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
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。
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。
评论