本发明涉及一种水泥分解炉燃烧自动控制方法，利用分解炉温差和温差变化率以及废气CO含量差值、变化率作为输入信号，以窑头喂煤量、高温风机频率和三次风阀门开度为输出信号。建立训练和测试样本数据，采用模糊神经网络算法，不断修改权值，使其与实际输出相同。本发明能够很好的解决这种非线性、大滞后、多变量、多扰动及非线性过程问题。能够节约能源和减少空气污染。
1.一种水泥分解炉燃烧自动控制方法，包括分解炉，以及通过检测仪表获得的五个变量数据：窑头喂煤量、高温风机转速、三次风压强、分解炉温度、废气CO含量；其中废气中的氧气与CO含量成反比，其特征在于，步骤1采样数据，
取检测仪表获得的变量数据：分解炉温度与设定温度的差值、分解炉温度偏差变化率；
以及分解炉废气C0含量与设定含量的差值、分解炉废气CO含量偏差变化率作为输入信号；
取检测仪表获得的变量数据：窑头喂煤量、高温风机频率和三次风阀门开度作为输出信号；
采集多组输入信号与输出信号作为数据，将采集数据的一部分输入信号及其对应的输出信号作为训练数据，另一部分输入信号及其对应的输出信号作为测试数据；通过训练数据建模，测试数据验证模型，实现机器的智能控制；
训练数据包括训练输入信号和训练输出信号，假设算法模型的初始参数是随机设定的，输入训练输入信号，通过该模型得到的实际结果，与训练输出信号进行比较，得出其误差值,通过算法,修改其权值，使训练输出信号与训练输出信号的差值无限趋近于零，即停止训练，得到所需算法模型；
测试数据包括测试输入和测试输出，通过测试数据的输入，比较实际结果与测试数据的输出，来验证通过模型得出的实际输出是否与测试输出相等；相等则模型建立，不相等则返回训练数据重新建模；
经过模糊神经网络控制算法，得出增加或者减少送煤量或者氧气含量的控制指令，从而使得分解炉出口温度稳定在设定的温度的±2℃，以及CO含量和氧气含量也达到设定的值，实现分解炉的自动控制。
2.根据权利要求1所述的一种水泥分解炉燃烧自动控制方法，其特征是，所述步骤1中分解炉温度与设定温度的差值△T(k)＝Tset-Tcurrent,设为系统的输入信号x1；分解炉温度偏差变化率 设为系统的输入信号x2；分解炉废气C0含量与设定含量的差值△C0＝COset-COcurrent,设为系统的输入信号x3；分解炉废气CO含量偏差变化率 设为系统的输入信号x4；
所述窑头喂煤量设为Y1，高温风机频率设为Y2，三次风阀门开度设为Y3；
输入信号为xi＝[x1,x2,x3,x4],输出信号为yi＝[y1,y2,y3]。
3.根据权利要求1或2所述的一种水泥分解炉燃烧自动控制方法，其特征是，所述步骤2中模糊神经网络控制算法建模包括以下步骤：Step1，根据步骤1的采样数据，得到训练数据和测试数据；
Step2，初始化连接参数以及个数，隶属函数采用高斯函数，输入层为4个，每个输入信号的模糊集合为mi＝[m1,m2,m3,m4],其中m1＝7，m2＝5，m3＝3，m4＝5，故初始化中心宽度和中心分别为bij和cij其中i代表输入信号的个数，j∈1,2,3..mi， t为输出的参数为1,2,3三个取值， 为输出值连接值，确定迭代总数bite＝1000次，初始值次数i＝1；
Step3，首先将训练样本输入MATLAB当中，其输入信号为xi＝[x1,x2,x3,x4]，将其进行隶属函数化：该层节点数为 其中i∈1,2,3,4；j∈1,2..mi；
Step4，将隶属函数进行每条规则的适应度计算，该层节点数N3＝m；规则计算采用相乘计算，其每条规则适应度为：其中i1∈1,2,..,m1；i2∈1,2,..,m2；i3∈1,2,..,m3；i4∈1,2,..,m4；k＝1,2,…m；
Step5，如step4所求出的规则适应度进行归一化计算，该层节点数为N4＝m，Step6，输出层由两个结构相同的子网络所组成，每个子网络产生一个输出量；该层是计算每一条规则的后件，该层有m个节点，每个节点代表一个规则：Step7，所述模糊神经网络控制算法的输出层yi，是各规则后件的加权和，Step8，该算法的自学习过程，通过其误差是否达到目标设定值，如果达到则停止进行训练，否则采用梯度下降的算法。
4.根据权利要求3所述的一种水泥分解炉燃烧自动控制方法，其特征是，所述step8中梯度下降算法的具体步骤如下：步骤1，误差 ti和yi分别表示期望输出和实际输出，r为输出的个数；
式中，j＝1,2,…,m；i＝1,2,…，n；l＝1,2，3；
步骤3，对权值cij和bij进行学习修改，其算法如下：第一层，将其分成分步求导
中包含cij和bij的参数时,sij＝1，否则，sij＝0；
β>0为学习速率，i＝1，2，...，n；j＝1，2，..，mi；
将其cij(k)＝cij(k+1),bij(k)＝bij(k+1),pij(k)＝pij(k+1),重复步骤三开始的方式，迭代次数加1，直到满足目标误差，跳出循环，得到控制算法的参数；
步骤4，测试数据算法验证，根据步骤2中得到的权值参数cij,bij, 从而得到了模糊神经网络控制算法；将其测试数据传入其控制器当中，通过输出与实际输出相比较得出其误差值，如果误差值很大，将样本进行删选和修改，剔除异常数据，返回步骤2重新进行训练；如果误差满足要求，则将其设为模糊神经网络控制算法；
步骤5，输入信号经过嵌入中控机里面的模糊神经网络控制算法，计算出分解炉的输入变量的值；通过数据通讯接口将分解炉的输出变量的值传送给现场执行器，其现场执行器为窑头喂煤量、高温风机频率以及三次风阀门开度；再通过测量仪表的数据进行循环操作，构成水泥分解炉模糊神经网络控制系统，使水泥分解炉在模糊神经网络控制算法法下，实现智能控制。
一种水泥分解炉燃烧自动控制方法
技术领域
[0001] 本发明是一种水泥分解炉燃烧自动控制方法，属于自动控制领域。
背景技术
[0002] 水泥分解炉是水泥生产线上的核心设备，也是节能降耗的关键设备，水泥生产过程中最关键的生料煅烧理化反应在窑内进行，而分解炉对物料的分解将直接影响回转窑的物料煅烧的质量，从而影响水泥熟料的质量、产量以及能耗，对水泥分解炉能耗的优化控制从一定程度上体现了一个国家的工业和技术水平。水泥生料在分解炉内的分解过程，是一个复杂的大滞后、多变量、多扰动及非线性过程，因此分解炉系统的建模以及控制难度大，不容易实现。目前，在我国新型干法水泥生产线上控制分解炉的系统多是集散控制系统(DCS)，主要依靠操作员的工作经验为主进行手工调节来实现水泥熟料生产的工艺流程控制，与国外先进的水泥生产企业相比，没有应用工艺优化控制软件，缺乏能效标准和节能措施，造成水泥生产单耗较大，浪费了大量能源。如何通过有效的控制方法提高生产效率，在保证产品质量的前提下降低能耗，成为目前水泥生产过程亟待解决的问题。
[0003] 我国许多中小水泥生产企业的分解炉温度过程控制主要还是采用人工调节的方式,自动化程度较低,受操作人员知识、经验和情绪等因素的制约,在不同的操作人员操作的过程中熟料的质量、产量、能耗等指标可能差距较大,无法实现生产过程的统一和优化。生产效率相对较低、能耗较大、质量较不稳定、操作人员劳动强度大,是水泥工业普遍存在的问题。大型水泥厂使用的设备也大部分是手动控制居多，自动控制也是采用经典的PID控制算法，然而PID控制算法，不大适合这种复杂的大滞后、多变量、多扰动及非线性过程。同时大部分水泥厂都只对窑头喂煤进行调节很少对风进行调节。因此，每年水泥厂、炼铁厂以及火力发电站的燃烧煤会产生CO，S化物及N化物等有毒污染气体，其中CO会造成燃料的浪费，对国家经济造成很大的损失和对国家环境造成很大的危害。
发明内容
[0004] 本发明的目的在于克服现有技术的不足，提供一种水泥分解炉燃烧自动控制方法，从而有效地降低煤的消耗和CO的排放，以及使其温度稳定在其设定值。
[0005] 本发明通过以下技术方案实现，包括分解炉，以及通过检测仪表获得的五个变量数据：窑头喂煤量、高温风机转速、三次风压强、分解炉温度、废气CO含量；其中废气中的氧气与CO含量成反比，控制方法如下：
[0006] 步骤1采样数据，
[0007] 取检测仪表获得的变量数据：分解炉温度与设定温度的差值、分解炉温度偏差变化率；以及分解炉废气C0含量与设定含量的差值、分解炉废气CO含量偏差变化率作为输入信号；
[0008] 取检测仪表获得的变量数据：窑头喂煤量、高温风机频率和三次风阀门开度作为输出信号；
[0009] 采集多组输入信号与输出信号作为数据，将采集数据的一部分输入信号及其对应的输出信号作为训练数据，另一部分输入信号及其对应的输出信号作为测试数据；通过训练数据建模，测试数据验证模型，实现机器的智能控制；
[0010] 步骤2模糊神经网络控制算法建模，
[0011] 训练数据包括训练输入信号和训练输出信号，假设算法模型的初始参数是随机设定的，输入训练输入信号，通过该模型得到的实际结果，与训练输出信号进行比较，得出其误差值,通过算法,修改其权值，使训练输出信号与训练输出信号的差值无限趋近于零，即停止训练，得到所需算法模型；
[0012] 测试数据包括测试输入和测试输出，通过测试数据的输入，比较实际结果与测试数据的输出，来验证通过模型得出的实际输出是否与测试输出相等；相等则模型建立，不相等则返回训练数据重新建模；
[0013] 步骤3实现分解炉的自动控制，
[0014] 经过模糊神经网络控制算法，得出增加或者减少送煤量或者氧气含量的控制指令，从而使得分解炉出口温度稳定在设定的温度的±2℃，以及CO含量和氧气含量也达到设定的值，实现分解炉的自动控制；
[0015] 所述步骤1中分解炉温度与设定温度的差值△T(k)＝Tset-Tcurrent,设为系统的输入信号x1；分解炉温度偏差变化率 设为系统的输入信号x2；分解炉废气C0含量与设定含量的差值△C0＝COset-COcurrent,设为系统的输入信号x3；分解炉废气CO含量偏差变化率 设为系统的输入信号x4；
[0016] 所述窑头喂煤量设为y1，高温风机频率设为y2，三次风阀门开度设为y3；
[0017] 输入信号为xi＝[x1,x2,x3,x4],输出信号为yi＝[y1,y2,y3]。
[0018] 所述步骤2中模糊神经网络控制算法建模包括以下步骤：
[0019] Step1，根据步骤1的采样数据，得到训练数据和测试数据；
[0020] Step2，初始化连接参数以及个数，隶属函数采用高斯函数，输入层为4个，每个输入信号的模糊集合为mi＝[m1,m2,m3,m4],其中m1＝7，m2＝5，m3＝3，m4＝5，故初始化中心宽度和中心分别为bij和cij,其中i代表输入信号的个数，j∈1,2,..mi， t为输出的参数为1,2两个取值， 为输出值连接值，确定迭代总数bite＝1000次，初始值次数i＝1；
[0021] Step3，首先将训练样本输入MATLAB当中，其输入信号为xi＝[x1,x2,x3,x4]，将其进行隶属函数化：
[0022]
[0023] 该层节点数为 其中i∈1,2,3,4；j∈1,2..mi；
[0024] Step4，将隶属函数进行每条规则的适应度计算，该层节点数N3＝m；规则计算采用相乘计算，其每条规则适应度为：
[0025]
[0026] 其中i1∈1,2,..,m1；i2∈1,2,..,m2；i3∈1,2,..,m3；i4∈1,2,..,m4；k＝1,2,…m；
[0027] Step5，如step4所求出的规则适应度进行归一化计算，该层节点无数为N4＝m，[0028]
[0029] Step6，输出层由两个结构相同的子网络所组成，每个子网络产生一个输出量；该层是计算每一条规则的后件，该层有m个节点，每个节点代表一个规则：
[0030]
[0031] j＝1,2,…m；i＝1,2，3；
[0032] Step7，所述模糊神经网络控制算法的输出层yi，是各规则后件的加权和，[0033] Step8，该算法的自学习过程，通过其误差是否达到目标设定值，如果达到则停止进行训练，否则采用梯度下降的算法。
[0034] 所述step8中梯度下降算法的具体步骤如下：
[0035] 步骤1，误差 ti和yi分别表示期望输出和实际输出，r为输出的个数；
[0036] 步骤2，对权值连接值 进行学习修改，其算法如下：
[0037]
[0038]
[0039] 式中，j＝1,2,…,m；i＝1,2,…，n；l＝1,2，3；
[0040] 步骤3，对权值cij和bij进行学习修改，其算法如下：
[0041] 第一层，将其分成分步求导；
[0042] 第二层，
[0043] 第三层，
[0044] 第四层，
[0045] 中包含cij和bij的参数时,sij＝1，否则，sij＝0；
[0046] 第五层，
[0047] 第六层，
[0048]
[0049] β>0为学习速率，i＝1，2，...，n；j＝1，2，..，mi；
[0050] 将其cij(k)＝cij(k+1),bij(k)＝bij(k+1),pij(k)＝pij(k+1),重复步骤三开始的方式，迭代次数加1，直到满足目标误差。跳出循环，得到控制算法的参数；
[0051] 步骤4，测试数据算法验证，根据步骤2中得到的权值参数cij,bij, 从而得到了模糊神经网络控制算法；将其测试数据传入其控制器当中，通过输出与实际输出相比较得出其误差值，如果误差值很大，将样本进行删选和修改，剔除异常数据，返回步骤2重新进行训练；如果误差满足要求，则将其设为模糊神经网络控制算法；
[0052] 步骤5，输入信号经过嵌入中控机里面的模糊神经网络控制算法(简称TSFNN)，计算出分解炉的输入变量的值；通过数据通讯接口将分解炉的输出变量的值传送给现场执行器，其现场执行器为窑头喂煤量、高温风机频率以及三次风阀门开度；再通过测量仪表的数据进行循环操作，构成水泥分解炉模糊神经网络控制系统，使水泥分解炉在模糊神经网络控制算法法下，实现智能控制。
[0053] 本发明的原理是一种算法模型，通过模糊神经网络控制算法模型，将机器学习的方法用在控制系统当中，通过训练数据建模，测试数据验证模型，实现机器的智能控制。其中训练数据包括训练输入和训练输出，其训练输入为(x1到x4)，训练输出为(y1到y2)；假设算法模型的初始参数是随机设定的，输入(x1到x4)，通过该模型输出的实际结果记为y'1和y'2，将其y1-y'1和y2-y'2,得出其误差值,通过算法,修改其权值，使其y1-y'1和y2-y'2的差值无限趋近于零，即停止训练，得到所需算法模型。测试数据包括测试输入和测试输出，其测试输入为(x1到x4)，测试输出为(y1到y2)，通过测试数据的输入，比较实际结果与测试数据的输出，来验证通过模型得出的实际输出是否与测试输出相等；相等则模型建立，不等则返回训练数据重新建模。
[0054] 本发明具有以下优点，1.模糊神经网络算法具有自动控制功能，不依赖系统模型；2.生产过程不再依赖专家的生产经验；3.降低煤的损耗与空气污染。
附图说明
[0055] 图1为系统方框图。
[0056] 图2为模糊神经网络算法流程图。
具体实施方式
[0057] 下面结合图1到图2对本发明实例进一步说明，在图1系统方框图中。首先现场进行数据收集，主要是耗煤量与窑头喂煤传送带电流，分解炉出口温度，废气中CO含量，以及高温风机频率的数据，对数据进行异常数据处理，得到训练数据和测试数据。以及确定煤耗量与电流的关系，以及风机频率与氧气之间的大致关系。
[0058] 本发明人是将神经网络的BP算法，与T-S模糊控制相结合的方式，构成算法，其算法模块在图1的T-S模糊神经网络控制中。在图1中的量化具体如下，分解炉出口温差，其温差变化的阈值范围为-40,40，所以X1对应的模糊子集论域为-3,-2,-1,0,1,2,3,其中当温差在[-2,-2]其论域为0，当温差在[-5,-2]其论域为-1，当温差在[-10,-5]其论域为-2，当温差在[-40,-10]其论域为-3，
[0059] 当温差在[2,5]其论域为1，当温差在[5,10]其论域为2，当温差在[10,40]其论域为3；分解炉温度误差变化率范围为[-20,20],X2对应的模糊子集论域为-2,-1,0,1,2，其中当温差变化率在[-2,-2]其论域为0，当温差在[-5,-2]其论域为-1，当温差在[-20,-5]其论域为-，当温差在[2,5]其论域为1，当温差在[5,20]其论域为2；废气CO/ppm含量差值在[-500,20000],X3对应的模糊子集论域为{0,1，2}，当CO含量差值在[-500,0]表示CO含量达标其论域为0，当CO含量差值在[0,2000]表示CO含量高出标准值其论域为1，当CO含量差值在[2000,20000]表示CO含量严重超标其论域为2；废气C0/ppm含量差值变化率的范围为[-
10000,10000],X4对应的模糊子集的论域为{-2,-1,0,1,2},当CO含量差值变化率[-
10000,-5000]其论域为-2，当CO含量差值变化率[-5000,-250]其论域为-1，当CO含量差值变化率[-250,250]其论域为0，当CO含量差值变化率[250,5000]其论域为1，当CO含量差值变化率[5000,20000]其论域为2；输出对应于电流的变化量，其论域为{-3，-2，-1,0,1,2，
3}；其高温风机频率的变化量其论域为{-3，-2，-1,0,1,2,3}；改值经过现场以及历史数据获取。
[0060] 图1的T-S模糊神经网络控制器，其核心算法如下所述，该网络分为前件网络和后件网络，前件网络进行结构辨识，后件网络进行参数输出。其主要是T-S模糊推理，模糊系统的输入变量为x1,x2,..xn,用矢量x＝[x1,x2,x3,x4]T表示x的论域实空间上的紧密集，即x∈U∈Rn；模糊系统的输出变量为y，y的论域是实数域上的紧密集，即x∈V∈R。模糊推理规则的一般形式为：
[0061]
[0062] 模糊推理规则中，j＝1,2,…,M,M为规则数；Aij是x1的模糊集合，隶属函数jB是y的模糊集合，隶属函数 输入变量隶属函数为高斯函数，即：
[0063]
[0064] 采用sum-product的推理方法和加权平均的解模糊方法，将各隶属度进行模糊计算，采用模糊算子为连乘算子：
[0065]
[0066] 所以其输出值为：
[0067]
[0068] 其学习算法，采用的是梯度下降法，其具体步骤如下：
[0069] 步骤1，误差 ti和yi分别表示期望输出和实际输出，r为输出的个数；
[0070] 步骤2，对权值连接值 进行学习修改，其算法如下：
[0071]
[0072]
[0073] 式中，j＝1,2,…,m；i＝1,2,…，n；l＝1,2，3；
[0074] 步骤3，对权值cij和bij进行学习修改，其算法如下：
[0075] 第一层，将其分成分步求导
[0076] 第二层，
[0077] 第三层，
[0078] 第四层，
[0079] 中包含cij和bij的参数时,sij＝1，否则，sij＝0；
[0080] 第五层，
[0081] 第六层，
[0082]
[0083] β>0为学习速率，i＝1，2，...，n；j＝1，2，..，mi；
[0084] 将其cij(k)＝cij(k+1),bij(k)＝bij(k+1),pij(k)＝pij(k+1),重复步骤三开始的方式，迭代次数加1，直到满足目标误差。跳出循环，得到控制算法的参数。
[0085] 图2为该学习算法的整体流程以及对其算法的认证，首先将训练数据进行训练。使其得到的模型满足要求，则将测试数据对模型进行测试，得到测试数据与实际数据的误差曲线，然后根据其曲线对输出进行修改，使其模型满足控制所需。如果模型不能满足需求，再重新训练，直到满足要求。将其满足要求的模型，传入图1的T-S模糊神经网络控制器模块中。
