[发明专利]基于模糊神经网络的分解炉优化燃烧控制系统

摘要

本发明涉及数据挖掘、模糊神经网络、机器学习等领域，特别涉及基于模糊神经网络的分解炉优化燃烧控制系统。包括分解炉，以及通过检测仪表获得的五个变量数据：包括分解炉，以及通过检测仪表获得的五个变量数据：窑头喂煤量、高温风机转速、三次风压强、分解炉温度、氧气含量，本发明具有以下优点，1.模糊神经网络算法具有自动控制功能，不依赖系统模型；2.生产过程不再依赖专家的生产经验；3.降低煤的损耗与空气污染。

主权项

1.基于模糊神经网络的分解炉优化燃烧控制系统，包括分解炉，以及通过检测仪表获得的五个变量数据，包括窑头喂煤量、高温风机转速、三次风压强、分解炉温度、分解炉氧气含量，其特征在于：步骤1数据采集，取检测仪表获得的变量数据，通过分解炉温度与设定温度的差值，得到分解炉温度偏差变化率；以及通过分解炉氧气含量与设定氧气含量的差值，得到分解炉氧气含量偏差变化率，作为输入信号；取检测仪表获得的变量数据：最佳空燃比作为输出信号；采集N组输入数据与输出数据，将采集数据的N/2组输入信号及其对应的输出信号作为训练样本，剩余的N/2组输入信号及其对应的输出信号作为测试样本；通过训练数据建模，测试数据验证模型，实现最优的智能控制；步骤2基于模糊神经网络的数据建模，训练数据样本包括训练输入信号和训练输出信号，假设算法模型的初始参数是随机设定的，输入训练输入信号，通过该模型得到的实际结果，与训练输出信号进行比较，得出其误差值，通过算法，修改其权值，使训练输出信号与训练输出信号的差值无限趋近于零，即停止训练，得到所需算法模型；测试数据样本包括测试输入数据和测试输出数据，通过测试数据的输入，比较实际结果与测试数据的输出，来验证通过模型得出的实际输出是否与测试输出相等；相等则模型建立，不相等则返回训练数据重新建模；步骤3实现分解炉的最优控制，将输入信号分解炉温度与设定温度的差值、分解炉温度偏差变化率；以及分解炉氧气O2含量与设定含量的差值、分解炉氧气O2含量偏差变化率量化之后，经过模糊神经网络控制器，得出通过增加或减少送煤量，增加或减少氧气含量而达到最佳空燃比的指令，从而使得整个分解炉温度稳定在设定值的±2℃，以及O2含量和CO含量也达到设定的值，实现分解炉的最优控制。