CN107544578B - 基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法 - Google Patents

Abstract

本发明公开了一种基于BFCM‑iWM模糊规则自提取的水泥分解炉温度控制方法，其内容包括：通过对分解炉工艺的分析与现场经验总结，分析与分解炉出口温度相关量，确定分解炉出口温度控制策略；通过查询工业现场数据库方法，采集分解炉运行时的数据；当分解炉喂煤量发生变化时，根据此条件和3σ准则进行剔除；剔除后确定分解炉温度偏差、偏差变化率以及分解炉喂煤增量的论域范围；应用BFCM聚类方法对样本数据进行聚类，确定样本数据的信任度；基于加入信任度iWM方法的规则提取；基于规则建立模糊控制器，实现温度控制。本发明方法采用加入数据信任度的iWM方法从数据中自动提取规则，避免了人工制定规则的主观性和局限性，提高了规则的准确性和鲁棒性。

Description

基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法

技术领域

本发明涉及流程工业温度控制领域，尤其是一种基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法。

背景技术

水泥的分解炉是预分解系统的核心部分，它承担了预分解窑系统中煤粉燃烧、气固换热和碳酸盐分解任务，使入窑生料的分解率达到90％以上，从而大大提高了回转窑单位有效容积的产量。而碳酸盐的有效分解需要一个相对稳定的温度，如果温度太高，会造成预热器堵塞；如果温度太低，则导致碳酸盐分解不充分，增加了回转窑的负荷，同时，使生产出来的水泥在应用中水解缓慢，严重影响建筑质量。因此，分解炉的温度控制对整个新型干法窑外分解系统的热力分布、热工制度的稳定是至关重要的。

目前许多水泥厂还是借鉴现场操作人员的工作经验，依靠经验的控制并不准确，生产效率低、能耗高，通过人工操作以求获得满意的控制效果。一些先进控制方法由于复杂的学习机理也难以在工况多变的分解炉温度控制过程中有实质性进展和应用。

发明内容

本发明目的在于提供一种基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，该方法基于BFCM方法进行样本数据处理，采用iWM方法从处理过后的数据中挖掘模糊规则，以分解炉温度偏差和偏差变化率为输入，以分解炉喂煤量为输出，从而实现分解炉温度的有效控制。

为实现上述目的，本发明采用了以下技术方案：

一种基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，所述方法内容包括以下步骤：

步骤1，确定分解炉温度控制策略；

通过对分解炉工艺的分析与现场经验总结，分析与分解炉出口温度相关量，确定分解炉出口温度控制策略；在分解炉正常运行情况下，三次风阀门开度保持恒定，生料下料保持稳定，因此通过调节煤粉阀门开度来控制送入分解炉的煤量实现分解炉温度控制；以分解炉出口实际温度与设定温度的偏差和偏差变化率为输入，分解炉喂煤增量为输出，设计两输入一输出的模糊控制器来实现分解炉温度的调节；

步骤2，数据采集及论域确定；

OPC服务器对现场DCS系统中的数据进行采集，并存储到数据库中，通过查询工业现场数据库方法，采集分解炉运行时的数据；当分解炉喂煤量发生变化时说明此情况下分解炉出口温度需要调节，根据此条件和3σ准则进行剔除；剔除后确定分解炉温度偏差、偏差变化率以及分解炉喂煤增量的论域范围；

步骤3，基于BFCM算法的样本数据处理；

在得到样本数据的基础上，应用BFCM算法对样本数据进行聚类，确定样本数据的信任度；

步骤4，基于加入信任度iWM方法的规则提取；

在iWM方法提取规则的过程中加入得到的样本信任度，通过所有样本数据参与选举的方式得到准确性高，鲁棒性好的完备模糊规则库；

步骤5，基于规则建立模糊控制器，实现温度控制；

采用高斯模糊化、乘积推理机、中心平均反模糊化的方法，根据BFCM-iWM方法提取到的规则构造分解炉喂煤量的模糊控制器。

进一步的，在步骤2中，所述3σ准则的表达式为：

式中，n代表数据的个数，x_i是数据中的第i个数据量，

为n个数据的数学期望值。

进一步的，在步骤3中，所述应用BFCM聚类方法对样本数据进行聚类，确定样本数据的信任度；其具体内容为：

设样本集x分为c类，则每一类可以用一个c×N的矩阵来表示，每一类的情况如式(2)表示：

式中，c代表类别个数，N代表样本数据个数，u_ij是x_i属于第j类的隶属度值；

E_i来描述每条数据隶属度u_ij的熵如式(3)表示：

x_i的信任度bel_i如式(4)表示：

BFCM聚类算法的目标函数如式(5)：

式中，m表示隶属度的权值系数，u_ij是x_i属于类别j的隶属度值，d(x_i,v_j)是数据x_i和聚类中心v_j的距离；聚类中心v_j更新为：

样本数据的隶属度计算为：

式中，b表示的是迭代次数；

确定样本数据的信任度，其具体步骤为：

Step1：初始化；设定聚类中心个数c，模糊矩阵权值m，迭代终止值ε，最大迭代次数b_max；

Step2：按(3)式和(4)式更新信任度，按(6)式，使用隶属度矩阵U^(b)更新模糊聚类中心；

Step3：按照(7)式，根据聚类中心V^(b)更新隶属度矩阵U^(b+1)；

Step4：如果||U^(b+1)-U^(b)||≤ε，迭代终止，同时获得此时的聚类中心V和模糊隶属度矩阵U；否则，令b＝b+1,U^(b+1)＝U^(b)，返回到Step2；这里u_ij代表x_i属于j类的程度，bel_i是x_i的信任度。

式(3)和式(4)应用于BFCM算法中，在Step2中用于更新数据的信任度，聚类完成后得到的样本信任度(Belief)将用于基于加入信任度iWM方法的规则提取中。

进一步的，在步骤4中，所述基于加入信任度iWM方法的提取规则，就是采用的模糊规则样式为IF-THEN规则形式，具体的描述为：

IF x_i1 is A_i1 ^(l)and...x_im is A_im ^(l)THEN y is B^(l) (8)

式中A_ij ^(l)和B^(l)代表划分定义的模糊语言值。

具体提取规则的步骤为：

Step1：划分输入和输出空间为不同的模糊空间并计算隶属度值，对每一个样本数据(x⁽ⁱ⁾；y⁽ⁱ⁾)计算：

式中A_ij代表的是式(8)中的模糊划分空间；如果

则将没有规则产生；否则，ω⁽ⁱ⁾作为y⁽ⁱ⁾的权重；

Step2：计算输出的加权平均值av：

Step3：确定输出模糊集；

设输出变量有K个模糊集，即B＝{B¹,...B^K}，那么输出变量的模糊集由式(11)确定：

u_Bj*(av)≥u_Bj(av)。 (11)

进一步的，在步骤5中，所述基于规则建立模糊控制器，就是采用高斯函数模糊化、乘积推理机、中心平均反模糊化构造模糊控制模型：

其中y_c ^l是第l条规则在模糊隶属度函数

取的最大值时所对应的点，也就是

的点，y(X)代表最终的计算输出。

与现有技术相比，本发明具有如下优点：

1、以分解炉温度偏差、分解炉温度偏差变化率为输入，喂煤增量为输出，采用高斯函数进行模糊化、乘积推理机进行模糊推理、中心平均法解模糊化。建立喂煤量的模糊控制器，实现分解炉温度的有效控制，适用于工况不同的厂家，避免了建立数学模型困难的问题，具有更好的适用性和可移植性。

2、采用BFCM聚类方法对样本数据进行处理，引入样本的信任度，在聚类过程中确定正常数据和异常数据不同的信任度，不同信任度代表在规则提取中具有不同权重，这为提取到准确的规则库提供了保证。

3、采用加入数据信任度的iWM方法从数据中自动提取规则，方法原理简单，实现方便高效，避免了人工制定规则的主观性和局限性，减少了异常数据和噪声数据对规则提取的影响，提高了规则的准确性和鲁棒性。

附图说明

图1为本发明方法的流程图；

图2为本发明中分解炉温度控制策略框图；

图3为本发明BFCM-iWM方法流程图；

图4为本发明一个实施例中四种情况下控制器的测试效果图；

图5为本发明一个实施例中分解炉温度控制曲线变化图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明：

实施例1：本发明基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，应用于某水泥厂中，对水泥分解炉出口温度进行控制，实施方案流程如图1所示。首先依据水泥分解炉的工艺流程分析，明确影响温度的变量，温度控制策略；依据分解炉喂煤量发生变化的条件和3σ准则对采集到的原始数据进行剔除选择，得到样本数据，采用BFCM算法聚类样本数据进行处理，引入信任度概念；在此基础之上，采用iWM方法从数据中提取规则，依据所提取规则建立模糊控制器；最后将控制器应用于分解炉的温度控制中，实现温度的有效控制。

具体步骤如下：

步骤1：确定温度控制策略

通过对分解炉工艺的分析与现场经验总结可知，三次风量、喂煤量及生料下料量均可能影响分解炉出口温度。根据与现场工作人员的交流得知，在分解炉正常运行情况下，三次风阀门开度保持恒定，生料下料保持稳定，因此通过调节煤粉阀门开度来控制送入分解炉的煤量，从而使分解炉出口气体的温度保持在规定的范围内。以分解炉出口实际温度与设定温度的偏差e和偏差变化率ec为输入，分解炉喂煤增量为输出，设计两输入一输出的模糊控制器来实现分解炉温度的调节。具体控制策略图如图2中所示。

步骤2：数据采集及论域确定。

从某水泥厂生产线DCS系统中采集原始数据，通过样本数筛选条件和3σ准则进行剔除后，共得到样本数据2429组。根据均值和标准差，取置信度为95％，确定温度偏差、偏差变化率和喂煤量增量的论域为[-50,50]、[-20,20]、[-1.2,1.2]。其中2379组数据用来进行规则提取，建立控制器，其它50组数据用来验证控制器的效果。

步骤3：基于BFCM-iWM自提取规则建立控制器

步骤3的具体流程如图3中所示。首先，采用BFCM算法对2379组样本数据进行聚类，在聚类的过程中引入样本信任度，聚类完成后，每条样本数据得到相应的信任度。

然后，采用iWM方法从样本数据中提取规则，模糊化的方法采用高斯函数。由于变量语言值的划分对规则提取的结果有重要影响，根据历史控制数据和样本数据的综合统计分析与实验，将分为表1中四种情况分别进行模糊控制规则的提取，表1中具体给出了每种情况下各变量语言值的个数。

表1四种情况下各变量语言值个数

最后，根据表1中的四种情况下分别提取的模糊规则库，采用乘积推理机，中心平均解模糊化方法分别建立关于喂煤量的控制器，50组测试数据的测试效果如图4(a-d)中所示。从图中可得，在Case3的情况下，测试效果最好，因此各语言值数量取为9个。

步骤4：分解炉温度控制

应用上述步骤建立的控制器对分解炉温度进行控制，为了研究实际生产中基于BFCM-iWM模糊自提取的水泥分解炉温度控制方法的连续控制效果，将阶跃信号替换为随机信号进行实验，控制周期设定为1S。首先将温度设定为860℃，当时间到达500S时，温度设定值改为870℃，运行到1000S时，温度设定值改为865℃，分别观察记录此过程中分解炉BFCM优化前和BFCM优化后模糊控制温度变化曲线图。其中，优化前的控制曲线变化图如图5(a)所示，优化后的控制曲线变化图如图5(b)所示。从图5中可以看出，本发明提出的基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，应用于分解炉出口温度控制实例中表现出良好的性能，控制效果稳定，能够很好的将温度控制在设定值附近。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，其特征在于：所述方法内容包括以下步骤：

步骤1，确定分解炉温度控制策略；

通过对分解炉工艺的分析与现场经验总结，分析与分解炉出口温度相关量，确定分解炉出口温度控制策略；以分解炉出口实际温度与设定温度的偏差和偏差变化率为输入，分解炉喂煤增量为输出，设计两输入一输出的模糊控制器来实现分解炉温度的调节；

步骤2，数据采集及论域确定；

OPC服务器对现场DCS系统中的数据进行采集，并存储到数据库中，通过查询工业现场数据库方法，采集分解炉运行时的数据；当分解炉喂煤量发生变化时说明此情况下分解炉出口温度需要调节，根据此条件和3σ准则进行剔除；剔除后确定分解炉温度偏差、偏差变化率以及分解炉喂煤增量的论域范围；

步骤3，基于BFCM算法的样本数据处理；

在得到样本数据的基础上，应用BFCM算法对样本数据进行聚类，确定样本数据的信任度；

步骤4，基于加入信任度iWM方法的规则提取；

在iWM方法提取规则的过程中加入得到的样本信任度，通过所有样本数据参与选举的方式得到准确性高，鲁棒性好的完备模糊规则库；

步骤5，基于规则建立模糊控制器，实现温度控制；

采用高斯模糊化、乘积推理机、中心平均反模糊化的方法，根据BFCM-iWM方法提取到的规则构造分解炉喂煤量的模糊控制器。

2.根据权利要求1所述的基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，其特征在于：在步骤2中，所述3σ准则的表达式为：

式中，n代表数据的个数，x_i是数据中的第i个数据量，

为n个数据的数学期望值。

3.根据权利要求1所述的基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，其特征在于：在步骤3中，所述应用BFCM聚类方法对样本数据进行聚类，确定样本数据的信任度；其具体内容为：

设样本集x分为c类，则每一类可以用一个c×N的矩阵来表示，每一类的情况如式(2)表示：

式中，c代表类别个数，N代表样本数据个数，u_ij是x_i属于第j类的隶属度值；

E_i来描述每条数据隶属度u_ij的熵如式(3)表示：

x_i的信任度bel_i如式(4)表示：

BFCM聚类算法的目标函数如式(5)：

式中，m表示隶属度的权值系数，u_ij是x_i属于类别j的隶属度值，d(x_i,v_j)是数据x_i和聚类中心v_j的距离；聚类中心v_j更新为：

样本数据的隶属度计算为：

式中，b表示的是迭代次数；

确定样本数据的信任度，其具体步骤为：

Step1：初始化；设定聚类中心个数c，模糊矩阵权值m，迭代终止值ε，最大迭代次数b_max；

Step2：按(3)式和(4)式更新信任度，按(6)式，使用隶属度矩阵U^(b)更新模糊聚类中心；

Step3：按照(7)式，根据聚类中心V^(b)更新隶属度矩阵U^(b+1)；

Step4：如果||U^(b+1)-U^(b)||≤ε，迭代终止，同时获得此时的聚类中心V和模糊隶属度矩阵U；否则，令b＝b+1,U^(b+1)＝U^(b)，返回到Step2；这里u_ij代表x_i属于j类的程度，bel_i是x_i的信任度。

4.根据权利要求1所述的基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，其特征在于：在步骤4中，所述基于加入信任度iWM方法的提取规则，其具体提取规则的步骤为：

Step1：划分输入和输出空间为不同的模糊空间并计算隶属度值，对每一个样本数据(x⁽ⁱ⁾；y⁽ⁱ⁾)计算：

式中A_ij代表的是式(9)中的模糊划分空间；如果

则将没有规则产生；否则，ω⁽ⁱ⁾作为y⁽ⁱ⁾的权重；

Step2：计算输出的加权平均值av：

Step3：确定输出模糊集；

设输出变量有K个模糊集，即B＝{B¹,...B^K}，那么输出变量的模糊集由式(11)确定：

u_Bj*(av)≥u_Bj(av)。 (11)

5.根据权利要求1所述的基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法，其特征在于：在步骤5中，所述基于规则建立模糊控制器，就是采用高斯函数模糊化、乘积推理机、中心平均反模糊化构造模糊控制模型：

其中y_c ^l是第l条规则在模糊隶属度函数取的最大值时所对应的点，也就是

的点，y(X)代表最终的计算输出。

Images