基于TS模糊神经网络分解炉燃烧控制系统设计
李涛+梁凯+高若尘+申琦+张慧杰+宜文
摘 要：针对分解炉分解是非线性、大滞后、多扰动及多变量过程，难以实现其对温度自动控制的问题，提出了一种基于T-S神经网络的控制方法。针对这一问题，文章首先对水泥预分解工艺进行分析以及对燃烧理论进行研究，然后再利用T-S模糊控制理论确定规则数目和输入变量的隶属度函数，采用神经网络的自学习和自适应能力实现模糊推理。仿真结果表明：该控制器对分解炉燃烧控制起到很好的控制效果，并且比传统PID控制器具有更好的效果。在实际生产应用当中，具有很好地稳定性和鲁棒性，并且节省了煤的消耗和降低了环境污染。
关键词：分解炉；模糊神经网络；T-S模糊；控制
中图分类号：TP271 文献标识码：A
Optimal Combustion System Design Based on T-S Fuzzy Neural Network Decomposing
LI Tao，LIANG Kai，GAO Nuo-chen，SHEN Qi，ZHANG Hui-jie，YI Wen
（College of Computer Science and Eleetroaic Engineering，Hunan University，Changsha，Hunan 410082，China）
Abstract：A new control method based on T-S neural network is proposed to solve the problem that the decomposition of the calciner is nonlinear，large-lag，multi-disturbance and multivariable process，and it is difficult to realize the automatic control of temperature.In order to solve this problem，this paper firstly analyzes the process of cement pre-decomposition and studies the combustion theory，then uses TS fuzzy control theory to determine the number of rules and the membership function of input variables，using neural network self-learning and self-adaptability Fuzzy reasoning.The simulation results show that the controller has a good control effect on the combustion control of the precalciner and has a better effect than the traditional PID controller.In the actual production applications，with good stability and robustness，and save the consumption of coal and reduce environmental pollution.
Key words：decomposition furnace；neural network；T-S fuzzy；control
1 引 言
新型干法水泥生产方法采用悬浮预热器和预分解炉技术为核心，现代科技广泛应用于水泥生产过程中。分解炉温控制是质量的关键因素水泥生产稳定性[1-2]。分解炉温度控制过程具有非线性、大滞后、多扰动及多变量，很难实现对其温度进行自动控制。当前，水泥生成过程中普遍采用的控制策略是PID控制和模糊控制。文献[3]采用的是PID控制器，其结构简单、调整简单，广泛适用于工作稳定过程控制当中，但是不能應用于具有非线性、大滞后的环境当中。文献[4-6]提到了模糊控制器能够解决传统基于线性系统理论难以解决的控制问题时，能够得到较好的动态响应特性，且无需知道被控对象的数学模型、适应性强、鲁棒性好的特点。但模糊控制容易受模糊规则的限制而引起误差，并且模糊规则很难获取。T-S神经网络在处理非线性、大滞后、多扰动及多变量问题方面，具有一定的研究。文献[7]提出了基于模糊神经网络的环境分析策略用于轮椅智能避障控制，方法可行且降低功耗。文献[8]利用T-S模糊神经网络控制方法对水下机器人进行自动控制，在环境恶劣的情况下，其控制性能能保持在较高水平。文献[9]采用其方法对退火炉进行控制，能够提高其退火炉质量和降低能源损耗及减少环境污染。
本文针对分解炉出口温度控制过程是非线性、滞后、多扰动及多变量，根据燃烧理论和煤粉在锅炉中燃烧研究[10-12]，提出了一种T-S模糊神经网络的控制方法。具有很好的温度稳定性，能降低煤耗，提高熟料强度和降低一氧化碳和氮化物的排放，具有很好的经济效益和环境效益。
2 水泥预分解工艺分析
分解炉过程的基本工艺如图1所示，水泥生料由塔架提升机传送进入五级悬浮预热器，生料喂入C1-C2级旋风筒的连接管道的进料口，随后物料被来自C2级旋风筒的热风带入C1级旋风筒进行分离，并且再由C1级旋风筒底部的锁风阀排出，进入C2-C3级旋风筒的连接管道上的进料口，被气流带入C2级旋风筒内继续气固热交换。如此反复，经过逐级加热和分离以实现预热生料的目的。预热后的物料经由C4级旋风筒锥部进入分解炉。预热器出来的高温生料物料经由底部从分解炉中部进入分解炉，煤粉由分解炉中部给煤口进入分解炉，由于煤粉颗粒很小并且充分同物料混合故在分解炉中煤粉以无焰状态燃烧。在分解炉内部气流的作用下煤粉与生料物料充分混合。煤粉燃烧的放热过程与生料的碳酸盐分解的吸热过程，在分解炉内以悬浮态或流化状态下迅速进行，使生料中大部分碳酸盐被分解。煤粉燃烧所释放的热量被碳酸盐吸收，导致碳酸盐吸收热量而发生分解反应。从分解炉出来的物料分解率高达85%-95%，从分解炉出来的物料经分解炉上部的鹅颈管进入C5级旋风筒。最后，经过 C5 级旋风筒的锥部进入回转窑进行熟料煅烧。endprint
燃烧理论告诉我们，评价和表明工业窑爐燃烧状况优劣，燃烧是否合理的唯一指标是空气过剩系数，而空气过剩系数又是由燃料消耗氧气的量计算出来的。因此控制烟气的残氧量，也就相当于控制了空气量和空气过剩系数，一般而言，空气过剩系数μ和烟气中含氧量O2的基本关系为
μ=2121-O2（1）
从公式（1）中得知烟气中含氧量越大，则空气过剩系数越大，烟气中含氧量越小，则空气过剩系数越小。首先，空气过剩系数的增加将降低火焰温度。其次，空气过剩系数的增加将增加炉窑废气的热损失。如果供给的空气量太少，炉温降低，而且会使燃料消耗大为升高，同时还会污染环境。除此之外，由于空气过剩系数太小，炉窑供风不足，使炉窑内壁严重结焦、积灰，造成炉窑内壁结皮的危害。
经过以上分析，结合现场操作人员的经验以及为了保证产保证产量，故保持入料量不变。所以该系统采用高频风机和三次风阀门以及入煤量为控制量，控制目标为窑尾烟气中的含量以及出口温度为被控制量，对分解炉燃烧系统进行优化智能控制。
3 模糊神经网络结构与过程
3.1 T-S模糊神经网络结构
T-S型模糊神经网络是模糊逻辑与神经网络相互融合的一种网络结构，它具备了模糊控制和神经网络两者的优点，能够很好地处理不确定性和非线性问题。如图2所示。输入信号x1为分解炉温度与设定温度的差值，其模糊化层数m1=7；输入信号x2为分解炉温度偏差变化率，其模糊化层数m2=3；输入信号x3为分解炉废气CO含量与设定含量的差值，其模糊化层数m3=5；输入信号x4为分解炉废气CO含量偏差变化率，其模糊化层数m4=3。输入信号为：xi=[x1，x2，x3，x4]，各个输入信号的模糊化个数为mi=[m1，m2，m3，m4]；输出信号y1、y2、y3分别为窑头喂煤量、高温风机频率、三次风阀门开度故输出信号为yj=[y1，y2，y3]。
T-S型模糊神经网络分为前件网络和后件网络。
3.1.1 前件网络
第一层为输入层，每个节点的作用是将输入向量xi=[x1，x2，x3，x4]T的各个分量传入到下一层，该层节点数N1=4。
第二层为模糊化层，将输入层的计算成模糊子集的隶属度函数μji（xi）。
μji（xi）=exp-（xi-cij）22*b2ij（2）
其（2）式中，bij、cij和xi分别代表隶属函数的宽度和中心以及输入信号，其中i∈（1，2，3，4），j∈（m1，m2，m3，m4）。该层节点数为
N2=∑4i=1mi。
第三层为适用度计算层，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：
ak=μj11μj22μj33μj44（3）
式中k=1，2，..，m，ji∈（1，2，..mi）
m=∏4i=1mi。
第四层为归一化层，进行归一化计算，该层节点数为N4=m。
ak=ak∑mi=1ai （4）
3.1.2 后件网络
第一层为输入层，该层节点数N1=5。
第二层为模糊规则计算，有m个节点，每个节点代表一个规则：
yij=pij0+pij1x1+pij2x2+pij3x3+pij4x4 第三层为综合计算输出层：
yi=∑mij=1yijaj （5）
3.2 模糊神经网络学习算法
对权值pijl以及前件网络的隶属函数的中心cij和宽度bij进行学习。其中i=1，2，3，j=1，2..，m，l=0，1，..，4，常规的BP算法如下，取误差函数E=-12∑3i=1（ti-yi），ti和yi分别表示期望输出和实际输出。其计算结果如下：Eplij=-（tl-yl）ajxi（6）
plij（k+1）=plij（k）+β（tl-yl）ajxi （7）
δ（5）j=ti-yi；δ（4）j=∑ri=1yijδ（5）j （8）
δ（3）j=δ（4）j∑mj=1，i≠jaj/（∑mj=1aj）2（9）
δ（2）ij=∑mj=1δ（3）jsijexp[-（xi-cij）2bij]，当δ（3）j包含cij和bij时，sij=1否则sij=0。
Ecij=-δ（2）ij2（xi-cij）bij（10）
Ebij=-δ（2）ij（xi-cij）2b2ij（11）
cij（k+1）=cij（k）-βEcij （12）
bij（k+1）=bij（k）-βEbij（13）
4 仿真结果和现场应用效果
用 Matlab 对T-S模糊神经网络控制进行仿真，其设定温度为860 ℃，与常规的PID控制系统的效果进行比较，如图3所示。
由图3可以得出与常规的PID比较，T-S模糊神经网络控制具有过渡过程时间短、超调小的特点，且具有较好的鲁棒性。广西某水泥厂一条生厂线分解炉使用该智能优化控制系统，效果非常明显，与前系统比较效果如下图4和图5所示。
从图4得出，现系统分解炉废气出口中氧气的含量低于5%，并且其波动范围小。从图5可以得出现系统分解炉出口温度较为稳定，大致在860±2 ℃波动。
5 结 论
针对分解炉温度控制难点问题，设计了基于T-S模糊神经网络分解炉优化燃烧控制系统，采用T-S模糊理论进行控制，并且用BP神经算法对其进行学习，并与传统PID控制进行仿真比较，具有过渡过程时间短、超调小，较好的鲁棒性等特点。在实际生产过程中具有相当明显的优势，不仅降低了能源的消耗和提高了熟料质量，增加经济效益，而且对研究节能减排有重大的意义endprint
参考文献
[1] 姜克盛.新型干法水泥窑分解炉温度控制方法研究[D].合肥：安徽大学，2011.
[2] WANG Y Q，ZHOU D H，GAO F R，Iterative learning model predictive control for multi-phase batch processes[J].Journal of Process Control，18（6）： 543-557，2008.
[3] LI S W，LI B，LI C R.The study of temperature control of cement decomposition furnace on the basis of fuzzy immune self-adaptive PID control method[C].2013 International Conference on Information Science and Technology. Yangzhou： IEEE，2013： 86 ～ 90.
[4] ZHANG X，LU J.Application of boiler-preheater fuzzy coordinated control for clinker plant[J].Journal of Theoretical & Applied Information Technology，2012，45（ 1） ： 212 ～ 221.
[5] 郭峰.基于模糊ARX 模型的水泥回轉窑预测控制算法研究[D].秦皇岛：燕山大学，2012.
[6] 王伟，张航，罗大庸.基于核模糊 C 均值聚类和局部建模方法的烟气含氧量软测量模型[C].第30届中国控制会议，烟台，2011.
[7] 简毅，赵新全，张文凯.基于T-S模糊神经网络的智能轮椅避障控制策略[J].计算机测量与控制，2014，22（12）：3943-3945.
[8] 钱夔，宋爱国，章华涛，等.基于自适应模糊神经网络的机器人路径规划方法[J].东南大学学报：自然科学版，2012，42（4）：637-642.
[9] 于谨，李晓峰.基于T-S模型模糊神经网络预测的退火炉温度控制[J].沈阳建筑大学学报：自然科学版，2014，30（1）：181-186.
[10] 宋春燕，张鑫，李婷.高效煤粉锅炉替换层燃锅炉技术改造与能效分析[J].洁净煤技术，2015，21（ 3） ： 98-102.
[11] VASCELLARI M， SCHULZE S， NIKRITYUK P， et al. Numerical simulation of pulverized coal MILD combustion using anew heterogeneous combustion submodel[J].Flow，Turbulence and Combustion，2014，92（1-2）：319-345.
[12] 梅振锋，张健鹏，米建春.中国电机工程学报[J]，2016，36（19）：5245-5253endprint
