论文部分内容阅读
新型干法预分解窑出窑物料的三个特性参数为:出窑物料流量、出窑物料温度和出窑物料粒度。回转窑在生料煅烧过程中起重要作用,篦冷机是熟料冷却、破碎过程中的重要环节。由此可见,回转窑和篦冷机均是新型干法预分解窑水泥生产的重要组成部分。出窑物料的流量、温度、粒度对回转窑和篦冷机的正常运行及实时控制起至关重要的作用,然而它们是无法直接测量的。因此,采用软测量技术来实现出窑物料特性参数的间接在线测量。结合单列五级旋风预热新型干法预分解窑水泥生产的实际工艺,由从现场采集到的熟料库中的熟料量、入熟料库提升机电流来反推出出窑物料流量作为主导变量;选择生料入窑提升机电流和窑主转电机电流作为辅助变量;运用RBF神经网络对出窑物料流量建立软测量模型,并与用单隐层的BP神经网络建立的出窑物料流量软测量模型进行比较。得出基于RBF神经网络的出窑物料流量软测量模型在逼近能力、分类能力和学习速度等方面均优于基于单隐层的BP神经网络的出窑物料流量软测量模型。所以,选用基于RBF神经网络的软测量模型来实现出窑物料流量的间接在线测量。结合双列五级旋风预热新型干法预分解窑水泥生产的实际工艺,用高温枪在熟料刚出篦冷机处测得熟料出篦冷机的温度。假定篦冷机工作于稳定工况条件下,由强迫对流情况下的热平衡方程推出出窑物料温度作为主导变量。选择生料下料量、分解炉出口温度、二次风温作为软测量的辅助变量。运用双重RBF神经网络对出窑物料温度建立软测量模型,并与基于LS-SVM建立的出窑物料温度软测量模型进行比较。得出基于双重RBF神经网络的出窑物料温度软测量模型在逼近能力、分类能力方面与基于LS-SVM的出窑物料温度软测量模型不相上下。由于双重RBF神经网络的网络结构复杂,因此,它的学习速度稍慢于基于LS-SVM的出窑物料温度软测量模型。但是LS-SVM模型适合小样本的学习,所以从生产现场的实际需要出发,选用基于双重RBF神经网络的软测量模型来实现对出窑物料温度的在线测量。在出窑物料流量稳定的前提下,结合生产现场工人的实际操作经验确定出窑物料粒度作为基于模糊数学的出窑物料粒度软测量模型的主导变量;选取二次风温、篦冷机一室室压作为该软测量模型的辅助变量;并选取篦冷机破碎机电流作为模糊数学模型的校验值,建立基于模糊数学的出窑物料粒度软测量模型,从而实现新型干法预分解窑出窑物料粒度的间接在线判别。结合新型干法预分解窑水泥生产现场的实际工艺需求,采用Visual C++工具开发软件,将基于单RBF神经网络的出窑物料流量软测量模型、基于双重RBF神经网络的出窑物料温度软测量模型、基于模糊数学的出窑物料粒度软测量模型应用于实际生产,取得到良好的测量效果。