0 引 言
烟气氧含量不仅是梭式窑的重要热工参数,也是反映窑炉热效率的一个参数。目前,烟气氧含量大多采用ZrO2烟气分析仪[1]等检测仪器进行在线检测。由于烟气氧含量测试仪存在价格昂贵、维护困难、测量滞后、测点不易确定等诸多缺点,目前在线测量烟气氧含量很难普及,甚至很多梭式窑放弃对烟气氧含量的控制。随着制品对梭式窑热工制度要求的提高,寻找一种新的烟气氧含量测量手段显得尤为必要。本文基于人工智能模型,提出了人工神经网络在梭式窑烟气氧含量的软测量策略,并利用模糊减法聚类的算法处理训练数据,提高了网络训练的效率,实现了梭式窑烟气氧含量的软测量,为梭式窑烟气氧含量检测提供了又一途径。
1 梭式窑烟气氧含量影响因素分析
对于燃气式梭式窑,气氛与燃烧状态密切相关,在理想燃烧状态下,根据燃烧反应方程式:
由(3)式知理论空气量与燃气成分有关,实际制品在不同烧结阶段需要氧化或还原气氛。气氛主要由空气过剩系数()来控制,α过大或过小都会增加窑炉热耗,浪费能源。空气过剩系数与烟气成分有如下关系[2]:
其中N2(smoke)、N2(gas)分别表示烟气和燃气中的氮含量,各分子式表示烟气中相应成分百分含量。气氛制度取决于助燃空气量(以α为指标)而表现于烟气成分(以烟气氧含量为指标)。空气过剩系数和烟气氧含量互相制约,烟气氧含量能够很好反映窑内烧成的气氛状况。
2 梭式窑烟气氧含量的软测量方法的实现
本文提出的梭式窑烟气氧含量软测量方法,通过容易测得的窑炉状态参量推测烟气氧含量。针对实际梭式窑,以助燃空气流量、助燃空气温度、燃气流量、燃气热值、窑温、窑压、排烟温度作为软测量的直接变量,烟气含氧量为软测量待估计变量,确定直接测量变量和待估计变量之间的关联模型[3],以求得烟气氧含量。
2. 1 基于人工神经网络的软测量模型
因为梭式窑状态的时变性和参数关系的复杂性,直接变量和待估变量之间相互关联的数学模型如用普通的系统辨识方法来确定,所需代价太大。本文利用人工神经网络(ANN)建立软测量模型。ANN有如下优点[4][5]:1)不需知道对象具体数学模型,但ANN能够逼近任意复杂对象的非线性关系,再现非线性动力学系统;2)能自学习不确定系统的动态特性;3)神经元具有网格信息存储能力、容错性和鲁棒性;4)数据信息的大规模并行处理,可以进行快速运算。ANN的以上特点适合梭式窑这一类复杂系统的建模。本文以多层误差反向传播前馈(BP)神经网络为系统框架构建的核心,根据离线采集数据,将典型输入输出数据形成网络训练样本,用BP神经网络来映射复杂的输入输出关系,逼近实际对象,构建烟气氧含量软测量模型。
但是BP人工神经网络结构的确定目前尚无完善的理论来指导[6],通过大量的仿真实验,采取两个隐含层,节点分别是7、5,输入层和隐含层都采用双曲正切S型激活函数tansig,输出层采用线性激活函数purelin,如图1。网络运算关系如下[6]:
P、T分别为输入层、输出层矩阵,TP为网络训练参数矩阵,Wi、Bi分别为各层权重和目标矩阵,随网络训练而变化。(7)式为附带动量因子算法,避免误差变化趋势以简单方式“滚到”局部极小值底部再也停止不动而假收敛。模型由训练目标函数(8)式[6]来评价。
2.2 模糊减法聚类(subtractive clustering)算法对数据的处理
现场数据是不能直接用来训练ANN,原因是:
(1)现场数据存在大量冗余,会延长网络训练的时间;
(2)现场数据含很多不能表征系统的非特征信息,严重时会导致误差曲线的发散;
(3)现场数据混有太多“噪声”,易使网络结构恶化而失去真正逼近能力。
为此,本文采用聚类的方法对现场历史数据进行处理,它是将数据集分割成不相交的子集,子集中的数据具有能将它们同其他数据分离的性质。为避免人为确定子集划分数目引起的不确定性,这里采用模糊减法聚类算法处理数据。由于聚类半径r决定模糊系统的复杂性,r小则所得到的子集数目多,模糊系统更复杂,r大则模糊系统简单但缺乏泛化能力,所以通过试错法确定一个适当半径r(为数据集空间的一半)。处理后提取出特征数据,减小了训练的数据量。利用模糊减法聚类处理后的数据(P,T)由(6)、(7)式进行网络训练。
经80000次训练后,网络的实际输出值和网络期望输出值的均方误差如图2所示。可以看出,E已经基本收敛到目标值(如虚线所示),系统的输出精度很高。E在训练初期收敛较快,表明系统具有较快的学习速度,同时缩短了网络训练时间。网络训练完毕得到权值矩阵W、阈值矢量b,即可以用于网络验证及实际应用。
2.3 软测量模型验证
分别将实际梭式窑两个不同烧成周期的实时数据p(助燃空气流量、助燃空气温度、燃气流量、燃气热值、窑温、窑压、排烟温度)载入训练好的软测量模型,即由(6)、(7)式所得权值矩阵W和阈值矢量b所确定的ANN,再由(9)式[6]可得软测量值
图3、4中虚线分别表示两个烧成周期中烟气氧含量的软测量结果。由图中可看出,软测量结果与实测值(图中离散的点)非常吻合,表明软测量模型有很好的逼近能力,也能反映烟气氧含量的变化趋势,不存在常规烟气氧含量测量引起的滞后问题。图中实线表示制品烧结时对气氛制度要求所反映的烟气氧含量变化规律。从图中还可看出,烧成初期软测量值和实测值吻合得不好,这是由窑炉预热、制品水分排除等原因造成的。此阶段的窑炉状态数据对网络训练不利,软测量模型在此阶段存在一定误差。在烧成其他阶段,软测量值略低于实测值,但已经能够满足实际生产需求。
3 结 论
本文通过人工神经网络软测量模型,成功地实现了梭式窑烟气氧含量的在线检测,软测量能够胜任常规烟气氧含量的检测设备的工作。同时,本文采用模糊聚类算法预处理训练数据,缩短了ANN的训练时间,减小了误差函数发散的可能性,提高了ANN的逼近能力。烟气氧含量软测量模型的精度高,稳定性好,只需定期采集离线数据对模型进行修正,为实现窑炉低成本、高节能的燃烧控制提供了借鉴。
参考文献:
[1] 徐跃明.ZrO2固体电解质及氧探头炉内气氛控制基础[J].金属热处理,1996,(8):32~34.
[2] 沈慧贤,胡道和.硅酸盐热工工程[M].武汉:武汉工业大学出版社,1993.
[3] Dong D, McAvoy T J.Emission moNItoring using multi-variate soft sensors[A].Proceeding of the American Con-trol Conference[C].1995.761~765.
[4] Willis M J,Montague G A.Modelling of industrial processusing artificial neural networks[J].Computing & ControlEngineering Journal,1992,(3):113~117.
[5] Rahman M H R F,Devanathan R.Neural network ap-proach for linearizing control of nonlinear process plants[J].IEEE Transactions on Industrial Electronics,2000,47:470~477.
[6] 闻 新,周 露.MATLAB神经网络应用设计[M].北京:科学出版社,2002.
作者简介:王 靖(1979-),男,安徽巢湖人,硕士研究生,从事材料加工工程研究。
