CN105785761A - 水泥生料分解过程温度智能切换控制方法 - Google Patents

Abstract

本申请提供一种水泥生料分解过程温度智能切换控制方法，步骤一:生料分解过程实时采样数据的获得；步骤二：生料分解过程温度智能切换控制算法；本发明智能切换控制方法既可以运行在分布式计算机控制系统（DCS）或可编程序逻辑控制系统（PLC）上，也可以通过通讯方式运行于独立的计算机上，该软件从控制系统获得实时过程数据，然后根据采样数据进行实时控制，从而获得生料分解过程温度智能切换控制方法。将本发明的温度智能切换控制方法应用在水泥生料分解过程期间，切换机制模块能够根据当前工况实时判断系统工况，选择异常工况控制器或T‑S模糊控制器，降低了预热器C5下料管堵塞概率，提高了设备的运转率，增加了台时产量，具有较高的实用价值。

Description

水泥生料分解过程温度智能切换控制方法

技术领域

本发明属于自动控制技术领域，特别涉及水泥生料在分解炉内分解过程的温度智能切换控制方法。

背景技术

在水泥生料分解过程中，以预分解窑为代表的新型干法水泥熟料生产过程包括生料制备、生料预热及分解(以下简称生料分解)，熟料煅烧、熟料冷却和煤粉制备五个相对独立的工艺环节。其中，生料分解是在最下一级预热器C5和回转窑窑尾之间设置一个分解炉，设置燃料喷入装置，使燃料燃烧的放热过程与生料中碳酸盐分解的吸热过程在分解炉内以悬浮态下迅速进行，使进入回转窑的生料分解率达到85％～94％。反映生料分解过程的质量、效率和安全的综合指标是生料分解率，它是指生料经过分解炉和预热器C5后，分解成氧化物的碳酸盐占总碳酸盐的百分比。生料分解率过高，会产生预热器C5下料管“堵塞”，甚至使生产停产；生料分解率过低，会使得生料预热效果差，增加下一工序回转窑的热负荷，降低产能。

分解炉温度和预热器C5出口温度与给煤量之间具有强非线性、大延时，且受生料流量的影响，难以用数学模型描述。因此难以采用已有的控制方法实现生料分解率的控制。目前生料分解率设定，分解炉温度设定和温度控制采用人工控制，当生料边界条件和生料流量频繁变化时，操作员难以及时准确地判断运行工况，难以及时准确的确定分解炉温度设定值和给煤量，同时难以使分解炉温度跟踪设定值和预热器C5出口温度在规定的范围内，造成生料分解率过高，致使预热器C5下料管堵塞，甚至导致停产。

发明内容

为了克服水泥生料分解过程中，分解炉温度和预热器C5出口温度很难控制在工艺要求的范围内，致使预热器C5下料管堵塞，甚至导致停产这一缺陷，本发明提出了一个带有前馈补偿的温度智能切换控制方法，由基于T-S的模糊控制器、基于规则推理的异常工况控制器和切换机制组成温度智能切换控制方法；即：水泥生料分解过程温度智能切换控制方法。

本文使用的生料分解设备是分解炉，使用基于模糊控制与规则控制的智能切换控制方法。首先对采集过程的实时数据；其次，切换机制根据当前工况选择T-S模糊控制器或异常工况控制器。本发明所建立的生料分解过程温度智能切换控制方法降低了预热器C5下料管堵塞的几率，提高了设备的运转率，增加了台时产量，具有较高的实用价值。

本发明的温度智能切换控制方法是这样实现的：

本发明所提出的温度智能切换控制方依赖于硬件平台，由智能软件实现，其硬件平台核 心由分解炉及其附属设备组成，同时配备了测量仪表，执行机构以及进行软件计算的计算机组成。其硬件平台核心部分的联接是分解炉的输入端与预热器C5下料口，输出端是预热器C5下料管出口与回转窑窑尾入口(水泥生料分解过程工艺流程如图1所示)。

水泥生料分解系统的测量仪表包括：

安装在生料仓下面的生料秤，用于测量生料流量F

安装在预热器C5出口的热电偶，用于在线测量预热器C5出口温度T_c5；

安装在分解炉中部的热电偶，用于在线测量分解炉的温度T_c；

其执行机构包括：

分解炉给煤转子秤U；

本发明智能切换控制方法既可以运行在分布式计算机控制系统(DCS)或可编程序逻辑控制系统(PLC)上，也可以通过通讯方式运行于独立的计算机上，该软件从控制系统获得实时过程数据，然后根据采样数据进行实时控制，从而获得生料分解过程温度智能切换控制方法。

本发明方法包括以下步骤：

步骤一:生料分解过程实时采样数据的获得

程序从控制系统获得生料分解过程的实时数据，包括：生料流量F、预热器C5出口温度T_C5、分解炉温度T_c、分解炉转子秤给煤量U。

步骤二：生料分解过程温度智能切换控制算法

为了降低生料分解过程故障工况发生的概率，本发明提出了一个带有前馈补偿的温度智能切换控制方法，如图2所示。

图2中，e_c(t)和e_c5(t)分别为分解炉温度设定和预热器C5出口温度设定与各自的反馈值之差，图2中其它符号的含义如表1所示。

表1 图2中各变量的含义

如图2所示，生料分解过程温度智能切换控制器由切换机制、异常工况控制器C₁、T-S模糊控制器C₂和前馈控制器C₃组成。切换机制采用规则推理的方法，根据预热器C5出口温 度T_c5(t)或生料流量F(t)与参考值F_ref差ΔF(t)，判断系统工况。如果T_c5(t)≥T_c5max或ΔF(t)≥ΔF_max时，表明生料分解过程处于异常工况，选择基于规则推理的异常工况控制器C₁；否则，选择T-S模糊控制器C₂。图2中各模块算法如下：

(1)切换机制

切换机制包括工况辨识模块和控制器选择模块。工况辨识根据预热器C5出口温度T_c5(t)或生料流量反馈值F(t)与参考值F_ref的差值ΔF(t)进行判断，当出现异常工况时，控制器选择模块切换至异常工况控制器C₁。

①工况辨识

本发明在总结操作经验的基础上，采用规则推理的方式识别工况和相应切换控制器的策略。实际中，随着生料流量F(t)的增加，分解炉温度T_c(t)和预热器C5出口温度T_c5(t)均减小。实际过程中，当生料流量F(t)大幅度减小时，致使预热器C5出口温度T_c5(t)过高，导致异常工况。因此，可以将生料流量F(t)作为辅助变量用来判断异常工况。这样，规则的前提是根据预热器C5出口温度T_c5(t)、生料流量与参考值差ΔF(t)的关系，得出相应的工况。工况辨识如表2所示。

表2 工况辨识的专家规则

表2中，R₂代表正常工况，R₁代表异常工况，ΔF(t)_max中的max表示最大值。

②控制器选择

切换机制中工况辨识模块辨识生料分解过程的工况，控制器选择模块根据当前的工况选择合适的控制器，控制器选择如表3所示。

表3 控制器选择模块

表3中，C₁和C₂分别代表异常工况控制器和T-S模糊控制器，R和S分别代表工况和被选择的控制器标志，Δu_c(t)代表切换控制器输出增量，Δu_C1(t)和Δu_C2(t)分别代表异常工况控制器输出和 T-S模糊控制器输出，t₀表示控制器初始时刻。

(2)异常工况控制器

生料分解过程中，生料流量F(t)严重影响分解炉温度T_c(t)和预热器C5出口温度T_c5(t)。另外，当预热器C5出口温度T_c5(t)大于上限T_c5max即T_c5(t)＞T_c5max时，系统处于异常工况。采用基于规则推理的异常工况控制器，使预热器C5出口温度T_c5(t)满足T_c5(t)≤T_c5max。对于“if-then”规则，定义前提变量e_c5(t)的最小值e_c5min和最大值e_c5max。异常工况控制器C₁的专家规则如表4所示。

表4 异常工况控制器C₁的专家规则

表4中，Δu_C1(t)代表异常工况控制器输出。

(3)前馈控制器

生料分解过程中，生料流量经常发生较大的波动，这样会对预热器C5出口温度和分解炉温度产生较大的影响。由于生料流量是可测不可控的变量，因此，将生料流量作为扰动变量设计前馈控制器。前馈控制器的输入为生料流量反馈值F(t)与生料流量参考值F_ref的偏差ΔF(t)。由于扰动通道的数学模型难以建立，所以采用基于规则推理的前馈控制。

根据实际操作经验及现场验证，前馈控制器C₃如式(1)所示。

Δu_f(t)＝K_d[ΔF(t)-ΔF_d] (1)

其中，ΔF(t)＝F(t)-F_ref，ΔF_d＞0为阙值，Δu_f(t)代表转子秤给煤量的增量，K_d＞0为前馈控制器C₃的比例系数，比例系数K_d如表5所示。

表5 前馈控制器C₃比例系数的专家规则

表5中，ΔF_min和ΔF_max分别代表流量变化的最小值和最大值，

(4)T-S模糊控制器

当生料分解过程处于正常工况时，设系统在稳态时的运行点为{T_c0,T_c50,u₀,F₀}，可以把系统写为式(2)形式。

式(2)包含线性项和非线性项，其中z^-1是延迟算子，ν₁[x(t)]和ν₂[x(t)]是关于Δ(T_c0,T_c50,u₀,F₀)的高阶非线性项。A₁(z^-1)和A₂(z^-1)是二阶多项式，B₁(z^-1)、B₂(z^-1)、C₁(z^-1)及C₂(z^-1)是一阶多项式，它们满足式(3)。

由于生料分解过程具有很强的非线性，应用传统的PID控制器很难将分解炉温度和预热器C5出口温度控制在工艺规定的范围内。T-S模型控制器不仅具有逼近非线性系统的能力,而且在模型的结论部分将模型输出表示为输入特征量的线性组合，即一个非线性模型划分为多个线性模型。实际上起到了将系统分区线性化的作用。因此，本发明采用基于过程数据的T-S模糊控制方法。

T-S模糊控制器的形式如下：

其中i＝1,…,r,r为规则数即子模型的个数，e_c和e_c5为输入变量(即前提变量)且满足x＝[e_c,e_c5]^T∈R²，是前提变量的模糊集合，Δu_c21i为子模型的输出变量，和是第i个规则输出的结论参数，这样式(4)可以表示为

其中是结论参数，

则T-S模糊控制器的最终输出Δu_c2公式为：

其中，式(7)中的权可以表示为：

式(8)中∏是模糊最小算子，即 是前提变量隶属函数等级，取高斯隶属函数：

式(9)中，ν_ij＞0，σ_ij∈(-∞,+∞)，ν_ij和σ_ij分别是隶属函数的聚类中心和方差，并且是前提参数。隶属函数的中心v_ij(i＝1,…,r；j＝1,2)及规则的数量r通过减法聚类来确定。

将上述减法聚类算法得到的聚类中心中的元素作为隶属函数的中心v_ij。隶属函数宽度σ_ij(j＝1,2)使用式(10)计算。

其中U_ijmin和U_ijmax分别是论域的最小值和最大值，ρ是数据对聚类中心的影响，δ∈[2,3]。

隶属函数的聚类中心ν_ij和方差σ_ij确定后，根据式(6)～(8)，T-S模糊控制器输出Δu_c2如式(11)所示。

定义：

根据图2，e_c(t)＝T_csp-T_c(t)，e_c5(t)＝T_c5max-T_c5(t)，则Δu_c2表示为

因此，根据图2控制器结构，转子秤给煤量u(t)如式(14)所示。

u(t)＝u(t-1)+Δu_c(t)+Δu_f(t) (14)

又因为Δu_c(t)＝Δu_c2(t)。所以结合式(2)、式(13)和式(14)，可以得到分解炉给煤量u(t)如式(15)所示。

由于ΔF(t)＝F(t)-F_ref，进一步整理式(15)得

其中

由于T_csp、T_c5max、F_ref、ΔF_d是常数且(v₁[x(t)],v₂[x(t)])和可测扰动生料流量F(t)(60≤F(t)≤90)有界。同时，式(4)中限定在[0.2,0.5]。因此，参数在区间[h,k]内，有界。因此，我们只需要选择控制器参数和使用极点配置方法确定控制器参数和

根据上面的分析，选择控制器参数和使得分解炉温度T_c(t)满足：T_cmin≤T_c(t)≤T_cmax且预热器C5出口温度T_c5(t)满足：T_c5(t)≤T_c5max。

本发明的水泥生料分解过程智能切换控制方法详细步骤如下(流程图见图3)：

(A)程序开始；

(B)实时过程数据采集：

程序从控制系统获得生料分解过程的实时数据，包括：生料流量F、预热器C5出口温度T_C5、分解炉温度T_c、分解炉转子秤给煤量U。

(C)前馈控制模块

生料分解过程中，当生料流量F(t)变化或生料流量不能及时跟踪设定值时，常常产生进 入分解炉内的生料流量发生变化，因此影响分解炉温度及预热器C5出口温度，从而影响生料分解率。因此，需要根据生料流量的变化ΔF(t)(ΔF(t)＝F(t)-F_ref)及时调整转子秤给煤量,详细如步骤三所示。

(D)切换机制模块：

切换机制包括工况辨识模块和控制器选择模块。工况辨识根据预热器C5出口温度T_c5(t)或生料流量反馈值F(t)与参考值F_ref的差值ΔF(t)进行判断，当出现异常工况时，控制器选择模块切换至异常工况控制器C₁，详细如步骤三所示。

(E)异常工况控制模块

生料分解过程中，生料流量F(t)严重影响分解炉温度T_c(t)和预热器C5出口温度T_c5(t)。另外，当预热器C5出口温度T_c5(t)大于上限T_c5max即T_c5(t)＞T_c5max时，系统处于异常工况。采用基于规则推理的异常工况控制器，使预热器C5出口温度T_c5(t)满足T_c5(t)≤T_c5max。对于“if-then”规则，定义前提变量e_c5(t)的最小值e_c5min和最大值e_c5max，详细如步骤三的异常工况控制模块。

(F)T-S模糊控制模块

由于生料分解过程具有很强的非线性，应用传统的PID控制器很难将分解炉温度和预热器C5出口温度控制在工艺规定的范围内。T-S模型控制器不仅具有逼近非线性系统的能力,而且在模型的结论部分将模型输出表示为输入特征量的线性组合，即一个非线性模型划分为多个线性模型。实际上起到了将系统分区线性化的作用。因此，本发明采用基于过程数据的T-S模糊控制方法，详细如步骤三的T-S模糊控制模块。

附图说明

图1本发明的一种实例的硬件结构图；

图2生料分解过程温度智能切换控制图；

图3为水泥生料分解过程智能切换控制方法详细步骤流程图；

图1中所用符号说明如下：

F—生料流量；

T_C5—预热器C5出口温度；

T_c—分解炉的温度；

U—分解炉给煤量；

图2中，e_c(t)和e_c5(t)分别为分解炉温度设定和预热器C5出口温度设定与各自的反馈值之 差，C₁、C₂和C₃分别代表异常工况控制器、T-S模糊控制器和前馈控制器。图2中其它符号的含义如表1所示。

具体实施方式

以某水泥厂水泥生料分解过程为例，水泥生料分解过程工艺流程如图1所示。系统具有5级悬浮预热器、1台分解炉和1台回转窑。在高温风机和废气风机的作用下，来自回转窑和分解炉的废气经过旋风筒C5到达增湿塔。生料经过旋风筒C1与分解炉和窑尾废气进行热交换，然后，生料继续下行进入下一级旋风筒，这样热交换重复进行。生料在下降过程中被逆向前进的热气流加热，煤粉和辅助风混合成气固两相流与三次风一起喷入分解炉，煤粉燃烧的热量使生料在分解炉内的分解率达到0.85～0.94。同时窑头煤粉与来自冷却风机的二次风一起燃烧后的烟气进入分解炉内。

根据本说明书的要求安装如下的检测仪表，包括：

2支镍铬镍硅热电偶，用于在线测量预热器C5出口温度和分解炉温度，分别为：T_C5和T_c；

一台生料秤，用于在线测量入分解炉生料流量F；

其执行机构包括：

一台分解炉给煤转子秤，测量给煤量U；

通过可编程序逻辑控制器(PLC)实现生料分解过程温度智能切换控制，控制系统算法模块通过获取采样实时过程数据，在监控计算机上通过Siemens公司的WinCC软件实现监控人机界面。水泥生料分解过程各参数的正常工作范围为：

生料流量——70T/h～100.0T/h

分解炉给煤量——3.0T/h～6.0T/h

C5出口温度——870℃～900℃

分解炉温度——850℃～880℃

本发明方法的具体实现过程如下：

步骤一：生料分解过程实时采样数据的获得

当前时刻的生料流量83.0T/h、预热器C5出口温度883℃、分解炉温度876℃、分解炉给煤量3.6T/h。

步骤二：生料分解过程温度智能切换控制算法

(1)切换机制

当前生料流量反馈值F(t)＝83.0T/h,参考值F_ref＝75T/h,T_c5max＝880℃、T_c5(t)＝883℃， ΔF(t)＝F(t)-F_ref＝8T/h，ΔF_max＝10T/h。根据表1，当前工况R＝R₁。选择C₁控制器，即异常工况控制器。

(2)异常工况控制器

当前生料流量反馈值F(t)＝83.0T/h,参考值F_ref＝75T/h,T_c(t)＝876℃、T_c5max＝890℃、T_c5(t)＝883℃，e_c5(t)＝T_c5max-T_c5(t)＝7℃，e_c5max＝5℃，根据表4，满足Rule 1,Δu_c1(t)＝-0.35.

(3)前馈控制器

当前生料流量反馈值F(t)＝83.0T/h,参考值F_ref＝75T/h,ΔF(t)＝F(t)-F_ref＝8T/h，ΔF_max＝10T/h,ΔF_min＝3T/h,ΔF_d＝2T/h。根据表5，当前前馈控制器满足Rule 2,比例系数K_d＝-0.2，此时根据式(1)得出Δu_f(t)＝-1.2。

(4)T-S模糊控制器

①数据描述

将采集的3100组数据作为离线训练数据，n＝3100，用来提取规则及T-S结论部分参数的确定。部分测试数据如表6所示。

表6 部分测试数据

②控制器参数选择

根据T-S模糊控制器问题描述，首先选择e_c(t)和e_c5(t)作为T-S模糊控制器的输入变量，Δu_c2作为模糊控制器的输出变量，即模糊控制器有2个输入变量，1个输出变量。根据表6可知，n＝3100，p＝2。

③实验结果与分析

表6中e_c(t)和e_c5(t)两列数据经过标准化处理后，使用减法聚类算法，得聚类中心v_i(i＝1,…1,6)如表7所示。

表7 基于减法聚类的聚类中心

隶属函数宽度σ_ij按照式(10)计算，如表8所示。

表8 隶属函数的宽度σ_ij

使用极点配置方法, $p^0=\{p_1^0,p_2^0,p_3^0,p_4^0,p_5^0,p_6^0\}=\{0.26,0.31,0.35,0.42,0.37,0.82\},$ $p^1=\{p_1^1,p_2^1,p_3^1,p_4^1,p_5^1,p_6^1\}=\{0.25,0.28,0.73,0.37,0.48,0.53\},$ $p^2=\{p_1^2,p_2^2,p_3^2,p_4^2,p_5^2,p_6^2\}=\{0.21,0.54,0.37,0.29,0.41,0.56\}.$

将本发明的温度智能切换控制方法应用在水泥生料分解过程期间，切换机制模块能够根据当前工况实时判断系统工况，选择异常工况控制器或T-S模糊控制器，降低了预热器C5下料管堵塞概率，提高了设备的运转率，增加了台时产量，具有较高的实用价值。

Claims (3)

1.一种水泥生料分解过程温度智能切换控制方法，其特征在于：该控制方法依赖硬件平台，所述方法包括以下步骤：

步骤一:生料分解过程实时采样数据的获得:

从控制系统获得生料分解过程的实时数据，包括：生料流量F、预热器C5出口温度T_C5、分解炉温度T_c、分解炉转子秤给煤量U；

步骤二：生料分解过程温度智能切换控制算法:

(1)切换机制

切换机制包括工况辨识模块和控制器选择模块；工况辨识根据预热器C5出口温度T_c5(t)或生料流量反馈值F(t)与参考值F_ref的差值ΔF(t)进行判断，当出现异常工况时，控制器选择模块切换至异常工况控制器C₁；

①工况辨识

采用规则推理的方式识别工况和相应切换控制器的策略；实际中，随着生料流量F(t)的增加，分解炉温度T_c(t)和预热器C5出口温度T_c5(t)均减小；实际过程中，当生料流量F(t)大幅度减小时，致使预热器C5出口温度T_c5(t)过高，导致异常工况；因此，将生料流量F(t)作为辅助变量用来判断异常工况；这样，规则的前提是根据预热器C5出口温度T_c5(t)、生料流量与参考值差ΔF(t)的关系，得出相应的工况；工况辨识如表2所示；

表2 工况辨识的专家规则

表2中，R₂代表正常工况，R₁代表异常工况，ΔF(t)_max中的max表示最大值；

②控制器选择

切换机制中工况辨识模块辨识生料分解过程的工况，控制器选择模块根据当前的工况选择合适的控制器，控制器选择如表3所示；

表3 控制器选择模块

表3中，C₁和C₂分别代表异常工况控制器和T-S模糊控制器，R和S分别代表工况和被选择的控制器标志，Δu_c(t)代表切换控制器输出增量，Δu_C1(t)和Δu_C2(t)分别代表异常工况控制器输出和T-S模糊控制器输出，t₀表示控制器初始时刻；

(2)异常工况控制器

生料分解过程中，生料流量F(t)严重影响分解炉温度T_c(t)和预热器C5出口温度T_c5(t)；另外，当预热器C5出口温度T_c5(t)大于上限T_c5max即T_c5(t)＞T_c5max时，系统处于异常工况；采用基于规则推理的异常工况控制器，使预热器C5出口温度T_c5(t)满足T_c5(t)≤T_c5max；对于“if-then”规则，定义前提变量e_c5(t)的最小值e_c5min和最大值e_c5max；异常工况控制器C₁的专家规则如表4所示；

表4 异常工况控制器C₁的专家规则

表4中，Δu_C1(t)代表异常工况控制器输出；

(3)前馈控制器

生料分解过程中，生料流量经常发生较大的波动，这样会对预热器C5出口温度和分解炉温度产生较大的影响；由于生料流量是可测不可控的变量，因此，将生料流量作为扰动变量设计前馈控制器；前馈控制器的输入为生料流量反馈值F(t)与生料流量参考值F_ref的偏差ΔF(t)；由于扰动通道的数学模型难以建立，所以采用基于规则推理的前馈控制；

根据实际操作经验及现场验证，前馈控制器C₃如式(1)所示；

Δu_f(t)＝K_d[ΔF(t)-ΔF_d] (1)

其中，ΔF(t)＝F(t)-F_ref，ΔF_d＞0为阙值，Δu_f(t)代表转子秤给煤量的增量，K_d＞0为前馈控制器C₃的比例系数，比例系数K_d如表5所示；

表5 前馈控制器C₃比例系数的专家规则

表5中，ΔF_min和ΔF_max分别代表流量变化的最小值和最大值；

(4)T-S模糊控制器

当生料分解过程处于正常工况时，设系统在稳态时的运行点为{T_c0,T_c50,u₀,F₀}，可以把系统写为式(2)形式；

$\left[\begin{array}{cc}{A}_1\left(z^{-1}\right)& 0\\ 0& A_2\left(z^{-1}\right)\end{array}\right]\left[\begin{array}{c}{T}_c(t+1)\\ T_{c5}(t+1)\end{array}\right]=\left[\begin{array}{c}{B}_1\left(z^{-1}\right)\\ B_2\left(z^{-1}\right)\end{array}\right]u\left(t\right)+\left[\begin{array}{c}{C}_1\left(z^{-1}\right)\\ C_2\left(z^{-1}\right)\end{array}\right]F\left(t\right)+\left[\begin{array}{c}{v}_1\[x\left(t\right)\]\\ v_2\[x\left(t\right)\]\end{array}\right]---\left(2\right)$

式(2)包含线性项和非线性项，其中z^-1是延迟算子，ν₁[x(t)]和ν₂[x(t)]是关于Δ(T_c0,T_c50,u₀,F₀)的高阶非线性项；A₁(z^-1)和A₂(z^-1)是二阶多项式，B₁(z^-1)、B₂(z^-1)、C₁(z^-1)及C₂(z^-1)是一阶多项式，它们满足式(3)；

$\left\{\begin{array}{c}{A}_1\left(z^{-1}\right)=1+a_{11}{z}^{-1}+a_{12}{z}^{-2}\\ A_2\left(z^{-1}\right)=1+a_{21}{z}^{-1}+a_{22}{z}^{-2}\\ B_1\left(z^{-1}\right)=b_{10}+b_{11}{z}^{-1}\\ B_2\left(z^{-1}\right)=b_{20}+b_{21}{z}^{-1}\\ C_1\left(z^{-1}\right)=c_{10}+c_{11}{z}^{-1}\\ C_2\left(z^{-1}\right)=c_{20}+c_{21}{z}^{-1}\end{array}\right.---\left(3\right)$

由于生料分解过程具有很强的非线性，应用传统的PID控制器很难将分解炉温度和预热器C5出口温度控制在工艺规定的范围内；T-S模型控制器不仅具有逼近非线性系统的能力,而且在模型的结论部分将模型输出表示为输入特征量的线性组合，即一个非线性模型划分为多个线性模型；实际上起到了将系统分区线性化的作用；因此，本发明采用基于过程数据的T-S模糊控制方法；

T-S模糊控制器的形式如下：

$\begin{array}{cccccc}{R}_i:IF& e_{c}is& A_i^1& and& e_{c5}is& A_i^2\end{array}$

$\begin{array}{cc}Then& {\mathrm{\Δu}}_{c21i}=p_i^0+p_i^1{e}_c+p_i^2{e}_{c5}\end{array}---\left(4\right)$

其中i＝1,…,r,r为规则数即子模型的个数，e_c和e_c5为输入变量(即前提变量)且满足x＝[e_c,e_c5]^T∈R²，是前提变量的模糊集合，Δu_c21i为子模型的输出变量，和是第i个规则输出的结论参数，这样式(4)可以表示为

${\mathrm{\Δu}}_{c2i}=p_i^T\hat{x}---\left(5\right)$

其中 $p_i={[p_i^0,p_i^1,p_i^2]}^T$ 是结论参数， $\hat{x}={[1,x^T]}^T;$

则T-S模糊控制器的最终输出Δu_c2公式为：

${\mathrm{\Δu}}_{c2}=\frac{\underset{i=1}{\overset{r}{\Σ}}{\tilde{w}}_i{\mathrm{\Δu}}_{c2i}}{\underset{i=1}{\overset{r}{\Σ}}{\tilde{w}}_i}=\underset{i=1}{\overset{r}{\Σ}}{w}_i(p_i^0+p_i^1{e}_c+p_i^2{e}_{c5})---\left(6\right)$

$w_i={\tilde{w}}_i/{\mathrm{\Σ}}_{i=1}^r{\tilde{w}}_i---\left(7\right)$

其中，式(7)中的权可以表示为：

${\tilde{w}}_i=\underset{j=1}{\overset{2}{\Π}}\mathrm{\μ}\left(A_j^i\right),i=1,...,r---\left(8\right)$

式(8)中∏是模糊最小算子，即 是前提变量隶属函数等级，取高斯隶属函数：

$\mathrm{\μ}\left(A_j^i\right)=\exp (-{\left|\frac{x_j-{\mathrm{\ν}}_{ij}}{{\mathrm{\σ}}_{ij}}\right|}^2),(i=1,...,r;j=1,2)---\left(9\right)$

式(9)中，ν_ij＞0，σ_ij∈(-∞,+∞)，ν_ij和σ_ij分别是隶属函数的聚类中心和方差，并且是前提参数；隶属函数的中心v_ij(i＝1,…,r；j＝1,2)及规则的数量r通过减法聚类来确定；

将上述减法聚类算法得到的聚类中心中的元素作为隶属函数的中心v_ij；隶属函数宽度σ_ij(j＝1,2)使用式(10)计算；

${\mathrm{\σ}}_{ij}=\mathrm{\ρ}\frac{U_{ijmax}-U_{ijmin}}{\mathrm{\δ}}---\left(10\right)$

其中U_ijmin和U_ijmax分别是论域的最小值和最大值，ρ是数据对聚类中心的影响，δ∈[2,3]；

隶属函数的聚类中心ν_ij和方差σ_ij确定后，根据式(6)～(8)，T-S模糊控制器输出Δu_c2如式(11)所示；

定义：

e_c(t)＝T_csp-T_c(t)，e_c5(t)＝T_c5max-T_c5(t)，则Δu_c2表示为

${\mathrm{\Δu}}_{c2}=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\β}}_i\[p_i^0+p_i^1(T_{csp}-T_c(t\left)\right)+p_i^2(T_{c5max}-T_{c5}(t\left)\right)\]---\left(13\right)$

因此，转子秤给煤量u(t)如式(14)所示；

u(t)＝u(t-1)+Δu_c(t)+Δu_f(t) (14)

又因为Δu_c(t)＝Δu_c2(t)；所以结合式(2)、式(13)和式(14)，可以得到分解炉给煤量u(t)如式(15)所示；

$(1-z^{-1})u\left(t\right)=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\β}}_i\[p_i^0+p_i^1(T_{csp}-T_c(t\left)\right)+p_i^2(T_{c5max}-T_{c5}(t\left)\right)\]+K_d\[\mathrm{\Δ}F\left(t\right)-{\mathrm{\ΔF}}_d\]---\left(15\right)$

由于ΔF(t)＝F(t)-F_ref，进一步整理式(15)得

$(1-z^{-1})u\left(t\right)=\[\begin{array}{cc}{F}_1& F_2\end{array}\]\left[\begin{array}{c}{T}_c\left(t\right)\\ T_{c5}\left(t\right)\end{array}\right]+\[\begin{array}{cc}{R}_1& R_2\end{array}\]\left[\begin{array}{c}{T}_{csp}\\ T_{c5max}\end{array}\right]+P_0+K_d\[F\left(t\right)-F_{ref}-{\mathrm{\ΔF}}_d\]---\left(16\right)$

其中 $F_1=-\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\β}}_i{p}_i^1,F_2=-\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\β}}_i{p}_i^2,R_1=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\β}}_i{p}_i^1,R_2=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\β}}_i{p}_i^2,P_0=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\β}}_i{p}_i^0;$

由于T_csp、T_c5max、F_ref、ΔF_d是常数且(v₁[x(t)],v₂[x(t)])和可测扰动生料流量F(t)(60≤F(t)≤90)有界；同时，式(4)中限定在[0.2,0.5]；因此，参数在区间[h,k]内，有界；因此，我们只需要选择控制器参数和使用极点配置方法确定控制器参数和

根据上面的分析，选择控制器参数和使得分解炉温度T_c(t)满足：T_cmin≤T_c(t)≤T_cmax且预热器C5出口温度T_c5(t)满足：T_c5(t)≤T_c5max。

2.根据权利要求1所述的水泥生料分解过程温度智能切换控制方法，其特征在于：所依赖的硬件平台包括分解炉、计算机和附属设备，其中计算机采集生料分解过程的实时数据并进行处理；其中分解炉的输入端为预热器C4出口，输出端是预热器C5下料管出口与回转窑窑尾入口。

3.根据权利要求1所述的水泥生料分解过程温度智能切换控制方法，其特征在于：水泥生料分解系统的测量仪表包括：安装在生料仓下面的生料秤，用于测量生料流量F，安装在预热器C5出口的热电偶，用于在线测量预热器C5出口温度T_c5；安装在分解炉中部的热电偶，用于在线测量分解炉的温度T_c；控制分解炉温度的执行机构包括：分解炉给煤转子秤U。