立磨生料粉磨过程建模与优化设定.pdf

《立磨生料粉磨过程建模与优化设定.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、化工自动化及仪表第43卷立磨生料粉磨过程建模与优化设定林小峰钱哲梁金波(广西大学电气工程学院，南宁530004)摘要针对立磨生料粉磨过程中生料细度指标无法在线检测，以及因粉磨工况不断变化而导致的不能对关键变量给予较准确设定值的问题，采用小波神经网络建立了立磨生料粉磨过程的生产指标预测模型，并与BP神经网络模型进行对比，验证了模型的有效性；然后，将案例推理技术与粒子群优化算法、指标预测模型相结合，实现了对粉磨过程中关键变量的优化设定。仿真结果证明：笔者提出的优化设定方法对于立磨生料粉磨过程的变量设定是有效的。关t词

2、建模优化设定立磨生料粉磨水泥小波神经网络案例推理中圈分类号TH865文献标识码A文章编号1000-3932(2016)02-0154-05立磨生料粉磨过程是新型干法水泥生产的关键环节。生料的质量和粉磨过程的稳定性是衡量生料粉磨效果好坏的关键因素⋯。在实际的粉磨过程中，合适的磨内压差及适宜的分离器转速等是保持立磨正常运行的重要指标口1。保证立磨具有稳定的循环负荷，才能使生产稳定持久地进行‘31。当前，对于立磨的研究主要集中在操作变量的控制方面，控制方法多以PID或模糊PID为主H1。文献[5]对立磨控制回路建立数学

3、模型，采用预测控制方法对回路实现优化控制；文献[6]基于支持向量机建立主控制回路模型，通过模糊聚类分析和主成分分析建立故障诊断的专家数据库。以上研究仅涉及到如何使控制器更好地跟踪设定值，而没有考虑到不断变化的粉磨工况对变量设定值的影响，以及如何给出最优设定值的问题。现阶段，实际粉磨过程中变量的设定一般是操作人员凭经验进行手动调整，这样会使整个粉磨过程变量设定带有很强的主观性与随意性；并且，立磨生料粉磨过程是一个同时含有物理、化学变化的复杂过程，具有非线性及强耦合等特点，无法依据传统方法建立准确的数学模型。针对以上

4、问题，笔者将小波神经网络和案例推理相结合，基于建模和推理方法，提出了一种立磨生料粉磨过程关键变量的优化设定方法。1立磨生料粉磨工艺流程立磨生料粉磨工艺流程如图1所示。原料通过输送皮带进入立磨，通过磨盘的转动和磨辊的加压对原料进行粉磨。同时，来自窑尾的热风对磨内含水物料进行烘干并起到输送粉尘的作用，大颗粒回落到磨盘上进行重新粉磨；小颗粒被气流带入分离器，进行分选。粗粉返回磨盘再粉磨，合格的成品(细粉)随气流带出机外被收集作为产品。在粉磨过程稳定的情况下，磨内压差一般控制在4500—6500kPa，出磨生料粒度一般维

5、持在801tm的筛余量不大于25％，一般控制在20％左右。根据磨机的运行过程、操作规则和现场操作员的经验可知，判断粉磨过程好坏与否的两个主要指标是磨内压差(即立磨进出口压差)和生料粒度，影响这两个指标的变量主要有喂料量、入磨风温、分离器转速和循环风阀门开度这4个指标。吹人L厦通过输送皮带睦磨盘和磨辊开始转动辊加压进行粉原料粉尘乏一I●⋯i⋯^o1分离器卜竺竺竺全竺竺工细粉收集Il生料成品I图1立磨生料粉磨工艺流程外循环或内循环收稿日期：2015-04·15(修改穑)基金项目：国家自然科学基金重点项目(610340

6、02)；国家自然科学基金资助项目(61364007)第2期林小峰等．立磨生料粉磨过程建模与优化设定1552立磨生料粉磨过程指标预测模型的建立2一小波神经网络小波神经网络(WNN)是基于小波变换的前馈型神经网络¨q1，隐层节点的激励函数为小波基函数，隐层权值和阈值由小波基函数的伸缩因子和平移因子替代。多输入多输出小波神经网络模型的结构如图2所示。图2小波神经网络结构其中，戈。(1，2，⋯，肘)是小波神经网络的输人参数，Y。(1，2，⋯，K)是小波神经网络的预测输出，∞。是输入层到隐层的连接权值，gO难是隐层到输出层

7、的连接权值。隐层神经元的输入和输出分别为：日(J)=．三∞i气√=1，2，⋯，N(1)舢H(半)(2)式中aj、bj——伸缩因子和平移因子；H(j)——第．『个神经元的输入；Ⅳ——隐层神经元个数；砂(歹)——第．『个神经元的输出；砂，——小波基函数。网络的输出为：)，‘=五％驴(，)，詹=1，2，⋯，K(3)式中卜网络输出个数。设定网络的目标训练误差为：E=÷∑∑(d。一Y。)2(4)ZP=lk=1式中d¨Y。——期望输出和实际输出；P——训练样本数。根据误差函数，可以得到权值的调整量：峨(⋯)一叩南(5)式中田

8、——网络学习速率。通过增加动量项a来克服训练过程的振荡，避免在调整权值的过程中陷入局部极小，可以加快训练速度，输入层到隐层的权值调整形式如下：山口(t+1)=∞“(t)+AoF(I+1)+a(∞口(t)一∞孽(t一1))(6)同理可以得到∞雎(I+1)、口，(I+1)和b，(t+1)。2．2模型仿真结果和分析笔者采用小波神经网络建立指标预测模型，将喂料量石。、分离器转速茗