回转窑烧成带温度预测方法研究

《回转窑烧成带温度预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TP183密级公开UDC621.3学位论文编号D-10617-308-(2016)-01010重庆邮电大学硕士学位论文中文题目回转窑烧成带温度预测方法研究英文题目ResearchonForecastingMethodofRotaryKilnCalcinationTemperature学号S130101010姓名陈桂芳学位类别工学硕士学科专业信息与通信工程指导教师代少升教授完成日期2016年6月8日重庆邮电大学硕士学位论文摘要摘要水泥回转窑是新型干法水泥生产过程中原料煅烧环节的核心设备，其运转情况的好坏直接关系到水泥熟料的产量、质量、能耗和企业成本。研究水泥回转窑烧成

2、带温度预测方法，通过预测结果提前指导操作人员对回转窑生产热工参数进行调整，对提高水泥回转窑的运行效率和节能降耗具有重要的理论和实际意义。论文针对新型干法水泥生产过程中回转窑的工作具有大惯性、纯滞后、多变量以及非线性的特点，在对新型干法水泥生产工艺进行分析的基础之上，提出了基于果蝇群体优化超限学习机的回转窑烧成带温度预测方法。首先，论文分析水泥回转窑烧成过程的工艺和机理，识别出影响水泥回转窑烧成带温度的因素，确定了以喂煤量、二次风速和回转窑转速为自变量，以回转窑烧成带温度为输出量的建模变量，为建立回转窑烧成带温度预测模型提供基础；其次，本文提出果蝇群体优化超限学习机结构的算

3、法(FOA-ELM)，该算法以超限学习机的思想为基础，采用具有全局最优特性的果蝇优化算法选择超限学习机的网络结构，通过数据实验结果表明该算法具有泛化能力好且相对于一般神经网络训练时间较短的特点；再次，结合回转窑烧成带温度预测的建模变量，提出基于FOA-ELM的回转窑烧成带温度预测模型，该模型与一般基于神经网络的回转窑烧成带温度预测模型相比，减少了学习时间，提升了预测效率。最后，论文结合西南水泥生产线现场实测的数据，对上诉理论研究进行了仿真实验。实验结果表明：本文提出的基于FOA-ELM的回转窑烧成带温度预测模型能够对回转窑的烧成带温度进行有效地预测，并且该方法相比于传统的

4、基于神经网络的回转窑烧成带温度预测方法，减少了训练时间，提升了学习过程的效率。关键词：回转窑，烧成带温度预测，果蝇优化，超限学习机I重庆邮电大学硕士学位论文AbstractAbstractCementrotarykilnisthecoreequipmentduringtherawmaterialcalcinationprocessonNSPCementproductionline,thefunctionstatusofthecementrotarykilnisdirectlyrelatedtotheclinkerquality,clinkerproduction,fuel

5、consumptionandbusinesscosts.Effectivecementrotarykilncalcinationtemperatureforecastingcanprovidereferenceforregulatingtherotarykilnthermalparametersinadvance.Therefore,theresearchontheforecastingmethodofcementrotarykilncalcinationtemperatureisofgreattheoreticalandpracticalsignificance.Aim

6、ingattheproductionprocessoftheNSProtarykilnhasthecharacteristicsoflargeinertia,multivariate,purehysteresisandnonlinearity,thethesisstudiestheNSPcementproductionprocess,andproposesaforecastingmethodofrotarykilncalcinationtemperaturebasedonfruitflyoptimizedextremelearningmachine.Firstofall,

7、thethesisanalysistheNSProtarykilnanditssinteringmechanism,thenselectstheamountoffeedingcoal,thespeedofsecondfanandtherotaryspeedofthekilnastheinputaffectingvariantsandthecalcinationtemperatureastheoutputtarget,whicharethebasisoftheforecastingmodel.Secondly,forextrem