篦冷机篦下压力的GPC预测控制研究与实践.docx

1篦冷机篦下压力建模与系统辨识

篦冷机热工平衡取决于熟料料层厚度、运行速度和气体质量，主要以篦速、二次风温以及用篦下压力表示的料层厚度作为基本控制点，其模型推导与系统搭建过程分述如下。

1.1数据预处理

系统实时通讯采集到的数据，由于受生产现场传感器信号波动、篦冷机运行扰动等影响，个别数据会远远超出正常范围的标准偏差。因此，需要对采集的数据进行预处理。

（1）剔除异常数据。根据3σ准则去除原始数据，如篦速、篦下压力等误差较大的异常数据，使模型计算处理更准确。

（2）滤波处理。采用滑动平均值计算法对数据进行滤波处理，以增强系统对随机误差与明显偏差的辨识。

（3）数据归一化。采用min-max归一化法将原始数据中的温度、质量等不同维度数据归一到同一量纲，以便模型精准分析辨识。

1.2ARMAX模型推导与系统辨识

基于时间序列的ARMAX模型的原理是依据系统输入/输出的历史数据，辨识出复杂系统的动态关系，完成从非线性到线性化的过程转换，能够较好地体现历史状态与当前状态的关系，并对未来的发展态势进行预估。篦冷机的历史数据虽具有非线性特点，但时序性好，适合ARMAX模型的应用环境。运用ARMAX模型建立篦冷机篦下压力y（t）的关系结构，见式（1）。

式中：

二次风温作为系统的主要监测点，与换热工况有关，一般视为干扰因素，未在公式中体现。

利用ARMAX模型进行篦冷机篦下压力的参数辨识，利用递推最小二乘法RLS，由普通最小二乘算法与矩阵求逆引理进行推导而得，ARMAX模型从获取的实时生产数据即可得到递推、预估当前时刻和下一时刻的控制参数，运算能力和参数辨识精度完全满足监控要求。

2GPC预测控制与系统开发

2.1GPC预测控制

GPC算法目前在各工业领域中已广泛应用，其通过系统历史数据对未来态势进行预测，对于复杂工艺流程而言，具有结构简单易实现、被控参数少和预测精度高等特点。在ARMAX模型中嵌入该算法，即由下式生成目标函数J（t），从而构建篦冷机篦下压力的实时监控系统，其表达式见式（2）。

式中：

系统中，当式（2）中的终止时刻N2、控制时域Nu、控制增量的加权系数γi已知，即可得出预测控制的篦冷机篦下压力最优控制量Δμ（t+j-1）。

2.2控制系统开发

篦冷机篦下压力控制系统采用第三方软件开发并进行本地化部署。现场DCS系统采用ABB公司的AC900F控制器，控制系统通过OPC协议与现场DCS系统完成通讯，对篦冷机形成分布式的数据监测、采集与显示，系统后台采用GPC算法对采集到的数据进行计算分析和辨识，完成模块组建。篦冷机篦下压力控制系统包括实时监控、可视化和参数配置三个主要模块，都具有因厂制宜、因设备制宜的基本属性。以本研究对象为实例，各模块配置如下。

（1）实时监控模块。根据生产工况将采集到的篦冷机相关数据如：气体温度/压力、电流/电压、篦速、喷水流量/频率、油温/油位等输入DCS系统作为监控点进行预测监控并实时显示，当某个数据出现异常时，监控界面会通过信号报警，见图1。

图1系统实时监控模块界面

图1中，框①为篦冷机冷却风机（共11台），其中，以换热相对充分的F2风机（固定床风机）为本系统控制点，即以此点控制值表示篦下压力；框②为篦冷机篦速控制点；框③为二次风温度控制点。

（2）可视化模块。包括趋势图模块和输入/输出可视化模块，趋势图模块用于显示篦冷机篦速、篦下压力等核心参数的趋势曲线；输入/输出可视化模块包含显示系统投切按钮、篦压设定值/当前值、篦速设定值/上、下限值/死区/增量限幅等，见图2。

图2系统可视化模块界面

（3）参数配置模块。主要包括：采样周期、滤波、辨识、预测控制步长/权重等相关参数，各参数随生产实际工况而异，监控数据可实时存取，见图3。

图3系统参数配置模块界面

3生产运用及标定数据

篦冷机篦下压力GPC预测控制系统于2021年12月首次在某5?000t/d熟料生产线投入生产运行。其监控对象为第四代步进式篦冷机，生产能力6?500t/d。控制系统搭建过程中的数据采集、相关参数设置均由企业配合进行，既满足了系统预测控制的基本要求，也兼顾了生产企业的成功经验和操控习惯。系统接入中控后即切换进入实时监控，至今运行稳定，控制有效。

与投运前的运行效果相比，在系统能力相同的条件下，篦冷机篦下压力稳定性及其冷却效率均大幅度提升。投运前后各24h的监控数据分别见图4和表1。

图4系统投运前后的篦下压力监控曲线对比

表1系统投运前后的监控数据对比

由图4和表1可以看出，系统投运前该厂的篦下压力波动范围较大，系统投运后的篦下压力波动范围较投运前降低68%。同时，出篦冷机熟料平均温度由107.9℃降至98.6℃，二次风温平均由1?035.6℃升高至1?118.2℃，说明其冷却速率和热回收效