水泥分解爐溫度過程NARX模型與Hammerstein模型建模方法研究.pdf

1、當代水泥工業(yè)發(fā)展的主流是新型干法水泥生產技術，其核心技術之一是預分解技術。實現預分解技術的主要設備是承擔著燃料燃燒、氣固兩相換熱和碳酸鹽分解任務的分解爐。分解爐能否穩(wěn)定工作對生料分解率、熟料質量和產量有重要的影響。分解爐溫度是分解爐穩(wěn)定工作的重要工藝參數。但是由于分解爐、回轉窯及預熱器直接相連以及分解爐內所進行燃燒、傳熱、物理化學反應等過程機理復雜、干擾因素多、工況多變，使得分解爐溫度過程具有強耦合、非線性、不確定等特性，難以建立精確的

2、分解爐溫度過程動態(tài)機理模型和數據驅動模型。因此，深入探究分解爐溫度的建模方法，建立更適合控制與仿真應用的模型對分解爐溫度的自動化設計具有重大意義。
　　本文依托國家高技術研究發(fā)展計劃(863計劃)課題“大型回轉窯智能控制系統(tǒng)”。針對現有的面向控制與仿真應用的建模方法性能較差、模型仿真誤差較大及建模效率低等問題，提出了兩種能夠提高模型性能的建模方法，并利用現場實際數據建立了分解爐溫度過程的非線性動態(tài)模型。本文的主要工作包括如下幾個方

3、面:
　　(1)針對NARX(Nonlinear AutoRegressive with eXogenous Inputs，簡稱NARX)模型仿真誤差較大和模型結構描述的非線性過于寬泛，本文提出了一種結構受控的基于多步預報誤差準則的NARX模型。該模型結構由兩個并行的模塊組成使得模型結構受控，一個模塊描述了輸出和輸入動態(tài)之間的非線性關系，另一個模塊描述了輸出與輸入之間的線性動態(tài)關系，并提出了多步預報誤差建模準則，從而使得改進后的N

4、ARX模型能夠學習出適合分解爐溫度過程的非線性，仿真誤差較小。由于極限學習機(extremelearning machine，簡稱ELM)具有參數較少、學習速度較快的優(yōu)點，將其作為實現NARX模型的參數化形式。在模型的求解上對于模型階次的選擇應用了網格搜索與交叉驗證的方法，模型參數估計采用了序貫二次規(guī)劃(SQP)方法，最終建立了結構受控的基于多步預報誤差準則的NARX模型。在此基礎上，提出了結構受控的基于多步預報誤差準則的分解爐溫度過程

5、建模方法，并將其與同樣基于多步預報準則的一般NARX模型和Hammerstein模型進行對比，仿真結果表明:該模型能夠在一定程度減小仿真誤差。
　　(2)雖然現有分解爐溫度過程的Hammerstein-OE模型的仿真誤差較小，但是其在求解時很耗費時間。本文提出了一種改進Hammerstein-OE建模效率的模型—基于正則化ELM的Hammerstein-OBF模型:在Hammerstein模型結構的基礎上，采用ELM模型作為建立H

6、ammerstein模型的靜態(tài)非線性模塊;另外，由于正交基濾波器(OrthonormalBasis Filter，簡稱OBF)的參數較少，辨識算法簡單，比較適用于控制和仿真，故將其應用于Hammerstein模型的線性動態(tài)模塊。為進一步提高模型的泛化性能，采用正則化方法group lasso對ELM的隱層節(jié)點進行稀疏化，得到更簡約的模型，建立了基于正則化ELM的Hammerstein-OBF模型。通過與Hammerstein-OE模型的

7、仿真對比表明:該方法能夠在確保仿真誤差較小的情況下，提高計算效率，是一種比較高效的方法。
　　(3)對所建立的結構受控的基于多步預報誤差準則的NARX模型與基于正則化ELM的Hammerstein模型在建模改進側重點、模型復雜度、模型泛化性能等方面對其進行比較和分析。結果表明:結構受控的基于多步預報準則的NARX模型主要是改進了NARX模型的結構，并且應用了多步預報誤差準則選擇模型參數;基于正則化ELM的Hammerstein-O