水泥生料分解爐溫度過程建模方法研究.pdf

1、新型干法水泥生產(chǎn)技術(shù)已成為當(dāng)代水泥工業(yè)發(fā)展的主流，預(yù)分解技術(shù)是其核心技術(shù)之一。分解爐是實(shí)現(xiàn)預(yù)分解技術(shù)的主要設(shè)備，它承擔(dān)著燃料燃燒、氣固兩相換熱和碳酸鹽分解的任務(wù)。分解爐的穩(wěn)定運(yùn)行對(duì)生料分解率、熟料質(zhì)量和產(chǎn)量的穩(wěn)定都起著重要的作用，分解爐溫度是分解爐穩(wěn)定運(yùn)行的主要指標(biāo)。然而由于分解爐、回轉(zhuǎn)窯及預(yù)熱器直接相連，存在諸多的不確定性干擾，同時(shí)在分解爐內(nèi)所進(jìn)行的燃燒、傳熱等過程機(jī)理復(fù)雜，使分解爐溫度過程具有強(qiáng)非線性、純滯后、強(qiáng)耦合和不確定性等特點(diǎn)

2、，難以建立分解爐溫度過程的準(zhǔn)確的動(dòng)態(tài)機(jī)理模型和數(shù)據(jù)驅(qū)動(dòng)模型，導(dǎo)致基于模型的控制和優(yōu)化算法難以應(yīng)用于實(shí)際過程，因此，研究分解爐溫度過程的建模方法，特別是建立具有較小仿真誤差的模型，對(duì)分解爐溫度過程的控制和仿真研究都具有很重要的意義。
　　本文依托國(guó)家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）課題“大型回轉(zhuǎn)窯智能控制系統(tǒng)”，針對(duì)當(dāng)前系統(tǒng)辨識(shí)方法很難建立出具有較小仿真誤差模型的問題，提出了三種能夠提高模型性能的建模方法，并在現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)的基礎(chǔ)上，

3、建立了分解爐溫度過程的動(dòng)態(tài)模型。本文的主要工作包括如下幾個(gè)方面:
　　(1)針對(duì)非線性NARX(Nonlinear AutoRegressive with eXogenous Inputs)模型仿真誤差較大的問題，本文針對(duì)SVM(Support Vector Machine)模型提出了一種改進(jìn)的模型選擇方法，該方法能夠通過選擇模型的結(jié)構(gòu)參數(shù)來提高模型的性能，使其更加接近于實(shí)際對(duì)象。并在現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)的基礎(chǔ)上，建立了分解爐溫度過程的S

4、VM NARX模型,仿真結(jié)果表明:該方法所建立的模型能夠一定程度上減小模型的仿真誤差，提高模型的泛化性。、
　　(2)由于線性輸出誤差（Output Error，簡(jiǎn)稱OE）模型具有較小的仿真誤差值，而非線性O(shè)E模型建模難度較大，本文提出了基于AdaBoost(Adaptive Boosting)算法的集成輸出誤差模型建模方法。將輸出誤差模型作為集成模型的弱學(xué)習(xí)機(jī)，使用AdaBoost算法對(duì)樣本權(quán)值進(jìn)行更新來訓(xùn)練出具有不同性能的弱學(xué)

5、習(xí)機(jī)模型，然后針對(duì)集成模型的模型復(fù)雜度高問題，提出了使用選擇性集成策略對(duì)集成模型進(jìn)行修剪。并使用該方法建立了分解爐溫度過程的集成輸出誤差模型，其仿真結(jié)果表明:該方法所建立的模型能夠有效地減小模型的仿真誤差，具有較好的學(xué)習(xí)能力和泛化能力。
　　(3)針對(duì)現(xiàn)有的Hammerstein模型非線性模塊參數(shù)過多，學(xué)習(xí)代價(jià)過高的問題，本文在Hammerstein模型結(jié)構(gòu)基礎(chǔ)上，提出了一種基于極限學(xué)習(xí)機(jī)（Extreme LearningMach

6、ine，簡(jiǎn)稱ELM）的Hammerstein輸出誤差模型方法，即將ELM模型作為Hammerstein模型的靜態(tài)非線性模塊，OE模型作為Hammerstein模型的動(dòng)態(tài)線性模塊，并提出了兩階段迭代優(yōu)化算法來估計(jì)模型參數(shù)。最后使用該算法建立了分解爐溫度過程的基于ELM的Hammerstein輸出誤差模型，仿真結(jié)果表明該模型的結(jié)構(gòu)相對(duì)簡(jiǎn)單，學(xué)習(xí)復(fù)雜性較低，且所建立的模型在減小模型的仿真誤差方面也具有一定的改進(jìn)。
　　(4)對(duì)上述三種方

7、法所建立的模型分別從建模的側(cè)重點(diǎn)及模型復(fù)雜度、建模時(shí)間、模型精度和泛化性能等方面進(jìn)行了比較分析。結(jié)果表明:三種算法中，SVM NARX模型與另外兩種方法具有不同的側(cè)重點(diǎn)，其主要是一種模型選擇算法，而集成輸出誤差模型和基于ELM的Hammerstein輸出誤差模型是兩種能夠減小模型的仿真誤差值的模型結(jié)構(gòu);在模型復(fù)雜性、建模時(shí)間和模型精度與泛化性能方面，三種模型各自有優(yōu)缺點(diǎn)，但是總體而言，SVM NARX模型的精度相對(duì)最低，另外兩種算法具有