（控制理论与控制工程专业论文）基于自适应动态规划的水泥预分解窑控制系统.pdf

f iilllli1111 1j1 1 j i itlii i j l l 1 1 1 l l f f l j f l l l l y 17 3 8 5 5 1 广西大学学位论文原创性声明和学位论文使用授权说明 学位论文原创性声明 本人声明：所呈交的学位论文是在导师指导下完成的，研究工作所取得的成果和相 关知识产权属广西大学所有。除已注明部分外，论文中不包含其他人已经发表过的研究 成果，也不包含本人为获得其它学位而使用过的内容。对本文的研究工作提供过重要帮 助的个人和集体，均已在论文中明确说明并致谢。 论文作者签名：红拎晦御砗6 月瑁日 学位论文使用授权说明 本人完全了解广西大学关于收集、保存、使用学位论文的规定，即： 本人保证不以其它单位为第一署名单位发表或使用本论文的研究内容； 按照学校要求提交学位论文的印刷本和电子版本； 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 请选择发布时间： ， 曰即时发布口解密后发布 ( 保密论文需注明，并在解密后遵守此规定) 论文作者签名：毳拎峰 名：躺哆 6 月弼日 能。 为进一步提高预分解窑的水泥产量，降低水泥预分解窑生产的能耗， 本文首先针对水泥预分解窑难以建立精确有效的数学模型的特点，采用具 有自学习和自适应能力的人工神经网络对其进行建模：分别采用了b p 前馈 神经网络与e i m a n 反馈神经网络两种方法对预分解窑系统进行建模，两种 模型均显示了良好的拟合与泛化能力；其次，介绍了先进的自适应动态规 划算法，并针对执行依赖启发式动态规划( a d h d p ) 无模型网络的特点，分 别介绍了a d h d p 基于b p 网络与动量b p 网络的两种实现形式。论文将执行 依赖启发式动态规方法( a d h d p ) 与启发式动态规划( h d p ) ，应用于水泥预 分解窑系统，实现了对于预分解窑的仿真控制；仿真结果表明，两种自适 应动态规划方法能够将水泥预分解窑模型的各个参数控制在一个合理的范 围内。 关键词：水泥预分解窑；人工神经网络；自适应动态规划；h d p ；a d h d p p r e c a l c i n e rk i l nc o n t r o ls y s t e mb a s e da d a p t i v e d y n a m i cp r o g r a n 瓜缸n g a b s t r a c t c e m e n tp r e c a l c i n e rk i l n ( p c k ) t e c h n o l o g yr e p r e s e n t st h em o d e ma d v a n c e d c e m e n tp r o d u c t i o nt e c h n o l o g y a sag r e a tc e m e n tp r o d u c t i o nc o u n t r y , t h e c e m e n tp r o d u c t i o no fc h i n aa c c o u n t sf o rm o r et h a n6 0 o ft h ec o u n t r y st o t a l o u t p u t h o w e v e r , b e c a u s ec e m e n tk i l nh a st h ef e a t u r e so fl a r g ei n e r t i a ，t i m e d e l a y , n o n l i n e a r , a n ds oo n ，m a n yp a r a m e t e r so fc e m e n tp r e c a l c i n e rk i l n a r e m a i n l yb a s e d o nm a n u a la d j u s t m e n t ，l a r g e l yd e p e n d e do nt h ea r t i f i c i a l e x p e r i e n c e s ot h a t ，t h ep r o d u c t i o ni sv e r yi n s t a b i l i t y , h i 曲e n e r g yc o n s u m p t i o n ， a n dc a nh a r d l ya c h i e v et h em a x i m u m c a p a c i t yo f c e m e n tp r e c a l c i n e rk i l n f i r s t l y , t of u r t h e re n h a n c et h ep r o d u c t i o no fc e m e n tp r e c a l c i n e rh l l la n d r e d u c et h ee n e r g yc o n s u m p t i o n ，b e c a u s et h ec e m e n tp r e c a l c i n e r 虹h li sd i f f i c u l t t oe s t a b l i s ha c c u r a t ea n de f f e c t i v em a t h e m a t i c a lm o d e l ，t h i sp a p e rb u i l d e dt h e m o d e lo fc e m e n tp r e c a l c i n e rk i l nb yu s i n gt h ea r t i f i c i a ln e u r a ln e t w o r kw h i c h h a ss e l f - l e a m i n ga n da d a p t i v ec a p a c i t y t h i sp a p e ru s e db pf e e d f o r w a r dn e u r a l n e t w o r ka n de l m a nr e c u r r e n tn e u r a ln e t w o r kf o rt h em o d e l i n g ，b o t hm o d e l s s h o wg o o df i t t i n ga n dg e n e r a l i z a t i o na b i l i t y s e c o n d l y , t h i sp a p e ri n t r o d u c e d a d v a n c e da d a p t i v e d y n a m i cp r o g r a m m i n ga l g o r i t h m ，a n d a i m e da tt h e m o d e l f r e ec h a r a c t e r i s t i c so fa c t i o nd e p e n d e n th e u r i s t i cd y n a m i cp r o g r a m m i n g ( a d f i d p ) ，t h ep a p e ri m p l e m e n t e da d h d pb yb o t h b pa l g o r i t h ma n d m o m e n t u mb pa l g o r i t h m p a p e ru s e d ( a d h d p ) a n dh e u r i s t i c d y n a m i c p r o g r a m m i n g ( h d p ) i nc e m e n tk i l ns y s t e m ，t or e a l i z e as i m u l a t i o nf o rt h e c o n t r o lo fc e m e n tp r e c a l c i n e rk i l n s i m u l a t i o nr e s u l t si n d i c a t e dt h a tt h et w o a d a p t i v ed y n a m i cp r o g r a m m i n gm e t h o d s a r ea b l et oc o n t r o la l lp a r a m e t e r so ft h e c e m e n tp r e c a l c i n e rk i i nm o d e l i nar e a s o n a b l er a n g e k e yw o r d s ：c e m e n tp r e c a l c i n e rk i l n ；a r t i f i c i a ln e u r a ln e t w o r k ；a d a p t i v ed y n a m i c p r o g r a m m i n g ；h d p ；a d h d p h 5 2 3 自适应动态规划5 第三章水泥预分解窑建模8 3 1 本章引论8 3 2 水泥预分解窑系统8 3 3 预分解窑系统特点9 3 4 人工神经网络1 0 3 4 1b p 前馈神经网络1 0 3 4 2e l m a n 反馈神经网络1 2 3 5 水泥预分解窑的神经网络建模1 3 3 5 1 预分解窑主元素分析1 3 3 5 2 系统神经网络模型结构1 5 3 5 3b p 前馈神经网络建模1 5 3 5 4e l m a n 反馈神经网络建模1 6 3 6 仿真结果比较1 6 第四章基于a d h d p 的预分解窑控制系统1 8 4 1 本章引论1 8 4 2 基于b p 网络的a d h d p 算法及其执行过程1 8 4 2 1a d h d p 算法结构和基本原理1 8 4 2 2 评价网络1 9 4 2 3 执行网络2 1 4 3a d h d p 预分解窑控制系统2 3 4 3 1 执行网络2 4 n i 4 3 2 评价网络2 4 4 3 3 效用函数的选择2 4 4 3 4 折扣因子的选取2 5 4 4a d h d p 训练策略及控制系统仿真2 5 4 4 1a d h d p 训练策略2 5 4 4 2a d h d p 控制系统仿真2 6 4 5 基于b p 网络的a d h d p 控制结果分析2 7 4 6 基于动量b p 网络的a d h d p 控制结果比较与分析2 8 第五章基于h d p 的预分解窑控制系统3 l 5 1 本章引论3 1 5 2 基于b p 网络的h d p 算法及其执行过程3 1 5 2 1h d p 算法结构3 1 5 2 2 模型网络3 2 5 2 3 评价网络3 3 5 2 4 执行网络3 5 5 3h d p 预分解窑控制系统3 6 5 3 1 执行网络3 7 5 3 2 模型网络3 7 5 3 3 评价网络3 7 5 3 4 效用函数的选择3 7 5 3 5 折扣因子的选取3 7 5 4h d p 训练策略及控制系统仿真3 7 5 4 1h d p 训练策略3 8 5 4 2h d p 控制系统仿真3 8 5 5 控制结果比较与分析3 9 第六章结论4 2 参考文献4 3 致i 射4 6 攻读学位期间撰写并发表的学术论文4 7 i v 我国近期内对水泥的需求量仍然很大。 我国自1 9 8 5 年开始成为全世界第一水泥生产大国，随着经济的飞速发展和对水泥 需求的不断增加，我国的水泥产量以每年平均1 2 的速度增加，到1 9 9 5 年，中国的水泥 产量已分别是世界第二大水泥生产国( 日本) 和第三大水泥生产国( 美国) 的5 倍和6 倍。近年来，我国水泥产量仍然飞速增长。2 0 0 4 年水泥产量达9 7 亿吨；2 0 0 5 年水泥 产量达l o 6 4 亿吨；2 0 0 6 年我国水泥产量达到1 2 3 6 亿吨；2 0 0 7 年我国水泥产量达到 1 3 6 亿吨，；2 0 0 8 年水泥产量达到1 3 9 亿吨，占世界水泥产量的一半以上：2 0 0 9 年， 全年水泥产量1 6 3 亿吨，同比增长1 7 9 ，进一步巩固和加强了中国的水泥强国地位。 然而，相对来说，水泥工业的资源和能源消耗高，且环境污染比较严重。在我国水 泥发展初期，建立起的大量立窑等落后生产工艺，不仅消耗大量资源和能源，而且环境 污染严重。这使得我国在提高水泥产量的同时，必须不断优化水泥产业结构，大力发展 先进的新型干法生产工艺，积极执行“上大关小、淘汰立窑”的国家宏观调控政策n 1 。 国家建材工业“十一五规划要求”大力发展新型干法生产工艺，加速淘汰落后生产工艺， 加快大公司和大企业集团的发展。 水泥煅烧是水泥生产的中心环节，其主要经历了立窑和回转窑的发展过程。2 0 世纪 5 0 年代，为了解决回转窑的烧成能力与预烧能力的矛盾，提高水泥生产的产量与质量， 逐步发展了以悬浮预热技术为核心的悬浮预热窑，展开了新型干法水泥生产的新篇章。 2 0 世纪7 0 年代，窑外分解炉的出现，标志着预分解技术的诞生。预分解窑是在悬浮预 热窑的基础上发展起来的，其主要包括旋风筒、分解炉、回转窑、篦冷机等。新型干法 生产具有优质、高效、节能、环保和均衡稳定生产等特征，是当代高新技术在水泥工业 的集成。2 0 世纪9 0 年代，水泥生产工业逐步向生态环境材料型产业迈进。目前，随着 自动控制与生产自动化水平的提高，国内各大水泥厂的生产均已实现了d c s 监控，提高 了水泥生产的计算机监控水平，为进一步优化水泥生产过程与水泥生产技术提供了技术 基础和保障。 随着我国水泥产量的不断提高，我国的水泥生产产业结构也不断得到改善。2 0 0 5 年新型干法水泥产量占水泥总产量的3 8 6 ；2 0 0 6 年新型干法水泥产量所占比例上升 至4 8 ，2 0 0 7 年中国水泥新型干法的比例约占5 5 ；而2 0 0 8 年和2 0 0 9 年，这一比重已 超过6 0 ；预计在2 0 1 0 年，我国水泥工业技术结构调整任务会大功告成，水泥工业布局 广西大爿明页士掌位荫薯基于自适应动态规划的水泥预分解窑控制系统 将基本完成晗1 。 现阶段，水泥预分解窑生产工艺是水泥工业先进生产力的代表。而坚持循环经济和 可持续发展，走新型工业化发展道路，厉行资源节约，保护生态环境，是水泥工业发展 的必然选择。因此，如何进一步提高新型干法生产工艺的产量，以及如何在水泥预分解 窑生产工艺的基础上，进一步实现节能降耗，已成为一个亟待研究的课题。 水泥生产具有非线性、强耦合性、不确定性、时变、大惯性、大滞后、多约束的特 点，这使得预分解窑系统十分复杂，很难建立其精确有效的数学模型。采用传统的控制 理论或单一的智能化技术难以满足多目标全局优化控制要求。建立水泥预分解窑生产过 程的优化模型、选择合适的优化方法以达到对生产过程的优化运行，具有重要的科学研 究价值和现实意义。 近年来，对于水泥厂预分解窑生产过程，s h a o li nw a n g 、f e n g b od o n g 等人完成了 该生产过程中回转窑的专家系统的设计与实现1 ；o s t e r g a a r d 成功将模糊控制应用于预 分解窑的控制；h i r o s h ia s a y a m a 与c h i a n gd 等人将模糊技术分别应用于水泥预分解 窑温度控制与水泥悬浮预热回转窑的控制：c o r r e c h e r 介绍了基于专家系统的水泥回转 窑故障诊断问题；i m a nm a k a r e m i 等人采用系统辩识方法实现了水泥回转窑的异常工况 检测。 刘晓琳、高海宾等人将b p 神经网络用于该生产过程中分解炉温度的控制；张建民 等人将动态神经网络用于该生产过程中回转窑的温度控制；寇晓军等人将专家系统应用 于该生产过程中回转窑的控制；李常贤、诸静将模糊预测协调控制技术应用于该生产过 程的篦冷机系统啼1 。济南大学袁铸钢等研究了模糊控制及其在水泥分解炉的应用1 。湖 南大学王耀南等研究了基于燃烧火焰图象特征的回转窑神经网络控制系统h 1 。广西大学 林小峰等研究了自适应动态规划在水泥分解炉温度控制以及回转窑温度控制的应用啊1 。 1 2 自适应动态规划发展与研究现状 2 0 世纪5 0 年代初，美国数学家r b e l i m a n 等人针对多阶段决策问题，提出了“贝 尔曼最优化原理，用其解决现实问题，建立了新的用于多阶段决策的最优化方法一 动态规划，并于1 9 5 7 年出版了动态规划名著( d y n a m i cp r o g r a m m i n g ) ) 。目前，动态规 划已经越来越多的应用于经济管理、物流调度、工程技术、最优控制等多方面。 然而，在动态规划面临大规模、多变量问题时，容易出现贝尔曼“维数灾”，从而 造成了动态规划现实应用的局限性。 自适应动态规划( a d a p t i v ed y n a m i cp r o g r a m m i n g ，a d p ) ，又叫近似动态规划，是 人工智能和控制领域发展而交汇形成的新兴学科。在人工智能领域，强化学习、人工神 经网络、模糊系统、演化计算等方法的发展和丰富，提出了很多求解非线性系统优化问 题的解决思路和具体技术方法。而自适应动态规划则以传统的最优控制为理论基础，融 合人工智能的先进方法，提出了解决大规模复杂非线性系统优化控制问题的解决方法。 2 基于自适应动真口见划的水泥预分解窑控制系统 1 9 7 7 年，w e r b o s 首次提出了自适应动态规划的思想，其本质上是基于强化学习原 理，模拟人通过环境反馈进行学习的思路，被认为是一种非常接近人脑智能的方法嘲。 自适应动态规划，采用非线性函数拟合方法逼近动态规划的性能指标，有效地解决了动 态规划“维数灾 的难题，为高维复杂非线性系统的最优控制提供了一种切实可行的理 论和方法。自适应动态规划体现了人工智能和控制领域的一个重要发展方向。 1 9 9 2 年，w e r b o s 系统地介绍了两种基本的自适应动态规划的结构，其中一种称为 启发式动态规划( h e u r i s t i cd y n a m i cp r o g r a m m i n g ，h d p ) ，另一种称为双启发式动态规 划( d u a lh e u r is ticp r o g r a m m in g ，d h p ) ，又进一步给出其他两种“执行依赖评价 形 式，即，执行依赖启发式动态规划( a c t i o nd e p e n d e n th e u r i s t i cd y n a m i cp r o g r a m m i n g ， a d h d p ) 和执行依赖双启发式动态规划( a c t i o nd e p e n d e n td u a lh e u r i s t i cp r o g r a m m i n g ， a d d h p ) 。在这两个执行依赖a d p 结构中，控制量也作为评价网络的输入n 们。 1 9 9 7 年，p r o k h o r o v 和w u n s c h 讨论了h d p ，d h p 和全局双重启发式动态规划( g d h p ) 的设计，并提出了a d p 的实现方法与训练步骤n 。 虽然各种a d p 结构均能实现近似最优控制，然而其计算精度和运行时间都不同。一 般来说，h d p 的计算量比较小，但计算精度也很低，而g d h p 具有较好的精度，但计算过 程将需要更长的时间。 1 9 9 7 年，l a n d e l i u s 等人把h d p ，d h p ，a d h d p 和a d d h p 技术应用在没有初始稳定条 件的离散时间线性二次最优控制问题中，并讨论了其收敛性n 羽。 2 0 0 0 年，l i u 和b a l a k r i s h n a n 给出了d h p 对于线性二次型问题的收敛性分析n 肌。 2 0 0 2 年，m u r r a y ，l e n d a r i s 等人提出了一种关于连续时间非线性系统的二次代价 函数的迭代a d p 方法，并给出了迭代a d p 方法的收敛性分析和系统的稳定性证明。然而 其给出的迭代a d p 方法的前提是必须有初始稳定条件，并在每一次迭代后就要更新代价 函数14 1 。 2 0 0 5 年，a b u k h a l a f ，l e w i s 使用神经网络的迭代a d p 方法，用以求解非线性系统 h a m il t o n j a c o b i b e l l m a n ( h j b ) 方程代价函数的近似解。并进一步给出了迭代a d p 方 法的收敛性和稳定性分析n 引。 2 0 0 7 年，a i - t a m i m i 和l e w i s 给出了自适应动态规划能够满足离散时间非线性h j b 方程最优化的收敛性的证明n6 j 。并在2 0 0 8 年，对其证明进行了补充与进一步完善n 7 1 。 目前，对于自适应动态规划算法的研究，已遍布于工业生产的各个方面，主要是应 用在导弹系统，自动驾驶，发电机，电力系统，通信系统，生化过程等n 引。 g a r yg y e n 、p e d r og d e l i m a 将自适应动态规划应用于导弹自动导航系统，并取 得良好的仿真效果n 引。l u ，s i 和x i e 将启发式动态规划( h d p ) 方法应用于电力系统稳 定性控制问题，针对实际系统响应，研究了一个h d p 控制器，用于学习如何处理非线性 和不确定性系统的模型缺陷乜们。r a y 等人研究了自适应动态规划在电力系统中的应用， 并将其与经典广域控制器进行了比较。l i u 等人将自适应动态规划应用在引擎技术中， | i 于自叠应动态规划的冰觇预分解窑控御系统 用以控制发动机扭矩和废气空燃比( a f r ) ，并能够提高汽车在实际运行中其动力系统 的性能。e n n s 和s i 研究了自适应动态规划在直升机稳定性控制方面的应用魄1 。 j u l i a n an a s c i m e n t o 将自适应动态规划应用于高维随机控制问题，并分析了其收敛性。 清华大学陆超等人与关子彬等人分别将自适应动态规划方法应用在电力系统稳定性控 制与同步发电机控制乜3 2 劓。中科院许晶、王飞跃等人将自适应动态规划应用于交通控制 问题，并取得了良好的控制效果瞵1 。广西大学林小峰等人，将自适应动态规划应用水泥 厂分解炉温度控制与糖厂p h 值控制啪，。 1 3 研究内容 水泥预分解窑系统涉及传质、传热和物理化学反应等，是一个复杂的多变量、多扰 动、大惯性、大滞后、非线性系统田一。由于预分解窑系统参数较多，各参数间相互耦 合，而且干扰因素众多，很难建立精确的数学模型，因此，目前大多数国内水泥厂预分 解窑生产过程中的参数设置、工况调整主要由操作人员完成。其生产稳定性对于人工经 验的依赖性非常大。为了减小生产过程对于人工经验的依赖性，在保证水泥熟料质量与 产量的同时，进一步提高生产稳定性，并节能降耗，需要探索与传统方式不同的控制方 法。 本文的具体工作如下： 1 分析了水泥预分解窑系统的生产工艺及其特点。 2 针对预分解窑系统的多参数相互耦合、大惯性、大滞后的特点，本文分别采用了 b p 前馈神经网络以及具有反馈环节的e l m a n 反馈神经网络对预分解窑系统进行建模，并 最终选择具有较好的拟合与泛化能力的e l m a n 网作为水泥预分解窑系统的建模。 3 在控制算法上，本文针对预分解窑系统难以建立精确的数学模型的特点，介绍了 自适应动态规划的执行依赖启发式动态规划( a d h d p ) 与启发式动态规划( h d p ) 两种控制 算法，并将其用于水泥预分解窑的仿真控制。两种方法对水泥预分解窑系统均体现出了 较好的控制能力。 4 对论文工作进行总结，并指出了进一步研究的方向。 4 预分解窑控制j 臼晓 自适应动态规划 动态规划( d y n a m i cp r o g r a m m i n g ，d p ) 属于运筹学的一个分支，是通过最优性原理 来解决最优化和最优控制问题一个非常有用的工具。贝尔曼最优化原理为：无论初始状 态和初始决策如何，当把其中的任何一个阶段及本阶段状态作为初始阶段和初始状态 时，其余的决策对此必定也是一个最优策略啪1 。 将动态规划应用于最优控制领域，能够有效地求解非线性系统的最优控制问题。工 程技术以及经济领域中的许多问题都可以表述为目标函数的极小化或极大化问题，如误 差极小化问题、能量极小化问题以及效益极大化问题等。理论上讲，动态规划方法能够 解决这些可以表述为极小化或极大化的问题。动态规划在最优控制领域已经积累了大量 成果，并已成功应用于实际工农业生产过程。动态规划可应用于离散时间系统或连续时 间系统、线性系统或非线性系统、时不变系统或时变系统、确定性系统或随机系统等等， 而目前人们更多的将其用于解决具有多阶段特征的优化问题。 利用动态规划求解离散时间动态系统问题，首先将原问题转化为若干个子阶段。任 何一个子阶段的状态是由前一阶段的状态与控制量决定的。经过控制动作甜，系统从当 前状态x ( 后) 转变到下一个状态x ( k + 1 ) 的同时，可获得一个代价u 。当从任意状态到最 终状态过程中，通过最小化所有代价的总和来确定系统的最优解。其所有代价的总和， 也叫代价函数“c o s t t o - g o 函数。动态规划的目的，则是在数值上计算最优 “c o s t - t o g o 函数。在计算最优“c o s t t o g o ”函数的同时，最优控制策略也就被计 算出来。这便是贝尔曼最优化原理的具体实现过程啪1 。 不幸的是，当状态量和控制量的维数变大时，动态规划求解所需要的计算量和存储 量会很大，从而出现贝尔曼“维数灾 问题，因此该算法只适用于小规模、简单非线性 系统的最优控制问题。 2 3 自适应动态规划 自适应动态规划融合了动态规划和强化学习的思想。动态规划是通过最优性能函数 ( “c o s t - t o - g o 函数) 来计算最优控制量，而自适应动态规划的概念是利用 “c o s t - t o - g o 函数的一个近似值来实现近似最优控制的目的，从而有效的避免了“维 5 广西大掣啊页士掌位论文 l 于自适应动态规划的水泥预分解窑控制系统 数灾 的出现。 自适应动态规划有多种实现形式，包括启发式动态规划( h d p ) 、双启发式动态规划 ( d h p ) 、全局双启发式动态规划( g d h p ) 、执行依赖启发式动态规划( a d h d p ) 、执行依赖 双启发式动态规划( a d d h p ) 、执行依赖全局双启发式动态规划( a d g d h p ) 。 自适应动态规划的非执行依赖形式，包括三个网络：执行网络、模型网络、评价网 络。而执行依赖形式没有模型网络，只有两个网络：执行网络、评价网络。以h d p 与a d h d p 为例，其结构图如图2 - 1 、2 - 2 所示。 图2 1h d p 结构图 f i b r e2 一lt h es t r u c t u r eo fh d p i a c t i o n i x ( 七) l _ i c f i t i e n e 坩o r kn e 铆0 r k x ( 七) “( 七) 图2 2a d h d p 结构图 f i b r e2 - 2t h es t r u c t u r eo fa d h d p 其中，h d p 结构包括三个网络：评价网络( c r i t i c ) 、模型网络( m o d e l ) 和执行网络 ( a c t i o n ) 。评价网络对控制动作进行评价；模型网络反映被控对象的输入输出特性，在 给定当前阶段的状态和控制动作后，模型网络输出被控对象下一阶段状态的预测值；执 行网络则根据当前的状态用于产生最优的控制动作。 a d h d p 是h d p 的执行依赖形式。a d h d p 通过将模型网络与执行网络结合成一个新的 评价网络。因此，a d h d p 仅包括两个网络，即执行网络和评价网络。其模型网络实际上 隐含在新的评价网络之中。 设一个离散时间非线性动态系统如下： x ( k + 1 ) = ，【x ( 七) ，“( 七) ，k 】( 2 - 1 ) 其中，x ( k ) 表示系统当前阶段的状态，u ( k ) 表示系统当前阶段的控制动作，x ( 七+ 1 ) 表示系统下一阶段的状态。 则该系统的最优性能指标函数，或者又叫做c o s t t o g o 函数为： ，【x ( 七) ，七】= y 卜x ( 咖( f ) ，力( 2 - 2 ) t = k 动态规划在解决此类问题时，由于无法解决当x ( k ) 的维数很大时可能出现的“维数 灾问题，因此限制了动态规划的应用范围。而自适应动态规划的核心，是用近似的方 6 广西大学硕士学位论文墓于自适应动两i 规划的水泥预分解窑控制系统 法，最小化c o s t - t o - g o 函数，从而避免了“维数灾 的出现。 在具体实现上，自适应动态规划是用评价网络来达到近似c o s t - t o - g o 函数的。对 于评价网络的输出，在h d p 和a d h d p 结构中，评价网络输出的是c o s t - t o - g o 函数的近 似值j ( 七) ；在d h p 和a d d h p 结构中，评价函数输出的是c o s t - t o - g o 函数的导数的近似 值d ( 七) ；而在g d h p 和a d g d h p 中，评价网络输出的是c o s t - t o - g o 函数的近似值j ( k ) 与 c o s t t o g o 函数的导数的近似值d j ( k ) 的和。 7 i - 西大掌硕士d q 立簧览赶 基于自适应动态规划的水泥预分解窑控制系统 第三章水泥预分解窑建模 3 1 本章引论 本章分析了水泥预分解窑系统的生产工艺，选取预分解窑系统的主要控制量与状态 量，采用在水泥厂现场采集的生产数据，通过b p 前馈神经网络，与e l m a n 反馈神经网 络对水泥预分解窑系统进行建模，并将两种网络建模的拟合能力与泛化能力进行了比较 分析。 3 2 水泥预分解窑系统 水泥预分解窑系统主要包括旋风预热器、分解炉、回转窑和篦冷机1 。 水泥生料在预分解窑内的分解和煅烧的过程，如图3 - 1 所示，生料由c 1 旋风筒的 上升管道喂入，生料粉与上升管道的热气进行热交换后，被上升管道的热风带入c 1 旋 风筒，最终气固分离后，热生料进入c 2 旋风筒的上升管道，与c 2 上升管道的热风进行 气固热交换后，被热风带入c 3 旋风筒，重复c 1 与c 2 的过程，最终热生料在c 4 旋风筒 气固分离后，被送入分解炉内集中进行碳酸钙的分解过程( 分解率8 5 9 5 ) ，在分解 炉内分解的生料送入c 5 旋风筒，完成气固分离后，被送入回转窑，在回转窑内随回转 窑的转动，不断向窑头靠近，最后烧结成的熟料经回转窑的窑头进入篦冷机完成冷却。 图3 - 1 预分解窑系统结构简图 f i g u r e3 - 1t h es i m p l i f i e ds t r u c t u r es c h e m a t i co f p c ks y s t e m 从回转窑的窑头送入篦冷机的熟料，温度高达1 3 0 0 度至1 4 0 0 度。在篦冷机内用于 冷却熟料的空气，吸取了未冷却的熟料的大量余热，这部分带有大量热量的空气，被分 成二次风和三次风，分别送入回转窑和分解炉内，用以回收熟料余热，改善并提高回转 8 广西大掌硕士掌位论文| i 于自适应动态规划的水泥预分解窑控制系i 走 窑和分解炉内燃烧状态与热交换水平。 回转窑喂煤主要由一次风，并随二次风一起，由回转窑的窑头鼓入回转窑；对于回 转窑来说，一次风和二次风，都富含大量的氧，但必须控制好一次风的风速。由于一次 风是冷风，风速过快，会使得回转窑内的一次风占一次风和二次风总风量的比例过大， 从而会造成回转窑大量的热损失：一次风速过低，又使得煤粉喷洒不充分，过多的煤粉 堆积在窑头附近，造成热量的堆积，不利于生料的煅烧。 一次风和二次风在回转窑内与煤粉燃烧，消耗了大量氧气之后，到达回转窑窑尾， 并以高温状态，由上升烟道，进入分解炉内，继续为分解炉内的生料分解提供热交换。 另一方面，经单独的送风管道送来的三次风，随煤粉一起送入分解炉内。因此对于分解 炉来说，三次风富含大量的氧气，是富氧风，主要供给煤粉燃烧所需的氧气；而由回转 窑窑尾，经上升烟道进入分解炉内的窑气，主要为分解炉内的生料分解提供热交换，并 不能为分解炉内的煤粉燃烧提供太多的氧气。最后分解炉炉气携带部分料粉送入c 5 旋 风筒，并沿上升管道，依次经由c 4 、c 3 、c 2 、c 1 旋风筒，最后作为废气，被高温风机 抽走，送至余热利用系统，并随后经过收尘，排入大气。 整个流程中的物料流向与烟气流向如下所示： 物料流向：生料一c 1 一c 2 一c 3 一c 4 一分解炉一c 5 一回转窑一篦冷机。 烟气流向：篦冷机一窑炉烟气一c 5 一c 4 一c 3 一c 2 一c l 一高温风机一余热利用系统及 收尘排入大气。 3 3 预分解窑系统特点 经上节所做的水泥预分解窑系统的分析，可知水泥预分解窑生产过程是一个复杂的 理化反应过程。其具有特点如下d “3 2 1 ： 1 ) 参数众多，且相互耦合 除了生料量、分解炉喂煤量、回转窑喂煤量、回转窑的转速、高温风机的转速，以 及一次风、二次风、三次风的风速等主要因素以外，对水泥预分解窑生产有影响的因素 还包括：煤的质量、生料的细度、二次风与三次风的温度、c 1 旋风筒出口氧含量与负压、 分解炉出口温度与压力、窑尾废气温度与氧含量、高温风机的入口压力和出口压力、篦 冷机风机阀门开度等等。其众参数之间相互耦合。 2 ) 大惯性 由于水泥生产过程的热传导，以及吸热放热反应并非瞬问完成，而需要一段时问的 积累，因此，水泥预分解窑生产是一个具有大惯性的过程。 3 ) 大滞后 从生料粉进入c l 旋风筒，到篦冷机卸出熟料入库，整个时间约需半个多小时。而 二次风和三次风从篦冷机抽入回转窑和分解炉内，到c 1 旋风筒作为废气被排出，时间 大概需要3 分钟左右。 9 广西大掌硕士掌位簧誓戈基于自适应动走兜划的水泥颓分解窑控制系统 4 ) 非线性 整个水泥预分解窑生产过程中的热传导、碳酸盐的分解、氧化物的分解与化合等都 是复杂非线性的过程。 由于水泥厂预分解窑的以上诸特点，使得难以建立精确有效的数学模型口3 | 。 3 4 人工神经网络 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n s ) ，也称为神经网络( n n s ) ， 是种旨在模仿人脑结构进行信息处理的数学模型。人工神经网络的研究，起始于1 8 9 0 年美国著名心理学家w j a m e s 关于人脑结构与功能的研究，1 9 8 5 年d e r u m e l h a r 和 j l m c c l e l l a n d 领导的研究小组发表了并行分布式处理( p a r a l l e ld i s t r i b u t e d p r o c e s s i n g ) 一书，重点讲述了b p 神经网络学习算法，从而开启了人工神经网络的新 篇章。 人工神经网络具有并行处理、分布式存储与容错性的结构特征，由于其结构上“模 仿 了人脑的生物神经系统，因此，人工神经网络能够实现联想记忆、非线性映射、分 类与识别、优化计算、知识处理等功能。 在控制领域，人工神经网络由于其灵活性以及自学习与自适应能力，已经越来越多 的应用于系统建模，模式识别，故障检测以及神经网络控制等方面。 3 4 1b p 前馈神经网络 b p 前馈神经网络算法的基本思想是，学习过程由信号的正向传播与误差的反向传播 两个过程组成。因此常称其为b p 网络( b a c kp r o p a g a t i o nn e t w o r k ) 嘲3 。b p 网络通常 有一个或多个隐藏层，隐藏层中的神经元大多采用s 型传递函数。理论证明：具有1 个 隐层( 采用s i g m o i d a l 转换函数) 的b p 前馈神经网络可实现对任意函数的任意逼近。 1 ) 单隐层b p 前馈神经网络的结构，如图3 - 2 所示。 图3 - 2b p 神经网络结构图 f i g u r e3 - 2t h es t r u c t u r eo fb pn e u r a ln e t w o r k i o k “ “ 冁 w 根 v 墟 输i隐f输 广西大掣i 硕士掌位论文基于自适应动志规划的水泥f l i t 分解窑控制习：筑 其中， a n 、白、6 p 分别表示输入层第 个神经元、隐藏层的第p 个神经元、以及 输出层第g 个神经元，且均为行向量。表示输入层第刀个神经元的输入，e 为输出层 第q 个神经元的输出。表示输入层第肛个神经元到隐藏层的第p 个神经元的权值， 表示隐藏层第p 个神经元到输出层第g 个神经元的权值。 对于输出层，有 = f ( n e t ：)朋= l ，2 ，g ( 3 1 ) 肥= 矿吆 m = l 2 ，g( 3 2 ) ，却 其中，z p 艺表示输出层第m 个神经元的净输入，矿表示隐藏层第- j f 个神经元的输出。 对于隐藏层，有 = ( 聊哆) j = l 2 ，研( 3 - 3 ) 胎哆：圭茸嘭 j = l ，2 ，肌 其中， 刀p 哆为隐藏层第个神经元的净输入。 转移函数厂( x ) 取双极性s i g m o i d a l 函数，形式如下： m ) = 等 ( 3 - 4 ) ( 3 - 5 ) 2 ) b p 前馈神经网络的训练 b p 网络的训练就是通过应用误差反传原理不断调整网络权值使网络模型输出值， 与已知的训练样本输出值d 之间的误差平方和e 达到最小或小于某一期望值。定义如 下： e ：l ( d t - c ) 2 ：i 1u 口，k c ：) 2 ( 3 6 ) 将上式展开至隐藏层，有 e = 专 以一厂( 朋) 】2 = 寺【以厂( 矿吆) 】2 ( 3 7 ) 进一步展开至输入层，有 e = 寺 兹一【厂( 聆p c ) 陟盎】) 2 ：要磊州轰兰蝴咖： ( 3 _ 8 ) 由上式可知，b p 前馈神经网络的误差是各层权值的函数。为使误差不断减小，可以 基于自适应动晨油圮划的水泥预分解窑控_ 哪系统 使用梯度下降( g r a d i e n td e s c e n t ) 算法对权值进行调整。其具体如下： 吆叫嚣j ：o 1 ，2 ，埘_ l ，2 ，g ( 3 _ 9 ) 嘭= 1 嚣 待o ，1 ，2 ，卯；，2 ，棚( 3 圳) 其中，1 ( 0 ，1 ) 为神经网络的学 - j 速率。 3 4 2ei m a n 反馈神经网络 1 9 9 0 年，e l m a n 在b p 前馈神经网络的基础上，为b p 神经网络的隐藏层增加了一个 承接层，作为一步延时算子，以达到对上一阶段的网络状态实现记忆功能，从而使系统 具有适应时变特性的能力，能直接反映动态过程系统的特性口5 1 。 1 ) e l m a n 反馈神经网络的结构 e l m a n 反馈神经网络的结构，如图3 3 所示。 输入层单元 图3 3e l m a n 网结构图 f i g u r e3 - 3t h es t r u c t u r eo fe l m a nn e u r a ln e t w o r k 设输入向量u 为，维向量，输出向量y 为m 维，隐藏层输出向量x 为刀维，承接层 输出向量x c 为疗维，w 2w 3 分别为输入层到隐藏层、