[发明专利]基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法

摘要

本发明涉及一种基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法，属于先进制造、自动化和信息领域，其特征在于，首先建立数据驱动的烟气含氧量指标预报模型，输入变量为空燃比，输出变量为烟气含氧量。同时，在分析玻璃窑炉燃烧过程化学反应机理的基础上，将燃料热值作为输入，建立用于计算空燃比理论值的机理模型，该机理模型所获得的空燃比理论值被用于限定上述数据驱动的烟气含氧量指标预报模型的输入值。在烟气含氧量指标预报的基础上，提出一种基于变论域模糊规则迭代学习的空燃比调整方法，且提出一种约束满足和声搜索算法对变论域模糊规则进行迭代学习。将本发明应用于玻璃生产过程可有效改善窑炉燃烧状况。

主权项

1.一种基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法，其特征在于，包括：根据用于计算空燃比理论值的机理模型和天然气热值，得到玻璃窑炉燃烧过程的理论空燃比；根据数据驱动的烟气含氧量指标预报模型和实际空燃比及所述的理论空燃比，得到对应的烟气含氧量，并根据变论域模糊规则和所述烟气含氧量，对空燃比进行调整；其中，所述根据用于计算空燃比理论值的机理模型和天然气热值，得到玻璃窑炉燃烧过程的理论空燃比，具体包括如下步骤：步骤1：设定如下基本变量x₁(t)：t时刻的天然气流量x₂(t)：t时刻的助燃风流量y(t)：t时刻的烟气含氧量[y_min，y_max]：烟气含氧量设定值区间ΔC：空燃比调整量C：实际空燃比CT：理论空燃比CGas：天然气热值步骤2：指标预报数据模型建模根据采样数据建立如下开环Narx回归神经网络模型为：y(t+1)＝f₁(x₁(t)，x₁(t‑1)，…，x₁(t‑9)，x₂(t)，x₂(t‑1)，…，x₂(t‑9)，y(t)，y(t‑1)，y(t‑2)，…，y(t‑9))x₁(t)为t时刻天然气流量、x₂(t)为t时刻助燃风流量、y(t)为t时刻烟气含氧量，f₁()为闭环Narx回归神经网络；步骤3：机理模型建模根据经验每4186.8Ki发热量的燃料燃烧时，需1m³的空气量，从而，若热值CGas的单位为Ki/m³，则空燃比的理论模型可建模为：CT＝CGas/4186.8进而，以[CT*0.95，CT*1.05]为空燃比的限定区间；所述根据变论域模糊规则和所述烟气含氧量，对玻璃窑炉空燃比进行调整，具体包括如下步骤：步骤1：迭代建立变论域模糊规则以烟气含氧量实际偏差E_o及其与指标预报模型的预测偏差的变化率ΔE_o作为模糊规则的输入，空燃比调整量ΔC作为模糊规则的输出；模糊规则实际论域根据E_o和ΔE_o自适应调整，即误差较大时，采用大的模糊论域，误差较小时采用较小的模糊论域；其论域归一化后的每个模糊集的峰点值a₁、a₂、a₃和a₄；采用步骤3给出的基于约束满足的和声搜索算法进行离线搜索，搜索过程按步骤2给出的方法建立对象模型；步骤2：对象模型建立采用闭环Narx回归神经网络进行建模y(t)＝f₂(x₁(t)，x₁(t‑1)，…，x₁(t‑9)，x₁(t‑10)，x₂(t)，x₂(t‑1)，…，x₂(t‑9)，x₁(t‑10)，y(t‑1)，y(t‑2)，…，y(t‑10))其中，t为时间，x₁(t)为t时刻的天然气流量，x₂(t)为t时刻的助燃风流量，y(t)为t时刻的烟气含氧量，f₂()为闭环Narx回归神经网络；步骤3：设计基于约束满足的和声搜索算法搜索步骤3.1：目标函数在采用变论域模糊规则对空燃比进行调整时，需保证烟气中含氧量在一定的区间范围内，从而和声向量的目标函数定义如下：f(X_i)＝∑|E_o|其中，E_o是烟气中含氧量的偏差；步骤3.2：和声向量考虑到论域E_o、ΔE_o和ΔC的每个论域均需优化相应的a₁、a₂、a₃和a₄；从而，每一个和声向量包含d＝4×3＝12个和声变量值；令每个和声向量是服从正态分布的属于区间[0，1]的随机数；设和声库规模为HMS，那么和声库中的第i(i＝1，2，…，HMS)个和声向量可表示如下：其中，代表第一个输入论域模糊划分中模糊数的峰点，需满足代表第二个输入论域模糊划分中模糊数的峰点，需满足代表输出论域模糊划分中模糊数的峰点，需满足步骤3.3：和声改进机制对和声库采用记忆考虑、音节调整、随机选择和声改进机制，能获得一个新的和声向量其中，对于每个和声变量值若随机生成的均匀随机数小于预先给定的和声库考虑概率HMCR，根据按下式给出的记忆考虑方法生成：其中，a是属于区间[1,HMS]的随机整数；否则，若上述随机生成的均匀随机数大于或等于HMCR,通过如下的随机选择方法生成：其中，Randn是服从正态分布的属于区间[0,1]或[‑1,0]的随机数，若和声变量对应模糊数的峰点需要小于0，则在[‑1,0]取值，否则在[0,1]取值；进一步，若通过记忆考虑获得，则以微调扰动概率PAR通过如下音节调整方法进行扰动：其中，是迄今获得的最好和声向量中第j个和声变量值；步骤3.4：约束处理若采用上述方法新生成的不满足和声变量的约束，需交换相邻奇数位和偶数位的和声变量；步骤3.5：和声库更新机制经过和声改进机制，新的和声向量X_new能被构造，然后，和声库按如下方法进行更新：若X_new优于和声库中的最差和声X_Worst，则将X_new替换X_Worst；步骤3.6：迭代搜索机制迭代步骤3.3‑步骤3.5到最大迭代次数，获得优化的和声向量。