水泥分解炉出口温度的预测和控制问题的研究
发布时间：2022-11-06 11:59
水泥是不可或缺的建筑材料,需求量巨大,资源消耗多,且污染排放大,所以水泥的高效、节能生产具有重要意义。在水泥生产过程中,悬浮预热与预分解过程,承担着水泥生料90%的分解任务,耗煤量巨大,且对于水泥的产量与质量起到至关重要的作用。目前,国内水泥生产企业的生产环境复杂、系统测控点较少,预分解过程的优化调节尚未得到广泛的研究和推广。因此,文章从国内外分解炉控制的研究现状出发,采用数据驱动建模方法与智能控制技术,实现分解炉出口温度的预测和优化控制设计,对实现水泥的高效生产及节能降耗具有重要意义。本文以安徽省某水泥生产公司6000t/d水泥生产线为研究背景,分解炉系统为研究对象,通过实地学习考察,查阅相关文献资料,从分解炉的结构、工艺流程出发,对水泥分解炉出口温度预测与优化控制进行了较为深入地研究。本文首先简要的概述了新型干法水泥生产的发展及其现状,系统地总结了国内外对于水泥生产系统的控制研究及应用情况。接着,在深入研究分析水泥预分解系统的工艺流程及机理的基础上,为了应对复杂的工艺流程及生产环境,本文提出了一种基于Lasso算法的粒子群优化极限学习机的出口温度预测模型。相比于传统预分解系统的研究...
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 绪论
1.1 课题的研究背景及意义
1.2 预分解系统的国内外研究现状
1.3 论文主要研究内容和章节安排
第二章 预分解工艺流程及预测与控制分析
2.1 新干法水泥生产的工艺流程简述
2.2 预分解系统的工艺流程及工作机理
2.2.1 预分解系统的工艺流程
2.2.2 预分解系统的工作机理
2.3 影响分解炉出口温度的主要变量
2.4 分解炉出口温度的预测问题分析
2.4.1 出口温度预测亟待解决的问题
2.4.2 分解炉出口温度预测和优化控制的总体方案
2.5 本章小结
第三章 基于多变量选择的分解炉出口温度预测建模
3.1 Lasso算法的基本原理及求解
3.1.1 Lasso算法的基本原理
3.1.2 最小角回归求解Lasso算法
3.2 粒子群算法优化的极限学习机模型
3.2.1 极限学习机的原理
3.2.2 粒子群优化算法
3.3 出口温度预测模型的建立
3.3.1 数据预处理
3.3.2 基于Lasso算法的变量筛选
3.3.3 PSO-ELM的出口温度预测模型
3.3.4 对比与分析
第四章 出口温度模型优化和基于模糊神经网络控制设计
4.1 出口温度模型的优化设计
4.1.1 优化目标分析
4.1.2 出口温度优化模型求解
4.2 自适应模糊神经网络
4.2.1 模糊理论与神经网络
4.2.2 自适应模糊神经网络
4.3 出口温度控制系统仿真验证
4.4 出口温度控制的工程实现
4.4.1 DCS系统简介
4.4.2 OPC技术简介
4.4.3 上位机监控系统设计
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况
【参考文献】：
期刊论文
[1]中国水泥生产与碳排放现状分析[J]. 魏军晓,耿元波,沈镭,岑况. 环境科学与技术. 2015(08)
[2]基于聚类法的水泥分解炉工况识别研究[J]. 马小燕,王孝红,于宏亮. 控制工程. 2014(S1)
[3]水泥分解炉智能控制系统的设计[J]. 张岩龙,王孝红,于宏亮. 济南大学学报(自然科学版). 2014(02)
[4]模糊控制在水泥回转窑中的应用[J]. 杨维. 自动化与仪器仪表. 2015(01)
[5]针对Lasso问题的多维权重求解算法[J]. 陈善雄,刘小娟,陈春蓉,郑方园. 计算机应用. 2017(06)
[6]水泥分解炉出口温度T-S建模[J]. 袁铸钢,苏哲,张强. 控制工程. 2016(02)
[7]基于粒子群优化的潜器深度自适应模糊控制[J]. 彭鹏菲,姜俊,黄亮. 控制工程. 2017(02)
[8]水泥回转窑烧成带温度动态建模研究[J]. 王芬,王孝红,于宏亮. 控制工程. 2017(03)
[9]PCA-PSO-ELM配网供电可靠性预测模型[J]. 许爱东,李昊飞,程乐峰,余涛. 哈尔滨工程大学学报. 2018(06)
[10]基于优化核极限学习机的中期电力负荷预测[J]. 任瑞琪,李军. 测控技术. 2018(06)
硕士论文
[1]基于T-S模糊模型水泥分解炉的控制研究[D]. 管荣臻.济南大学 2019
[2]水泥生产系统的综合能效分析与节能优化[D]. 王靖晨.山东大学 2019
[3]基于模糊神经网络控制的窑炉温控系统设计[D]. 和朋飞.河北科技大学 2019
[4]L2-L1模型解路径研究[D]. 赵玉鑫.大连理工大学 2019
[5]最小二乘法、ε-支持向量回归机与最小二乘支持向量回归机的对比研究[D]. 李扬.华东师范大学 2018
[6]基于规则提取的水泥分解炉温度模糊控制研究[D]. 陈宇.燕山大学 2018
[7]水泥熟料初级分解控制系统研究[D]. 徐婷.长春工业大学 2017
[8]基于模糊神经网络的工业炉窑优化燃烧控制研究[D]. 朱俊杰.湖南大学 2016
[9]模糊神经网络在火电厂锅炉主蒸汽温度控制系统中的应用[D]. 刘瑞.长安大学 2013
[10]水泥分解炉温度过程NARX模型与Hammerstein模型建模方法研究[D]. 王红静.东北大学 2013
本文编号：3703463
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 绪论
1.1 课题的研究背景及意义
1.2 预分解系统的国内外研究现状
1.3 论文主要研究内容和章节安排
第二章 预分解工艺流程及预测与控制分析
2.1 新干法水泥生产的工艺流程简述
2.2 预分解系统的工艺流程及工作机理
2.2.1 预分解系统的工艺流程
2.2.2 预分解系统的工作机理
2.3 影响分解炉出口温度的主要变量
2.4 分解炉出口温度的预测问题分析
2.4.1 出口温度预测亟待解决的问题
2.4.2 分解炉出口温度预测和优化控制的总体方案
2.5 本章小结
第三章 基于多变量选择的分解炉出口温度预测建模
3.1 Lasso算法的基本原理及求解
3.1.1 Lasso算法的基本原理
3.1.2 最小角回归求解Lasso算法
3.2 粒子群算法优化的极限学习机模型
3.2.1 极限学习机的原理
3.2.2 粒子群优化算法
3.3 出口温度预测模型的建立
3.3.1 数据预处理
3.3.2 基于Lasso算法的变量筛选
3.3.3 PSO-ELM的出口温度预测模型
3.3.4 对比与分析
第四章 出口温度模型优化和基于模糊神经网络控制设计
4.1 出口温度模型的优化设计
4.1.1 优化目标分析
4.1.2 出口温度优化模型求解
4.2 自适应模糊神经网络
4.2.1 模糊理论与神经网络
4.2.2 自适应模糊神经网络
4.3 出口温度控制系统仿真验证
4.4 出口温度控制的工程实现
4.4.1 DCS系统简介
4.4.2 OPC技术简介
4.4.3 上位机监控系统设计
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况
【参考文献】：
期刊论文
[1]中国水泥生产与碳排放现状分析[J]. 魏军晓,耿元波,沈镭,岑况. 环境科学与技术. 2015(08)
[2]基于聚类法的水泥分解炉工况识别研究[J]. 马小燕,王孝红,于宏亮. 控制工程. 2014(S1)
[3]水泥分解炉智能控制系统的设计[J]. 张岩龙,王孝红,于宏亮. 济南大学学报(自然科学版). 2014(02)
[4]模糊控制在水泥回转窑中的应用[J]. 杨维. 自动化与仪器仪表. 2015(01)
[5]针对Lasso问题的多维权重求解算法[J]. 陈善雄,刘小娟,陈春蓉,郑方园. 计算机应用. 2017(06)
[6]水泥分解炉出口温度T-S建模[J]. 袁铸钢,苏哲,张强. 控制工程. 2016(02)
[7]基于粒子群优化的潜器深度自适应模糊控制[J]. 彭鹏菲,姜俊,黄亮. 控制工程. 2017(02)
[8]水泥回转窑烧成带温度动态建模研究[J]. 王芬,王孝红,于宏亮. 控制工程. 2017(03)
[9]PCA-PSO-ELM配网供电可靠性预测模型[J]. 许爱东,李昊飞,程乐峰,余涛. 哈尔滨工程大学学报. 2018(06)
[10]基于优化核极限学习机的中期电力负荷预测[J]. 任瑞琪,李军. 测控技术. 2018(06)
硕士论文
[1]基于T-S模糊模型水泥分解炉的控制研究[D]. 管荣臻.济南大学 2019
[2]水泥生产系统的综合能效分析与节能优化[D]. 王靖晨.山东大学 2019
[3]基于模糊神经网络控制的窑炉温控系统设计[D]. 和朋飞.河北科技大学 2019
[4]L2-L1模型解路径研究[D]. 赵玉鑫.大连理工大学 2019
[5]最小二乘法、ε-支持向量回归机与最小二乘支持向量回归机的对比研究[D]. 李扬.华东师范大学 2018
[6]基于规则提取的水泥分解炉温度模糊控制研究[D]. 陈宇.燕山大学 2018
[7]水泥熟料初级分解控制系统研究[D]. 徐婷.长春工业大学 2017
[8]基于模糊神经网络的工业炉窑优化燃烧控制研究[D]. 朱俊杰.湖南大学 2016
[9]模糊神经网络在火电厂锅炉主蒸汽温度控制系统中的应用[D]. 刘瑞.长安大学 2013
[10]水泥分解炉温度过程NARX模型与Hammerstein模型建模方法研究[D]. 王红静.东北大学 2013
本文编号：3703463
本文链接：https://www.wllwen.com/kejilunwen/huaxuehuagong/3703463.html
教材专著
