【技术实现步骤摘要】
本专利技术属于水泥生产，具体为一种基于t-s模糊神经网络分解炉燃烧控制方法。
技术介绍
1、生料分解过程是水泥熟料生产过程的关键环节，其分解炉的温度也直接影响着生料分解炉。分解炉的温度主要由窑头喂煤量燃烧产生，设u(t)为窑头喂煤量，tc(t)为分解炉温度。由于解炉温度与煤粉之间是非线性关系，还与分解炉生料的质量、三次风的含量、窑头负压、高温风机频率都存在关系。当分解炉处于正常工作的范围时，其生料量以及高温风机的频率是基本保持不变，所以采用三次风含量以及窑头喂煤量为控制量，对分解炉进行温度进行优化燃烧控制。又因分解炉温度模型难以用传递函数表示，所以采用ls-svm(最小二乘支持向量机)的方法建立仿真。
2、ls-svm是在svm(支持向量机)的基础上，加入最小二乘法的一种算法的优化。svm是指在原始特征空间或者变换空间寻找一个最优的超平面，从而把样本进行分类，其这个最优超平面查找的方法是在最大间隔和最少错分样本数目之间进行折中选取。而ls-svm同样是一种寻找最优的超平面，该最优超平面是由某类样本侧的超平面间隔关于该类样本的距离平方和最小。因为两者选取最优超平面的标准不同，就会选出不同的最优超平面。svm的超平面是由样本少数比例的支持向量所决定，而ls-svm是由所有训练样本所共同决定的，更加具有代表性。又因对分解炉温度因素分析和其温度模型机理的研究，所以采用ls-svm来建立分解炉中部温度模型。
3、针对分解炉温度控制过程中存在着大滞后、延迟、非线性、多耦合等特点，提出了基于t-s模糊神经网络分解炉优化
技术实现思路
1、本专利技术主要解决的技术问题是提供一种基于t-s模糊神经网络分解炉燃烧控制方法，对分解炉进行温度进行优化燃烧控制。
2、为解决上述技术问题，本专利技术采用的一个技术方案是：包括以下步骤：步骤s1，确定模型的输入参数和输出参数，
3、步骤s2，对输入参数进行预处理，预处理的输入参数为100组，
4、步骤s3，确认核函数参数γ和惩罚因子c，利用前60组预处理的输入参数进行建模，后40组预处理的输入参数进行模型验证，
5、步骤s4，设计分解炉控制系统，确定控制系统采取分解炉中部温度以及废气氧气含量为控制目标，被控对象为喂煤量和三次风阀门开度，
6、步骤s5，设计模糊神经网络控制器，根据t-s模糊神经网络控制器的构成、设计步骤以及分解炉的控制原理分析，对分解炉燃烧控制的t-s模糊神经网络进行设计，
7、步骤s6，设计模糊神经网络的学习算法，要对后件网络的连接权值pijl和后件网络中的各节点隶属函数的中心值cij和宽度bij进行学习和参数调整。
8、进一步地说，所述输入参数为分解炉喂煤量、三次风阀门开度，所述输出参数为分解炉中部温度。
9、进一步地说，所述步骤s2包括s201对异常数据的处理和s202将数据归一化计算，所述s201采用格罗布斯准则进行数据处理，所述步骤s202具体为采用matlab中的mapminmax函数对数据进行归一化处理，使其归一化数据在[0,1]范围内。
10、进一步地说，所述步骤s3中γ＝500,c2＝0.1。
11、进一步地说，所述步骤s5包括以下步骤，s501设输入变量为分解炉出口温度误差fe，使用mapmaxmin函数对采集的数据进行数据处理变成范围为[-2,2]，基本论域为[-2,2]，其语言描述为{很低，低，正常，高，很高}5个模糊集合，记作{nb,ns,no,ps,pb}，
12、s502输入变量分解炉出口温度变化率fec，进行数据处理变成范围为[-2,2]，其基本论域为[-2,2],其语言描述为{负大，负小，零，正小，正大}5个模糊集合记作{nb,ns,no,ps,pb}，
13、s503输入变量分解炉废气co含量误差ce，基本论域为[-1,3]，其语言描述为{少，正常，多，正多，正极多}5个模糊集合，记作{nb,no,ps,pm,pb}，
14、s504输入变量为分解炉废气co含量变化率cec，其基本论域为[-2,2],其语言描述为{负大，负小，零，正小，正大}5个模糊集合，记作{nb,ns,no,ps,pb}，
15、s505根据模糊规则表，输出变量喂煤量转称的增减量u、次风量的阀门开度的增减量v。
16、进一步地说，所述步骤s6所使用的误差函数为式中tl和yl分别表示期望输出和实际输出。
17、进一步地说，所述步骤s6包括以下步骤，s601对参数进行参数学习，s602把参数进行固定，对参数cij和bij进行学习。
18、本专利技术的有益效果至少具有以下几点：
19、本专利技术的方法选择合适的隶属度函数、参数和训练样本，设计模糊神经网络控制器，在温度稳定和降低废气中氧气含量方面具有很好的效果，对企业的节能和水泥质量起到很好的效果，为企业带来巨大的经济效益和环保意义；
本文档来自技高网...【技术保护点】
1.一种基于T-S模糊神经网络分解炉燃烧控制方法，其特征在于，包括以下步骤：步骤S1，确定模型的输入参数和输出参数，
2.根据权利要求1所述的一种基于T-S模糊神经网络分解炉燃烧控制方法，其特征在于：所述输入参数为分解炉喂煤量、三次风阀门开度，所述输出参数为分解炉中部温度。
3.根据权利要求2所述的一种基于T-S模糊神经网络分解炉燃烧控制方法，其特征在于：所述步骤S2包括S201对异常数据的处理和S202将数据归一化计算，所述S201采用格罗布斯准则进行数据处理，所述步骤S202具体为采用MATLAB中的mapminmax函数对数据进行归一化处理，使其归一化数据在[0,1]范围内。
4.根据权利要求1所述的一种基于T-S模糊神经网络分解炉燃烧控制方法，其特征在于：所述步骤S3中γ＝500,c2＝0.1。
5.根据权利要求1所述的一种基于T-S模糊神经网络分解炉燃烧控制方法，其特征在于：所述步骤S5包括以下步骤，S501设输入变量为分解炉出口温度误差FE，使用mapmaxmin函数对采集的数据进行数据处理变成范围为[-2,2]，基本论
6.根据权利要求1所述的一种基于T-S模糊神经网络分解炉燃烧控制方法，其特征在于：所述步骤S6所使用的误差函数为式中tl和yl分别表示期望输出和实际输出。
7.根据权利要求1所述的一种基于T-S模糊神经网络分解炉燃烧控制方法，其特征在于：所述步骤S6包括以下步骤，S601对参数进行参数学习，S602把参数进行固定，对参数cij和bij进行学习。
...【技术特征摘要】
1.一种基于t-s模糊神经网络分解炉燃烧控制方法，其特征在于，包括以下步骤：步骤s1，确定模型的输入参数和输出参数，
2.根据权利要求1所述的一种基于t-s模糊神经网络分解炉燃烧控制方法，其特征在于：所述输入参数为分解炉喂煤量、三次风阀门开度，所述输出参数为分解炉中部温度。
3.根据权利要求2所述的一种基于t-s模糊神经网络分解炉燃烧控制方法，其特征在于：所述步骤s2包括s201对异常数据的处理和s202将数据归一化计算，所述s201采用格罗布斯准则进行数据处理，所述步骤s202具体为采用matlab中的mapminmax函数对数据进行归一化处理，使其归一化数据在[0,1]范围内。
4.根据权利要求1所述的一种基于t-s模糊神经网络分解炉燃烧控制方法，其特征在于：所述步骤s3中γ＝500,c2...
【专利技术属性】
技术研发人员：罗翔，陈静，徐振宁，单树林，
申请(专利权)人：苏州中材建设有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。