基于模型迁移方法的回转窑煅烧带温度T-S模糊神经网络软测量.docVIP

基于模型迁移方法的回转窑煅烧带 温度T-S模糊神经网络软测量 摘 要：回转窑的煅烧带温度是其控制过程中一个非常重要的参数，但煅烧温度难于直接获取也缺少大量的实测数据进行软测量。为在较少数据情况下获得准确的软测量模型，同时注意到窑头温度与煅烧温度的相似性，引入了基于过程相似性进行模型迁移的方法（PMBPS）。首先采用混沌混合学习算法训练T-S模糊神经网络对具有大量准确测量值的窑头温度建模，然后用PMBPS算法对窑头温度模型进行规划修正获得煅烧温度的软测量模型。通过仿真验证了所提出的软测量建模方法的有效性。 关键词：煅烧温度；软测量；T-S FNN；PMBPS 中图分类号： 文献标识码： T-S FNN Soft-Sensor for Calcination Temperature of Rotary Kiln Based Model Migration Abstract：Calcination temperature of rotary kiln is a very important parameter under the process control of kiln, but it is difficult to measure directly and lacks measured data for building soft sensor. For the purpose of obtaining the accurate soft sensor model in the case of less data and considering the similarity between kiln head temperature with calcination temperature, process modeling based on process similarity (PMBPS) is employed. Firstly, rotary kiln head temperature model is built by T-S fuzzy neural network, which is trained by chaotic hybrid learning algorithm, based on large numbers of accurate measurement. Secondly, soft sensor model of burning zone temperature is constituted through kiln head model slope and bias correction use model migration algorithm. Lastly, the proposed soft sensor method is demonstrated effective by simulation. Key words：calcination temperature; soft sensor; T-S FNN; PMBPS 回转窑的煅烧带温度是影响煅烧过程的重要工艺参数之一，但由于回转窑窑体长且在不断旋转中，煅烧带的温度又非常高，直接利用仪器进行测量十分困难[1]。因此，如何获取煅烧带的温度成为回转窑过程控制的一个主要问题。 目前已有的回转窑温度软测量方法有基于辐射原理的测温方法和包括人工神经网络，模糊逻辑模型，偏最小二乘，和支持向量机等方法的数据驱动建模方法 [2-4]。但辐射原理的测温方法误差常常比较大，基于数据的建模方法需要大量可靠的实验数据且存在收敛速度慢、易陷入局部极小状态等问题。缺少温度的准确测量值成为了构建回转窑煅烧温度软测量模型的一个瓶颈，虽然看火工可以提供比较准确的火焰温度但数量较少且现场工况变化后又需要大量数据重新建立软测量模型。Furong Gao等提出利用过程相似性进行模型迁移的方法（PMBPS），获取相似过程行为的共同点，在已经建立好的模型基础上，能够利用较少的数据建立和开发与其相似过程的新模型[5-7]。本文在建立了T-S模糊神经网络窑头温度软测量模型基础上利用PMBPS方法实现回转窑煅烧温度软测量。 首先，通过主元分析选择窑头温度的辅助变量，利用T-S模糊神经网络建立窑头温度的软测量模型，并对模糊神经网络采用混沌混合学习算法提高辨识精度；然后，利用现场看火工提供的煅烧带温度数据，将窑头温度软测量模型通过模型迁移的方法转换为煅烧温度模型；最后仿真验证了方法的有效性并进行了总结。 1 窑头温度的T-S模糊神经网络模型 窑头与煅烧带位置十分接近，而且窑头温度具有大量的从热电偶采集来的准确数据，所以将窑头温度模型作为原模型（Base mod