基于模糊RBF神經(jīng)網(wǎng)絡的水泥廠窯電流預測

劉偉濤 李瑞

【摘要】在分析了水泥生產過程中回轉窯的運行原理和影響其工作性能因素的基礎上，應用RBF算法和模糊控制進行建模，以窯頭負壓、溫度，窯尾負壓、溫度為輸入，對窯電流進行預測，經(jīng)過試驗數(shù)據(jù)與現(xiàn)場實際數(shù)據(jù)比較，模糊RBF神經(jīng)網(wǎng)絡在窯電流預測方面有很大的參考意義。

【關鍵詞】窯電流；RBF神經(jīng)網(wǎng)絡；模糊控制；預測控制

引言

水泥回轉窯是新型干法水泥生產線的核心設備，生料煅燒理化反應是水泥生產過程在回轉窯中最關鍵的部分，回轉窯的負載電流能很大程度反映窯內熱工狀況。研究窯電流的建模和預測方法，對提高水泥回轉窯的控制水平具有重要的理論和實際意義。

時變性、非線性、滯后性是回轉窯的重要特征，窯電流是回轉窯的主要參數(shù)之一，其波動情況受很多因素共同影響，普通的數(shù)學模型很難比較精確的預測窯電流的變化趨勢。

根據(jù)上述問題本文采用模糊控制與神經(jīng)網(wǎng)絡算法相結合的方法對窯電流的發(fā)展趨勢進行預測。建立RBF神經(jīng)網(wǎng)絡的預測模型，將預測數(shù)據(jù)與實測數(shù)據(jù)進行了比較，發(fā)現(xiàn)預測數(shù)據(jù)與實測數(shù)據(jù)誤差很小，對水泥廠實際生產具有很高價值的指導意義。

1、RBF神經(jīng)網(wǎng)絡

1.1RBF網(wǎng)絡常用學習算法

基函數(shù)中心的選取對RBF網(wǎng)絡性能的影響并是至關重要的，RBF網(wǎng)絡中心選取不當構造不出性能優(yōu)越的網(wǎng)絡。例如，有些網(wǎng)絡數(shù)值上產生病變是由于選取的網(wǎng)絡中心太靠近造成近似線性相關。通常使用的RBF有：高斯函數(shù)、多二次函數(shù)、逆多二次函數(shù)、薄板樣條函數(shù)等。高斯函數(shù)的應用在普通RBF網(wǎng)絡中是比較常見的。高斯基函數(shù)表達形式簡單對于多輸入變量復雜性不會有太多增加，所以常作為基函數(shù)，并且徑向對稱；光滑性好，任意階導數(shù)均存在。基函數(shù)結構簡單解析性好的基函數(shù)是進行理論分析的基礎。

隨機選取中心、自組織選取中心、有監(jiān)督選取中心、正交最小二乘等方法是按RBF的中心選取方法的來區(qū)分的。采用監(jiān)督學習算法對數(shù)的中心、擴展常數(shù)和輸出層權值進行訓練，在訓練過程中不斷修整參數(shù)。本文介紹一種梯度下降算法。

參數(shù)公式是目標函數(shù)在訓練過程中通過樣本誤差不斷修整，所有樣本輸入一輪后對應各參數(shù)調整一次。瞬時值可以作為目標函數(shù)的表達形式，即當前輸入樣本引起的誤差：E=0.5e*e。單樣本訓練模式的目的是使上式中目標函數(shù)參數(shù)誤差最小化。

2、模糊控制器

模糊控制器如圖2所示主要由：模糊化、模糊控制規(guī)則、模糊決策和解模糊，四部分組成。

結合現(xiàn)場實際工況，將系統(tǒng)偏差E和偏差變化率EC作為模糊控制器的輸入，△S作為輸出。設定輸入變量偏差E和偏差變化率EC語言值的模糊子集為{負大，負中，負小，零，正小，正中，正大}，并簡記為{NB，NM，NS，Z，PS，PM，PB}。窯電流偏差E和偏差變化率EC的論域定為[-100，100]，ΔS為模糊控制器輸出值S的調整值。ΔS的論域為：ΔS=[-0.5，0.5]，其模糊集為：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分別為負大、負中、負小、零、正小、正中，正大。 隸屬度函數(shù)NB、PB選為高斯函數(shù)，其余選取等腰三角形函數(shù)作為隸屬度函數(shù)。E，EC作為兩個輸入值決定模糊控制器調整值ΔS的輸出。模糊控制器輸出值S與調整值ΔS根據(jù)如下公式進行調整

3、RBF神經(jīng)模糊網(wǎng)絡控制系統(tǒng)的結構

具有學習算法的模糊RBF神經(jīng)網(wǎng)絡被稱作RBF神經(jīng)模糊網(wǎng)絡系統(tǒng)，“if-then”是模糊規(guī)則的表達形式，模糊規(guī)則在模糊RBF神經(jīng)系統(tǒng)中占有控制決策的支配地位；神經(jīng)模糊系統(tǒng)的參數(shù)的調整則通過學習算法對數(shù)據(jù)信息的更新來完成。通過學習能自動產生模糊規(guī)則是RBF模糊神經(jīng)系統(tǒng)的優(yōu)勢所在。模糊RBF神經(jīng)網(wǎng)絡控制系統(tǒng)的結構圖如圖3所示。R為輸入信號，E、Ec分別為窯頭溫度、壓力和窯尾溫度、壓力與設定值的誤差及誤差變化率，E和Ec量化后的模糊量送入RBF神經(jīng)網(wǎng)絡構成神經(jīng)模糊網(wǎng)絡控制器的輸入；Ke、Kc為量化因子。

4、控制算法的應用

在生產現(xiàn)場，采用了本文所述控制算法的軟件與水泥生產線的DCS系統(tǒng)相連接，并應用該軟件對回轉窯各參數(shù)進行了200分鐘的在線控制，根據(jù)現(xiàn)場情況和燒成系統(tǒng)的工藝要求，將窯電流的目標設定值為1150A。應用本文所提出的預測控制方式下，對后30分鐘窯電流的變化值進行了預測，如圖4所示。

試驗表明在經(jīng)過6次迭代后窯電流網(wǎng)絡訓練趨于穩(wěn)定，在經(jīng)過第69次迭代時網(wǎng)絡的預測性能達到最佳。經(jīng)過與實測數(shù)據(jù)的對比，仿真的數(shù)據(jù)是合理的，最后的均方差誤差小，測試集誤差和驗證集誤差特征類似，沒有明顯的因過擬合想象發(fā)生的迭代。結合圖4和圖5所示，表明RBF模糊神經(jīng)網(wǎng)絡對窯電流的預測有較高可靠性。

5、結束語

本文應用模糊RBF神經(jīng)網(wǎng)絡對回轉窯系統(tǒng)建立控制模型，當現(xiàn)場工況出現(xiàn)波動時，控制系統(tǒng)把偏差量送入模糊RBF神經(jīng)預測系統(tǒng)中，根據(jù)實測數(shù)據(jù)進行分析處理，從而較為準確預測出窯電流的變化趨勢，對燒成系統(tǒng)的預判斷有很大的參考價值，便于提前對回轉窯系統(tǒng)進行調整。

參考文獻

[1]龐清樂.基于粗糙集理論的神經(jīng)網(wǎng)絡預測算法及其在短期負荷預測中的應用[J].電網(wǎng)技術，2010，12.

[2]張亮，王瑞民，周友運.一種基于模糊神經(jīng)網(wǎng)絡融合的故障診斷模型研究[J].彈箭與制導學報，2005，25（3）.

[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.

[4]李永亮，袁鑄鋼，于宏亮.ART-2在回轉窯電機電流模式識別中的應用[J].濟南大學學報（自然科學版），2008，22（2）：149-152.

[5]李萍，烏日圖，楊舉憲.水泥回轉窯系統(tǒng)模糊控制研究[J].內蒙古科技與經(jīng)濟，2004（9）：81-82.

[6]胡寶清.模糊理論基礎[M]2版，武漢大學出版社，2010.330-446.

作者簡介

第一作者簡介：劉偉濤，男，漢族，河北保定人，碩士，單位，河北科技大學信息工程學院，研究方向：計算機測控；

第二作者簡介：李瑞，女，漢族，河北衡水人，碩士，單位，河北科技大學信息工程學院，研究方向：計算機測控。