人工神经元网络在辊道窑炉温度过程建模中的应用.pdfVIP

佛山大学学报 　第 15 卷第 2 期 　1997 年 4 月 Journal of Fo shan U niver sit y 　Vol . 15 No . 2 　Ap r . 1997 人工神经元网络在辊道窑炉 温度过程建模中的应用 苏彩红 　吴韫章 　麦宜佳 　徐小增 摘 　要 　研究了应用 B P 网络在辊道窑炉温度过程中建立数学模型的方法. 所研究的辊道 窑炉的烧成段有八个区 ,靠燃料阀门开度调节温度. 选取三层网络 ,辊道窑炉烧成段各区的 燃料阀门开度作为网络的输入 ,各区的温度作为网络的输出 ,隐层节点数取 10 ,建立温度过 程数学模型. 通过计算机仿真计算和实测温度曲线比较 ,满足误差范围要求. 证明人工神经 网络建立的数学模型能较准确计算辊道窑炉参数 ,为实现辊道窑炉生产过程的优化研究奠 定了基础. 关键词 　人工神经元网络 　B P 算法 　辊道窑 在陶瓷制品的生产过程中 ,烧成过程最复杂也最关键. 由于瓷质砖的收缩率和发色对温 度极为敏感 , 因此陶瓷制品的优劣大大取决于陶瓷制品的烧成过程. 随着能源危机的日益 加重和现代需求对产品质量要求的不断提高 , 以降低能源 、提高产品质量为 目的的窑炉控制 越来越受到人们重视. 但由于烧成过程机理复杂 ,且系统具有严重的非线性 ,这给系统的研 究带来了困难. 前向神经元网络具有很强的映射功能 ,寻找其映射是靠学习实践的 ,只要学习数据足够 完备 ,就能够描述任意未知的复杂系统. 因此前向神经元网络为非线性系统的建模和控制提 供了有力的工具. 本文中 ,应用 B P 算法建立具有实际意义的辊道窑炉数学模型 ,对研究和取得最佳的温 度分布曲线 ,实现窑炉的最优控制 ,提高陶瓷生产企业的经济效益 ,具有非常重大的意义. 1 　辊道窑炉烧成段的温度模型 辊道窑炉分为预热段 、烧成段和冷却段三部分. 由于烧成段具有一定 的代表性 ,本文以 佛山某陶瓷厂辊道窑作为研究对象 ,该窑全长 78 m ,燃料为重油 ,烧成段分为八个区, 在氧 收稿 日期 :1996 - 12 - 23 佛山大学机电工程分院 ,528000 　佛山 西安交通大学电气学院 ,7 10049 　西安 58 佛山大学学报 　　　　　　　　　　　　　　第 15 卷 化气氛烧成 ,助燃空气量固定 ,靠调节燃料阀门开度以达到调节温度 目的. 通过分析 ,考虑烧 成段温度模型取每个区中心附近一个热电偶温度作为输出量 ,对应的燃料阀门开度作为输 入量. 由于三层 B P 网络可以充分逼近任意复杂的非线性关系 ,所以选择三层网络建立温度 过程模型. 输入层和输出层节点数均由问题本身决定 ,各选 8 点. 隐层节点数不能太少 ,否则 网络不能识别以前没有看到的样本 ,容错性差 ,但隐层节点数太多 ,又使学习时间过长. 综和 考虑 ,选择隐层节点数为 10 . 三层 B P 网络模型如图 1 所示. 图 1 　三层 B P 网络模型 　　 图 1 中 , X = [ x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8] T ,对应高温段八个区的燃 料阀门 开 度 , 作 为 网 络 输 入 , 即 网 络 输 入 节 点 数 n0 = 8 ; Y = [ y 1 y 2 y 3 y 4 y 5 y 6 y 7 y 8 ] T , 对应高温段八个区的温度 ,作为网络输出 , 即网络输 n 出节点数 n2 = 8 ; N 、O ∈R 1 分别为隐层输入 、输出 , n 1 为隐层节点数 n 1 = 10 ; A ∈ n ×n n ×n R 1 0 , B ∈R 2 1 为权系数矩阵. 隐层及输出层的作用函数选 Sigmoid 型