聯(lián)合粉磨系統(tǒng)磨機負荷辨識方法研究.pdf

1、磨機是聯(lián)合粉磨系統(tǒng)中的核心設(shè)備，然而大部分磨機都處于低效率、高耗能的狀態(tài)，且粉磨過程具有高耦合性等特點，因此對磨機負荷的準確辨識尤為重要。為了得到最優(yōu)的磨機負荷模型，分別采用了四種遞推最小二乘算法、RBF神經(jīng)網(wǎng)絡(luò)以及T-S模糊模型對磨機負荷進行了辨識。本課題完成的主要工作概況如下：
　　通過對聯(lián)合粉磨系統(tǒng)和磨機負荷辨識發(fā)展現(xiàn)狀的概述，并結(jié)合大量的歷史數(shù)據(jù)，得出了磨機的主電機電流最能表征磨機負荷，以及分析出影響主電機電流的主要變量有

2、：總量給定、選粉機轉(zhuǎn)速、循環(huán)風(fēng)機轉(zhuǎn)速、分料閥開度以及粉煤灰?guī)焯嵘龣C電流。最終確定了總量給定和選粉機轉(zhuǎn)速對主電機電流影響最大，故作為關(guān)鍵變量，其他三個變量為不確定因素。文中所有的負荷模型都以總量給定和選粉機轉(zhuǎn)速作為輸入變量，主電機電流作為輸出變量。
　　首先采用了四種遞推最小二乘算法對磨機負荷進行辨識，具體的算法有：遞推最小二乘法、遺忘因子遞推最小二乘法、限定記憶遞推最小二乘法和偏差補償遞推最小二乘法。通過仿真結(jié)果分析，得出在該工況

3、下，加入遺忘因子和采用偏差補償策略的模型能很好的跟蹤主電機電流的變化情況，其中基于偏差補償算法的模型最為精確?；谄胀ㄟf推最小二乘和限定記憶的模型擬合誤差相對較大，不適合該工況下的建模。
　　然后采用了神經(jīng)網(wǎng)絡(luò)對磨機負荷進行辨識。由于 RBF神經(jīng)網(wǎng)絡(luò)對非線性系統(tǒng)具有良好的逼近性能等優(yōu)點，故分別采用了基于高斯核函數(shù)，多二次核函數(shù)和逆多二次核函數(shù)的三種 RBF網(wǎng)絡(luò)模型進行了辨識。徑向基函數(shù)的中心，基寬度以及連接的權(quán)值均采用梯度下降法進

4、行訓(xùn)練。神經(jīng)元的個數(shù)通過反復(fù)實驗來確定。通過分析平均誤差、均方誤差等性能指標，最終得到基于高斯核函數(shù)的 RBF神經(jīng)網(wǎng)絡(luò)模型具有較高的精確度，更適合估計該工況下的磨機負荷。
　　最后采用了T-S模糊模型對磨機負荷進行辨識。利用模糊C-均值聚類算法將輸入變量劃分為四個子空間，并利用加權(quán)最小二乘法對模糊后件的參數(shù)進行了辨識，得到了較為精確的T-S模糊模型。為了對比文中所用三類辨識方法的有效性和建模精度，在文章的最后分別用最小二乘法中的加