[0029] 图1为基于组合模型预测控制技术的水泥分解炉控制方法流程图；
[0030] 图2为本发明的LSSVM-ARMAX组合模型框图；
[0031] 图3为本发明提出的基于组合模型预测控制技术的水泥分解炉控制系统的方框 图；
[0032] 图4为本发明提出的基于组合模型预测控制技术的水泥分解炉控制系统的现场 接线图。
【具体实施方式】
[0033] 下面结合附图对本发明做进一步的详细描述。
[0034] 从图1所示的基于组合模型预测控制技术的水泥分解炉控制方法的流程图和图3 所示的基于组合模型预测控制技术的水泥分解炉控制系统方框图可知，本发明的一种基于 组合模型预测控制技术的水泥分解炉控制方法，其内容包括如下步骤：
[0035] 步骤一控制变量选取
[0036] 分解炉喂煤量、高温风机转速和三次风管挡板开度是影响水泥分解炉系统的主要 输入控制变量，它们是分解炉内热量和气体的主要来源；分解炉出口温度、一级筒氧气含量 和一级筒一氧化碳含量是影响水泥分解炉系统的主要输出控制变量，选取分解炉出口温度 作为输出变量即可直接反应生料预分解所需热量，也可间接反应水泥生料预分解情况；分 解炉出口温度的稳定可保证生料预分解过程的稳定有效运行；另选取一级筒氧气含量和一 级筒一氧化碳含量即可反应分解炉内燃煤的燃烧状况，也兼顾了分解炉单产能耗和安全运 转。
[0037] 因此，本发明【具体实施方式】中选取分解炉喂煤量、高温风机转速和三次风管挡板 开度作为水泥分解炉分解过程的主要操作变量，选取分解炉出口温度、一级筒氧气含量和 一级筒一氧化碳含量作为主要被控变量。
[0038] 步骤二数据采集及分类
[0039] 本发明【具体实施方式】中，通过图3所示的数据通讯接口 10采集某水泥生产线的分 解炉生料预分解过程中步骤一所述六个变量的现场测量仪表数据，采样周期为30s，共采集 30000组数据。
[0040] 将所采集数据分成动态数据和稳态数据两种数据，其划分依据为：当输入量分解 炉喂煤量U1、高温风机转速U2和三次风管挡板开度u3中任意一个发生阶跃变化时，输出量 分解炉出口温度Y1、一级筒O2含量y2和一级筒CO含量y3从阶跃时刻到最终都达到稳定状 态时的数据选为动态数据；由于辨识算法的特殊性，只选取输出量从稳定状态到下一个阶 跃发生前的少部分数据为稳态数据。经数据分类及不合理数据删除后得到动态数据9823 组，稳态数据1632组。
[0041] 步骤三LSSVM-ARMAX组合模型辨识
[0042] LSSVM-ARMAX组合模型是一种由非线性LSSVM稳态模型和线性ARMAX动态模型并 联而成的组合模型，其详细的模型结构关系如图2所示。其模型结构分为三部分：LSSVM稳 态模型6、动态增益K7和ARMX动态模型8,用LSSVM稳态模型求出当前时刻系统的动态增 益K，再利用动态增益K实时调整ARMAX动态模型参数，完成稳态模型和动态模型的有机并 联组合，建立代表水泥分解炉系统综合特性的LSSVM-ARMAX组合模型。
[0043] 非线性LSSVM稳态模型辨识
[0044] 本发明【具体实施方式】中，基于粒子群优化参数的最小二乘支持向量机辨识算法采 用高斯径向基核函数作为最小二乘支持向量机的核函数，采用粒子群优化算法对支持向量 机正则化参数C与核宽度〇进行自动寻优，初始化粒子群中最大遗传代数maxgen= 20,种 群规模sizepop= 30,学习因子C1=c2= 2,算法中w为惯性权重，eps为适应度预设值， 粒子群优化LSSVM参数算法（PSO)的具体步骤如下：
[0045] 1)初始化粒子群；
[0046] 2)给定正则化系数C与核宽度〇的取值区间：
[0047]CG[C_max,C_min],oG[o_max, 0 _min] (I)
[0048] 3)确定正则化系数C与核宽度〇迭代速度的最大值与最小值，k为常数；
[0049] Vcmax=k?C_max
[0050] Vcmin= -k ? C_min (2)
[0051]Vdmax=k? 〇_max
[0052] Vdmin=-k? 〇_min
[0053] 4)随机产生种群的初始位置pop和初始速度V:
[0054]pop(1，i) = (C_max_C_min)*rand()+C_min
[0055]pop(2,i) = (deta_max_deta_min)*rand()+deta_min(3)
[0056] V(l, i) = Vcmax*rand ()
[0057]V(2,i)=Vdmax*rand()
[0058] 5)LSSVM辨识，以测试集的预测输出与实际输出间的均方误差作为每个粒子的适 应度fitness，全局极值点pg和个体极值点p为：
[0059] Pg=min(fitness)
[0060] p = fitness (4)
[0061] 6)检查是否满足结束条件：pg<印s或已经达到最大迭代次数；如果满足，则跳转 到步骤10);
[0062] 7)分别根据式（5)和式（6)更新粒子的速度与位置，如果超出范围则可利用程序 将其限定在规定的范围内；
【主权项】
1. 一种基于组合模型预测控制技术的水泥分解炉控制方法，其特征在于该方法内容包 括以下步骤： 步骤一：控制变量选取，分解过程的主要操作变量是分解炉喂煤量、高温风机转速和三 次风管挡板开度，被控变量是分解炉出口温度、一级筒氧气含量和一级筒一氧化碳含量； 步骤二：数据采集及分类，通过中控机的数据通讯接口采集步骤一所述各操作变量和 被控变量的现场数据，并按照阶跃响应特性将数据分类为稳态数据和动态数据； 步骤三：LSSVM-ARMAX组合模型辨识，利用基于粒子群优化参数的最小二乘支持向量 机对分类出的稳态数据进行辨识得到水泥分解炉系统的非线性LSSVM稳态模型，利用递推 增广最小二乘法对动态数据辨识得到水泥分解炉系统的线性ARMAX动态模型，并将稳态模 型与动态模型有机并联组合，得到水泥分解炉系统的LSSVM-ARMAX组合模型； 步骤四：输出状态预测，在当前时刻k，利用水泥分解炉的输入输出信息和预测的未来 输入信息，通过步骤三辨识得到的LSSVM-ARMAX组合模型，将其进行迭代预测出分解炉出 口温度yln(k+j)、一级筒氧气含量y 2n(k+j)及一级筒一氧化碳含量y3n(k+j)未来预测时域 P的输出状态，式中j = 1，2,…，P ; 步骤五：时滞及误差校正，根据步骤四中得到的各变量未来预测时域输出状态记为 yin (k+j)，进行时滞处理，得到各变量输出时滞预测状态yin (k I k-Ι)，将其与k+Ι时刻的实际 输出值相减求得输出误差ei (k)，然后将yin(k+j)与误差相加得到基于k时刻水泥分解炉未 来预测输出yic;(k+j)，上述各式中i = 1，2, 3 ; 步骤六：滚动优化计算，引入参考输入轨迹分解炉出口温度yiJk+j)、一级筒氧气含 量y& (k+j)以及一级筒一氧化碳含量(k+j)，将其与步骤五求得分解炉各未来预测输出 yic;(k+j)进行比较，构建带约束的二次型目标函数，应用序列二次规划法对其进行滚动优化 求解，计算出当前时刻水泥分解炉被控变量分解炉喂煤量U 1 (k)、高温风机转速U2 (k)和三 次风管挡板开度u3(k); 步骤七：实时输出控制，根据步骤六计算出的当前时刻水泥分解炉被控变量控制现场 执行器，通过滚动实时控制，使现场水泥分解炉被控变量实际输出与设定值ysp相等，实现 水泥分解炉的自动控制。
2. 根据