本发明涉及余热锅炉技术领域，具体涉及一种工业硅余热锅炉清灰装置智能控制方法。
背景技术：
由于硅业余热锅炉的烟气特性，其烟气中含灰量很高，管子表面积灰速度快，而且粘性大，容易在锅炉换热管面上积灰，影响锅炉受热面的传热效果，致使锅炉出力降低，发电量降低。为了防止积灰，提高锅炉热效率，实现锅炉安全、稳定运行的目的，目前工业余热锅炉水平段主要采用钢刷清灰方式，即刷体包裹着光管与光管表面过盈接触，能把光管上的积灰从光管表面清除干净，从而提高了换热器的换热效率。该系统在设计和使用过程中，遇到一些问题，如，由于锅炉换热管束受热不均造成管束变形，使得清刷框架上升或下降阻力增大，动作不顺畅，甚至出现将钢丝绳拉断的情况，造成清灰装置不能运行。由于积灰厚度不均匀，电机刹车距离、刷架惯性不确定性引起刹车距离偏差随机性，影响锅炉运行安全。另外，由于清灰装置的刷架在运行过程中，由于存在较大惯性，且积灰厚度和管束变形程度不同，刹车距离不同。且每台清灰装置在不同工况下，刹车距离也不尽相同。这对控制清灰装置的刷架运行带来很大挑战。
技术实现要素：
本发明的目的是针对现有技术中存在的技术缺陷，而提供一种工业硅余热锅炉清灰装置智能控制方法，其通过自动记录刹车距离，并对刹车距离进行补偿控制，实现了对锅炉清灰装置智能控制。
为实现本发明的目的所采用的技术方案是：
一种工业硅余热锅炉清灰装置智能控制方法，包括步骤：
通过输入样本以及目标向量数据，按设定的训练次数及训练误差对创建的BP神经网络进行离线训练，建立BP神经网络控制器；
将清灰装置的期望刹车距离、清灰频率、刹车信号发出时间输入到BP神经网络控制器中，由BP神经网络控制器计算刹车信号发出时间补偿系数；
清灰装置的机械传动机构根据刹车信号发出时间补偿系数计算实际刹车信号发出时间，并按该实际刹车信号发出时间进行刹车；
在线网线训练机构根据清灰装置的机械传动机构的实际刹车距离及清灰装置的期望刹车距离的误差，调整训练数据样本，在线训练网络控制器。
所述BP神经网络控制器采用三层BP神经网络结构，用MATLAB建立。
本发明该装置通过神经网络控制方法实现了清灰装置刷架运动精确控制，能自动补偿驱动机构刹车距离，消除由于管道受热变形，积灰厚度不均匀，机械惯性，电机刹车性能等因素引起的刹车距离偏差，实现清灰装置的正常稳定运行，保证锅炉换热效率，达到充分利用烟气的余热潜能的目标。
附图说明
图1是工业硅余热锅炉清灰装置智能控制方法的流程示意图；
图2是补偿系数控制刹车距离的控制原理示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参见图1-2所示，一种工业硅余热锅炉清灰装置智能控制方法，包括：
通过输入样本以及目标向量数据，按设定的训练次数及训练误差对创建的BP神经网络进行离线训练，建立BP神经网络控制器；
将清灰装置的期望刹车距离、清灰频率、刹车信号发出时间输入到BP神经网络控制器中，由BP神经网络控制器计算刹车信号发出时间补偿系数；
清灰装置的机械传动机构根据刹车信号发出时间补偿系数计算实际刹车信号发出时间，并按该实际刹车信号发出时间进行刹车；
在线网线训练机构根据清灰装置的机械传动机构的实际刹车距离及清灰装置的期望刹车距离的误差，调整训练数据样本，在线训练网络控制器。
其中，所述清灰装置的机械传动机构是根据输入BP神经网络控制器的刹车信号发出时间乘以刹车信号发出时间补偿系数获得的时间，来作为实际刹车信号发出时间，从而调整实际刹车距离的。
由钢刷清灰过程，可以看到，要保证清灰刷架运动控制的精度，控制好刹车距离是关键。其中，期望刹车距离、清灰频率以及刹车信号发出时间是影响刹车距离的关键参数。这些参数相互联系、相互影响又相互制约，是一个多数据融合系统，而神经网络最适合解决这类问题，BP网络是目前应用最广泛的神经网络模型，它具有强大的非线性映射能力和容错功能。它的学习规则是通过反向传播来调整网络权值和阈值使网络误差平方和最小。对于刹车信号发出时间补偿系数采用如下控制结构进行计算处理，如图2所示。
该刹车信号发出时间补偿系数的控制系统由神经网络控制器、网络训练机构、机械传动机构三个环节组成。神经网络控制器根据要求的期望刹车距离、清灰频率、刹车信号发出时间，计算出刹车信号发出时间补偿系数。网络训练机构根据实际刹车距离和期望刹车距离的误差，调整训练数据样本，在线训练网络控制器。
神经网络控制器采用三层的BP神经网络结构，选择期望刹车距离、清灰频率以及刹车信号发出时间作为输入，刹车信号发出时间补偿系数作为目标输出。中间层采用七个结点。
对神经网络控制器训练分成两个阶段：离线训练和在线调整。神经网络控制器采用MATLAB建立，具体方法为：利用newff函数创建一个BP网络：
net＝newff(minmax(P),[7,1],{'tansig','purelin'},'trainlm')；
其中，函数minmax取矩阵P的最大最小值，BP网络的输入和输出层的神经元数目是由输入输出变量个数决定的，所以网络输入、输出层神经元个数分别为3、1。中间层的神经元个数直接影响着网络性能，根据Kolmogorov定理，中间层神经元个数取7，按照BP网络一般设计原则，中间层神经元的传递函数为S型正切函数tansig。而输出层选取线性传递函数purelin。BP网络的训练函数采用trailm，因为该函数收敛速度快，网络训练误差也比较小。
权值和阈值的BP学习算法及网络的性能函数都采用默认值，分别为learngdm和mse。
神经网络控制器的离线训练方法是：P是建立网络的输入样本，K8是建立网络的目标向量数据。P和K8可采用实际测量获得。采用如下方法训练：
net＝newff(minmax(P),[7,1],{'tansig','purelin'},'trainlm')；
net.trainParam.epochs＝500；
net.trainParam.goal＝0.00001；
net＝train(net,P,t)；
首先列出输入样本以及目标向量数据，共选取了72组数据，然后创建BP网络、设定训练次数以及训练误差，最后用函数train对网络进行训练，使网络的目标误差达到要求。
在BP神经网络训练结束后，实质上是确定了期望刹车距离、清灰频率、刹车信号发出时间和输出参数(修正系数)的一个函数，这个函数是一个Matlab环境下的神经网络结构体，Matlab环境下可用sim函数来取出这个函数的输出。神经网络控制器训练完成后，可采用上述方法计算刹车信号发出时间补偿系数。
伴随设备老化等问题，一些参数要发生变化，如果训练网络中总是采用一成不变的训练样本及目标向量，长时间运行会产生较大误差。本发明采用在线调整方法不断改变输入样本、目标向量数据，使它们不断接近设备的真实值。替换训练样本，需遵循以下原则：
(1)不断扩充训练样本，使样本中含有不同情况下的期望刹车距离。
(2)为避免输入向量P变成单一的数据样本，保证期望刹车距离是不同情况下产生的，新输入向量对原输入向量中与其最接近的一组进行替换。
(3)将与训练样本相差太多的故障数据进行剔除，即剔除奇异样本。
在线训练机构的是根据实际刹车距离和期望刹车距离的误差调整训练数据样本。依据上述原则通过程序可实现调整，用实际采集的输入向量不断替换P中与之最接近的一列输入向量，对应这组输入向量的输出向量用期望刹车距离乘以上次计算的补偿系数去替换。每变更一次训练样本，网络重新训练一次，计算得出刹车信号发出时间补偿系数，再由机械传动机构产生实际刹车距离。比较系统实际输出的刹车距离与期望刹车距离之间的偏差，再由偏差产生直接控制作用去消除偏差，整个系统形成一个闭环。同开环控制系统相比，闭环控制具有一系列优点。在反馈控制系统中，不管出于什么原因(外部扰动或系统内部参数变化)，只要被控制量偏离期望值，就会产生相应的控制作用去消除偏差。因此，它具有抑制干扰的能力，对元件特性变化不敏感，并能改善系统的响应特性。
本发明通过采用神经网络控制，解决了清灰刷架机械传动机构刹车距离存在偏差问题，提高清灰装置运行精度和可靠性；通过样本在线训练机构，实现对控制器参数在线训练，实现了控制参数实时在线调整。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。