回转窑煅烧带温度模型建立及精度预测

回转窑煅烧是生产炭素阳极的首要工序，调节窑内煅烧温度，可以改变石油焦的物化性能，使其达到铝用阳极的标准。煅烧温度直接决定煅后焦的质量，实时准确地预测煅烧温度是节约能源、保证煅烧质量、节约能源的前提。回转窑煅烧过程机理复杂，同时受热辐射、热传导和热对流的影响；所处工况恶劣，干扰因素多，难以对煅烧温度建立准确机理模型。

本文提出采用黄金分割法搜寻 ELM输入权值矩阵，建立回转窑煅烧温度预测模型，以提高预测精度，保证炭素阳极的品质。

1、算法概述

对于回转窑煅烧系统，同时保证温度预测的准确和快速极其重要。如何实现既调整优化ELM的参数，又不影响模型训练的复杂度、保证训练速度，成为关键。

针对上述问题，在建立温度预测模型之前，采用黄金分割法搜寻 输入权值矩阵。黄金分割法，即按照固定比例缩小取值区间，以较低成本迅速获得 方案。基本思想是，在确定的区间内按照黄金分割比例选取两个试验点，根据实验结果缩小区间范围、更新试验点取值，并再次进行试验，直至实验结果满足要求，确定寻优结果。

2、建立预测模型及仿真分析

（1）选取模型变量

回转窑煅烧过程中，石油焦自窑冷端喂入并逐渐移向热端，其释放的挥发分与热端喷入的重油发生热反应，产生的热量随着回转窑的自转，在窑内形成3个温度带：预热带、煅烧带、冷却带。其中煅烧带为关键，石油焦在此区域完成缩聚反应，其温度的高低直接影响煅后焦和阳极的质量，一般控制在1250~1380℃。本文选取煅烧带温度作为模型预测变量。

众多影响煅烧带温度的因素中，窑尾负压、石油焦给料量和主排风机转速为重要。窑尾负压是保证回转窑正常生产的关键，负压过大，煅烧带温度降低、废气及窑尾温度升高；负压过小，煅烧火焰变短，直接影响煅烧质量和产量。连续、均匀和稳定的给料量对回转窑煅烧热工的稳定极为重要，给料量不均易导致煅烧带温度波动，影响产品质量。主排风机转速主要用于改变二次风速、窑内温度分布，控制窑尾温度。

（2）数据预处理

选取窑尾负压、主排风机转速和石油焦给料量作为ELM的输入变量，回转窑煅烧带温度为输出变量，采集某铝业公司煅烧车间生产数据，见表1。

 

回转窑所处工况恶劣，生产数据存在较大误差，且变量单位不一致，需要对数据进行标准化处理及筛选。筛选后的数据共有300组，选取200组作为训练数据，100组为测试数据，建立样本集。

（3）建立煅烧带温度预测模型

采用改进的ELM建立回转窑煅烧带温度预测模型，包括两部分：采用黄金分割法对ELM的输入权值进行寻优和采用调整参数后的ELM建立预测模型并仿真。其中第一部分通过编写程序实现，不占用模型预测温度的时间。

（4）仿真分析

 

由表2，通过给定变换系数取值或采用黄金分割法搜索变换系数的较佳值，ELM的输入权值矩阵得到调整，给定δ的ELM及黄金分割法搜寻 δ的ELM建立的模型明显提高了对煅烧带温度的训练精度、预测精度和拟合度；同时，由于搜寻 δ行为在训练网络之前单独完成，建立预测模型时无需调整，未增加ELM网络参数调整的复杂度，因此四种方法预测温度的速度相当，可以说改进ELM保留了标准ELM训练速度较快的优点。

回转窑煅烧带温度预测中，采用黄金分割法优化输入权值矩阵的ELM性能优于标准ELM，可同时满足预测快速性和准确性的要求。

回转窑煅烧时，实时准确地预测煅烧带温度对稳定工况、提高煅烧质量，节约能源极为关键。针对回转窑煅烧机理复杂、干扰因素多、难以建立精准数学模型的问题，本文采用极限学习机（ELM）对煅烧带温度建立预测模型，并采用黄金分割法优化ELM的输入权值矩阵取值，调整网络参数，在保证训练速度的前提下提高模型的预测精度。仿真结果表明，改进的ELM算法具有预测精度高、训练速度快、模型性能优的特点，可满足工况恶劣的回转窑生产石灰新技术需要。