电子论文神经网络在石灰窑炉的建模与控制中的应用.docVIP

PAGE PAGE 1 神经网络 在石灰窑炉的建模与控制中的应用 神经网络应用广泛，尤其在系统建模与控制方面，都有很好应用。下面简要介绍神经网络在石灰窑炉的建模与控制中的应用，以便更具体地了解神经网络在实际应用中的具体问题和应用效果。 1 石灰窑炉的生产过程和数学模型 石灰窑炉是造纸厂中一个回收设备，它可以使生产过程中所用的化工原料循环使用，从而降低生产成本并减少环境污染。其工作原理和过程如图1所示，它是一个长长的金属圆柱体，其轴线和水平面稍稍倾斜，并能绕轴线旋转，所以又称为迴转窑。含有大约30%水分的 SKIPIF 1 0 （碳酸钙）泥桨由左端输入迴转窑，由于窑的坡度和旋转作用，泥桨在炉内从左向右慢慢下滑。而燃料油和空气由右端喷入燃烧，形成气流由右向左流动，以使泥桨干燥、加热并发生分解反应。迴转窑从左到右可分为干燥段、加热段、煅烧段和泠却段。最终生成的石灰由右端输出，而废气由左端排出。 图1石灰窑炉示意图 这是一个连续的生产过程，原料和燃料不断输入，而产品和废气不断输出。在生产过程中首先要保证产品质量，包括 SKIPIF 1 0 的含量、粒度和多孔性等指标，因此必须使炉内有合适的温度分布，温度太低碳酸钙不能完全分解，会残留在产品中，温度过高又会造成生灰的多孔性能不好，费燃料又易损坏窑壁。但是在生产过程中原料成分、含水量、进料速度、燃油成分和炉窑转速等生产条件经常会发生变化，而且有些量和变化是无法实时量测的。在这种条件下，要做到稳定生产、高质量、低消耗和低污染，对自动控制提出了很高的要求。 以前曾有人分析窑炉内发生的物理-化学变化，并根据传热和传质过程来建立窑炉的数学模型，认为窑炉是一个分布参数的非线性动态系统，可以用二组偏微方程来描述，给出的数学模型是 SKIPIF 1 0 （1） SKIPIF 1 0 （2） 在这些方程中， SKIPIF 1 0 是固体的第 SKIPIF 1 0 个状态变量， SKIPIF 1 0 是固体沿轴线的运动速度， SKIPIF 1 0 是与空间、固体的状态变量和气体的状态变量有关的一个非线性函数。z代表沿轴方向的位置，t代表时间。而 SKIPIF 1 0 分别是气体的状态变量、速度和非线性函数。该系统具有分离的边界条件，也就是说，固体状态变量的值在入料处（冷端）是已知的，而气体状态变量的值在出料处（热端）是已知的，即已知 SKIPIF 1 0 其中，L是窑长度。初始条件是系统在扰动前正常工作时状态变量的值，即 SKIPIF 1 0 因为固体的状态变化慢而气体的状态变化快，可以忽略气体状态的变化，将式（2）简化为 SKIPIF 1 0 这些方程中有很多参数，必须通过机理分析、假设或大量实验来确定，应用该数学模型需要测所有的状态变量，而这在实际情况下很难做到。 2石灰窑炉的神经网络建模 上面讲的是用机理分析建立数学模型的方法，它要搞清系统内部的物理-化学变化规律，并用严格的数学方程加以描述。从过程控制的角度来看，这种建模方法不仅是很难实现的，而且也不是十分必要的。因此大多采用系统辨识方法，将对象看作一个“黑箱”，不去分析其内部的反应机理，而只研究对象主要控制变量和输出变量之间的相互关系，神经网络系统辨识方法就是其中一种。 对石灰窑炉来说，主要的控制量有两个，一个是燃料流速 SKIPIF 1 0 ，另一个是风量流速 SKIPIF 1 0 ，这是生产中的主要调节手段。被控量选为炉窑热端的温度 SKIPIF 1 0 和炉窑冷端的温度 SKIPIF 1 0 ，因为这两点的温度决定了炉内的温度分布曲线，而温度分布曲线又是影响产品质量和能耗的最关键的因素。从实现角度看，这四个变量也是容易实时测量的。因此，石灰窑可近似为一个二输入二输出的非线性动态系统，其中 SKIPIF 1 0 与 SKIPIF 1 0 是相关的。 应用前面介绍的神经网络辨识方法，石灰窑NARMA方程是 SKIPIF 1 0 其中 SKIPIF 1 0 采样周期定为1.125min，根据经验和试验结果，选择 SKIPIF 1 0 已能足够精确地描述系统动态特性。神经网络模型的结构与系统的结构相同，可以用下式表示： SKIPIF 1 0