基于極端學習機的水泥熟料燒成系統(tǒng)變增益模型辨識方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種水泥生產(chǎn)建模技術(shù)領(lǐng)域，尤其涉及一種水泥熟料燒成系統(tǒng)的模型 建立與辨識方法。
【背景技術(shù)】
[0002] 我國是水泥生產(chǎn)和消耗大國，年產(chǎn)量達到24. 1億噸，接近世界水泥產(chǎn)量的50%， 國產(chǎn)水泥裝備在國際水泥貿(mào)易中的比重已經(jīng)達到1/3以上。隨著各國對低碳化要求的不斷 提高，水泥生產(chǎn)中的能耗、污染問題已逐漸成為全球水泥工業(yè)關(guān)注的焦點。水泥生產(chǎn)線主要 分為粉磨和燒成兩大系統(tǒng)，其中燒成系統(tǒng)是水泥生產(chǎn)中的核心環(huán)節(jié)，水泥熟料的煅燒效果 直接影響水泥的質(zhì)量和產(chǎn)量，同時也影響著水泥生產(chǎn)能耗和污染排放。
[0003] 由于水泥熟料燒成系統(tǒng)的主要任務(wù)是對生料進行高溫煅燒，使其發(fā)生一系列符合 工藝要求的物理化學變化，最終形成具有特定礦物成分組成的熟料，燒成系統(tǒng)的操作變量 與被控變量之間具有較強的非線性特性，系統(tǒng)增益隨工作點變化。采用手動控制與線型模 型控制難以獲得好的控制效果，因此如何準確的建立水泥熟料燒成系統(tǒng)的多變量非線性控 制模型并且動態(tài)的調(diào)整操作變量，使其保持穩(wěn)定的熱工制度是水泥熟料燒成系統(tǒng)研究的關(guān) 鍵所在，對提高熟料質(zhì)量與產(chǎn)量，降低能耗和污染排放具有重要的理論意義和實用價值。
[0004] 許多學者對水泥熟料燒成系統(tǒng)的模型辨識方法進行了研究，在2008年的博士學 位論文《水泥燒成系統(tǒng)故障診斷與質(zhì)量預(yù)測支持向量機方法的研究》中，舒云星基于支持 向量機對水泥燒成系統(tǒng)進行模型辨識，但所建模型用于工藝故障診斷和產(chǎn)品質(zhì)量的預(yù)測， 無法用于燒成系統(tǒng)的多變量控制；在2011年的碩士學位論文《水泥熟料燒成系統(tǒng)優(yōu)化控 制研究》中，蔡寧利用最小二乘系統(tǒng)辨識的方法建立了分解爐溫度模型和篦冷機篦壓模型， 但沒有考慮燒成系統(tǒng)中的水泥回轉(zhuǎn)窯，使得所建模型不能準確描述燒成系統(tǒng)；中國專利號： CN201210092718. 9，發(fā)明名稱為"一種水泥回轉(zhuǎn)窯煅燒預(yù)測控制系統(tǒng)及方法"，該申請案采 集水泥回轉(zhuǎn)窯的現(xiàn)場數(shù)據(jù)進行辨識建立預(yù)測模型，但采用BP神經(jīng)網(wǎng)絡(luò)進行穩(wěn)態(tài)模型辨識， 辨識速度慢，所得模型泛化能力差；2012年的博士學位論文《基于模糊ARX模型的水泥回轉(zhuǎn) 窯預(yù)測控制算法研究》中，郭峰基于模糊ARX模型進行水泥回轉(zhuǎn)窯的模型辨識，但模糊建模 過程中每個輸入變量需要預(yù)先確定模糊劃分的數(shù)目，學習的復雜程度隨輸入維數(shù)呈指數(shù)增 長；中國專利號為CN201310274933. 5,于海斌提出的"一種水泥熟料燒成過程清潔生產(chǎn)的 建模優(yōu)化方法"專利申請，基于物質(zhì)守恒、能量守恒和宏觀反應(yīng)動力學基本原理建立水泥熟 料燒成過程穩(wěn)態(tài)模型，但是所建模型無法描述燒成系統(tǒng)的動態(tài)特性。
[0005] 鑒于上述研究中存在的問題，有必要針對水泥熟料燒成系統(tǒng)的設(shè)計一種辨識速度 快、可以描述燒成系統(tǒng)動態(tài)特性與多變量非線性特性的辨識方法。

【發(fā)明內(nèi)容】

[0006]本發(fā)明目的在于提供一種模型精度高、辨識速度快、能獲得系統(tǒng)多變量非線性模 型的基于極端學習機的水泥熟料燒成系統(tǒng)變增益模型辨識方法。
[0007] 為實現(xiàn)上述目的，采用了以下技術(shù)方案，本發(fā)明所述的基于極端學習機的水泥熟 料燒成系統(tǒng)變增益模型辨識方法，其辨識方法步驟如下：
[0008] (1)采集輸入輸出數(shù)據(jù)；
[0009] 以水泥熟料燒成系統(tǒng)的窯頭喂煤量Uraal和高溫風機擋板開度U^為輸入量U;以 水泥熟料燒成系統(tǒng)的煙室氮氧化物含量>7?〇1和氧氣含量辦 4為輸出量y;采集V組數(shù)據(jù)樣本 作為輸入輸出數(shù)據(jù)；
[0010] (2)將輸入、輸出數(shù)據(jù)劃分為穩(wěn)態(tài)數(shù)據(jù)與動態(tài)數(shù)據(jù)；
[0011] (3)采用極端學習機辨識水泥熟料燒成系統(tǒng)的穩(wěn)態(tài)模型；
[0012] (4)采用最小二乘法辨識水泥熟料燒成系統(tǒng)的ARX動態(tài)模型；
[0013] (5)利用燒成系統(tǒng)的極端學習機穩(wěn)態(tài)模型求取當前時刻的燒成系統(tǒng)增益Ks;
[0014] (6)利用增益Ks對燒成系統(tǒng)ARX動態(tài)模型增益矩陣K進行在線矯正，使ARX動態(tài) 模型增益與燒成系統(tǒng)增益保持一致。
[0015] 所述步驟⑵中將輸入、輸出數(shù)據(jù)劃分為穩(wěn)態(tài)數(shù)據(jù)與動態(tài)數(shù)據(jù)的具體方法如下：
[0016] 當輸入變量窯頭喂煤量Uraal和高溫風機擋板開度ufan中任意一個發(fā)生階躍變化 時，被控輸出變量煙室氮氧化物含量、氧氣含量3?從階躍時刻到最終都達到穩(wěn)定狀態(tài) 時的數(shù)據(jù)設(shè)定為動態(tài)數(shù)據(jù)：
[0017]
[0018] 式中，u(i)表示輸入量的動態(tài)數(shù)據(jù)，y(i)表示輸出量的動態(tài)數(shù)據(jù)，UtxialQ)表示第 i個窯頭喂煤量動態(tài)數(shù)據(jù)，Ufan(i)表示第i個高溫風機擋板開度動態(tài)數(shù)據(jù)，表示第 i個氮氧化物含量動態(tài)數(shù)據(jù)，表示第i個氧氣含量動態(tài)數(shù)據(jù)，M表示動態(tài)數(shù)據(jù)的總個 數(shù)，i表示動態(tài)數(shù)據(jù)的個數(shù)；
[0019] 被控輸出變量煙室氮氧化物含量、氧氣含量)k從穩(wěn)定狀態(tài)到下一個階躍變 化發(fā)生前的數(shù)據(jù)選為穩(wěn)態(tài)數(shù)據(jù)：
[0020]
[0021] 式中，Us (j)表示輸入量的穩(wěn)態(tài)數(shù)據(jù)，ys(j)表示輸出量的穩(wěn)態(tài)數(shù)據(jù)，Usraal (j)表示 第j個窯頭喂煤量穩(wěn)態(tài)數(shù)據(jù)，Usfan(j)表示第j個高溫風機擋板開度穩(wěn)態(tài)數(shù)據(jù)，U)表 示第j個氮氧化物含量穩(wěn)態(tài)數(shù)據(jù)，（J_)表示第j個氧氣含量穩(wěn)態(tài)數(shù)據(jù)，N表示穩(wěn)態(tài)數(shù)據(jù)的 總個數(shù)，j表示穩(wěn)態(tài)數(shù)據(jù)的個數(shù)。
[0022] 所述步驟（3)中采用極端學習機辨識水泥熟料燒成系統(tǒng)的穩(wěn)態(tài)模型的具體方法 如下：
[0023] 令輸入量的穩(wěn)態(tài)數(shù)據(jù)us(j) = [uSOTal(j)usfan(j)]T作為極端學習機的輸入量；令 輸出量的穩(wěn)態(tài)數(shù)據(jù)叉⑵（y)x〇:C/_；)]T作為極端學習機輸出量，
[0024] 其中，上角標T表示矩陣的轉(zhuǎn)置，j= 1，2,…，N，j表示穩(wěn)態(tài)數(shù)據(jù)的個數(shù)，N表示穩(wěn) 態(tài)數(shù)據(jù)的總個數(shù)；
[0025] 對于第j組燒成系統(tǒng)穩(wěn)態(tài)數(shù)據(jù)，燒成系統(tǒng)極端學習機的數(shù)學模型為：
[0026]
[0027] 式中，L為燒成系統(tǒng)極端學習機的隱含層神經(jīng)元數(shù)，G(X)為隱含層神經(jīng)元函數(shù)，Cop 為第P個隱含層神經(jīng)元與窯頭喂煤量、高溫風機擋板開度穩(wěn)態(tài)數(shù)據(jù)之間的權(quán)值矩陣，bp為第 P個隱含層神經(jīng)元閾值，Pp為第P個神經(jīng)元與煙室氮氧化物含量、氧氣含量穩(wěn)態(tài)數(shù)據(jù)間的 權(quán)值矩陣，us (j)表不輸入量的穩(wěn)態(tài)數(shù)據(jù)；
[0028]N組燒成系統(tǒng)穩(wěn)態(tài)數(shù)據(jù)輸入輸出方程可以簡潔的寫為的矩陣形式：
[0029]Y=HP;
[0030] 式中Y為煙室氮氧化物含量、氧氣含量的穩(wěn)態(tài)數(shù)據(jù)矩陣，H為燒成系統(tǒng)極端學習機 隱含層神經(jīng)元矩陣，P為神經(jīng)元與煙室氮氧化物含量、氧氣含量穩(wěn)態(tài)數(shù)據(jù)間的權(quán)值；
[0031] 對隱含層神經(jīng)元與窯頭喂煤量、高溫風機擋板開度穩(wěn)態(tài)數(shù)據(jù)之間的權(quán)值co與隱 含層神經(jīng)元閾值b隨機賦值，即矩陣H已知，為常數(shù)矩陣，將燒成系統(tǒng)極端學習機的網(wǎng)絡(luò)參 數(shù)訓練轉(zhuǎn)化為求解線型方程組，根據(jù)Moore-Penrose廣義逆求解系統(tǒng)穩(wěn)態(tài)數(shù)據(jù)輸入輸出方 程組，可得方程組的最小范數(shù)最小二乘解> *
[0032]
[0033] 式中，求解得到的I作為隱含層到輸出層的權(quán)重，H+為H的Moore-Penrose廣義逆 矩陣，Y為煙室氮氧化物含量、氧氣含量的穩(wěn)態(tài)數(shù)據(jù)矩陣；
[0034] 從而利用燒成系統(tǒng)穩(wěn)態(tài)輸入輸出數(shù)據(jù)及極端學習機模型，可建立如下燒成系統(tǒng)以 窯頭喂煤量、高溫風機擋板開度作為輸入量，煙室氮氧化物含量、氧氣含量作為輸出量的極 端學習機穩(wěn)態(tài)模型：
[0035]
[0036] 式中，L為燒成系統(tǒng)極端學習機的隱含層神經(jīng)元數(shù)，G(X)為隱含層神經(jīng)元函數(shù)，Cop 為第P個隱含層神經(jīng)元與窯頭喂煤量、高溫風機擋板開度穩(wěn)態(tài)數(shù)據(jù)之間的權(quán)值矩陣，bp為第 P個隱含層神經(jīng)元閾值，&為第P個神經(jīng)元與煙室氮氧化物含量、氧氣含量穩(wěn)態(tài)數(shù)據(jù)間的 權(quán)值矩陣，燒成系統(tǒng)極端學習機穩(wěn)態(tài)模型對煙室氮氧化物含量的預(yù)測輸出，氣為 燒成系統(tǒng)極端學習機穩(wěn)態(tài)模型對氧氣含量的預(yù)測輸出，Usraal為窯頭喂煤量穩(wěn)態(tài)數(shù)據(jù)，Usfan 為高溫風機擋板開度穩(wěn)態(tài)數(shù)據(jù)。
[0037] 所述步驟（4)中采用最小二乘法辨識水泥熟料燒成系統(tǒng)的ARX動態(tài)模型的具體方 法如下：
[0038] 對所選取的動態(tài)數(shù)據(jù)進行如下處理，獲得燒成系統(tǒng)輸入輸出增量數(shù)據(jù)：
[0039]
[0040]式中，AUraal⑴為第i個窯頭喂煤量增量，Uraal⑴為第i個窯頭喂煤量，Usraal⑴ 為此狀態(tài)所對應(yīng)的穩(wěn)態(tài)窯頭喂煤量，AufanQ)為第i個高溫風機擋板開度增量，ufan(i)為 第i個高溫風機擋板開度，Usfan (i)為此狀態(tài)所對應(yīng)的穩(wěn)態(tài)高溫風機擋板開度，為 第i個氮氧化物含量增量，Jkx 為第i個氮氧化物含量，為此狀態(tài)所對應(yīng)的穩(wěn)態(tài) 氮氧化物含量，4vQ2 為第i個氧氣含量增量，凡:為第i個氧氣含量，3，# 為此狀態(tài) 所對應(yīng)的穩(wěn)態(tài)氧氣含量，i是動態(tài)數(shù)據(jù)的個數(shù)，M是動態(tài)數(shù)據(jù)的總數(shù)；
[0041]令：供⑴二[A/(/-1) Ay1 (/-2)Aut(I-X),
[0042] 式中，Ay