CN108955247A - 一种辊道窑烧成温度建模与时滞控制方法、系统 - Google Patents

Abstract

本发明公开了一种辊道窑烧成温度建模与时滞控制方法、系统，建模步骤，采集辊道窑的工艺参数，上位机根据热平衡原理构建烧成温度动态特性模型；模型优化步骤，上位机对所述烧成温度动态特性模型进行优化，将大滞后性温度对象转化为小时滞性的等效对象。基于辊道窑温度控制机理和热力学定律，建立与优化烧成温度动态特性模型；针对PID控制器对小时滞性过程有比较好的控制效果而对大时滞过程控制不敏感的问题，生成辊道窑温度大时滞性问题有效的控制策略：神经网络模糊PID控制策略，对辊道窑温控系统大滞后性达到很好的控制效果，有效实现辊道窑的智能化、轻型化，提高产品质量、减少能耗、减轻现场工人的劳动强度。

Description

一种辊道窑烧成温度建模与时滞控制方法、系统

技术领域

本发明涉及陶瓷生产领域，尤其涉及一种辊道窑烧成温度建模与时滞控制方法、系统。

背景技术

在陶瓷制品生产过程中，必须既保证质量又尽可能的降低能耗，尤其是烧成工艺的能耗。辊道窑以辊棒传动的方式进行连续生产大大缩短了陶瓷制品的烧成周期，且烧嘴对称布置保证了窑内温度场的均匀性，为实现陶瓷制品生产的高效节能创造了先决条件，因而被广泛应用于陶瓷行业。

辊道窑内温度控制的好坏将直接影响最终的产品质量。辊道窑陶瓷制品烧成温度控制是一种典型的大时滞闭环系统，其时滞性体现在被控参数(如温度、流量等)在时间上的一种延时。迟延环节的存在使得被控温度信号延迟τ以后才能反映出来，从而导致被调量(如燃气流量、空气流量等)不能及时响应温度信号的执行动作。因此，辊道窑烧成温度控制系统存在具有时间常数大，滞后现象严重的特点，且影响因素复杂多变，如控制不当，将严重影响陶瓷制品烧成的品质的成品率和能源浪费。

发明内容

本发明的目的在于提出一种辊道窑烧成温度建模与时滞控制方法、系统，对辊道窑温控系统大滞后性达到很好的控制效果，有效实现辊道窑的智能化、轻型化，提高产品质量、减少能耗、减轻现场工人的劳动强度。

为达此目的，本发明采用以下技术方案：

一种辊道窑烧成温度建模与时滞控制方法，依次包括以下步骤：

建模步骤，采集辊道窑的工艺参数，上位机根据热平衡原理构建烧成温度动态特性模型；模型优化步骤，上位机对所述烧成温度动态特性模型进行优化，将大滞后性温度对象转化为小时滞性的等效对象；时滞控制步骤，上位机利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，并通过神经网络模糊PID控制策略对优化后的所述烧成温度动态特性模型进行烧成温度控制。

优选地，所述建模步骤具体为：首先，采集辊道窑的工艺参数，上位机根据热平衡原理：单位时间内输人热量E_{t_in}与输出热量E_{t_out}之差等于辊道窑内气体与陶瓷坯体的热交换的热量变化率E_{c_in}，

得到

其中，G_tile表示该温度带陶瓷坯体的质量，C_tile表示该温度带陶瓷坯体此时的比热容，V_gas表示该温度带混合气体的容量，C_gas表示这一温度带混合气体的比热容，炉门孔辐射热损失和炉门孔逸出的热损失之和E_损约占热量能耗的4％，E_{c_in}≈0.96(E_{t_in}-E_{t_out})；然后假设辊道窑的各段燃料完全燃烧，剩余空气系数保持恒定，并且燃气是不可压缩的，天然气纯度为1，则当燃气变化的增量为Δq₁时，辊道窑的烧成带温度为带有纯滞后的一阶惯性环节，即此时传递函数为：当空气变化的增量为Δq₂时，同理，经计算和拉氏变换后此时传递函数为：将上述两种情况的传递函数串联，得到烧成温度动态特性模型：

其中K＝K₁·K₂,τ＝τ₁+τ₂。

优选地，所述模型优化步骤具体为：首先，将烧成温度动态特性模型分解为两部分：二阶惯性环节G₀(s)和滞后环节e^-τs，其中从而根据自动控制原理，G_eq(s)＝L₂(G₀(s)e^-τs+G₁(s)L₁)，然后令G₁(s)＝K·G₀(s)，根据泰勒公式e^-τs≈1-τs，得：

取K＝1,得：

从而将大滞后性温度对象转化为小时滞性的等效对象，优化后的烧成温度动态特性模型的等效滞后响应时间是被控对象的倍。

优选地，所述时滞控制步骤具体为：首先，上位机利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，神经网络模糊PID控制策略依次设有输入层、模糊化层、模糊推理层和输出层；将偏差e(t)和偏差变化率ec(t)输入到神经网络模糊结构的输入层，此时隶属函数f₁(x)＝x，定义偏差e(t)和偏差变化率ec(t)的输出分别为x₁、x₂，则

然后，所述模糊化层将偏差e(t)和偏差变化率ec(t)划分为7个模糊集，并对7个所述模糊集进行模糊化处理；然后根据选定的隶属度函数f₁(x)＝x计算偏差e(t)和偏差变化率ec(t)属于模糊集合的程度，所述隶属度函数f₁(x)＝x为高斯型函数，则

其中，c_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的中心值，b_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的标准差；

接着，所述模糊推理层中的每一个节点都对应一种模糊规则，在推理过程中，将来自所述模糊化层的模糊量作笛卡尔乘积，其模糊推理后的输出结果为：

其中

所述输出层的输出结果为PID三大参数：k_p、k_i和k_d，定义模糊推理层与输出层的连接权值参数为w，则有：

最后，计算PID控制器的输出y(t)，从而对辊道窑的烧成温度自适应控制。

优选地，还包括以下步骤：均匀性评估步骤，上位机通过均匀度评价指标对所述神经网络模糊PID控制策略进行评估，检测所述神经网络模糊PID控制策略下达到稳态后辊道窑烧成温度的均匀性；

所述均匀度评价指标为：

计算样本均值样本标准差

从而温度分布均匀性系数TCU为：数值位置分布均匀性系数LCU为：

从而基于TCU和LCU的均匀度评价指标为：

优选地，一种辊道窑烧成温度建模与时滞控制系统，包括上位机和数据采集器，所述数据采集器采集辊道窑的工艺参数并发送至所述上位机，所述上位机包括：建模模块，用于利用辊道窑的工艺参数，根据热平衡原理构建烧成温度动态特性模型；模型优化模块，用于对所述烧成温度动态特性模型进行优化，将大滞后性温度对象转化为小时滞性的等效对象；时滞控制模块，用于利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，并通过神经网络模糊PID控制策略对优化后的所述烧成温度动态特性模型进行烧成温度控制。

优选地，所述建模模块具体为：利用辊道窑的工艺参数，根据热平衡原理：单位时间内输人热量E_{t_in}与输出热量E_{t_out}之差等于辊道窑内气体与陶瓷坯体的热交换的热量变化率E_{c_in}，

得到

其中，G_tile表示该温度带陶瓷坯体的质量，C_tile表示该温度带陶瓷坯体此时的比热容，V_gas表示该温度带混合气体的容量，C_gas表示这一温度带混合气体的比热容，炉门孔辐射热损失和炉门孔逸出的热损失之和E_损约占热量能耗的4％，E_{c_in}≈0.96(E_{t_in}-E_{t_out})；然后假设辊道窑的各段燃料完全燃烧，剩余空气系数保持恒定，并且燃气是不可压缩的，天然气纯度为1，则当燃气变化的增量为Δq₁时，辊道窑的烧成带温度为带有纯滞后的一阶惯性环节，即此时传递函数为：当空气变化的增量为Δq₂时，同理，经计算和拉氏变换后此时传递函数为：

将上述两种情况的传递函数串联，得到烧成温度动态特性模型：

其中K＝K₁·K₂,τ＝τ₁+τ₂。

优选地，所述模型优化模块具体为：将烧成温度动态特性模型分解为两部分：二阶惯性环节G₀(s)和滞后环节e^-τs，其中从而根据自动控制原理，G_eq(s)＝L₂(G₀(s)e^-τs+G₁(s)L₁)，然后令G₁(s)＝K·G₀(s)，根据泰勒公式e^-τs≈1-τs，得：

取K＝1,得：

从而将大滞后性温度对象转化为小时滞性的等效对象，优化后的烧成温度动态特性模型的等效滞后响应时间是被控对象的倍。

优选地，所述时滞控制模块具体为：利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，神经网络模糊PID控制策略依次设有输入层、模糊化层、模糊推理层和输出层；将偏差e(t)和偏差变化率ec(t)输入到神经网络模糊结构的输入层，此时隶属函数f₁(x)＝x，定义偏差e(t)和偏差变化率ec(t)的输出分别为x₁、x₂，则

然后，所述模糊化层将偏差e(t)和偏差变化率ec(t)划分为7个模糊集，并对7个所述模糊集进行模糊化处理；然后根据选定的隶属度函数f₁(x)＝x计算偏差e(t)和偏差变化率ec(t)属于模糊集合的程度，所述隶属度函数f₁(x)＝x为高斯型函数，则其中，c_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的中心值，b_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的标准差；接着，所述模糊推理层中的每一个节点都对应一种模糊规则，在推理过程中，将来自所述模糊化层的模糊量作笛卡尔乘积，其模糊推理后的输出结果为：

其中

所述输出层的输出结果为PID三大参数：k_p、k_i和k_d，定义模糊推理层与输出层的连接权值参数为w，则有：

最后，计算PID控制器的输出y(t)，从而对辊道窑的烧成温度自适应控制。

优选地，所述上位机还包括：均匀性评估模块，用于通过均匀度评价指标对所述神经网络模糊PID控制策略进行评估，检测所述神经网络模糊PID控制策略下达到稳态后辊道窑1烧成温度的均匀性；所述均匀度评价指标为：计算样本均值样本标准差从而温度分布均匀性系数TCU为：数值位置分布均匀性系数LCU为：从而基于TCU和LCU的均匀度评价指标为：

所述辊道窑烧成温度建模与时滞控制方法，基于辊道窑温度控制机理和热力学定律，建立与优化烧成温度动态特性模型；针对PID控制器对小时滞性过程有比较好的控制效果而对大时滞过程控制不敏感的问题，生成辊道窑温度大时滞性问题有效的控制策略：神经网络模糊PID控制策略，对辊道窑温控系统大滞后性达到很好的控制效果，有效实现辊道窑的智能化、轻型化，提高产品质量、减少能耗、减轻现场工人的劳动强度。

附图说明

附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。

图1是本发明其中一个实施例的系统结构示意图；

图2是本发明其中一个实施例的模型优化框图；

图3是本发明其中一个实施例的神经网络模糊结构原理图

图4是本发明其中一个实施例的辊道窑温度响应曲线图；

图5是本发明其中一个实施例的神经网络模糊PID控制策略系统仿真框图；

图6是本发明其中一个实施例的模糊PID控制策略统仿真框图；

图7是本发明其中一个实施例的神经网络模糊PID控制响应曲线图；

图8是本发明其中一个实施例的模糊PID控制响应曲线图；

图9是本发明其中一个实施例的神经网络模糊PID控制响应曲线C局部放大图；

图10是本发明其中一个实施例的模糊PID控制响应曲线F局部放大图。

其中：辊道窑1；上位机2；数据采集器3。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

实施例一

本实施例的辊道窑烧成温度建模与时滞控制方法，如图1所示，依次包括以下步骤：

建模步骤，采集辊道窑1的工艺参数，上位机2根据热平衡原理构建烧成温度动态特性模型；模型优化步骤，上位机2对所述烧成温度动态特性模型进行优化，将大滞后性温度对象转化为小时滞性的等效对象；时滞控制步骤，上位机2利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，并通过神经网络模糊PID控制策略对优化后的所述烧成温度动态特性模型进行烧成温度控制。

所述辊道窑烧成温度建模与时滞控制方法，基于辊道窑1温度控制机理和热力学定律，建立与优化烧成温度动态特性模型；针对PID控制器对小时滞性过程有比较好的控制效果而对大时滞过程控制不敏感的问题，生成辊道窑1温度大时滞性问题有效的控制策略：神经网络模糊PID控制策略，对辊道窑1温控系统大滞后性达到很好的控制效果，有效实现辊道窑1的智能化、轻型化，提高产品质量、减少能耗、减轻现场工人的劳动强度。

优选地，所述建模步骤具体为：

首先，采集辊道窑1的工艺参数，影响辊道窑1烧成温度的关键因素是空气和燃气，辊道窑1炉内各点温度处于稳态，辊道窑1内的传热为稳定传热；在陶瓷制品生产动态变化过程中，上位机2根据热平衡原理：单位时间内输人热量E_{t_in}与输出热量E_{t_out}之差等于辊道窑1内气体与陶瓷坯体的热交换的热量变化率E_{c_in}，得到

其中，G_tile表示该温度带陶瓷坯体的质量，单位吨；C_tile表示该温度带陶瓷坯体此时的比热容，单位KJ/(m³·℃)；V_gas表示该温度带混合气体的容量，单位m³；C_gas表示这一温度带混合气体的比热容，单位KJ/(m³·℃)；根据统计分析及实践经验，炉门孔辐射热损失和炉门孔逸出的热损失之和E_损约占热量能耗的4％，E_{c_in}≈0.96(E_{t_in}-E_{t_out})；

然后假设辊道窑1的各段燃料完全燃烧，剩余空气系数保持恒定，并且燃气是不可压缩的，天然气纯度为1，则

E_{t_in}＝1/0.96(E_{c_in}+(H_cd+H_rd+H_co_nv))，

传导传热为t_i、t₀分别表示窑内外壁的平均温度(℃)，λ_i表示第i层材料的导热系数，A_i表示第i层材料的平均导热面积(m²)；辐射传热为ε_m、ε分别为两种气体的热传导系数，T_m、T分别为两种气体的初始温度(℃)，A表示固体与气体壁面的有效接触面积(m²)；对流传热耗散为H_conv＝α_c(t-t_w)A，α_c表示对流传热系数，t_w表示固体壁面温度(℃)；

辊道窑烧成温度系统是具有时滞性的系统，时滞系统通常通过泛函微分方程进行描述，其一般形式为：

因此，当燃气变化的增量为Δq₁时，辊道窑1的烧成带温度为带有纯滞后的一阶惯性环节，即此时传递函数为：当空气变化的增量为Δq₂时，同理，经计算和拉氏变换后此时传递函数为：根据拉氏变换原理，将上述两种情况的传递函数串联，得到烧成温度动态特性模型：其中K＝K₁·K₂,τ＝τ₁+τ₂。可以看出，辊道窑温度动态特性用一个纯滞后环节串联惯性环节来表示。

优选地，所述模型优化步骤具体为：

PID对小时滞性控制效果显著，但对于辊道窑烧成温度这样的大滞后过程控制效果不太理想。为实现对辊道窑温度经济高效控制，先将该大滞后性温度对象进行优化设计，转化为小时滞性的等效对象，以削弱大滞后时间对系统响应性能的影响，其原理框图如图2所示；

首先，将烧成温度动态特性模型分解为两部分：二阶惯性环节G₀(s)和滞后环节e^-τs，其中从而根据自动控制原理，G_eq(s)=L₂(G₀(s)e^-τs+G₁(s)L₁),

然后令G₁(s)＝KG₀(s)，根据泰勒公式e^-τs≈1-τs，得：

取K＝1,得：

从而将大滞后性温度对象转化为小时滞性的等效对象，优化后的烧成温度动态特性模型的等效滞后响应时间是被控对象的倍。

优选地，所述时滞控制步骤具体为：

首先，上位机2利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，神经网络模糊PID控制策略依次设有输入层、模糊化层、模糊推理层和输出层，如图3所示；

将偏差e(t)和偏差变化率ec(t)输入到神经网络模糊结构的输入层，此时隶属函数f₁(x)＝x，定义偏差e(t)和偏差变化率ec(t)的输出分别为x₁、x₂，则

然后，所述模糊化层将偏差e(t)和偏差变化率ec(t)划分为7个模糊集，并对7个所述模糊集进行模糊化处理；然后根据选定的隶属度函数f₁(x)＝x计算偏差e(t)和偏差变化率ec(t)属于模糊集合的程度，所述隶属度函数f₁(x)＝x为高斯型函数，则其中，c_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的中心值，b_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的标准差；接着，所述模糊推理层中的每一个节点都对应一种模糊规则，在推理过程中，将来自所述模糊化层的模糊量作笛卡尔乘积，其模糊推理后的输出结果为：

其中

所述输出层的输出结果为PID三大参数：k_p、k_i和k_d，定义模糊推理层与输出层的连接权值参数为w，则有：

最后，计算PID控制器的输出y(t)，从而对辊道窑1的烧成温度自适应控制。模糊PID控制策略、神经网络PID控制策略在辊道窑陶瓷制品烧成温度控制中都发挥了一定的作用，但由于神经网络不太适合规则的知识表达而不能很好地利用已有的经验知识，从而导致在训练时有可能陷入局部极值而无法得到预期的结果；模糊PID控制虽然因比较适合于表达模糊的知识而能很好地利用生产经验，但是自学习和自适应能力弱。因此需要寻求自适应的能够很好地解决具有大时滞特征的辊道窑烧成温度控制控制策略。将模糊逻辑与神经网络结合起来综合考虑，汲取二者的长处，提出神经网络模糊PID控制模型以优化辊道窑温度系统。

优选地，还包括以下步骤：均匀性评估步骤，上位机2通过均匀度评价指标对所述神经网络模糊PID控制策略进行评估，检测所述神经网络模糊PID控制策略下达到稳态后辊道窑1烧成温度的均匀性；所述均匀度评价指标为：计算样本均值样本标准差从而温度分布均匀性系数TCU为：数值位置分布均匀性系数LCU为：从而基于TCU和LCU的均匀度评价指标为：

在数值均匀性评价体系中，最常见的方式是基于均值、标准差、极差、谱半径、聚类等方法，各自有各自的优点，但缺点也是显而易见的。比如均值计算简单但只能反映出数据的平均水平但却无法表现出数据点之间的差异；方差/标准差能反映出数据点的波动性，即数据点偏离均值的幅值，但是却不能体现与预期参考值的关系。基于此，本发明提出均匀度的思想解决这一问题。TCU反映了实际值接近均值的程度；LCU体现了均值、标准差与期望值的接近程度，值越大说明越接近期望值，位置分布也就越均匀。在均匀性评价体系中二者相互独立且重要度相当，因此，建立基于TCU和LCU的均匀度评价指标TUI，既考虑了辊道窑烧成温度在均值附近波动的均匀性，又体现出了其位置分布均匀性，能较好地评价辊道窑烧成温度稳态下的均匀度。

实施例二

本实施例为验证实施例一中神经网络模糊PID控制策略的有效性和实用性，首先基于Simulink比较模糊PID控制策略、神经网络PID控制策略、神经网络模糊PID控制策略在一次扰动环境下的响应特性，然后以助燃空气、天然气为被调输入量建立辊道窑烧成温度控制系统分析模糊PID控制策略和神经网络模糊PID控制策略的控制效果；接着通过均匀度评估达到稳态后辊道窑烧成温度的均匀性，从而对整个烧成温度控制过程进行全面分析。

首先对实施例一中的神经网络模糊PID控制策略进行单位阶跃响应(系统在单位阶跃信号下产生的零状态响应)和当外界环境条件(进砖速度、陶瓷坯体与窑炉有效接触面积等)改变时，不同控制策略的健壮性分析。模糊PID控制的关键是模糊规则的制定，而模糊控制规则的制定要综合考虑系统的工况和技术规范以及现场经验，以燃气变化为例，辊道窑温度响应曲线如图4所示。

根据辊道窑温度响应曲线，可总结出，在不同的偏差e(t)和偏差变化率ec(t)下，PID三大参数k_p、k_i和k_d自整定过程规律如下：当|e(t)|较大时，需要提高系统的响应速度，此时，需要取较大的k_p和较小的k_d，为了防止系统超调量过大，应该选取较小的k_i；当|e(t)|中等大时，为了保证响应速度同时要减小系统的超调量，此时在选择参数的原则是k_p应适当减小，k_i、k_d的选取要稍微增大，但要求大小适中；当|e(t)|较小时，此时关键是减小稳态误差和系统的抗干扰性，这时k_p、k_i应稍微取的大一些；当ec(t)较小时，k_p取值应越大些。基于上述辊道窑温度PID控制曲线自整定过程规律的分析，再结合实际生产经验，得到k_p、k_i和k_d的模糊规则控制分别如表1、表2、表3所示。

表1

表2

表3

模糊PID控制基于模糊论，要将偏差e(t)和偏差变化率ec(t)进行模糊化处理。根据上述分析，选取偏差e(t)和偏差变化率ec(t)对应的模糊语言变量E、EC的模糊集为：{NB,NM,NS,Z,PS,PM,PB}，其中，E论域为{-3，-2，-1，0，1，2，3}、EC的论域为{-3,-2,-1,0,1,2,3}。

本实施基于神经网络模糊PID控制策略并以辊道窑高温烧成带的燃料流量和空气流量为输入、以窑炉温度为输出进行基于控制策略的辊道窑烧成温度制度控制仿真分析，寻找到最优的燃料流量和空气流量的数值，从而保证陶瓷制品烧成质量和烧成过程中的能耗最小。首先将温度、燃气流量、助燃空气流量进行标准化处理，并将燃料热值等效为空气流量和助燃空气流量处理，进而建立基于神经网络模糊PID控制策略、模糊PID控制策略的辊道窑温度控制系统仿真框图分别如图5、图6所示。

仿真过程基于某公司陶瓷墙地砖烧成过程，该公司单位产品综合能耗为268.5kgce/t瓷，产线耗电330万千瓦时/每年，消耗天然气3000标立方米/年，生产抛光砖697.93万m²。该公司所用辊道窑的窑内宽2.05m，窑内高0.84m，有效长度207m，共108节，其中高温烧成带窑长共12单元窑炉。正常生产环境下，高温烧成带温度1290℃±2℃。两种控制策略仿真结果结果如图7、图8所示。比较图7、图8中的两条系统控制响应曲线，可知：

(1)神经网络模糊PID控制策略达到稳态时响应时间约为1.92s、而模糊PID控制策略达到稳态时的响应时间为2.27s。这说明，神经网络模糊PID控制策略的响应曲线更有更快的上升时间。(2)从两条曲线来看，空气流量和燃气流量都是随着温度的增加而减小的，且达到平衡状态的时间神经网络模糊PID控制策略下的时间小于模糊PID控制策略下的响应时间。

(3)曲线与达到稳定状态时的水平曲线之间的面积(即两图中的A、B、D、E部分的面积)表示所消耗的天然气或者空气的量，通过基于蒙特卡洛的撒粒子算法计算易知，神经网络模糊PID控制策略下的燃气消耗量小于模糊PID控制策略下燃气消耗，神经网络模糊PID控制策略下的空气消耗量大于模糊PID控制策略下燃气消耗。(4)综合(2)、(3)，从能耗角度分析，当系统稳定后受到扰动((进砖速度、陶瓷坯体与窑炉有效接触面积等的改变)引起烧成温度突然变化时，神经网络模糊PID控制策略下消耗天然气的量更少，且由于助燃空气由电机恒功率驱动，所以助燃空气鼓风耗电较模糊PID控制策略也较小，因此，神经网络模糊PID控制策略节能效果明显。

通过比较图9、图10可知：以助燃空气、天然气被调输入量调控辊道窑陶瓷制品烧成温度时，模糊PID控制策略和神经网络模糊PID控制策略均未出现超调现象。但是仔细比较二者稳定状态下的波动性，可以发现神经网络模糊PID控制策略下烧成温度的波动性更小，这就更容易保证陶瓷制品烧成过程中温度场的均匀性。

仿真过程中，系统达到稳定后实时温度数据如表4、表5所示。

表4

表5

根据均匀度评价指标，不同控制策略下烧成温度均匀性结果如表6所示。

表6

由输出结果可知：(1)神经网络模糊PID控制策略下的均值为1.010463239，而模糊PID控制策略下的均值为1.013327307，显然，神经网络模糊PID控制策略下更接近期望输出值1.0；

(2)神经网络模糊PID控制策略下的标准差0.040219039小于模糊PID控制策略下的标准差0.040548364，这表明，神经网络模糊PID控制策略相对于模糊PID控制策略波动更小；

(3)神经网络模糊PID控制策略下的温度分布均匀性系数(TCU)0.040219039大于模糊PID控制策略下的温度分布均匀性系数(TCU)0.965898115，这表明，神经网络模糊PID控制策略温度分布越均匀；

(4)神经网络模糊PID控制策略下的位置分布均匀性系数(LCU)0.029755799大于模糊PID控制策略下的位置分布均匀性系数(LCU)0.027221057，这说明值神经网络模糊PID控制策略下位置分布更均匀；

(5)神经网络模糊PID控制策略下的温度均匀度(TUI)0.996200714大于模糊PID控制策略下的温度均匀度(TUI)0.993119172，这更证明了神经网络模糊PID控制策略能较好地评价烧成温度稳态下的均匀度。

通过以上章节对辊道窑的仿真分析以及稳态时的均匀性评估结果易知，基于神经网络模糊PID控制策略具有更有优秀的调控品质以及更强的健壮性。

实施例三

本实施例的辊道窑烧成温度建模与时滞控制系统，如图1所示，包括上位机2和数据采集器3，所述数据采集器3采集辊道窑1的工艺参数并发送至所述上位机2，所述上位机2包括：

建模模块，用于利用辊道窑1的工艺参数，根据热平衡原理构建烧成温度动态特性模型；

模型优化模块，用于对所述烧成温度动态特性模型进行优化，将大滞后性温度对象转化为小时滞性的等效对象；

时滞控制模块，用于利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，并通过神经网络模糊PID控制策略对优化后的所述烧成温度动态特性模型进行烧成温度控制。

优选地，所述建模模块具体为：

利用辊道窑1的工艺参数，根据热平衡原理：单位时间内输人热量E_{t_in}与输出热量E_{t_out}之差等于辊道窑1内气体与陶瓷坯体的热交换的热量变化率E_{c_in}，

得到

其中，G_tile表示该温度带陶瓷坯体的质量，C_tile表示该温度带陶瓷坯体此时的比热容，V_gas表示该温度带混合气体的容量，C_gas表示这一温度带混合气体的比热容，炉门孔辐射热损失和炉门孔逸出的热损失之和E_损约占热量能耗的4％，E_{c_in}≈0.96(E_{t_in}-E_{t_out})；

然后假设辊道窑1的各段燃料完全燃烧，剩余空气系数保持恒定，并且燃气是不可压缩的，天然气纯度为1，则当燃气变化的增量为Δq₁时，辊道窑1的烧成带温度为带有纯滞后的一阶惯性环节，即此时传递函数为：

当空气变化的增量为Δq₂时，同理，经计算和拉氏变换后此时传递函数为：

将上述两种情况的传递函数串联，得到烧成温度动态特性模型：

其中K＝K₁·K₂,τ＝τ₁+τ₂。

优选地，所述模型优化模块具体为：

将烧成温度动态特性模型分解为两部分：二阶惯性环节G₀(s)和滞后环节e^-τs，其中

从而根据自动控制原理，G_eq(s)＝L₂(G₀(s)e^-τs+G₁(s)L₁)，

然后令G₁(s)＝K·G₀(s)，根据泰勒公式e^-τs≈1-τs，得：

取K＝1,得：

从而将大滞后性温度对象转化为小时滞性的等效对象，优化后的烧成温度动态特性模型的等效滞后响应时间是被控对象的倍。

优选地，所述时滞控制模块具体为：

利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，神经网络模糊PID控制策略依次设有输入层、模糊化层、模糊推理层和输出层；

将偏差e(t)和偏差变化率ec(t)输入到神经网络模糊结构的输入层，此时隶属函数f₁(x)＝x，定义偏差e(t)和偏差变化率ec(t)的输出分别为x₁、x₂，则

然后，所述模糊化层将偏差e(t)和偏差变化率ec(t)划分为7个模糊集，并对7个所述模糊集进行模糊化处理；然后根据选定的隶属度函数f₁(x)＝x计算偏差e(t)和偏差变化率ec(t)属于模糊集合的程度，所述隶属度函数f₁(x)＝x为高斯型函数，则

其中，c_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的中心值，b_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的标准差；

接着，所述模糊推理层中的每一个节点都对应一种模糊规则，在推理过程中，将来自所述模糊化层的模糊量作笛卡尔乘积，其模糊推理后的输出结果为：

其中

所述输出层的输出结果为PID三大参数：k_p、k_i和k_d，定义模糊推理层与输出层的连接权值参数为w，则有：

最后，计算PID控制器的输出y(t)，从而对辊道窑1的烧成温度自适应控制。

优选地，所述上位机2还包括：

均匀性评估模块，用于通过均匀度评价指标对所述神经网络模糊PID控制策略进行评估，检测所述神经网络模糊PID控制策略下达到稳态后辊道窑1烧成温度的均匀性；

所述均匀度评价指标为：

计算样本均值样本标准差

从而温度分布均匀性系数TCU为：

数值位置分布均匀性系数LCU为：

从而基于TCU和LCU的均匀度评价指标为：

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (10)

1.一种辊道窑烧成温度建模与时滞控制方法，其特征在于，依次包括以下步骤：

建模步骤，采集辊道窑的工艺参数，上位机根据热平衡原理构建烧成温度动态特性模型；

模型优化步骤，上位机对所述烧成温度动态特性模型进行优化，将大滞后性温度对象转化为小时滞性的等效对象；

时滞控制步骤，上位机利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，并通过神经网络模糊PID控制策略对优化后的所述烧成温度动态特性模型进行烧成温度控制。

2.根据权利要求1所述的辊道窑烧成温度建模与时滞控制方法，其特征在于，所述建模步骤具体为：

首先，采集辊道窑的工艺参数，上位机根据热平衡原理：单位时间内输人热量E_{t_in}与输出热量E_{t_out}之差等于辊道窑内气体与陶瓷坯体的热交换的热量变化率E_{c_in}，

得到

其中，G_tile表示该温度带陶瓷坯体的质量，C_tile表示该温度带陶瓷坯体此时的比热容，V_gas表示该温度带混合气体的容量，C_gas表示这一温度带混合气体的比热容，炉门孔辐射热损失和炉门孔逸出的热损失之和E_损约占热量能耗的4％，E_{c_in}≈0.96(E_{t_in}-E_{t_out})；

然后假设辊道窑的各段燃料完全燃烧，剩余空气系数保持恒定，并且燃气是不可压缩的，天然气纯度为1，则当燃气变化的增量为Δq₁时，辊道窑的烧成带温度为带有纯滞后的一阶惯性环节，即此时传递函数为：

当空气变化的增量为Δq₂时，同理，经计算和拉氏变换后此时传递函数为：

将上述两种情况的传递函数串联，得到烧成温度动态特性模型：

其中K＝K₁·K₂,τ＝τ₁+τ₂。

3.根据权利要求2所述的辊道窑烧成温度建模与时滞控制方法，其特征在于，所述模型优化步骤具体为：

首先，将烧成温度动态特性模型分解为两部分：二阶惯性环节G₀(s)和滞后环节e^-τs，其中

从而根据自动控制原理，G_eq(s)＝L₂(G₀(s)e^-τs+G₁(s)L₁)，

然后令G₁(s)＝K·G₀(s)，根据泰勒公式e^-τs≈1-τs，得：

取K＝1,得：

从而将大滞后性温度对象转化为小时滞性的等效对象，优化后的烧成温度动态特性模型的等效滞后响应时间是被控对象的倍。

4.根据权利要求3所述的辊道窑烧成温度建模与时滞控制方法，其特征在于，所述时滞控制步骤具体为：

首先，上位机利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，神经网络模糊PID控制策略依次设有输入层、模糊化层、模糊推理层和输出层；

将偏差e(t)和偏差变化率ec(t)输入到神经网络模糊结构的输入层，此时隶属函数f₁(x)＝x，定义偏差e(t)和偏差变化率ec(t)的输出分别为x₁、x₂，则

然后，所述模糊化层将偏差e(t)和偏差变化率ec(t)划分为7个模糊集，并对7个所述模糊集进行模糊化处理；然后根据选定的隶属度函数f₁(x)＝x计算偏差e(t)和偏差变化率ec(t)属于模糊集合的程度，所述隶属度函数f₁(x)＝x为高斯型函数，则

其中，c_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的中心值，b_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的标准差；

接着，所述模糊推理层中的每一个节点都对应一种模糊规则，在推理过程中，将来自所述模糊化层的模糊量作笛卡尔乘积，其模糊推理后的输出结果为：

其中

所述输出层的输出结果为PID三大参数：k_p、k_i和k_d，定义模糊推理层与输出层的连接权值参数为w，则有：

最后，计算PID控制器的输出y(t)，从而对辊道窑的烧成温度自适应控制。

5.根据权利要求4所述的辊道窑烧成温度建模与时滞控制方法，其特征在于，还包括以下步骤：

均匀性评估步骤，上位机通过均匀度评价指标对所述神经网络模糊PID控制策略进行评估，检测所述神经网络模糊PID控制策略下达到稳态后辊道窑烧成温度的均匀性；

所述均匀度评价指标为：

计算样本均值样本标准差

从而温度分布均匀性系数TCU为：

数值位置分布均匀性系数LCU为：

从而基于TCU和LCU的均匀度评价指标为：

6.一种辊道窑烧成温度建模与时滞控制系统，其特征在于：包括上位机和数据采集器，所述数据采集器采集辊道窑的工艺参数并发送至所述上位机，所述上位机包括：

建模模块，用于利用辊道窑的工艺参数，根据热平衡原理构建烧成温度动态特性模型；

模型优化模块，用于对所述烧成温度动态特性模型进行优化，将大滞后性温度对象转化为小时滞性的等效对象；

时滞控制模块，用于利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，并通过神经网络模糊PID控制策略对优化后的所述烧成温度动态特性模型进行烧成温度控制。

7.根据权利要求6所述的辊道窑烧成温度建模与时滞控制系统，其特征在于，所述建模模块具体为：

利用辊道窑的工艺参数，根据热平衡原理：单位时间内输人热量E_{t_in}与输出热量E_{t_out}之差等于辊道窑内气体与陶瓷坯体的热交换的热量变化率E_{c_in}，

得到

其中，G_tile表示该温度带陶瓷坯体的质量，C_tile表示该温度带陶瓷坯体此时的比热容，V_gas表示该温度带混合气体的容量，C_gas表示这一温度带混合气体的比热容，炉门孔辐射热损失和炉门孔逸出的热损失之和E_损约占热量能耗的4％，E_{c_in}≈0.96(E_{t_in}-E_{t_out})；

然后假设辊道窑的各段燃料完全燃烧，剩余空气系数保持恒定，并且燃气是不可压缩的，天然气纯度为1，则当燃气变化的增量为Δq₁时，辊道窑的烧成带温度为带有纯滞后的一阶惯性环节，即此时传递函数为：

当空气变化的增量为Δq₂时，同理，经计算和拉氏变换后此时传递函数为：

将上述两种情况的传递函数串联，得到烧成温度动态特性模型：

其中K＝K₁·K₂,τ＝τ₁+τ₂。

8.根据权利要求7所述的辊道窑烧成温度建模与时滞控制系统，其特征在于，所述模型优化模块具体为：

将烧成温度动态特性模型分解为两部分：二阶惯性环节G₀(s)和滞后环节e^-τs，其中

从而根据自动控制原理，G_eq(s)＝L₂(G₀(s)e^-τs+G₁(s)L₁)，

然后令G₁(s)＝K·G₀(s)，根据泰勒公式e^-τs≈1-τs，得：

取得：

从而将大滞后性温度对象转化为小时滞性的等效对象，优化后的烧成温度动态特性模型的等效滞后响应时间是被控对象的倍。

9.根据权利要求8所述的辊道窑烧成温度建模与时滞控制系统，其特征在于，所述时滞控制模块具体为：

利用神经网络的学习能力和自映射能力进行模糊控制，从而生成神经网络模糊PID控制策略，神经网络模糊PID控制策略依次设有输入层、模糊化层、模糊推理层和输出层；

将偏差e(t)和偏差变化率ec(t)输入到神经网络模糊结构的输入层，此时隶属函数f₁(x)＝x，定义偏差e(t)和偏差变化率ec(t)的输出分别为x₁、x₂，则

然后，所述模糊化层将偏差e(t)和偏差变化率ec(t)划分为7个模糊集，并对7个所述模糊集进行模糊化处理；然后根据选定的隶属度函数f₁(x)＝x计算偏差e(t)和偏差变化率ec(t)属于模糊集合的程度，所述隶属度函数f₁(x)＝x为高斯型函数，则

其中，c_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的中心值，b_ij为第i个输入变量对应的第j个模糊集合的隶属度函数的标准差；

接着，所述模糊推理层中的每一个节点都对应一种模糊规则，在推理过程中，将来自所述模糊化层的模糊量作笛卡尔乘积，其模糊推理后的输出结果为：

其中

所述输出层的输出结果为PID三大参数：k_p、k_i和k_d，定义模糊推理层与输出层的连接权值参数为w，则有：

最后，计算PID控制器的输出y(t)，从而对辊道窑的烧成温度自适应控制。

10.根据权利要求9所述的辊道窑烧成温度建模与时滞控制系统，其特征在于，所述上位机还包括：

均匀性评估模块，用于通过均匀度评价指标对所述神经网络模糊PID控制策略进行评估，检测所述神经网络模糊PID控制策略下达到稳态后辊道窑烧成温度的均匀性；

所述均匀度评价指标为：

计算样本均值样本标准差

从而温度分布均匀性系数TCU为：

数值位置分布均匀性系数LCU为：

从而基于TCU和LCU的均匀度评价指标为：