CN112588424B

CN112588424B - 一种基于云端智能模型的球磨制粉系统有效控制方法

Info

Publication number: CN112588424B
Application number: CN202011116516.4A
Authority: CN
Inventors: 刘利民
Original assignee: Huzhou University
Current assignee: Nanjing Yongwei Technology Co ltd
Priority date: 2020-10-19
Filing date: 2020-10-19
Publication date: 2022-05-10
Anticipated expiration: 2040-10-19
Also published as: CN112588424A

Abstract

本发明提出了一种基于云端智能模型的球磨制粉系统有效控制方法，该方法的实现基于现场控制器和包含产出转换算法的智能控制模型，所述智能控制模型接收现场控制器和产出转换算法反馈的信息，并给出控制调整方案和指令。本发明采用人工智能和模糊控制技术，通过云端的智能控制模型对现场控制器采集的数据进行分析判断，给出控制决策，指导现场控制器对球磨进行有效调节。该方法为非线性MIMO模型的分布控制法，所述模型为设置在云中心的具有自学习自校正功能的智能调节控制模型。本发明可以对球磨运行实现有效自动调节控制，从而在相同产出的条件下降低能耗，提高球磨制粉的生产效益，并且可以为相关物联网系统的实现提供支撑。

Description

一种基于云端智能模型的球磨制粉系统有效控制方法

【技术领域】

本发明涉及球磨制粉系统自动控制的技术领域，特别是一种基于云端智能模型的球磨制粉系统有效控制方法，更具体地说是通过设置在云中心的智能模型对现场球磨制粉系统进行调节操控，达到有效控制的目的。

【背景技术】

球磨制粉系统是国内火电厂占主要地位的制粉系统。由于这个系统是一个非线性、大滞后、大惯性、强耦合的多变量系统，长期以来一直是火电厂自动控制的软肋，尤其在仪表控制时代，几乎是个无法解决的难题。

为了实现球磨制粉系统的自动调节控制，几乎所有的非线性耦合多变量系统的控制方法被研究过，如解耦、逆奈氏阵列、自寻优、预测、模糊、神经网络、专家系统和混合控制等，也取得不少进展。但是球磨制粉系统的多扰动、非线性、多耦合变量的特点使得依赖于数学模型的控制实现起来十分困难。

目前采用智能控制球磨制粉系统，是实现该系统自动调节控制的主要途径。但是由于发电厂所使用的煤种多变，煤质不一，原煤的粒度、水分、温度、可磨性系数、挥发分等指标经常发生变化，钢球在运行过程中也不断被磨损等，这些原因使得钢球磨煤机表现出时变特征，即系统参数随时间推移产生变化，导致一般智能控制系统的调节效率下降。因此，系统控制的通用性弱、有效性差，较难推广。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种基于云端智能模型的球磨制粉系统有效控制方法，采用人工智能和模糊控制技术，为实现球磨制粉设备的自动调节控制提供支持，该控制方法通用性好、有效性强、具有自学习自校正功能。

为实现上述目的，本发明提出了一种基于云端智能模型的球磨制粉系统有效控制方法，其特征在于：该方法的实现基于现场控制器和包含产出转换算法的智能控制模型，所述智能控制模型接收现场控制器和产出转换算法反馈的信息，并给出控制调整方案和指令，所述现场控制器主要负责分析球磨制粉系统的输出信号和调节球磨制粉系统的输入量，所述球磨制粉系统通过多个输出经过产出转换算法得到系统的产出目标：出粉量PP；

所述现场控制器的调节量输出作为球磨制粉系统的输入，所述现场控制器的状态检测信号作为球磨制粉系统的输出；所述球磨制粉系统的输入向量(现场控制器的调节量输出)包括热风HA、再循环风RA和给煤量CF，所述球磨制粉系统的输出向量(现场控制器的状态检测信号)包括出口温度OT、入口负压SP、出入口压差PD和磨机载荷CL，通过磨机载荷CL与出入口压差PD测算球磨负荷；所述球磨制粉系统的出粉量PP由出口温度OT、入口负压SP、出入口压差PD和磨机载荷CL，通过产出转换算法求得；

所述智能控制模型包括产出转换算法的权重模型W{Xi(t)}、系统控制的调节模型R{Yj(t)}和反馈模型F{Zk(t)}、自学习自校正的校正模型Cl(t)；

基于权重模型的产出转换算法为：

基于调节模型的输出输入关系为：

Xk(t)＝R{Yij(t)}{Yj(t)}^T (2-1)

基于反馈模型的输入输出关系为：

Yk(t)＝F{Zij(t)}{Zj(t)}^T+B_k (3-1)

基于校正模型的模型调整关系为：

W{Xi(t)}＝ΣC_w(t){Xi(t)}{Yj(t)} (4-1)

R{Yj(t)}＝ΣC_R(t){Yj(t)}{Xi(t)} (4-2)

F{Zk(t)}＝ΣC_F(t){Xk(t)}{Yj(t)} (4-3)

其中，出粉量PP与球磨制粉系统产出相关，X与球磨制粉系统输出量相关，Y与球磨制粉系统输入量相关，W与权重模型相关，R与调节模型相关，F与反馈模型相关，C与校正模型相关，B与基准输入相关，{…}^T为转置矩阵。

作为优选，所述智能控制模型所包括的所有模型都是基于模糊表述的类人(模仿人类)智能模型(一种人工智能模型)，模糊表述为十一档模糊描述，各个模型采用人工智能类人推理模型，而非数学模型。

优选，所述自学习自校正模型采用类人算法或人工智能算法，根据调节指令和调节效果的作用关系，分析调节模型的有效性，并对相关的调节算法和指令进行修正，在不断的学习修正中，使得智能调节部分的调节效果达到期望的状态。

作为优选，所述自学习自校正的校正模型关系如下：

W{Xi(t)}＝ΣC_w(t){Xi(t)}{Yj(t)} (4-1)

其中，Xi(t)和OT(t)，SP(t)，PD(t)，CL(t)相关联；

R{Yj(t)}＝ΣC_R(t){Yj(t)}{Xi(t)} (4-2)

其中，Yj(t)和HA_j(t)，RA_j(t)，CF_j(t)相关联；

F{Zk(t)}＝ΣC_F(t){Xk(t)}{Yj(t)} (4-3)

其中，Zk(t)和OT_k(t)，SP_k(t)，PD_k(t)，CL_k(t)相关联；

式4-1、4-2、4-3中的C_w(t)、C_R(t)、C_F(t)是校正模型的校正算法，均基于模糊描述的类人智能推理关系。

作为优选，所述球磨制粉系统为一个三输入四输出MIMO系统，通过四个输出经过产出转换算法得到系统的出粉量PP。

作为优选，三个输入量的主要调节作用为：给煤量CF主要用于控制调节出入口压差PD和磨机载荷CL，热风HA主要用于控制调节出口温度OT，再循环风RA主要用于控制调节入口负压SP。但系统中存在强耦合关系，任何一个输入量除控制对应输出量外，对其他的输出量也有影响。球磨制粉系统理想的控制效果是在保证系统安全和煤粉品质的条件下，最大效率地生产合格的煤粉。系统的入口负压SP保证不跑粉使球磨安全运行，出口温度OT维持煤粉的干燥以保证煤粉干度品质，球磨的满负荷运行则保证在单位电耗下的高出粉率。因此只有协调控制好出口温度OT、入口负压SP和负荷CL+PD、四个参数，才能使球磨制粉系统达到满意的控制效果，提高制粉效率、降低单位电耗。

所述产出转换算法是智能控制模型的一部分，可以把参数出口温度OT、入口负压SP、出入口压差PD和磨机载荷CL变换成球磨制粉系统的产品出粉量PP。之所以需要进行产出转换来计算出粉量，是因为现在还没有办法可以实现球磨制粉系统出粉量的直接检测。产出转换算法可以由自学习自校正模型进行动态调整。

所述智能控制模型是设置在云中心的具有自学习自校正功能的控制模型。该模型接收现场控制器和产出转换算法反馈的信息，并给出控制调整方案和指令。智能控制模型实现系统调节的工作路径为：数据处理、参数分析、演绎推理、决策校正、决策确定与传递。智能控制模型实现自学习自校正的工作路径为：数据处理、决策效果分析、决策规则对比、有效决策历史数据分析、模型修正判断与处理、建立新的控制智能调节模型。

本发明的有益效果：本发明采用人工智能和模糊控制技术，通过云端的智能控制模型对现场控制器采集的数据进行分析判断，给出控制决策，指导现场控制器对球磨进行有效调节。该方法为非线性MIMO模型的分布控制法，采用设置在云中心的具有自学习自校正功能的智能调节控制模型。

本发明通过调节热风HA、再循环风RA和给煤量CF，使出口温度OT、入口负压SP、出入口压差PD和磨机载荷CL产生相应的变化，进而实现球磨制粉系统出粉量PP的调节，达到以最低的能耗完成期望出粉量的目的。本发明可以对球磨运行实现有效自动调节控制，从而在相同产出的条件下降低能耗，提高球磨制粉的生产效益，并且可以为相关物联网系统的实现提供支撑。

本发明的特征及优点将通过实施例结合附图进行详细说明。

【附图说明】

图1是本发明一种基于云端智能模型的球磨制粉系统有效控制方法的系统结构示意图；

图2是本发明一种基于云端智能模型的球磨制粉系统有效控制方法的的控制系统框图。

【具体实施方式】

参阅图1为本发明的系统结构示意图，主要包括设置在云中心的智能控制模型、现场控制器、产出转换算法(智能控制模型的一部分)和球磨制粉系统。

本发明的调节运行通过云中心操作完成，云中心可以采用分布控制方法同时控制多个球磨制粉系统。本发明的方法也可以作为物联网设备的控制方法使用。

参阅图2本发明的目的是有效调节球磨制粉系统的出粉量，对应控制系统的调节关系与产出转换算法如下：

具体阐述为：

PP(t)＝W{X1(t),X2(t),X3(t),X4(t)}*{X1(t),X2(t),X3(t),X4(t)}^T

＝W{OT(t),SP(t),PD(t),CL(t)}*{OT(t),SP(t),PD(t),CL(t)}^T (1-2)

公式1-1、1-2主要基于产出转换算法的权重模型W{Xi}。其中，PP(t)是系统的出粉量，X1(t)是出口温度OT(t)、X2(t)是入口负压SP(t)、X3(t)是出入口压差PD(t)、X4(t)是机载负荷CL(t)。

在解释这个关系之前，有一个条件必须阐明，该系统的产出量为球磨运行的出粉量PP(t)，但是限于技术条件，目前尚无可以直接测量出粉量的方法。在这个系统中，出粉量是通过计算得到的。计算的途径是：在单位时间，给入的煤量-磨内的存煤量＝出粉量。公式1-1、1-2(以下简称为公式1)所表述的为球磨制粉系统的产出转换算法。这个算法是要保证产出煤粉质量的前提下进行的，通过四个参数和不同的产出转换算法的权重函数W{Xi(t)}综合计算，得到出粉量PP。在具体操作中涉及到X1(t)出口温度OT(t)、X2(t)入口负压SP(t)、X3(t)出入口压差PD(t)和X4(t)机载负荷CL(t)。其中机载负荷CL(t)是通过振动频率法，测得的实时磨内存煤量。

从公式1可以看出，如果想达到调节出粉量PP(t)的目的，需要求得函数中的出口温度OT(t)、入口负压SP(t)、出入口压差PD(t)和机载负荷CL(t)。

为了得到四个参数的动态值将涉及多变量、强耦合的非线性关联函数，具体的关联性和耦合性可以通过以下描述加以了解。

从图1可以看出，对于现场控制器而言，系统的输入量是：调节热风HA(t)、再循环风RA(t)和给煤量CF(t)。输出参数出口温度OT(t)、入口负压SP(t)、出入口压差PD(t)、机载负荷CL(t)和输入量调节热风HA(t)、再循环风RA(t)和给煤量CF(t)之间的关系如下：

Xk(t)＝R{Yij(t)}{Yj(t)}^T (2-1)

OT(t)＝R{HA₁(t),RA₁(t),CF₁(t)}*{HA(t),RA(t),CF(t)}^T (2-2)

SP(t)＝R{HA₂(t),RA₂(t),CF₂(t)}*{HA(t),RA(t),CF(t)}^T (2-3)

PD(t)＝R{HA₃(t),RA₃(t),CF₃(t)}*{HA(t),RA(t),CF(t)}^T (2-4)

CL(t)＝R{CFL(t)}*CF(t)+R{CFL(t)}*F{CL(t)}*CL(t-1) (2-5)

公式2-1、2-2、2-3、2-4和2-5(以下简称为公式2)基于系统的调节模型R{Yj(t)}。从公式中，可以看出其中三个输出OT(t)、SP(t)、PD(t)每一个参数都是三个输入量HA(t)、RA(t)、CF(t)对于调节函数R{HAi(t),RAi(t),CFi(t)}关联作用的结果。另外一个输出参数CL(t)是输入量CF(t)对于调节函数R{CFL(t)}的作用+CL本身前一时段数值CL(t-1)对于反馈函数F{CL(t)}和调节R{CFL(t)}的作用。

系统的三个输入量HA(t)、RA(t)、CF(t)并不是简单给入值，具体描述如下。

Yk(t)＝F{Zij(t)}{Zj(t)}^T+B_k (3-1)

HA(t)＝F{OT₁(t),SP₁(t),PD₁(t)}*{OT(t-1),SP(t-1),PD(t-1)}^T+B_HA (3-2)

RA(t)＝F{OT₂(t),SP₂(t),PD₂(t)}*{OT(t-1),SP(t-1),PD(t-1)}^T+B_RA (3-3)

CF(t)＝F{OT₃(t),SP₃(t),PD₃(t),CL₃(t)}*{OT(t-1),SP(t-1),PD(t-1),CL(t-1)}^T+B_CF (3-4)

公式3-1、3-2、3-3和3-4(以下简称为公式3)基于系统的反馈模型F{Zk(t)}。从描述中可以看出，输入量HA(t)、RA(t)是基准值B_HA、B_RA和三个输出OT(t)、SP(t)、PD(t)参数的前一时段数值OT(t-1)、SP(t-1)、PD(t-1)对于反馈函数F{OT_i(t),SP_j(t),PD_k(t)}作用的综合；输入量CF是基准值B_RA和四个输出OT(t)、SP(t)、PD(t)、CL(t)参数的前一时段数值OT(t-1)、SP(t-1)、PD(t-1)、CL(t-1)对于反馈函数F{OT_i(t),SP_j(t),PD_k(t),CL_l(t)}作用的综合。也就是说，系统的三个输入量和四个输出量之间存在密切的关联性。由此可见，基于系统的非线性、强耦合、高关联多变量的特性，建立有效的数学控制模型是不可能的。为实现系统的自动控制，必须采用智能调节模型。

系统的设置在云端的智能控制模型包括两个部分：智能调节部分和自学习自校正部分。上述公式1、2、3都是属于智能调节部分。

公式1的产出转换算法的权重函数、公式2的调节函数和公式3的反馈函数都不是数学模型，而是通过IF-THEN的推理规则建立的智能模型。模型中数值的描述采用十一档模糊描述，具体来说是：特别小ES、很小VS、小S、较小MS、略小LS、中值ZO、略大LL、较大ML、大L、很大VL、特别大EL。

智能模型中有大量的推理规则和归纳算法，例如公式3-3的一种动作，可以由IF-THEN规则表述为：

IFOT(t-1)isMLTHENCF1(t)isLL；

IFSP(t-1)isMSTHENCF2(t)isLS；

IFPD(t-1)isLLTHENCF3(t)isLS；

IFCL(t-1)isMSTHENCF4(t)isML；

CF(t)＝CF1(t)+CF2(t)+CF3(t)+CF4(t)

＝LL+ES+LS+ML

＝LL

这个结果意味着给煤量CF调节值应该为略大。根据不同的球磨机型号和系统，略大的调节值所对应的具体给煤机调节量是不同的。

自学习自校正部分采用类人算法或人工智能算法，根据调节指令和调节效果的作用关系，分析调节模型的有效性，并对相关的调节算法和指令进行修正，在不断的学习修正中，使得智能调节部分的调节效果达到期望的状态。

自学习自校正模型关系入下：

W{Xi(t)}＝ΣC_w(t){Xi(t)}{Yj(t)} (4-1)

其中，Xi(t)和OT(t)，SP(t)，PD(t)，CL(t)相关联。

R{Yj(t)}＝ΣC_R(t){Yj(t)}{Xi(t)} (4-2)

其中，Yj(t)和HA_j(t)，RA_j(t)，CF_j(t)相关联。

F{Zk(t)}＝ΣC_F(t){Xk(t)}{Yj(t)} (4-3)

其中，Zk(t)和OT_k(t)，SP_k(t)，PD_k(t)，CL_k(t)相关联。

式4-1、4-2、4-3中的C_w(t)、C_R(t)、C_F(t)是自学习自校正模型的校正算法，均基于模糊描述的类人智能推理关系。

上述4-1、4-2和4-3分别代表在自学习自校正过程中，通过对输入输出、调节、反馈作用过程与结果的分析，对于需要改进的产出转换算法的权重模型W{Xi(t)}、制粉调节模型R{Yj(t)}和反馈模型F{Zk(t)}进行合理调整，使得球磨制粉系统的投入产出更加优化、更有效率、更有效益。

上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims

1.一种基于云端智能模型的球磨制粉系统有效控制方法，其特征在于：该方法的实现基于现场控制器和包含产出转换算法的智能控制模型，所述智能控制模型接收现场控制器和产出转换算法反馈的信息，并给出控制调整方案和指令，所述现场控制器用于分析球磨制粉系统的输出信号和调节球磨制粉系统的输入量，所述球磨制粉系统通过多个输出经过产出转换算法得到系统的产出目标：出粉量PP；

所述现场控制器的调节量输出作为球磨制粉系统的输入，所述现场控制器的状态检测信号作为球磨制粉系统的输出；所述球磨制粉系统的输入向量包括热风HA、再循环风RA和给煤量CF，所述球磨制粉系统的输出向量包括出口温度OT、入口负压SP、出入口压差PD和磨机载荷CL，通过磨机载荷CL与出入口压差PD测算球磨负荷；所述球磨制粉系统的出粉量PP由出口温度OT、入口负压SP、出入口压差PD和磨机载荷CL，通过产出转换算法求得；

所述智能控制模型包括产出转换算法的权重模型W{Xi(t)}、系统控制的调节模型R{Yj(t)}和反馈模型F{Zk(t)}、自学习自校正的校正模型C_l(t)；

基于权重模型的产出转换算法为：

基于调节模型的输出输入关系为：

Xk(t)＝R{Yij(t)}{Yj(t)}^T (2-1)

基于反馈模型的输入输出关系为：

Yk(t)＝F{Zij(t)}{Zj(t)}^T+B_k (3-1)

基于校正模型的模型调整关系为：

W{Xi(t)}＝ΣC_w(t){Xi(t)}{Yj(t)} (4-1)

R{Yj(t)}＝ΣC_R(t){Yj(t)}{Xi(t)} (4-2)

F{Zk(t)}＝ΣC_F(t){Xk(t)}{Yj(t)} (4-3)

其中，出粉量PP与球磨制粉系统产出相关，X与球磨制粉系统输出量相关，Y与球磨制粉系统输入量相关，W与权重模型相关，R与调节模型相关，F与反馈模型相关，C与校正模型相关，B与基准输入相关，{…}^T为转置矩阵，C_l(t)中的l表示通用变量，C_w(t)为与权重模型相关的自学习自校正模型，C_R(t)为与调节模型相关的自学习自校正模型，C_F(t)为与反馈模型相关的自学习自校正模型。

2.如权利要求1所述的一种基于云端智能模型的球磨制粉系统有效控制方法，其特征在于：所述智能控制模型所包括的所有模型都是基于模糊表述的类人智能模型。

3.如权利要求1所述的一种基于云端智能模型的球磨制粉系统有效控制方法，其特征在于：所述自学习自校正模型采用类人算法或人工智能算法，根据调节指令和调节效果的作用关系，分析调节模型的有效性，并对相关的调节算法和指令进行修正，在不断的学习修正中，使得智能调节部分的调节效果达到期望的状态。

4.如权利要求3所述的一种基于云端智能模型的球磨制粉系统有效控制方法，其特征在于：所述自学习自校正的校正模型关系如下：

W{Xi(t)}＝ΣC_w(t){Xi(t)}{Yj(t)} (4-1)

其中，Xi(t)和OT(t)，SP(t)，PD(t)，CL(t)相关联；

R{Yj(t)}＝ΣC_R(t){Yj(t)}{Xi(t)} (4-2)

其中，Yj(t)和HA_j(t)，RA_j(t)，CF_j(t)相关联；

F{Zk(t)}＝ΣC_F(t){Xk(t)}{Yj(t)} (4-3)

其中，Zk(t)和OT_k(t)，SP_k(t)，PD_k(t)，CL_k(t)相关联；

5.如权利要求1所述的一种基于云端智能模型的球磨制粉系统有效控制方法，其特征在于：所述球磨制粉系统为一个三输入四输出MIMO系统，通过四个输出经过产出转换算法得到系统的出粉量PP。

6.如权利要求5所述的一种基于云端智能模型的球磨制粉系统有效控制方法，其特征在于：三个输入量的调节作用为：给煤量CF用于控制调节出入口压差PD和磨机载荷CL，热风HA用于控制调节出口温度OT，再循环风RA用于控制调节入口负压SP。