基于ipso算法的回转窑煅烧带温度d-fnn预测控制-田中大.pdf

《基于ipso算法的回转窑煅烧带温度d-fnn预测控制-田中大.pdf》由会员分享，可在线阅读，更多相关《基于ipso算法的回转窑煅烧带温度d-fnn预测控制-田中大.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第47卷第10期 中南大学学报(自然科学版) Vol47 No102016年10月 一Journ一al of Central South University(Science and Technology) Oct2016一_-_一DOI：1011817j。issn167272072016。10018基于IPSO算法的回转窑煅烧带温度DFNN预测控制田中大1高宪文2，李树江1，王艳红1(1沈阳工业大学信息科学与工程学院，辽宁沈阳，110870；2东北大学信息科学与工程学院，辽宁沈阳，110819)摘要：为了提高石灰回转窑煅烧带温度的控制性能，提出一种基于改进的粒子群优化算法(IPSO)与动态模

2、糊神经网络fDFNN)ffl预测控制方法。该方法利用动态模糊神经网络建立石灰回转窑煅烧带温度的非线性预测模型，通过输出温度的预测值，引入输出反馈与偏差来校正预测误差，建立偏差与控制量的控制性能指标，通过改进的粒子群优化算法滚动优化得到系统最优控制量。对控制方法的稳定性进行分析。仿真实验结果表明动态模糊神经网络的温度预测误差在10之内，具有较高的预测精度。提出的预测控制方法能使输出煅烧带温度快速稳定地跟踪设定值的变化，同时在系统输出有扰动的情况下也能较好地跟踪设定值。控制量的平均单步滚动优化需03l S，可满足实际应用。关键词：回转窑；煅烧带温度；粒子群优化算法：动态模糊神经网络；预测控制中图分

3、类号：TP273 文献标志码：A 文章编号：16727207(2016)10-340908DFNN predictive control for burning zone temperature inrotary kiln with IPSO algorithmTIAN Zhongdal，GAO Xianwen2，LI Shujian91，WANG Yanhon91(1College ofInformation Science and Engineering，Shenyang University ofTechnology,Shenyang 1 10870，China；2College of

4、Information Science and Engineering，Northeastern University,Shenyang 1 1 081 9，China)Abstract：In order to improve the control performance of burning zone temperature in lime rotary kiln，a predictivecontrol method based on an improved particle swarm optimization(IPSO)and dynamic fuzzy neural network(

5、DFNN)was proposedThis predictive control method utilizes dynamic fuzzy neural network to build a nonlinear predictivemodel for burning temperature in lime rotary kilnThrough predictive output temperature，performance indicators wereestablished by deviation and control value to reduce the error in fee

6、dback output error and error correctionThe optimalcontrol value was obtained by rolling optimization of improved particle swarlTl optimization algorithmThe stability ofthe control method was analyzedThe simulation results show that the temperature prediction error of the dynamic fuzzyneural network

7、is wimin1 0and has high prediction accuracyThe proposed predictive control method can makethe burning zone output temperature fast and stable track the change of the setting valueThe system can also track thesetting value well with the disturbance of the system outputThe average single step rolling

8、optimization of control valueneeds 03 1 Swhich can meet the practical applicationKey words：rotary kiln；burning zone temperature；particle swarmoptimization；dynamic fuzzy neural network；predictive congol收稿日期：2015-11-12：修回日期：20160122基金项I习(Foundation item)：国家自然科学基金资助项H(61034005)；辽宁省博士启动基金资助项H(20141070)(

9、Project(61034005)suppoaed by theNational Natural Science Foundation ofChina；Project(20141070)supposed by the Doctor Startup Foundation ofLiaoning Province)通信作者：田中大，博士，讲师，从事复杂工业过程预测控制研究：E-maih tianzhongda126tom万方数据3410 中南大学学报(自然科学版) 第47卷石灰回转窑生产能力强，能适应多种工业过程，因而被广泛地应用于冶金、水泥、耐火材料、化工等行业。但石灰回转窑过程存在多变量、强耦合

10、、非线性、关键工艺参数检测困难、难以实现自动控制和优化控制、在很大程度上仍然依赖于人工技巧和经验等问题。由此导致产品质量不稳定、设备运转率低和产能低等问题1】。随着新兴智能建模及控制方法的出现，大量的智能建模方法用于建立回转窑的模型。LI掣2】提出了一种利用极限学习机进行回转窑燃烧状态识别的建模方法，取得了良好的现场运行效果。GEORGALLISl3】阐述了1个包括物料流动与热传导的三维石灰回转窑模型。SOGOT等【4】针对回转窑建立了热回收的数学模型。人们对回转窑的煅烧温度模型进行了长期研究并取得了很多经验，但至今仍存在模型不准确、难以通用和受约束条件过多等问题。而针对回转窑控制理论的研究大

11、多以智能控制为主，常见的有模糊控制51、神经网络6-7】、专家系统8-91、混合智能控制策略10-12】等。虽然目前人们对回转窑的控制取得了很大的进展，但是回转窑煅烧温度控制是一个复杂的控制系统，要实现其有效而精确的自动控制，仅仅采用单一的控制方法已远远不能达到预期的控制效果。为此，本文作者以回转窑煅烧带温度的控制为研究对象。由于动态模糊神经网络(DFNN)具有通用逼近和学习能力、需要较少的先验知识、能够在线学习等特点，因此，据动态模糊神经网络建立窑煅烧带温度非线性预测模型。同时，由于系统建立的预测模型是非线性的，因此，制量的求解是一个非线性约束问题，本文提出一种改进的粒子群优化算法(iPSO

12、)进行控制量的迭代优化，在每个采样时刻，DFNN预测模型预测回转窑系统未来某时刻的煅烧带温度，利用输出反馈进行偏差校正得到控制量与偏差组成的目标函数，通过IPSO算法作为滚动优化策略以求解最优控制量。最后通过仿真验证本文控制方法的有效性。回转窑煅烧过程描述活性石灰回转窑系统主要分为物料系统和气流系统。物料系统为原料(石灰石)在原料仓下通过振动给料机、皮带秤、输送提升到筛分设备再经输送机进到竖式预热器，在竖式预热器内进行气物热交换后，通过推杆把物料均匀推入窑内。物料通过回转窑高温煅烧，产出的石灰进入竖式冷却器，经冷却器下部振动给料机排出到鳞板输送机上，再通过输送、筛分、提升设备进入成品仓。气流系

13、统是二次风通过鼓风机进入竖式冷却器，与物料进行热交换后热风通过窑头罩进入回转窑，常温一次风经燃烧器后与燃料混合，一次风、二次风在回转窑参与燃烧后，从窑尾进入预热器。从竖式预热器出来的废气通过掺入冷空气来降低温度，降温后的废气通过除尘器、高温风机，再通过烟囱排入大气。整体工艺流程见图112】。煅烧温度对反应效果起至关重要的作用。影响回转窑煅烧温度的因素很多，如燃料与助燃风的温度、压力、流量、窑体的转速、进料量以及各种随机干扰等。在控制量选择问题上，首先，煅烧温度的变化是燃料燃烧的结果，涉及燃烧、传热和流动等过程，煤气流量是影响窑内温度的决定因素。其次，回转窑转速也是影响回转窑煅烧温度的重要因素。

14、为此，将其他参数作为系统的工况，当系统工况不变时，以煤气流量和回转窑转速为输入，以煅烧带温度为输出，建立动态模糊神经网络模型。图1回转窑工艺流程FigI Process flow of rotary kiln2 回转窑煅烧带温度的DFNN建模模糊神经网络为知识的获取提供了行之有效的途径。但是，现有的模糊神经网络不能对模糊规则数进行辨识，无法判断哪条模糊规则最重要。而动态模糊神经网络能够在线、实时地处理时变、非线性甚至是病态的系统。其学习算法描述如下【13-1 41。21规则产生准则输出误差是确定新规则是否应该加入的重要依据。对于第f个观测数据，ff)(其中，X为输入向量，ti为期望的输出)，若

15、误差满足1屯，则需要增加1条新的规则。也是根据D一孙期望的精度选定的。对于第i个观测数据(X，哟，计算输入值X和现万方数据蔓!殳塑 里生莶：笠!薹主堡璺Q兰鲨盟旦整宣簦堡堂望鏖里：!皇型亟型鳖墅 一二!垒卫有的RBF单元的中心G直接的距离嘶)： 系统的输出乃可表示为4(J)=l|XiCj Il；J=l，2，甜 (1)找出dmin=arg min(di(j) (2)若距离的最小值。白(其中，幻为可容纳边界的有效半径)，则需要增加I条新的模糊规则，22分级学习思想分级学习思想其算法思想是屯和屯不是常数，而由下列式子确定：ke=maxe。xfl z,Plnin】 (3)kd=maxdm。y。，d曲

16、(4)其中：emax为预先定义好的误差恻f的最大误差；P岫为期望的DFNN精度；觑01)为重叠因子；o为第i个高斯隶属函数的中心。只有当I Lke，。幻时，才需要增加1条模糊规则。不满足该条件的其他3种情况的算法如下。1)第1种情况：lleJI也，d盅幻。此时，DFNN可以完全容纳观测数据CX，fj)，此时不需要任何变动或只需更新结果参数。2)第2种情况：lle，|屯，d：。幻。这种情况表明所建立的DFNN具有较强的泛化能力，只要结果参数需要调整。3)第3种情况：fle，4ke，矗i。幻。这种情况表示覆盖X的RBF单元的泛化能力并不是很强。因此，该RBF节点以及结果参数会同时被更新。对于最接近

17、X的第k个RBF单元按下式调整：呱1=k。盯f1 (7)其中：瓦(蚝1)为预定常数。24结果参数确定假定n个观测数据产生了“个模糊规则，个节点的输出写成矩阵形式：-缈=l； i (8)L1一Jqi反映第f个规则的重要性，珂，越大，表示第i个规则越重要。若rfk。 (14)则第i个规则可剔除。其中，k为预设的阈值。设回转窑煅烧系统的模型可由如下非线性方程来描述：y(k)=fy(k一1)，y(k一，吃)，嘶(后)，万方数据!兰堡 中南大学学报(自然科学版) 第47卷R1(krib)，u2(k)，112(后一) (15)式中：Y为煅烧带温度()；甜1为煤气流量(m3h)：“2为窑转速(rmin)：k

18、为采样时刻。则基于动态模糊神经网络方法建立回转窑煅烧过程模型的框图如图2所示。zfl(D甜2(句图2基于动态模糊神经网络的回转窑煅烧过程建模Fig2 Rotary kiln burning process modeling based onDFNN3改进的粒子群优化算法PSO算法是由EBERHART等【1 5】提出的一种演化计算技术，算法概念简单、容易实现，目前已广泛应用于函数优化16、神经网络训练【17】、模糊系统控制【1 8】等应用领域。但标准PSO算法仅仅是对自然生物群集智能的一种简单模拟，即粒子向种群最优和个体最优2个点趋近，而忽略了存在于种群中的大量有用信息，因此，算法在进化过程中容

19、易失去种群多样性，最终导致早熟收敛。本文尝试对这些潜在于粒子中的有用信息进行挖掘，提出1种改进的粒子群算法。31精英集的建立与更新由于粒子在每一维上都向种群最优位置和个体最优位置的方向靠近，在适应度整体提高的同时，会发生某些分维上的退化现象。适应度整体提高很难体现出这种退化，但影响到进化后期的精度。考虑到具有较高适应度的精英粒子往往包含部分优秀分维信息，因此，将一定规模的精英粒子集结成1个精英集，并通过该集影响种群内部粒子的寻优来提高优化精度。精英集是1个非空集合，元素为种群中适应度较高的精英粒子。在初始化精英集时，将种群中适应度最大的X(K为精英集规模)个粒子入选精英集。更新精英集时，入选精

20、英集的粒子需要具备2个条件：一是高适应度；二是与精英集中已有的粒子形态差异大。定义1：粒子距离。粒子距离d是指2个粒子间各维上的欧式距离和，即d(xf，x，)= I叁=1(xih-Xjh)2 (16)定义2：粒子与精英集的距离。粒子与精英集的距离指某一特定粒子与精英集中所有粒子间的距离的平均值。 跞焉(17)其中：D为优化问题维数；K为精英集规模，即精英集包含的粒子个数。定义3：精英集中心。精英集中心即精英集中心点位置，它是由精英集中各粒子的位置平均值计算而得。足q=黾，K (18)i=1定义精英集中心与集的距离为K Kd(C，Es)=d(c，Esi)K=f-l bl(19)由上述定义，若某一

21、粒子的适应度大于精英集中适应度最低的粒子，且该粒子与精英集的距离大于精英集中心点与该集的距离，则该粒子替换原集中适应度最低的粒子，反之丢弃此粒子，保持精英集不变。32粒子速度更新方式在通常的PSO算法中，粒子的每一维均向种群最优点与个体最优点2个位置的合力方向直线飞行，而在本文的IPSO中，粒子各维的飞行方向并不一致。为了试图获得更优的分维信息组合，本文采用2种粒子寻优飞行方式：一种是朝着基本PSO普遍采用的种群最优点与个体最优点的合力方向飞行；另一种则是朝着从精英集中随机抽取1个粒子的方向飞行。即Wvt+C1rand()(Pi，Jxi，)+Vt QCl裂rand墨高Xi_05 czo，w +

22、 ()(pi，一 ，)+ 、。7C2rand()(，一Xi,j)，其他这样有利于粒子各维进行的独立性和多样性的保持。其中：r为0，1内均匀分布的随机数；m为1，嗣内均匀分布的随机整数；W为权重系数；cI和c2为加速常数；P“为个体极值；gj为全局极值；v，为粒子速度。IPSO中的粒子由于在进化中不以概率1向全局最优点靠近，在种群进化前期会减慢收敛速度，但这将明显提高进化后期精度。IPSO算法具体流程如图3所示。K爿=K、J略，JLdK芦=、J艮，Jd万方数据第lO期 里盔：笠!薹王!Q竺鎏塑回簦窒丝塑堂塑鏖里：!型塑型丝剑司 驴_(k-d+lh旷删23413(23)随机产生粒子位置，生成精英集

23、计算粒子适应度值更新精英集TY根据式(17)计算粒子与精英集距离，式(19)计算精英集中心与集距离1F一生成一随机数r更新粒子速度l l更新粒子位置更新粒子位置，计算粒子适应度，更新Pbest与Gbest弋竺罗弋7 Fig3 Flow diagram ofIPSO algorithm4 回转窑煅烧带温度预测控制41预测控制算法假设利用DFNN对回转窑煅烧带温度系统建立了如式05)所示的非线性模型，输入控制量为挺(足)，u(k)=Ul(Ii)，U1(七一)，U2(七)，U2(|一n0)时，系统的输出量为以妨，通过系统过去的输入输出和当前输入脚，由DFNN预测模型得到系统的输出估计值为多(后)。由

24、待优化的输入控制量口(斛1)与过去输入输出得到系统的输出预估值k(k+1)。但由于噪声或模型失配等，预测值多(尼)与系统实际输出以助存在误差。设k时刻的预测误差为P(露)=y(足)一k(k) (21)利用误差修正多(七+1)得到修正量：Y。(七+1)=多(七+1)+e(k) (22)对于本文的回转窑煅烧带温度的控制，需通过IPSO算法得到确定的目标函数的最小值。对于本文的控制系统，输出为1个控制量，输入为2个控制量，是1个两输入一输出的非线性系统，本文确定控制量脚的目标函数为nfln，(尼)=qY，(七十1)一Y。(七+1)r+其中：以斛1)为k+l时刻的参考轨迹；肋(斛1)为斛l时刻输出量经

25、反馈校正的预测输出；q与乃为加权系数。利用IPSO算法优化的回转窑煅烧带温度预测控制系统框图如图4所示。以斛1)t 1霭石“(卜印阿霸孽莉团J，(妨滚动优化rT-1过程系统广一多(抖1)P(助图4基于IPSO算法的煅烧带温度DFNN预测控制结构Fig4 DFNN predictive control structure for burning zonetemperature in rotary kiln with IPSO algorithm本文基于IPSO算法的回转窑煅烧带温度DFNN预测控制方法步骤可描述如下。Step 1：设置IPSO算法与DFNN模型参数。Step 2-对石灰回转窑煅烧

26、过程非线性系统采样得到输入输出数据构成样本集，使用动态模糊神经网络对训练样本进行训练，离线建立回转窑煅烧带温度的D。FNN预测模型。Step 3-在第k个时刻，对于确定的控制量序列即(妨，系统的输出J，(妨，通过上面建立的DFNN预测模型得到k个时刻的预测输出多(后)，利用待优化的下一时刻控制量口(斛1)计算计1个时刻的预测输出多(女+1)，计算目标函数的适应度。Step 4：将待优化的下一时刻的控制量H(斛1)作为IPSO算法的优化对象，利用目标函数，滚动优化得到斛1个时刻的最优控制量u(k+0。Step 5：将最优控制量口(斛1)作用于石灰回转窑系统进行控制，令k=-k+l，转入Step

27、3，直到控制结束为止。42算法稳定性分析以代表第k次目标函数值，由式(22)可知Jk0，若满足抽时有Jk=J。=O，则该系统稳定。因为当厶=0时，由式(22)可得y。f()=Yri)，即系统输出等于期望的输出，这时系统是渐进稳定的。下面只需证明当七一o。时有如=0成立。利用反证法，假设后一时J毒0，由IPSO算法可知以是单调递减函数，在时刻k则有坎=Jk+IJk0，厶Jk厶其中：如为初始时刻的目标性能函数值，为常数。五万方数据3414 中南大学学报(自然科学版) 第47卷显然为有界闭集，则由Weierstrass定理可知馘存在最大值。设最大值为厶k，因为J。o#O以及目标函数非负，所以，铖。0

28、，将五变换为型以=20+MJo一七。t=O因为一铖。0，所以，上式表明扣时厶-，这显然与目标函数非负相矛盾，因此，有厅0。由该证明可知本文的控制系统是渐进稳定的。5仿真验证51 IPSO算法验证为了验证本文IPSO算法的性能，选用下式的Sphere函数【19】进行测试：三石= (24)i=1其中：Sphere函数的Xi取值范围为卜50，50，变量数n=4，PS0与IPSO算法选择相同的基本参数：迭代次数为50，加速常数C1为15，C2为17，种群数量为20，权重W为09。利用2种算法对Sphere函数进行寻优，优化后PSO的最佳适应度为2521 5，IPSO算法的最佳适应度为1063 1。图5

29、所示为2种算法的适应度曲线。从图5可看出：本文的IPSO算法较PSO算法在收敛精度、收敛速度以及寻优结果上都有一定提高，更适合预测控制算法中最优控制量的计算。蜊型蚓1PSO：2一IPS0。图5 Sphere函数适应度曲线Fig5 Fitness curves of sphere function52 D-FNN建模仿真在工况不变时，以煤气流量和窑转速作为输入量，以煅烧带温度作为输出量建立DFNN预测模型，本文数据来源于天铁集团石灰回转窑。首先用现场采集到的350组样本数据来构建回转窑煅烧带温度的动态模型，并采用另外50组数据进行检验。DFNN仿真参数如下：输出延迟步长胛f5，输入控制量延迟步长

30、nb=3，预定义最大误差。=1，期望精度eInin=002，输入空间的最大长度如。=4，空间最小长度比i。=02，收敛常数卢=09，衰减常数尸092，重叠因子k=-I1，预设阈值盯-O002。测试集的建模预测效果如图6所示，为了对比建模效果，与文献7忡的BP神经网络建模进行对比，BP神经网络参数如下：输入层为7层，隐层为20层，输出层为1层，学习速率为01，期望误差最小值为0000 04，训练的最大次数为1 000。图7所示为Dnm与BP建模的误差曲线。p世廷按璎 利 ”0 10 2() 30 4() 5()迭代次数1一实际值；2一DFNN预测值；3一BP预测值。图6测试样本预测效果对比Fig

31、6 Comparison ofprediction effect of testing samplep喇愁世赠妊璎馨O O 20 30 4() 50迭代次数1DFNN：2一BP。图7预测误差曲线对比Fig7 Comparison of prediction error curves从图7可以看到：基于动态模糊神经网络的实际值与模型输出值之间的误差在-10到10之间，而采用BP网络建立的模型的实际值与模型输出值之O0OOOOO钙知”如”加M如加m0m加如万方数据第10期 田中大，等：基于PSO算法的回转窑煅烧带温度DFNN预测控制 3415间的误差在一30到30之间，说明采用动态模糊神经网络建立

32、的模型更接近回转窑煅烧过程的实际模型。仿真结果表明该方法能够满足系统建模要求。53回转窑煅烧带温度的预测控制利用前面提出的预测控制方法来实现回转窑煅烧温度的控制，并通过仿真来验证本文提出方法的有效性。本文选择文献201中提出的子空间建立状态模型的方法。同时，为了说明本文方法的有效性，与文献【11中的回转窑预测控制方法进行比较。仿真参数如下：IPSO算法的种群数N=20，最大的迭代次数G。=80，加速常数Cl=15，c2=17，惯性权重为1， 窑转速变化范围设为【07，10】，煤气流量范围为【8 500，9 500，输出最大值x_1 300，输出最小值i。=1 100；加权系数q=l，2=02；

33、输入参考轨迹为幅值为1 250的阶跃信号，煅烧带温度初始值设置为l 100。图8所示为系统对于幅值为1 250阶跃信号的输出响应。为了验证本文预测控制方法的抗干扰性，在输出加入幅值为10的白噪声随机信号。图9所示为输出干扰情况下的系统输出响应。为了验证本文方法的跟随性，在仿真第100个采样时刻时将设定值改为1 280，图10所示为改变设定值时系统的输出响应。从图810可以看出：本文的预测控制方法能使输出煅烧带温度快速稳定地跟踪设定值的变化，同时在系统输出有扰动的情况下也能较好地跟踪设定值。这说明本文的IPSO算法优化的回转窑煅烧带温度的DFNN预测控制具有较好的自适应能力和鲁棒性。同时对本文控

34、制向量滚动优化策略进行时间测试，200采样周期的仿真过程耗时6085 s，控制量的一步滚动p魁赠1一设定值；2一本文方法所得值；3一文献11】中方法所得值。图8控制系统的阶跃响应曲线Fig8 Step response of control systemp趟赠采样时刻1一设定值：2一本文方法所得值；3一文献11】中方法所得值。图9输出扰动情况下的控制系统响应曲线Fig9 Step response of control system with disturbancesp越赠1一设定值；2一本文方法所得值；3一文献【11中方法所得值。图10设定值改变时的系统响应曲线Fig10 Step resp

35、onse of control system withsetting value changed优化平均需要03 1 s，可见，本文的预测控制方法可应用到实际控制之中。6结论1)以石灰回转窑的煅烧带温度为控制目标，提出一种基于IPSO算法优化的回转窑煅烧带温度DFNN预测控制方法，利用现场采集的输入输出数据通过DFNN建立煅烧带温度的非线性预测模型。通过输出温度的预测值，引入输出反馈与偏差来校正预测误差，建立偏差与控制量的控制性能指标，通过IPSO算法滚动优化得到系统最优控制量，对控制算法的稳定性万方数据3416 中南大学学报(自然科学版1 第47卷进行了分析。2)DFNN具有较高的预测精度。

36、提出的预测控制方法能使输出煅烧带温度快速稳定地跟踪设定值的变化，同时在系统输出有扰动的情况下也能较好地跟踪设定值，具有一定的自适应性与鲁棒性。本文的控制算法是有效的。3)由于条件所限，控制方法的有效性通过仿真实验进行验证。下一步工作是将提出的控制方法应用于实践，并对方法的参数进行优化与调整。参考文献：【1】 SAIDUR R，HOSSAlN M S，ISLAM M R，et a1A review onkiln system modelingJRenewable and Sustainable EnergyReviews，201l，15(5)：248725002】LI Weitao，WANG D

37、ianhui，CHAI TianyouBurning staterecognition of rotary kiln using ELMs with heterogeneousfeaturesJNeurocomputing，2013，102(2)：1441533】 GEORGALLIS MMathematical modelling of lime kilnsJPulp and Paper Canada，2002，103(8)：44-474】 SOGUT Z，0KTAY Z，KARAKOC HMathematical modelingof heat recovery from a rotary

38、 kilnJApplied ThermalEngineering，2010，30(8)：817825【5 GUO Feng，LIU Bin，HAO Xiaochen，et a1Research on thefuzzy predictive control for calcining temperature of the rotarycement kilnC10th International Conference on SignalProcessing ProceedingsPiscataway,United States：IEEE，2010：2568-25716 YANG Baosheng，

39、MA XiushuiTemperature prediction andanalysis based on BP and Elman neural network for cementrotary kilnCFourth Intemational Seminar on Modem Cuttingand Measuring EngineeringIntemational Society for Optics andPhotonicsBellingham，United States：SPIE，2010：799721【7】XUE Zengtao，LI ZhengApplication of fuzz

40、y neural networkcontroller for cement rotary kiln control systemC201 lIntemational Conference on Advanced Materials andEngineering MaterialsClausthal-Zellerfeld，Germany：TransTech Publications，2012，457：53卜5358 王孝红，房喜明，于宏亮基于专家系统的回转窑窑头工况识别J】控制工程，2010，17(3)：309312WANG Xiaohong，FANG Ximing，YU HongliangRe

41、cognitionof working condition for rotary kiln hood based on expertsystemJControl Engineering ofChina，2010，17(3)：309312【9】 FAN Xiaohui，WANG Yi，CHEN XulingMathematical modelsand expert system for grate-kiln process of iron ore oxide pelletproductionPart II：Rotary kiln process controlJJournal ofCentral

42、 South University,2012，19(6)：17241727【10】ZHANG Li，GAO XianwenApproach of synthesizing modelpredictive control and its applications for rotary kiln calcinationprocessJJournal of kon and Steel Research International，2013，20(8)：1419ZHANG Li，WANG Song，SU GuojunIntelligence predictivecontrol study on lim

43、e rotary kiln temperatureC2013International Conference on Mechanical and ElectronicsEngineering ZurichDumten， Switzerland：Trans TechPublications Ltd，2013，385：848851STADLER KONRAD S，POLAND J，GALLESTEY EModelpredictive control of a rotary cement kilnJControlEngineering Practice，2011，19(1)：卜9PAN Yongpi

44、ng，ER M J，LI Xiang，et a1Machine healthcondition prediction via online dynamic fuzzy neuralnetworksJEngineering Applications of Artificial Intelligence，2014，35(10)：105113黄健康，张刚，樊丁，等基于动态模糊神经网络的铝合金脉冲MIG焊接过程解耦控制分析J焊接学报，2013，34(9)：43-47HUANG Jiankang，ZHANG Gang，FAN Ding，et a1Decouplingcontrol analysis of

45、 aluminum alloy pulse MIG welding processbased on dynamic fuzzy neural networksJTransactions of theChina Welding Institution，20 1 3，34(9)：43-47EBERHART R C，KENNEDY JA new optimizer using particleswarln theoryCProceedings of the Sixth InternationalSymposium on Micro Machine and Human SciencePiscatawa

46、y,United States：IEEE，1995：3943REGIS R G Particle swarln with radial basis function surrogatesfor expensive blackbox optimizationJ Journal ofComputational Science，2014，5(1)：1223DONG Zengshou，ZHANG Xiaoyu，ZENG JianchaoHydraulicsystem fault diagnosis based on EMD and improved PSOElmanAnnJTransactions o

47、f the Canadian Society for MechanicalEngineering，2013，37(4)：11891197LETTrNG L K，MI nqDA J L，HAMAM YOptimization of a呦logiccontroller for PV grid inverter control usingS-function based PSOJSolar Energy,2012，86(6)：16891700刘志雄，梁华粒子群算法中随机数参数的设置与实验分析J】控制理论与应用，2010，27(1 1)：14891496LIU Zhixiong，LIANG HuaPa

48、rameter setting and experimentalanalysis of the random number in particle swami optimizationalgorithmJControl Theory&Applications，2010，27(1 1)：1489-1496张立预测控制综合方法及其在回转窑煅烧过程中的应用研究【D沈阳：东北大学信息科学与工程学院，2011：98103ZHANG LiStudy on synthesis approach of model predictivecontrol and its applications for rotary kiln calcinationsproce