基于模糊RBF神經網絡的水泥廠窯電流預測

劉偉濤 李瑞

【摘要】在分析了水泥生產過程中回轉窯的運行原理和影響其工作性能因素的基礎上，應用RBF算法和模糊控制進行建模，以窯頭負壓、溫度，窯尾負壓、溫度為輸入，對窯電流進行預測，經過試驗數據與現場實際數據比較，模糊RBF神經網絡在窯電流預測方面有很大的參考意義。

【關鍵詞】窯電流；RBF神經網絡；模糊控制；預測控制

引言

水泥回轉窯是新型干法水泥生產線的核心設備，生料煅燒理化反應是水泥生產過程在回轉窯中最關鍵的部分，回轉窯的負載電流能很大程度反映窯內熱工狀況。研究窯電流的建模和預測方法，對提高水泥回轉窯的控制水平具有重要的理論和實際意義。

時變性、非線性、滯后性是回轉窯的重要特征，窯電流是回轉窯的主要參數之一，其波動情況受很多因素共同影響，普通的數學模型很難比較精確的預測窯電流的變化趨勢。

根據上述問題本文采用模糊控制與神經網絡算法相結合的方法對窯電流的發展趨勢進行預測。建立RBF神經網絡的預測模型，將預測數據與實測數據進行了比較，發現預測數據與實測數據誤差很小，對水泥廠實際生產具有很高價值的指導意義。

1、RBF神經網絡

1.1RBF網絡常用學習算法

基函數中心的選取對RBF網絡性能的影響并是至關重要的，RBF網絡中心選取不當構造不出性能優越的網絡。例如，有些網絡數值上產生病變是由于選取的網絡中心太靠近造成近似線性相關。通常使用的RBF有：高斯函數、多二次函數、逆多二次函數、薄板樣條函數等。高斯函數的應用在普通RBF網絡中是比較常見的。高斯基函數表達形式簡單對于多輸入變量復雜性不會有太多增加，所以常作為基函數，并且徑向對稱；光滑性好，任意階導數均存在?；瘮到Y構簡單解析性好的基函數是進行理論分析的基礎。

隨機選取中心、自組織選取中心、有監督選取中心、正交最小二乘等方法是按RBF的中心選取方法的來區分的。采用監督學習算法對數的中心、擴展常數和輸出層權值進行訓練，在訓練過程中不斷修整參數。本文介紹一種梯度下降算法。

參數公式是目標函數在訓練過程中通過樣本誤差不斷修整，所有樣本輸入一輪后對應各參數調整一次。瞬時值可以作為目標函數的表達形式，即當前輸入樣本引起的誤差：E=0.5e*e。單樣本訓練模式的目的是使上式中目標函數參數誤差最小化。

2、模糊控制器

模糊控制器如圖2所示主要由：模糊化、模糊控制規則、模糊決策和解模糊，四部分組成。

結合現場實際工況，將系統偏差E和偏差變化率EC作為模糊控制器的輸入，△S作為輸出。設定輸入變量偏差E和偏差變化率EC語言值的模糊子集為{負大，負中，負小，零，正小，正中，正大}，并簡記為{NB，NM，NS，Z，PS，PM，PB}。窯電流偏差E和偏差變化率EC的論域定為[-100，100]，ΔS為模糊控制器輸出值S的調整值。ΔS的論域為：ΔS=[-0.5，0.5]，其模糊集為：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分別為負大、負中、負小、零、正小、正中，正大。 隸屬度函數NB、PB選為高斯函數，其余選取等腰三角形函數作為隸屬度函數。E，EC作為兩個輸入值決定模糊控制器調整值ΔS的輸出。模糊控制器輸出值S與調整值ΔS根據如下公式進行調整

3、RBF神經模糊網絡控制系統的結構

具有學習算法的模糊RBF神經網絡被稱作RBF神經模糊網絡系統，“if-then”是模糊規則的表達形式，模糊規則在模糊RBF神經系統中占有控制決策的支配地位；神經模糊系統的參數的調整則通過學習算法對數據信息的更新來完成。通過學習能自動產生模糊規則是RBF模糊神經系統的優勢所在。模糊RBF神經網絡控制系統的結構圖如圖3所示。R為輸入信號，E、Ec分別為窯頭溫度、壓力和窯尾溫度、壓力與設定值的誤差及誤差變化率，E和Ec量化后的模糊量送入RBF神經網絡構成神經模糊網絡控制器的輸入；Ke、Kc為量化因子。

4、控制算法的應用

在生產現場，采用了本文所述控制算法的軟件與水泥生產線的DCS系統相連接，并應用該軟件對回轉窯各參數進行了200分鐘的在線控制，根據現場情況和燒成系統的工藝要求，將窯電流的目標設定值為1150A。應用本文所提出的預測控制方式下，對后30分鐘窯電流的變化值進行了預測，如圖4所示。

試驗表明在經過6次迭代后窯電流網絡訓練趨于穩定，在經過第69次迭代時網絡的預測性能達到最佳。經過與實測數據的對比，仿真的數據是合理的，最后的均方差誤差小，測試集誤差和驗證集誤差特征類似，沒有明顯的因過擬合想象發生的迭代。結合圖4和圖5所示，表明RBF模糊神經網絡對窯電流的預測有較高可靠性。

5、結束語

本文應用模糊RBF神經網絡對回轉窯系統建立控制模型，當現場工況出現波動時，控制系統把偏差量送入模糊RBF神經預測系統中，根據實測數據進行分析處理，從而較為準確預測出窯電流的變化趨勢，對燒成系統的預判斷有很大的參考價值，便于提前對回轉窯系統進行調整。

參考文獻

[1]龐清樂.基于粗糙集理論的神經網絡預測算法及其在短期負荷預測中的應用[J].電網技術，2010，12.

[2]張亮，王瑞民，周友運.一種基于模糊神經網絡融合的故障診斷模型研究[J].彈箭與制導學報，2005，25（3）.

[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.

[4]李永亮，袁鑄鋼，于宏亮.ART-2在回轉窯電機電流模式識別中的應用[J].濟南大學學報（自然科學版），2008，22（2）：149-152.

[5]李萍，烏日圖，楊舉憲.水泥回轉窯系統模糊控制研究[J].內蒙古科技與經濟，2004（9）：81-82.

[6]胡寶清.模糊理論基礎[M]2版，武漢大學出版社，2010.330-446.

作者簡介

第一作者簡介：劉偉濤，男，漢族，河北保定人，碩士，單位，河北科技大學信息工程學院，研究方向：計算機測控；

第二作者簡介：李瑞，女，漢族，河北衡水人，碩士，單位，河北科技大學信息工程學院，研究方向：計算機測控。