杨宝生，路红梅，李建新

（宿州学院 智能信息处理实验室，安徽 宿州 234000）

基于RBFNN的水泥预分解窑主元分析与建模

杨宝生，路红梅，李建新

（宿州学院 智能信息处理实验室，安徽 宿州 234000）

鉴于水泥预分解窑煅烧工段参数复杂多变，难以用直接的数学模型来表示，对该工段机理进行了深入分析，研究其运行状态与规律。采用神经网络的方法建立该工段的仿真模型。通过选择合理的状态与控制变量，并采集实际运行数据用于训练神经网络权值。建立基于RBFNN神经网络水泥预分解窑煅烧工段模型，结果显示对采样数据拟合效果较好，并且具有一定的泛化能力，可以作为该工段的仿真模型，用于探索新的控制算法。

RBFNN；预分解窑；主元分析；模型

1 引言

随着我国基础设施建设步伐的大规模开展，对水泥的需求体现出旺盛的生命力。新型干法水泥预分解技术就是在预热器和回转窑之间增设分解炉，水泥生料在分解炉中要完成90%以上的碳酸盐预分解，建立准确的对象模型是保证优化控制的充分必要条件［1］。水泥生产的烧成系统参数众多且相互耦合、大滞后及非线性现象严重，无法建立准确的数学模型，在实际生产中依靠人工经验来控制调整各生产参数，不稳定且无法保证最优的节能控制效果。本文以系统观从整体上来分析对象的建模方法，避免局部模型对最终产品结果影响的不确定性，使用RBF神经网络构建烧成系统模型，探索机理与智能建模相结合的综合建模，并使该模型具有在线学习和自适应能力。

2 影响预分解窑烧成系统建模的主要因素

2.1 两个运行状态

预分解窑系统的煅烧工段主要由预热器、分解炉、回转窑和篦冷机四部分组成。整个工艺过程分成两个方向，一个是从下而上的烟气流向，一个是从上而下的物料流向［2］。生料由预热器送入，与烟气进行热量交换后被预热。热料在分解炉内分解后被送入回转窑，由于窑体倾斜放置且旋转，物料不断向窑头运动。料在窑内被逆向流动的高温气体加热而烧成熟料。最后，熟料经窑头罩下端落入篦冷机，再经空气冷却后，卸出入库。在冷却机中被熟料预热的空气，一部分经过三次风管引入分解炉作为分解炉中燃料的助燃空气。另一部分从回转窑窑头入窑作为二次风，供窑内燃料的燃烧，煤粉借助一次风的风力从喷煤管喷入。

2.2 五个显著特征

水泥熟料煅烧过程涉及到机械、电器、控制、压力、温度、流量、成分等多种变量。各种参数的影响都是不相同的，这些参数之间还会产生相互影响，且处于不断变化之中［3］。熟料生产稳定性直接影响水泥质量。从前述研究对象的分析中可以看出，水泥熟料锻烧系统有五个显著特征，分别是：影响因素众多、复杂的物理化学过程、大滞后与严重的非线性，以及实验所需数据无法精确采集。

2.3 三个平衡要求

由于煅烧过程的物理、化学反应要求的温度环境等不同，需要的热量也不同，因而要求水泥系统有一定的热工制度，即窑系统热力平衡分布规律，这受到燃料燃烧规律和热传递规律的制约［4］。通过对工艺的分析可以获知，为了保证获得稳定的热工制度，实际生产过程中应该做到三个平衡［5］，即：物料平衡、气体平衡、热量平衡。

3 水泥预分解窑煅烧工段建模

有研究学者认为，预分解窑系统的回转窑的动态特性可以用偏微分方程描述。但是，在模拟试验中，这种依赖于时间的控制系统分析与现实相比要慢得多。目前，对模型中所采用的假定和参数值的可行性还缺乏更深入的研究。因此，本研究尝试采用RBF神经网络方法。

径向基函数（radial basis function，RBF）方法是在高位空间进行插值的一种技术。RBF神经元模型的输出表达式为

其中radbas为径向基函数，一般为高斯函数

其中x是n维输入向量；ci是第i个基函数的中心，与x具有相同的维数向量；σi是第i个感知的变量，可以自由选择参数，其决定基函数围绕中心的宽度；m是感知元的个数。该函数光滑性好，径向对称，形式简单。RBF网络是一种局部逼近网络，对于每个训练样本，它只需对少量的权值和阈值进行修改，因而训练速度较快，因此将其应用到预分解窑系统的实时控制，具有较强的优势。

3.1 建模主元素选取

本文采用RBF神经网络对水泥预分解窑煅烧工段进行建模，如图1所示。基于RBF神经网络的模型能够较好的描述该非线性系统的主要性能，并且具有一定泛化能力。控制量与状态量的选取是基于保证水泥熟料质量前提下进行的。根据我们分析，应该从整个系统角度考虑来选取这些量。影响系统的主要因素是风、煤、料［6］。因此，控制量的选取就集中在对风、煤、料的控制上。图中ui（t），i＝1，2，…，5，表示系统操作量，即生料量、分解炉喂煤量、回转窑喂煤量、回转窑转速，旋风筒C1出口负压；xj（t），j＝1，2表示系统被控量，分别表示分解炉出口温度和旋风筒C1出口废气氧含量。建模所用数据是广西某水泥厂预分解窑5000t／d生产线采集的实时数据，在训练之前必须进行归一化处理。

图1 基于RBFNN的水泥预分解窑烧成系统模型

3.2 模型输出测试

采用MATLAB神经网络工具箱中的newrbe函数建立预分解窑系统RBF神经网络模型，该函数建立一个零误差的径向基网络函数，相关参数的选择是根据多次参数调整与设置的经验综合确定的，经过多次训练得到预分解窑系统的RBF神经网络模型。部分训练数据的拟合效果如图2。模型泛化能力测试曲线如图3所示，有待提高。

图2 基于RBF网的煅烧工段模型训练后的拟合曲线

图3 基于RBF网的煅烧工段模型训练后的泛化能力测试

4 结束语

水泥预分解窑生产中熟料煅烧过程是一个大滞后、大惯性、非线性的复杂控制对象，影响它的外部因素很多，且各个因素之间存在耦合和不确定性，难以用一个精确的数学模型来描述。本文经过多次进厂考察与仔细分析，提取出对预分解窑系统优化控制有效的被控量与操作量。本文采用神经网络的RBF算法对预分解窑系统建模，通过调试选择合适训练参数，获得了较好的模型输出，可用于探索新的控制方法。

［1］熊富强，桂卫华，阳春华，等.基于PLS－LSSVM方法的湿法炼锌过程预测建模，仪器仪表学报，2011，32（4）：941－948.

［2］李瑞莲，袁 毓，高国燊.水泥厂生料磨机的人工神经网络建模及优化配比整定［J］.新技术新工艺，1999，（4）：7－10.

［3］杨宝生，马修水.基于双启发动态规划的预分解窑控制器设计［J］.计算机应用，2011，31（8）：2286－2288＋2292.

［4］杨传健.基于UML的锅炉燃烧控制系统的实现［J］.滁州学院学报，2005，7（1）：105－107.

［5］Yang B.S.，Cao D.G..Action－Dependent Adaptive Critic Design Based Neurocontroller for Cement Precalciner Kiln［J］.International Journal of Computer Network and Information Security，2009，（1）：62－68.

［6］蒋晓肖，樊 建，陈广博.基于模型的RBF循环流化床锅炉床温控制［J］.控制工程，2009，（S1）：114－116.

TP29

A

1673-1794（2011）05-0030-02

杨宝生（1981－），讲师，工学硕士，研究方向：智能优化控制；路红梅（1965－），副教授，宿州学院信息工程学院副院长，工学硕士，研究方向：智能计算；李建新（1971－），高级实验师，工学硕士，研究方向：自动检测。

安徽省自然科学基金资助项目 （10040606Q64）；宿州学院智能信息处理实验室开放课题资助项目（2011YKF09，2011YKF11）.

2011-05-30