基于极端学习机的水泥熟料烧成系统变增益模型辨识方法
【技术领域】
[0001] 本发明涉及一种水泥生产建模技术领域，尤其涉及一种水泥熟料烧成系统的模型 建立与辨识方法。
【背景技术】
[0002] 我国是水泥生产和消耗大国，年产量达到24. 1亿吨，接近世界水泥产量的50%， 国产水泥装备在国际水泥贸易中的比重已经达到1/3以上。随着各国对低碳化要求的不断 提高，水泥生产中的能耗、污染问题已逐渐成为全球水泥工业关注的焦点。水泥生产线主要 分为粉磨和烧成两大系统，其中烧成系统是水泥生产中的核心环节，水泥熟料的煅烧效果 直接影响水泥的质量和产量，同时也影响着水泥生产能耗和污染排放。
[0003] 由于水泥熟料烧成系统的主要任务是对生料进行高温煅烧，使其发生一系列符合 工艺要求的物理化学变化，最终形成具有特定矿物成分组成的熟料，烧成系统的操作变量 与被控变量之间具有较强的非线性特性，系统增益随工作点变化。采用手动控制与线型模 型控制难以获得好的控制效果，因此如何准确的建立水泥熟料烧成系统的多变量非线性控 制模型并且动态的调整操作变量，使其保持稳定的热工制度是水泥熟料烧成系统研究的关 键所在，对提高熟料质量与产量，降低能耗和污染排放具有重要的理论意义和实用价值。
[0004] 许多学者对水泥熟料烧成系统的模型辨识方法进行了研究，在2008年的博士学 位论文《水泥烧成系统故障诊断与质量预测支持向量机方法的研究》中，舒云星基于支持 向量机对水泥烧成系统进行模型辨识，但所建模型用于工艺故障诊断和产品质量的预测， 无法用于烧成系统的多变量控制；在2011年的硕士学位论文《水泥熟料烧成系统优化控 制研究》中，蔡宁利用最小二乘系统辨识的方法建立了分解炉温度模型和篦冷机篦压模型， 但没有考虑烧成系统中的水泥回转窑，使得所建模型不能准确描述烧成系统；中国专利号： CN201210092718. 9，发明名称为"一种水泥回转窑煅烧预测控制系统及方法"，该申请案采 集水泥回转窑的现场数据进行辨识建立预测模型，但采用BP神经网络进行稳态模型辨识， 辨识速度慢，所得模型泛化能力差；2012年的博士学位论文《基于模糊ARX模型的水泥回转 窑预测控制算法研究》中，郭峰基于模糊ARX模型进行水泥回转窑的模型辨识，但模糊建模 过程中每个输入变量需要预先确定模糊划分的数目，学习的复杂程度随输入维数呈指数增 长；中国专利号为CN201310274933. 5,于海斌提出的"一种水泥熟料烧成过程清洁生产的 建模优化方法"专利申请，基于物质守恒、能量守恒和宏观反应动力学基本原理建立水泥熟 料烧成过程稳态模型，但是所建模型无法描述烧成系统的动态特性。
[0005] 鉴于上述研究中存在的问题，有必要针对水泥熟料烧成系统的设计一种辨识速度 快、可以描述烧成系统动态特性与多变量非线性特性的辨识方法。
【发明内容】
[0006]本发明目的在于提供一种模型精度高、辨识速度快、能获得系统多变量非线性模 型的基于极端学习机的水泥熟料烧成系统变增益模型辨识方法。
[0007] 为实现上述目的，采用了以下技术方案，本发明所述的基于极端学习机的水泥熟 料烧成系统变增益模型辨识方法，其辨识方法步骤如下：
[0008] (1)采集输入输出数据；
[0009] 以水泥熟料烧成系统的窑头喂煤量Uraal和高温风机挡板开度U^为输入量U;以 水泥熟料烧成系统的烟室氮氧化物含量>7?〇1和氧气含量办 4为输出量y;采集V组数据样本 作为输入输出数据；
[0010] (2)将输入、输出数据划分为稳态数据与动态数据；
[0011] (3)采用极端学习机辨识水泥熟料烧成系统的稳态模型；
[0012] (4)采用最小二乘法辨识水泥熟料烧成系统的ARX动态模型；
[0013] (5)利用烧成系统的极端学习机稳态模型求取当前时刻的烧成系统增益Ks;
[0014] (6)利用增益Ks对烧成系统ARX动态模型增益矩阵K进行在线矫正，使ARX动态 模型增益与烧成系统增益保持一致。
[0015] 所述步骤⑵中将输入、输出数据划分为稳态数据与动态数据的具体方法如下：
[0016] 当输入变量窑头喂煤量Uraal和高温风机挡板开度ufan中任意一个发生阶跃变化 时，被控输出变量烟室氮氧化物含量、氧气含量3?从阶跃时刻到最终都达到稳定状态 时的数据设定为动态数据：
[0017]
[0018] 式中，u(i)表示输入量的动态数据，y(i)表示输出量的动态数据，UtxialQ)表示第 i个窑头喂煤量动态数据，Ufan(i)表示第i个高温风机挡板开度动态数据，表示第 i个氮氧化物含量动态数据，表示第i个氧气含量动态数据，M表示动态数据的总个 数，i表示动态数据的个数；
[0019] 被控输出变量烟室氮氧化物含量、氧气含量)k从稳定状态到下一个阶跃变 化发生前的数据选为稳态数据：
[0020]
[0021] 式中，Us (j)表示输入量的稳态数据，ys(j)表示输出量的稳态数据，Usraal (j)表示 第j个窑头喂煤量稳态数据，Usfan(j)表示第j个高温风机挡板开度稳态数据，U)表 示第j个氮氧化物含量稳态数据，（J_)表示第j个氧气含量稳态数据，N表示稳态数据的 总个数，j表示稳态数据的个数。
[0022] 所述步骤（3)中采用极端学习机辨识水泥熟料烧成系统的稳态模型的具体方法 如下：
[0023] 令输入量的稳态数据us(j) = [uSOTal(j)usfan(j)]T作为极端学习机的输入量；令 输出量的稳态数据叉⑵（y)x〇:C/_；)]T作为极端学习机输出量，
[0024] 其中，上角标T表示矩阵的转置，j= 1，2,…，N，j表示稳态数据的个数，N表示稳 态数据的总个数；
[0025] 对于第j组烧成系统稳态数据，烧成系统极端学习机的数学模型为：
[0026]
[0027] 式中，L为烧成系统极端学习机的隐含层神经元数，G(X)为隐含层神经元函数，Cop 为第P个隐含层神经元与窑头喂煤量、高温风机挡板开度稳态数据之间的权值矩阵，bp为第 P个隐含层神经元阈值，Pp为第P个神经元与烟室氮氧化物含量、氧气含量稳态数据间的 权值矩阵，us (j)表不输入量的稳态数据；
[0028]N组烧成系统稳态数据输入输出方程可以简洁的写为的矩阵形式：
[0029]Y=HP;
[0030] 式中Y为烟室氮氧化物含量、氧气含量的稳态数据矩阵，H为烧成系统极端学习机 隐含层神经元矩阵，P为神经元与烟室氮氧化物含量、氧气含量稳态数据间的权值；
[0031] 对隐含层神经元与窑头喂煤量、高温风机挡板开度稳态数据之间的权值co与隐 含层神经元阈值b随机赋值，即矩阵H已知，为常数矩阵，将烧成系统极端学习机的网络参 数训练转化为求解线型方程组，根据Moore-Penrose广义逆求解系统稳态数据输入输出方 程组，可得方程组的最小范数最小二乘解> *
[0032]
[0033] 式中，求解得到的I作为隐含层到输出层的权重，H+为H的Moore-Penrose广义逆 矩阵，Y为烟室氮氧化物含量、氧气含量的稳态数据矩阵；
[0034] 从而利用烧成系统稳态输入输出数据及极端学习机模型，可建立如下烧成系统以 窑头喂煤量、高温风机挡板开度作为输入量，烟室氮氧化物含量、氧气含量作为输出量的极 端学习机稳态模型：
[0035]
[0036] 式中，L为烧成系统极端学习机的隐含层神经元数，G(X)为隐含层神经元函数，Cop 为第P个隐含层神经元与窑头喂煤量、高温风机挡板开度稳态数据之间的权值矩阵，bp为第 P个隐含层神经元阈值，&为第P个神经元与烟室氮氧化物含量、氧气含量稳态数据间的 权值矩阵，烧成系统极端学习机稳态模型对烟室氮氧化物含量的预测输出，氣为 烧成系统极端学习机稳态模型对氧气含量的预测输出，Usraal为窑头喂煤量稳态数据，Usfan 为高温风机挡板开度稳态数据。
[0037] 所述步骤（4)中采用最小二乘法辨识水泥熟料烧成系统的ARX动态模型的具体方 法如下：
[0038] 对所选取的动态数据进行如下处理，获得烧成系统输入输出增量数据：
[0039]
[0040]式中，AUraal⑴为第i个窑头喂煤量增量，Uraal⑴为第i个窑头喂煤量，Usraal⑴ 为此状态所对应的稳态窑头喂煤量，AufanQ)为第i个高温风机挡板开度增量，ufan(i)为 第i个高温风机挡板开度，Usfan (i)为此状态所对应的稳态高温风机挡板开度，为 第i个氮氧化物含量增量，Jkx 为第i个氮氧化物含量，为此状态所对应的稳态 氮氧化物含量，4vQ2 为第i个氧气含量增量，凡:为第i个氧气含量，3，# 为此状态 所对应的稳态氧气含量，i是动态数据的个数，M是动态数据的总数；
[0041]令：供⑴二[A/(/-1) Ay1 (/-2)Aut(I-X),
[0042] 式中，Ay