水泥生料分解爐溫度過程建模方法研究.pdf

1、新型干法水泥生產技術已成為當代水泥工業發展的主流，預分解技術是其核心技術之一。分解爐是實現預分解技術的主要設備，它承擔著燃料燃燒、氣固兩相換熱和碳酸鹽分解的任務。分解爐的穩定運行對生料分解率、熟料質量和產量的穩定都起著重要的作用，分解爐溫度是分解爐穩定運行的主要指標。然而由于分解爐、回轉窯及預熱器直接相連，存在諸多的不確定性干擾，同時在分解爐內所進行的燃燒、傳熱等過程機理復雜，使分解爐溫度過程具有強非線性、純滯后、強耦合和不確定性等特點

2、，難以建立分解爐溫度過程的準確的動態機理模型和數據驅動模型，導致基于模型的控制和優化算法難以應用于實際過程，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。
　　本文依托國家高技術研究發展計劃（863計劃）課題“大型回轉窯智能控制系統”，針對當前系統辨識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，并在現場實際數據的基礎上，

3、建立了分解爐溫度過程的動態模型。本文的主要工作包括如下幾個方面:
　　(1)針對非線性NARX(Nonlinear AutoRegressive with eXogenous Inputs)模型仿真誤差較大的問題，本文針對SVM(Support Vector Machine)模型提出了一種改進的模型選擇方法，該方法能夠通過選擇模型的結構參數來提高模型的性能，使其更加接近于實際對象。并在現場實際數據的基礎上，建立了分解爐溫度過程的S

4、VM NARX模型,仿真結果表明: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，簡稱OE）模型具有較小的仿真誤差值，而非線性OE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習機，使用AdaBoost算法對樣本權值進行更新來訓練出具有不同性能的弱學

5、習機模型，然后針對集成模型的模型復雜度高問題，提出了使用選擇性集成策略對集成模型進行修剪。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，具有較好的學習能力和泛化能力。
　　(3)針對現有的Hammerstein模型非線性模塊參數過多，學習代價過高的問題，本文在Hammerstein模型結構基礎上，提出了一種基于極限學習機（Extreme LearningMach

6、ine，簡稱ELM）的Hammerstein輸出誤差模型方法，即將ELM模型作為Hammerstein模型的靜態非線性模塊，OE模型作為Hammerstein模型的動態線性模塊，并提出了兩階段迭代優化算法來估計模型參數。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，仿真結果表明該模型的結構相對簡單，學習復雜性較低，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。
　　(4)對上述三種方

7、法所建立的模型分別從建模的側重點及模型復雜度、建模時間、模型精度和泛化性能等方面進行了比較分析。結果表明:三種算法中，SVM NARX模型與另外兩種方法具有不同的側重點，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構;在模型復雜性、建模時間和模型精度與泛化性能方面，三種模型各自有優缺點，但是總體而言，SVM NARX模型的精度相對最低，另外兩種算法具有