义。
时变性、非线性、滞后性是回转窑的重要特征，窑电流是回转窑的主要参数之一，其波动情况受很多因素共同影响，普通的数学模型很难比较精确的预测窑电流的变化趋势。
根据上述问题本文采用模糊控制与神经网络算法相结合的方法对窑电流的发展趋势进行预测。建立RBF神经网络的预测模型，将预测数据与实测数据进行了比较，发现预测数据与实测数据误差很小，对水泥厂实际生产具有很高价值的指导意义。
1、RBF神经网络
1.1RBF网络常用学习算法
基函数中心的选取对RBF网络性能的影响并是至关重要的，RBF网络中心选取不当构造不出性能优越的网络。例如，有些网络数值上产生病变是由于选取的网络中心太靠近造成近似线性相关。通常使用的RBF有：高斯函数、多二次函数、逆多二次函数、薄板样条函数等。高斯函数的应用在普通RBF网络中是比较常见的。高斯基函数表达形式简单对于多输入变量复杂性不会有太多增加，所以常作为基函数，并且径向对称；光滑性好，任意阶导数均存在。基函数结构简单解析性好的基函数是进行理论分析的基础。
随机选取中心、自组织选取中心、有监督选取中心、正交最小二乘等方法是按RBF的中心选取方法的来区分的。采用监督学习算法对数的中心、扩展常数和输出层权值进行训练，在训练过程中不断修整参数。本文介绍一种梯度下降算法。
参数公式是目标函数在训练过程中通过样本误差不断修整，所有样本输入一轮后对应各参数调整一次。瞬时值可以作为目标函数的表达形式，即当前输入样本引起的误差：E=0.5e*e。单样本训练模式的目的是使上式中目标函数参数误差最小化。
2、模糊控制器
模糊控制器如图2所示主要由：模糊化、模糊控制规则、模糊决策和解模糊，四部分组成。
结合现场实际工况，将系统偏差E和偏差变化率EC作为模糊控制器的输入，△S作为输出。设定输入变量偏差E和偏差变化率EC语言值的模糊子集为{负大，负中，负小，零，正小，正中，正大}，并简记为{NB，NM，NS，Z，PS，PM，PB}。窑电流偏差E和偏差变化率EC的论域定为[-100，100]，ΔS为模糊控制器输出值S的调整值。ΔS的论域为：ΔS=[-0.5，0.5]，其模糊集为：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分别为负大、负中、负小、零、正小、正中，正大。 隶属度函数NB、PB选为高斯函数，其余选取等腰三角形函数作为隶属度函数。E，EC作为两个输入值决定模糊控制器调整值ΔS的输出。模糊控制器输出值S与调整值ΔS根据如下公式进行调整
3、RBF神经模糊网络控制系统的结构
具有学习算法的模糊RBF神经网络被称作RBF神经模糊网络系统，“if-then”是模糊规则的表达形式，模糊规则在模糊RBF神经系统中占有控制决策的支配地位；神经模糊系统的参数的调整则通过学习算法对数据信息的更新来完成。通过学习能自动产生模糊规则是RBF模糊神经系统的优势所在。模糊RBF神经网络控制系统的结构图如图3所示。R为输入信号，E、Ec分别为窑头温度、压力和窑尾温度、压力与设定值的误差及误差变化率，E和Ec量化后的模糊量送入RBF神经网络构成神经模糊网络控制器的输入；Ke、Kc为量化因子。
4、控制算法的应用
在生产现场，采用了本文所述控制算法的软件与水泥生产线的DCS系统相连接，并应用该软件对回转窑各参数进行了200分钟的在线控制，根据现场情况和烧成系统的工艺要求，将窑电流的目标设定值为1150A。应用本文所提出的预测控制方式下，对后30分钟窑电流的变化值进行了预测，如图4所示。
试验表明在经过6次迭代后窑电流网络训练趋于稳定，在经过第69次迭代时网络的预测性能达到最佳。经过与实测数据的对比，仿真的数据是合理的，最后的均方差误差小，测试集误差和验证集误差特征类似，没有明显的因过拟合想象发生的迭代。结合图4和图5所示，表明RBF模糊神经网络对窑电流的预测有较高可靠性。
5、结束语
本文应用模糊RBF神经网络对回转窑系统建立控制模型，当现场工况出现波动时，控制系统把偏差量送入模糊RBF神经预测系统中，根据实测数据进行分析处理，从而较为准确预测出窑电流的变化趋势，对烧成系统的预判断有很大的参考价值，便于提前对回转窑系统进行调整。
参考文献
[1]庞清乐.基于粗糙集理论的神经网络预测算法及其在短期负荷预测中的应用[J].电网技术，2010，12.
[2]张亮，王瑞民，周友运.一种基于模糊神经网络融合的故障诊断模型研究[J].弹箭与制导学报，2005，25（3）.
[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.
[4]李永亮，袁铸钢，于宏亮.ART-2在回转窑电机电流模式识别中的应用[J].济南大学学报（自然科学版），2008，22（2）：149-152.
[5]李萍，乌日图，杨举宪.水泥回转窑系统模糊控制研究[J].内蒙古科技与经济，2004（9）：81-82.
[6]胡宝清.模糊理论基础[M]2版，武汉大学出版社，2010.330-446.
作者简介
第一作者简介：刘伟涛，男，汉族，河北保定人，硕士，单位，河北科技大学信息工程学院，研究方向：计算机测控；
第二作者简介：李瑞，女，汉族，河北衡水人，硕士，单位，河北科技大学信息工程学院，研究方向：计算机测控。