一种分解炉出口温度建模方法技术

本发明专利技术公开了一种分解炉出口温度建模方法，属于工业自动化领域。该方法首先根据水泥预分解工艺流程及现场操作人员经验，选取喂煤量及生料喂料量作为模型的输入变量。然后根据历史数据，建立各工作点的数学模型，其中，当分解炉出口温度为830℃和840℃时采用最小二乘的学习算法进行建模，当温度为850℃和860℃时采用极限学习机的学习算法进行建模。最后根据经验划分隶属函数曲线，建立基于T-S模糊的分解炉出口温度数学模型。本发明专利技术可准确反映分解炉出口温度变化趋势，为实现分解炉的优化控制打下基础。

【技术实现步骤摘要】
一种分解炉出口温度建模方法
本专利技术涉及一种分解炉出口温度建模方法，属于工业自动化领域。
技术介绍
我国水泥总产量位居世界首位，年产量高达20多亿吨，占全球总量的50％以上，因而利用自动化技术实现水泥行业节能降耗成为当前水泥生产的研究重点与热点。水泥生产的预分解过程是水泥生产的核心环节之一，其煤耗大，约占整个水泥生产过程煤耗总量的60％。因此，对该环节实施优化控制对水泥企业实现节能降耗具有重大的意义。作为预分解技术的核心设备，分解炉担负着预分解系统中繁重的燃烧、热传递和物料分解的任务。由于生料预分解过程的工况条件变化频繁并且测控点少，这使得在实际生产中经常出现分解炉温度大幅波动的现象。温度过高容易引起预热器结皮，影响窑系统正常运行；温度过低，则造成入窑分解率过低，增加窑系统负担，不能充分发挥分解炉的作用。因此，分解炉出口温度的控制，既对水泥企业实现节能降耗具有重要的意义，也影响着水泥生产的正常进行。为了实现分解炉出口温度的控制，建立合适的分解炉出口温度数学模型是十分重要的。文献(费德诺.水泥预分解煅烧过程分解炉的数值建模.粉末技术,2007，117(1)：81-85.)从反应动力学出发，建立煤粉燃烧和碳酸盐分解的动力学数学模型。并没有考察影响分解炉温度时变的主要因素与分解炉温度之间的关系。文献(刘晓琳,袁昆.分解炉温度的数学模型和控制算法.控制理论与应用,2004,23(8):18-20.)、(高建树.分解炉温度控制的数学模型.中国民航学院学报,2006,24(2):16-19.)采用最小二乘的方法建立了分解炉的离线数学模型。由于分解炉出口温度在一天之内温度变化很大，820℃至880℃均属于正常工作情况，因此，使用最小二乘建立的数学模型很难准确反映分解炉在不同工况下的温度变化情况。与此同时，离线的数学模型无法随着工况的改变而改变，从而导致较大的建模误差。建立分解炉出口温度的在线数学模型十分困难，但如果只建立离线的数学模型，则无法准确反映分解炉出口温度的变化，那么在后续的分解炉出口温度控制中会遇到阻碍。
技术实现思路
本专利技术的目的在于：提出一种分解炉出口温度建模方法，以实现分解炉出口温度的准确反映，为分解炉的温度控制奠定基础。该方法包括如下步骤：步骤1：根据水泥预分解工艺流程及历史数据，得出分解炉出口温度与喂煤量及生料喂料量之间的关系。步骤2：根据步骤1中所述的关系，建立分解炉在各工作点的数学模型A、B、C、D；步骤3：根据步骤2中所述的各工作点数学模型，划分出隶属函数曲线；步骤4：根据步骤2中所述的各工作点的数学模型和步骤3中所述的隶属函数曲线，建立基于T-S模糊的分解炉出口温度数学模型，从而实现分解炉出口温度的数学建模。优选地，所述步骤1中的分解炉出口温度与喂煤量及生料喂料量之间的关系：当分解炉出口温度为820℃～840℃时，喂煤量变化范围为12t～13t，喂料量变化范围为210t～225t；当分解炉出口温度为830℃～850℃时，喂煤量变化范围为12.5t～14t，喂料量变化范围为217t～232t；当分解炉出口温度为840℃～860℃时，喂煤量变化范围为13t～15t，喂料量变化范围为225t～240t；当分解炉出口温度为850℃～880℃时，喂煤量变化范围为14t～18t，喂料量变化范围为232t～265t。优选地，所述步骤2中的模型A(工作点为830℃)为：yA＝x11a1+x12b1+x13c1+x14d1+x15e1式中，yA为模型输出的分解炉出口温度，x11,x12,x13,x14,x15为待辨识的模型参数，a1为t-1时刻喂煤量，b1为t时刻喂煤量，c1为t-1时刻生料喂料量，d1为t时刻生料喂料量，e1为t-1时刻分解炉出口温度。所述步骤2中的模型B(工作点为840℃)为：yB＝x21a2+x22b2+x23c2+x24d2+x25e2式中，yB为模型输出的分解炉出口温度，x21,x22,x23,x24,x25为待辨识的模型参数，a2为t-1时刻喂煤量，b2为t时刻喂煤量，c2为t-1时刻生料喂料量，d2为t时刻生料喂料量，e2为t-1时刻分解炉出口温度。所述步骤2中的模型C(工作点为850℃)为：式中，yC为模型输出的分解炉出口温度，l1为隐含层神经元个数，β1i为隐含层与输出层的连接权值，g1(x)为隐含层神经元的激活函数，w1i为输入层与隐含层的连接权值，x1j为输入矩阵，b1i为隐含层神经元阀值，Q1为训练样本个数。所述步骤2中的模型D(工作点为860℃)为：式中，yD为模型输出的分解炉出口温度，l2为隐含层神经元个数，β2i为隐含层与输出层的连接权值，g2(x)为隐含层神经元的激活函数，w2i为输入层与隐含层的连接权值，x2j为输入矩阵，b2i为隐含层神经元阀值，Q2为训练样本个数。优选地，所述步骤3中的隶属函数划分为：式中，yi为t时刻分解炉出口温度。优选地，所述步骤4中的基于T-S模糊的分解炉出口温度数学模型其模糊规则为：Ifyi≤840℃thenY＝yAIf830℃<yi＜850℃thenY＝yBIf840℃<yi＜860℃thenY＝yCIfyi≥850℃thenY＝yD数学模型为：式中，Y为T-S模糊模型输出的分解炉出口温度拟合值。与现有技术相比，本专利技术的有益效果为：1、本方法中建立了水泥分解炉各工作点的数学模型，能够充分反映分解炉处于不同工况下的温度变化情况。2、本方法中采用了在线建模的方法，使得所建模型能够根据工况的变化而变化。3、本方法中充分考虑了分解炉处于不同工况下各参变量变化的幅度，变化幅度小时，采用基于最小二乘的学习算法进行建模；变化幅度大时，采用基于极限学习机的学习算法进行建模。4、本方法中根据经验划分隶属函数曲线，建立了基于T-S模糊的分解炉出口温度数学模型，将分解炉各工作点联系起来，更加准确的反映分解炉出口温度的变化情况。附图说明图1为分解炉温度控制原理图。图2为水泥预分解工艺流程图。图3为分解炉出口温度与喂煤量、生料下料量关系的三维图。图4为本专利技术中模型A的拟合曲线图。图5为本专利技术中模型A的误差曲线图。图6为本专利技术中模型B的拟合曲线图。图7为本专利技术中模型B的误差曲线图。图8为本专利技术中神经网络结构图。图9为本专利技术中模型C的拟合曲线图。图10为本专利技术中模型C的误差曲线图。图11为本专利技术中模型D的拟合曲线图。图12为本专利技术中模型D的误差曲线图。图13为本专利技术方法的隶属函数曲线图。图14为本专利技术方法的软件流程图。图15为本专利技术方法的测试曲线图。图16为本专利技术方法的误差曲线图。具体实施方式下面结合附图和实施例对专利技术的技术方案作进一步详细说明。水泥分解炉温度控制原理图如图1所示，本专利技术提出了一种分解炉出口温度建模方法，该方法主要包括如下步骤：步骤1：根据水泥预分解工艺流程及历史数据，得出分解炉出口温度与喂煤量及生料喂料量之间的关系。步骤2：根据步骤1中所述的关系，建立分解炉在各工作点的数学模型A、B、C、D；步骤3：根据步骤2中所述的各工作点数学模型，划分出隶属函数曲线；步骤4：根据步骤2中所述的各工作点的数学模型和步骤3中所述的隶属函数曲线，建立基于T-S模糊的分解炉出口温度数学模型，从而实现分解炉出口温度的数学建模本文档来自技高网...

【技术保护点】
一种分解炉出口温度建模方法，其特征在于，包括如下步骤：步骤1：根据水泥预分解工艺流程及历史数据，得出分解炉出口温度与喂煤量及生料喂料量之间的关系；步骤2：根据步骤1中所述的关系，建立分解炉在各工作点的数学模型A、B、C、D；步骤3：根据步骤2中所述的各工作点数学模型，划分出隶属函数曲线；步骤4：根据步骤2中所述的各工作点的数学模型和步骤3中所述的隶属函数曲线，建立基于T‑S模糊的分解炉出口温度数学模型，从而实现分解炉出口温度的数学建模。

【技术特征摘要】
1.一种分解炉出口温度建模方法，其特征在于，包括如下步骤：步骤1：根据水泥预分解工艺流程及历史数据，得出分解炉出口温度与喂煤量及生料喂料量之间的关系；步骤2：根据步骤1中所述的关系，建立分解炉在各工作点的数学模型A、B、C、D；步骤3：根据步骤2中所述的各工作点数学模型，划分出隶属函数曲线；步骤4：根据步骤2中所述的各工作点的数学模型和步骤3中所述的隶属函数曲线，建立基于T-S模糊的分解炉出口温度数学模型，从而实现分解炉出口温度的数学建模；所述步骤1中的分解炉出口温度与喂煤量及生料喂料量之间的关系：当分解炉出口温度为820℃～840℃时，喂煤量变化范围为12t～13t，喂料量变化范围为210t～225t；当分解炉出口温度为830℃～850℃时，喂煤量变化范围为12.5t～14t，喂料量变化范围为217t～232t；当分解炉出口温度为840℃～860℃时，喂煤量变化范围为13t～15t，喂料量变化范围为225t～240t；当分解炉出口温度为850℃～880℃时，喂煤量变化范围为14t～18t，喂料量变化范围为232t～265t。2.根据权利要求1所述的分解炉出口温度建模方法，其特征在于：所述步骤2中的模型A工作点为830℃为：yA＝x11a1+x12b1+x13c1+x14d1+x15e1式中，yA为模型输出的分解炉出口温度，x11,x12,x13,x14,x15为待辨识的模型参数，a1为t-1时刻喂煤量，b1为t时刻喂煤量，c1为t-1时刻生料喂料量，d1为t时刻生料喂料量，e1为t-1时刻分解炉出口温度；所述步骤2中的模型B工作点为840℃为：yB＝x21a2+x22b2+x23c2+x24d2+x25e2式中，yB为模型输出的分解炉出口温度，x21,x22,x23,x24,x25为待辨识的模型参数，a2为t-1时刻喂煤量，b2为t时刻喂煤量，c2为t-1时刻生料喂料量，d2为t时刻生料喂料量，e2为t-1时刻分解炉出口温度；所述步骤2中的模型C工作点为850℃为：式中，yC为模型输出的分解炉出口温度，l1为隐含层神经元个数，β1i为隐含层与输出层的连接权值，g1(x)为隐含层神经元的激活函数，w1i为输入层与隐含层的连接权值，x1j为输入矩阵，b1i...

【专利技术属性】
技术研发人员：张强，袁铸钢，王孝红，苏哲，孟庆金，景绍洪，于宏亮，申涛，王新江，邢宝玲，高红卫，崔行良，白代雪，刘化果，任春里，
申请(专利权)人：济南大学，山东恒拓科技发展有限公司，
类型：发明
国别省市：山东;37