基于模糊RBF神经网络的水泥厂窑电流预测.docVIP

基于模糊RBF神经网络的水泥厂窑电流预测 【摘要】在分析了水泥生产过程中回转窑的运行原理和 影响其工作性能因素的基础上，应用RBF算法和模糊控制进 行建模，以窑头负压、温度，窖尾负压、温度为输入，对窖 电流进行预测，经过试验数据与现场实际数据比较，模糊 RBF神经网络在窖电流预测方面有很大的参考意义。 【关键词】窑电流；RBF神经网络；模糊控制；预测 控制 引言 水泥回转窑是新型干法水泥生产线的核心设备，生料 锻烧理化反应是水泥生产过程在回转窑中最关键的部分，回 转窑的负载电流能很大程度反映窑内热工状况。研究窑电流 的建模和预测方法，对提高水泥回转窑的控制水平具有重要 的理论和实际意义。 时变性、非线性、滞后性是回转窑的重要特征，窑电 流是回转窖的主要参数之一，其波动情况受很多因素共同影 响，普通的数学模型很难比较精确的预测窑电流的变化趋 势。 根据上述问题本文采用模糊控制与神经网络算法相结 合的方法对窑电流的发展趋势进行预测。建立RBF神经网络 的预测模型，将预测数据与实测数据进行了比较，发现预测 数据与实测数据误差很小，对水泥厂实际生产具有很高价值 的指导意义。 1、RBF神经网络 1.1RBF网络常用学习算法 基函数中心的选取对RBF网络性能的影响并是至关重 要的，RBF网络中心选取不当构造不出性能优越的网络。例 如，有些网络数值上产生病变是由于选取的网络中心太靠近 造成近似线性相关。通常使用的RBF有：高斯函数、多二次 函数、逆多二次函数、薄板样条函数等。高斯函数的应用在 普通RBF网络中是比较常见的。高斯基函数表达形式简单对 于多输入变量复杂性不会有太多增加，所以常作为基函数， 并且径向对称；光滑性好，任意阶导数均存在。基函数结构 简单解析性好的基函数是进行理论分析的基础。 随机选取中心、自组织选取中心、有监督选取中心、 正交最小二乘等方法是按RBF的中心选取方法的来区分的。 采用监督学习算法对数的中心、扩展常数和输出层权值进行 训练，在训练过程中不断修整参数。本文介绍一种梯度下降 算法。 参数公式是目标函数在训练过程中通过样本误差不断 修整，所有样本输入一轮后对应各参数调整一次。瞬时值可 以作为目标函数的表达形式，即当前输入样本引起的误差： E=0.5e*e。单样本训练模式的目的是使上式中目标函数参数 误差最小化。 2、模糊控制器 模糊控制器如图2所示主要由：模糊化、模糊控制规 则、模糊决策和解模糊，四部分组成。 结合现场实际工况，将系统偏差E和偏差变化率EC 作为模糊控制器的输入，AS作为输出。设定输入变量偏差E 和偏差变化率EC语言值的模糊子集为｛负大，负中，负小， 零，正小，正中，正大｝，并简记为｛NB，NM，NS，Z，PS， PM，PB｝。窑电流偏差E和偏差变化率EC的论域定为[-100, 100], AS为模糊控制器输出值S的调整值。AS的论域为： AS=[-0.5, 0.5]，其模糊集为：AS=｛NB，NM, NS, Z, PS, PM, PB｝，模糊集中元素 NB、NM、NS、Z、PS、PM、PB， 分别为负大、负中、负小、零、正小、正中，正大。隶属 度函数NB、PB选为高斯函数，其余选取等腰三角形函数作 为隶属度函数。E，EC作为两个输入值决定模糊控制器调整 值AS的输出。模糊控制器输出值S与调整值AS根据如下公 式进行调整 3、RBF神经模糊网络控制系统的结构 具有学习算法的模糊RBF神经网络被称作RBF神经 模糊网络系统，“if-then”是模糊规则的表达形式，模糊规则 在模糊RBF神经系统中占有控制决策的支配地位；神经模糊 系统的参数的调整则通过学习算法对数据信息的更新来完 成。通过学习能自动产生模糊规则是RBF模糊神经系统的优 势所在。模糊RBF神经网络控制系统的结构图如图3所示。 R为输入信号，E、Ec分别为窖头温度、压力和窖尾温度、 压力与设定值的误差及误差变化率，E和Ec量化后的模糊量 送入RBF神经网络构成神经模糊网络控制器的输入；Ke、 Kc为量化因子。 4、控制算法的应用 在生产现场，采用了本文所述控制算法的软件与水泥 生产线的DCS系统相连接，并应用该软件对回转窖各参数进 行了 200分钟的在线控制，根据现场情况和烧成系统的工艺 要求，将窑电流的目标设定值为1150A。应用本文所提出的 预测控制方式下，对后30分钟窑电流的变化值进行了预测， 如图4所示。 试验表明在经过6次迭代后窖电流网络训练趋于稳 定，在经过第69次迭代时网络的预测性能达到最佳。经过 与实测数据的对比，仿真的数据是合理的，最后的均方差误 差小，测试集误差和验证集误差特征类似，没有明显的因过 拟合想象发生的迭代。结合图4和图5所示，表明RBF模糊 神经网络对窑电流的预测有较高可靠性。 5、结束语 本文应用模