磨机是联合粉磨系统中的核心设备,然而大部分磨机都处于低效率、高耗能的状态,且粉磨过程具有高耦合性等特点,因此对磨机负荷的准确辨识尤为重要。为了得到最优的磨机负荷模型,分别采用了四种递推最小二乘算法、RBF神经网络以及T-S模糊模型对磨机负荷进行了辨识。本课题完成的主要工作概况如下:通过对联合粉磨系统和磨机负荷辨识发展现状的概述,并结合大量的历史数据,得出了磨机的主电机电流最能表征磨机负荷,以及分析出影响主电机电流的主要变量有:总量给定、选粉机转速、循环风机转速、分料阀开度以及粉煤灰库提升机电流。最终确定了总量给定和选粉机转速对主电机电流影响最大,故作为关键变量,其他三个变量为不确定因素。文中所有的负荷模型都以总量给定和选粉机转速作为输入变量,主电机电流作为输出变量。首先采用了四种递推最小二乘算法对磨机负荷进行辨识,具体的算法有:递推最小二乘法、遗忘因子递推最小二乘法、限定记忆递推最小二乘法和偏差补偿递推最小二乘法。通过仿真结果分析,得出在该工况下,加入遗忘因子和采用偏差补偿策略的模型能很好的跟踪主电机电流的变化情况,其中基于偏差补偿算法的模型最为精确。基于普通递推最小二乘和限定记忆的模型拟合误差相对较大,不适合该工况下的建模。然后采用了神经网络对磨机负荷进行辨识。由于RBF神经网络对非线性系统具有良好的逼近性能等优点,故分别采用了基于高斯核函数,多二次核函数和逆多二次核函数的三种RBF网络模型进行了辨识。径向基函数的中心,基宽度以及连接的权值均采用梯度下降法进行训练。神经元的个数通过反复实验来确定。通过分析平均误差、均方误差等性能指标,最终得到基于高斯核函数的RBF神经网络模型具有较高的精确度,更适合估计该工况下的磨机负荷。最后采用了T-S模糊模型对磨机负荷进行辨识。利用模糊C-均值聚类算法将输入变量划分为四个子空间,并利用加权最小二乘法对模糊后件的参数进行了辨识,得到了较为精确的T-S模糊模型。为了对比文中所用三类辨识方法的有效性和建模精度,在文章的最后分别用最小二乘法中的加权最小二乘法和基于高斯核函数的RBF神经网络对同一段历史数据进行建模。由仿真结果可知,相比于加权最小二乘法辨识出的模型和基于高斯核函数的RBF神经网络模型,T-S模糊模型能很好的反映出该段工况下磨机主电机电流的变化情况。