CN103363812B - 一种水泥熟料篦冷机控制方法 - Google Patents

Abstract

本发明涉及水泥生产技术领域，尤其是涉及一种水泥熟料篦冷机控制方法。变量选取：选取篦冷机的一段篦床压力为被控变量，一段篦床速度为操作变量；数据预处理：对采集到的一段篦床压力的原始数据进行滤波；一段篦床压力无模型自适应控制器设计。本发明无需建立熟料冷却过程的模型，也无需利用篦冷机的专家操作经验，只需利用过程的在线输入输出数据就可以直接计算出合适的一段篦床速度，开发周期较短，计算量小；可实现熟料冷却过程的参数自适应和结构自适应控制，能够较好地解决熟料冷却过程中存在的非线性、难以建立精确数学模型和工况变化比较频繁的问题。

Description

一种水泥熟料篦冷机控制方法

技术领域

本发明涉及水泥生产技术领域，尤其是涉及一种水泥熟料篦冷机控制方法。

背景技术

篦冷机（全称篦式冷却机）是新型干法水泥生产线中水泥熟料烧成过程的主要设备之一，它承担着对高温熟料的急速冷却和对熟料携带热量的回收任务。熟料的急速冷却可阻止熟料矿物晶体长大，特别是阻止硅酸三钙（C3S）晶体长大，有利于熟料强度及易磨性能的改善；同时，急冷可使液相凝固成玻璃体，使MgO和铝酸三钙（C3A）大部分固定在玻璃体内，有利于熟料安定性及抗化学侵蚀性能的改善。在熟料急冷的同时，它所携带的大量热量随二次风和三次风分别进入回转窑和分解炉内，不仅提高了烧成系统的能效，并且对燃料（特别是中低质燃料）起火预热、提高燃料燃尽率和保持烧成系统有一个优化的热力分布都有着重要作用。

由于熟料冷却过程具有非线性、难以建立精确数学模型、工况变化较为频繁等特点，目前大多数水泥厂都采用人工手动控制篦冷机来实现熟料冷却过程的控制。针对篦冷机难以实现自动控制的问题，一些学者在利用离线数据对篦冷机建立数学模型或总结操作人员经验的基础上，采用了模糊预测协调控制、灰色预测控制、模糊自适应PID控制、RBF预测控制、模糊PID复合控制和模糊PI复合控制等算法对篦冷机的控制进行了研究。这些研究均取得了一定的成果，为篦冷机的自动控制提供了有效可行的方法。

但是这些方法在实施的过程中，或者需要利用离线数据对熟料冷却过程进行建模，或者需要全面系统地总结出专家操作经验并形成规则，然后在此基础上才能设计出合适的控制算法。利用离线数据对熟料冷却过程进行建模需要花费较高的成本和较多的时间，获得的模型也是经过简化之后的模型；而全面系统地总结出专家操作经验并形成规则需要对熟料冷却过程有较深的理解，这也需要花费大量的成本和时间，当工况变化较大时，还要对规则进行调整。

在当前竞争日趋激烈的背景下，水泥工业界往往更加迫切地需要低成本、具有自适应能力且开发周期短的篦冷机控制算法。因此，有必要利用控制领域的成果寻找一种能够摆脱对熟料冷却过程数学模型和专家操作经验的依赖、低成本、具有自适应能力且开发时间较短的篦冷机控制算法，更好地满足水泥工业界的需求。

发明内容

针对当前篦冷机控制算法中存在的问题，本发明要解决的技术问题是提供一种摆脱对熟料冷却过程模型和专家操作经验的依赖、具有自适应能力、只需利用熟料冷却过程的输入输出数据就可以直接设计出来的篦冷机控制算法。

本发明为实现上述目的所采用的技术方案是：一种水泥熟料篦冷机控制方法，包括以下步骤：

变量选取：选取篦冷机的一段篦床压力为被控变量，一段篦床速度为操作变量；

数据预处理：对采集到的一段篦床压力的原始数据进行滤波；

一段篦床压力无模型自适应控制器设计：首先利用经过数据预处理后得到的数据计算伪偏导数的估计值，建立熟料冷却过程的紧格式动态线性化模型，然后以最小化一段篦床压力控制性能指标为目标，求解得到一段篦床速度。

所述数据滤波采用均值滤波方法，即

$y\left(j\right)=\frac{1}{20}\underset{t=j-19}{\overset{j}{\mathrm{\Σ}}}{y\left(t\right)}^0---\left(1\right)$

其中，y(j)表示j时刻一段篦床压力信号滤波后的数值，y(t)⁰表示t时刻一段篦床压力的实时检测值。

所述伪偏导数的形式为：

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}(k-1)+\frac{\mathrm{\η\Δu}(k-1)[\mathrm{\Δy}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)\mathrm{\Δu}(k-1)]}{{\mathrm{\μ}+\mathrm{\Δu}(k-1)}^2}---\left(2\right)$

当 $\widehat{\mathrm{\φ}}\left(k\right)\≥-\mathrm{\ϵ}$ 或|Δu(k-1)|≤ε时， $\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}\left(1\right)---\left(3\right)$

其中表示k时刻的伪偏导数估计值，Δu(k-1)表示k-1时刻的一段篦床速度的增量，Δy(k)表示经过数据预处理之后的k时刻的篦下压力增量，μ表示权重因子，η表示步长序列，ε表示一个很小的正数。

所述紧格式动态线性化模型的形式为：

$\mathrm{\Δy}(k+1)=\widehat{\mathrm{\φ}}\left(k\right)\mathrm{\Δu}\left(k\right)---\left(4\right)$

其中Δy(k+1)表示经过数据预处理之后的k+1时刻的一段篦床压力的增量，

表示k时刻的伪偏导数估计值，Δu(k)表示k时刻的一段篦床速度增量。

所述一段篦床速度的形式为：

$u\left(k\right)=u(k-1)+\frac{\mathrm{\ρ}\widehat{\mathrm{\φ}}\left(k\right)[y_d(k+1)-y\left(k\right)]}{{\mathrm{\λ}+2\widehat{\mathrm{\φ}}\left(k\right)}^2}---\left(5\right)$

其中u(k)表示k时刻的一段篦床速度，ρ表示步长序列，λ表示权重因子，y_d(k+1)表示k+1时刻的一段篦床压力期望输出，表示k时刻的伪偏导数估计值，y(k)表示k时刻一段篦床压力信号滤波后的数值。

本发明具有以下优点：

1.无需建立熟料冷却过程的模型，也无需利用篦冷机的专家操作经验，只需利用过程的在线输入输出数据就可以直接计算出合适的一段篦床速度，开发周期较短，计算量小；

2．可实现熟料冷却过程的参数自适应和结构自适应控制，能够较好地解决熟料冷却过程中存在的非线性、难以建立精确数学模型和工况变化比较频繁的问题。

附图说明

图1为篦冷机工作原理图；

图2为一段篦床压力控制原理图；

图3为一段篦床压力控制算法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本发明包括以下步骤：

1.变量选取：选取篦冷机的一段篦床压力为被控变量，一段篦床速度为操作变量。

2.数据预处理：对采集到的一段篦床压力原始数据进行滤波。

3.一段篦床压力无模型自适应控制（MFAC）算法的设计：利用经过数据预处理后得到的熟料冷却过程的输入输出数据计算伪偏导数的估计值，并建立紧格式动态线性化模型，然后以最小化一段篦床压力控制性能指标为目标，求解得到篦冷机一段篦床速度。

下面对本发明方法的各步骤进行分别阐述。

1.变量选取

在新型干法水泥熟料生产过程中，为了保证熟料质量和更加充分地回收热量，应使篦冷机一段篦床上的熟料厚度保持均匀。但是由于熟料厚度无法直接测量，而一段篦床压力能够间接反应出一段篦床上熟料厚度，因此可以根据一段篦床压力对一段篦床速度进行调节。当一段篦床压力过大时，应适当提高一段篦床速度以减小一段篦床上的熟料厚度；当一段篦床压力过小时，应适当降低一段篦床速度以增加一段篦床上的熟料厚度。因此，选择篦冷机的一段篦床压力为被控变量，一段篦床速度为操作变量。

2.数据预处理

对采集到的一段篦床压力数据进行滤波。采用均值滤波方法，以降低误差和随机噪声误差的影响。

$y\left(j\right)=\frac{1}{20}\underset{t=j-19}{\overset{j}{\mathrm{\Σ}}}{y\left(t\right)}^0---\left(6\right)$

其中，y(j)表示j时刻一段篦床压力信号滤波后的数值，y(t)⁰表示t时刻一段篦床压力的实时检测值。

3.一段篦床压力无模型自适应控制器（MFAC）设计

（1）计算伪偏导数

设熟料冷却过程可以表示为：

y(k+1)=f(y(k),y(k-1),...,y(k-n_a),u(k),u(k-1),...,u(k-n_b))   （7）

其中y(k)表示经过数据预处理之后的k时刻的一段篦床压力，u(k)表示k时刻的一段篦床速度，n_a和n_b分别表示过程的未知阶数，f(.)表示未知的非线性函数。

对熟料冷却过程进行分析，能够发现该过程满足以下三个条件：

条件①.过程（7）式是输入输出能观能控的，即对一段篦床压力的有界期望信号，一定存在一个与其对应的有界可行一段篦床速度信号，使一段篦床压力在此一段篦床速度信号作用下能够跟踪该一段篦床压力的期望信号；

条件②.函数f(.)关于一段篦床速度u(k)的偏导数连续，即在一段篦床速度允许的范围内，一段篦床速度的增量会导致一段篦床压力产生增量；

条件③.过程（7）为广义Lipschitz的，即和

使得|Δy(k+1)|≤b|Δu(k)|，即一段篦床速度在允许的范围内变化会产生一段篦床压力在允许的范围内变化。

将（7）式表示为

y(k+1)=f(Y(k),u(k),U(k-1))   （8）

其中，Y(k)=(y(k),y(k-1),...,y(k-n_a))，U(k-1)=(u(k-1),u(k-2),...,u(k-n_b))。因此有

Δy(k+1)=f(Y(k),u(k),U(k-1))-f(Y(k-1),u(k-1),U(k-2))   （9）

成立。其中，

Y(k-1)=(y(k-1),y(k-2),...,y(k-n_a-1))，

U(k-2)=(u(k-2),u(k-3),...,u(k-n_b-1))。

将（9）式改写为：

Δy(k+1)=f(Y(k),u(k),U(k-1))-f(Y(k),u(k-1),U(k-1))+   （10）

f(Y(k),u(k-1),U(k-1))-f(Y(k-1),u(k-1),U(k-2))

则根据条件②和微分中值定理得到：

$\mathrm{\Δy}(k+1)=\frac{{\∂f}^{*}}{\∂\left(u\left(k\right)\right)}\mathrm{\Δu}\left(k\right)+---\left(11\right)$

f(Y(k),u(k-1),U(k-1))-f(Y(k-1),u(k-1),U(k-2))

其中，

表示f(.)在u(k-1)和u(k)之间某一点的偏导数。

由于Δu(k)≠0，因此

满足：

f(Y(k),u(k-1),U(k-1))-f(Y(k-1),u(k-1),U(k-2))=a(k)Δu(k)

所以，（11）式可以写为：

$\mathrm{\Δy}(k+1)=[\frac{{\∂f}^{*}}{\∂\left(u\left(k\right)\right)}+\mathrm{\α}\left(k\right)]\mathrm{\Δu}\left(k\right).$

令

因此，在Δu(k)≠0时，有紧格式动态线性化模型Δy(k+1)=φ(k)Δu(k)成立，其中φ(k)是k时刻的伪偏导数，且满足|φ(k)|≤b。

由于k时刻的伪偏导数φ(k)是未知的，因此要根据过程的输入输出数据对它进行估计。选取伪偏导数的估计准则函数为：

$J_1\left(\widehat{\mathrm{\φ}}\left(k\right)\right)={[y\left(k\right)-y(k-1)-\widehat{\mathrm{\φ}}\left(k\right)\mathrm{\Δu}(k-1)]}^2+\mathrm{\μ}{[\widehat{\mathrm{\φ}}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)]}^2---\left(12\right)$

使伪偏导数的估计准则函数最小化，即可得：

$\widehat{\mathrm{\φ}}\left(k\right)\widehat{\mathrm{\φ}}(k-1)+\frac{\mathrm{\Δu}(k-1)[\mathrm{\Δy}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)\mathrm{\Δu}(k-1)]}{{\mathrm{\μ}+\mathrm{\Δu}(k-1)}^2}---\left(13\right)$

为了使其更具有一般性，引入步长序列η，则k时刻的伪偏导数估计值的表达式为：

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}(k-1)+\frac{\mathrm{\η\Δu}(k-1)[\mathrm{\Δy}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)\mathrm{\Δu}(k-1)]}{{\mathrm{\μ}+\mathrm{\Δu}(k-1)}^2}---\left(14\right)$

此外，为了满足条件③，以及使式（14）具有更强的时变参数跟踪能力，采用：

当 $\widehat{\mathrm{\φ}}\left(k\right)\≥-\mathrm{\ϵ}$ 或|Δu(k-1)|≤ε时， $\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}\left(1\right)---\left(15\right)$

的取值范围在(-5，0)之间，本例中初值取-0.0097，重置时取-0.002；ε的取值范围在(0，10^-2)之间，本例取10^-3；η的取值范围在(0，2)之间，本例取1；μ的取值范围在(0，100)之间，本例取1。

（2）无模型自适应控制律设计

设一段篦床压力控制性能指标为：

J₂(u(k))=[y_d(k+1)-y(k+1)]²+[y(k+1)-y(k)]²+λ[u(k)-u(k-1)]²   （16）

其中λ表示权重因子，y_d(k+1)表示k+1时刻的一段篦床压力期望输出。将紧格式动态线性化模型代入（16）式中，使一段篦床压力控制性能指标最小化，即

可得：

$u\left(k\right)=u(k-1)+\frac{\widehat{\mathrm{\φ}}\left(k\right)[y_d(k+1)-y\left(k\right)]}{{\mathrm{\λ}+2\widehat{\mathrm{\φ}}\left(k\right)}^2}---\left(17\right)$

为了使其更具有一般性，引入步长序列ρ，则一段篦床速度的表达式为：

$u\left(k\right)=u(k-1)+\frac{\mathrm{\ρ}\widehat{\mathrm{\φ}}\left(k\right)[y_d(k+1)-y\left(k\right)]}{{\mathrm{\λ}+2\widehat{\mathrm{\φ}}\left(k\right)}^2}---\left(18\right)$

ρ的取值范围在(0，2)之间，本例取1；λ的取值范围在(0，200]之间，本例取9。

Claims (1)

1.一种水泥熟料篦冷机控制方法，其特征在于，包括以下步骤：

变量选取：选取篦冷机的一段篦床压力为被控变量，一段篦床速度为操作变量；

数据预处理：对采集到的一段篦床压力的原始数据进行滤波；

一段篦床压力无模型自适应控制器设计：首先利用经过数据预处理后得到的数据计算伪偏导数的估计值，建立熟料冷却过程的紧格式动态线性化模型，然后以最小化一段篦床压力控制性能指标为目标，求解得到一段篦床速度；

所述数据滤波采用均值滤波方法，即

$y\left(j\right)=\frac{1}{20}\underset{t=j-19}{\overset{j}{\mathrm{\Σ}}}y{\left(t\right)}^0---\left(1\right)$

其中，y(j)表示j时刻一段篦床压力信号滤波后的数值，y(t)⁰表示t时刻一段篦床压力的实时检测值；

所述伪偏导数的形式为：

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}(k-1)+\frac{\mathrm{\η\Δu}(k-1)[\mathrm{\Δy}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)\mathrm{\Δu}(k-1)]}{\mathrm{\μ}+\mathrm{\Δu}{(k-1)}^2}---\left(2\right)$

当

或|Δu(k-1)|≤ε时， $\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}\left(1\right)---\left(3\right)$

其中

表示k时刻的伪偏导数估计值，Δu(k-1)表示k-1时刻的一段篦床速度的增量，Δy(k)表示经过数据预处理之后的k时刻的篦下压力增量，μ表示权重因子，η表示步长序列，ε表示一个很小的正数；

所述紧格式动态线性化模型的形式为：

$\mathrm{\Δy}(k+1)=\widehat{\mathrm{\φ}}\left(k\right)\mathrm{\Δu}\left(k\right)---\left(4\right)$

其中Δy(k+1)表示经过数据预处理之后的k+1时刻的一段篦床压力的增量，

表示k时刻的伪偏导数估计值，Δu(k)表示k时刻的一段篦床速度增量；

所述一段篦床速度的形式为：

$u\left(k\right)=u(k-1)+\frac{\mathrm{\ρ}\widehat{\mathrm{\φ}}\left(k\right)[y_d(k+1)-y\left(k\right)]}{\mathrm{\λ}+2\widehat{\mathrm{\φ}}{\left(k\right)}^2}---\left(5\right)$ 其中u(k)表示k时刻的一段篦床速度，ρ表示步长序列，λ表示权重因子，y_d(k+1)表示k+1时刻的一段篦床压力期望输出，

表示k时刻的伪偏导数估计值，y(k)表示k时刻一段篦床压力信号滤波后的数值。

Images