现场总线、模糊神经网络在回转窑分解炉温度控制中的应用

1　引　言　　
　　水泥生产过程是一个复杂的理化反应过程，具有大惯性，纯滞后，非线性的特点，系统工况复杂，建立系统精确的复杂模型非常困难，采用传统的PID控制效果又很难令人满意，目前许多厂家还是借鉴现场操作人员的经验，通过人工调节来获得满意的控制效果，生产率很低。该文针对传统生产过程中的诸多弊端，基于现场总线技术，引入神经网络控制算法，实现了水泥回转窑生产过程的实时监控、分析和优化。
2　现场总线　　
　　现场总线是一种多点、多站、多变量、全分布式智能、双向串行的数字通讯链路，它直接沟通生产现场的测量控制与执行设备，以及更高层的自动化控制设备，它不仅是一个网络，而且是一个开放的控制系统，当前工业控制体系结构正由以“信息集中，控制分散”为核心思想的DCS（集散控制系统）向FCS（现场总线控制系统）过渡，现场总线技术的出现，将传统DCS集中与分散相结合的集散系统结构变成了新型智能全分散结构，使构建高性能的分散式智能化工业检测监控系统成为可能。
　　基于Lonworks的分散智能控制系统在实现现场级功能时，需要首先确定整个系统的完整控制策略，分散到各个相互独立的模块和子任务上，然后确定每个智能节点所完成的任务，以及它们之间的数据共享关系，并对每个节点编写应用程序，并下载到节点的FlashRom中调试运行，在每个智能节点自治运行、完成现场控制的基础上，上位机基于现场的控制信息以及数字通讯传输来的大量现场管理信息，通过人机界面软件对系统的实时和历史信息进行监控，并可嵌入一些插件和智能软件程序完成上位机的高级控制功能。
3 回转窑分解炉温度的模糊神经控制
3.1 工艺流程分析
水泥生产的整个生产工艺过程主要包括窑外预热分解、窑内锻烧、熟料冷却、废气处理和煤粉控制等工序。在回转窑水泥生产过程中，窑尾分解炉温度是一个重要的工艺参数，分解炉温度的稳定对整条生产线的稳定、高产和节能具有重大的影响。根据对生产工艺和现场采样数据的分析以及操作人员经验的总结，可以发现：①增加喂煤滑差电机转速，则增大了分解炉的入煤流量，加剧分解炉反应，使温度升高；②增加生料滑差电机转速，则增大了入窑生料流量，将增加分解炉内反应物料数量，使炉温升高；但当生料增大到一定程度后，由于物料未能充分反应，炉温反而下降。应该让入窑生料流量与入分解炉煤粉流量之间维持一定比例关系，以便进行充分反应；③增大回转窑转速对炉温影响大，没有明确的关系。综上分析，虽然影响分解炉温度的因素很多，但喂煤滑差电机转速是一个主要因素，而其它诸如生料滑差电机的转速和回转窑转速也对分解炉温度有一定影响，但各因素之间存在耦合关系，它们作用也不是线性的，难以建立一个准确的数学模型来描述该过程，通过建立对象模型来实现对分解炉温度的控制就非常困难，为此采用了模糊神经网络控制技术来实现对炉温的自动调节。
3．2　基于模糊神经网络的算法
　　模糊神经网络控制器的输入变量为分解炉温度偏差e和温度偏差的变化ec，输出变量为喂煤滑差电机车速增量Δn，并将回转窑转速和生料滑差电机转速作为干扰因素来处理，整个系统框图如图3―1所示。　


　　在整个温控系统中，模糊神经网络模块的结构与算法是系统得以良好运行的关键，模糊神经网络模块的结构如图3―2所示。　　
　　该网络共分4层，第1层为输入层，它把炉温和炉温变化率传送到第2层模糊处理层进行模糊化处理，并记此时的输入为Ii，输出为Oi，其中i表示该层的第几个节点，该层的输入输出表示如下：



　　第2层模糊处理层对第1层的输入进行模糊化处理，并记此时生成的模糊集为Aij，模糊隶属度函数可采用三角形或高斯隶属度函数。该文采用高斯隶属度函数。该层的输入输出表示如下：　

　　其中μij表示模糊集隶属度函数，mij和σij分别表示模糊集Aij的均值和方差。[page]
　　第3层为模糊规则层，根据第2层的输入，可以按下式计算第m条规则的信用度

　　当a为∞时，该运算相当于一般最小化运算，当a为有限值时将得到输入的一个可微函数。该层的输入输出可以表示如下：
　

　　第4层为去模糊输出层，每条规则在模糊集中的输出可表示为　
　

　　式中ø为语言变量集（比如正大、正小等），被激活的规则对最后的输出影响加权平均得到转速的精确控制量可表示如下：


　　在设计过程中，模糊规则库的建立是整个系统设计的关键。模糊规则库建立的常用方法是根据工艺操作规程对操作人员的经验进行总结。抽取相应的模糊规则，这种方法较为简便，但获得的规则较为粗糙；另一种方法是应用系统辨识技术，根据输入输出数据建立对象的模糊模型，再根据模糊模型提取相应的模糊控制规则。该文采用的是先建立对象的模型，再提取模糊控制规则，同时借鉴操作人员经验和现场控制情况对控制规则作适当修改，自动生成规则模块，根据模糊规则库，经过在线分析训练后，得出最优控制规则。具体运算步骤如下：
　　在读入e，ec值后，经过初始运算，对所有规则Rm逐一判断、删除，信用强度小于某一阈值的规则和明显与预期结论相矛盾的规则，经上一步的筛选后，规则将能输出正确的符号，但不少规则还具有相同的前提，需要对规则进行进一步优化。假设经筛选后剩下的R条规则可分成n组R1，R2…Rn，同一组规则Ri（1≤i≤n）都具有相同的前提，Ri（j）表示Ri（1≤j≤1i）中的某一条规则，1i是每组的总规则数，每组中规则的总数不一定相等，优化的具体步骤如下：（1）获得系统状态e和ec；（2）在前提相同的每个规则组Ri中，随机选择1条规则Ri（j），n组共选择n条规则；（3）模糊神经网络控制模块计算每条规则的输出：,n条规则的总输出Δn；（4）可按下式计算由所选各条规则产生的误差：　


　　其中WRi（j）表示各条规则Rj（k）的信用度，bi（j）为第Ri（k）条规则的输出，Δnmax和Δnmin分别为输出转速可能的最大值和最小值；（5）累计每次迭代后的各条规则的Ri（j）的ERi（j）；（6）将输出作用到执行器获取新的e和ec；（7）返回第一步，继续迭取规则组中的一条规则；（8）在前提相同的规则组中仅保留累计误差ER（j）最小的规则，由此得到一组优化控制规则。　　
　　在本系统中定义炉温偏差e，炉温偏差变化率ec和输出喂料误差电机转速增强Δn。输入变量e的论域为［－30℃，30℃］，语言值为｛负大，负中，负小，负零，零，正零，正小，正中，正大｝，记作｛NL，NM，NS，NZ，ZO，PZ，PS，PM，PL｝；ec的论域为［－30，30］，语言值为｛负大，负小，零，正小，正大｝，记作｛NL，NS，ZO，PS，PL｝；Δn的论域为［－20％，20％］，语言值为｛负大，负中，负小，零，正小，正中，正大｝，记作｛NL，NM，NS，NO，PS，PM，PL｝。表3―1是由模糊网络控制器产生的一组优化控制规则表。





4　现场总线控制系统的实现　　
　　采用Lonworks节点完成回转窑分解炉的温度控制，将控制节点连接安置在现场，只需通过一根双绞线就可完成现场各节点之间以及与上位机之间的信息通讯（如图4―1），在这里应用了4个节点，它们分别是传感器输入节点、控制器节点、执行器节点、显示节点。传感器节点完成现场温度值的网络变量输出；控制器具体实施模糊神经网络控制算法，并输出修正的网络变量；执行器驱动电阀工作；显示节点完成温度设定值的输出及当前温度的动态显示。网络变量的概念大大简化了复杂应用程序的设计，使节点程序的可利用性提高，节点间的虚拟连接关系得到加强，使其添加、移动、改变均方便易行，每个节点中的数据可与整个网络中的所有节点共享；另外上位机通过Lonworks网卡便可实现与所有现场节点的通讯，通过工控组态软件（citech或Intouch）完成对整个系统的监控并可嵌入一些高级控制功能。








5　结束语　　
　　在水泥回转窑生产过程中采用现场总线技术、模糊神经网络控制技术，建立了Lonworks智能节点的模糊神经网络温度控制系统，分散的节点不仅有效地实现了模糊控制功能，而且系统的整体性得到提高；特别是采用模糊神经控制等策略后，取得了良好的效果，炉温基本稳定在850℃左右，满足了生产要求。对比采用PID控制等，控制效果非常明显。
　　分散智能控制网络系统是过程控制技术、仪表工业技术和计算机网络技术三者的结合，它代表了工业控制体系结构发展的一种方向。