毕业论文课题相关文献综述
文 献 综 述1. 水泥粉磨系统简介水泥粉磨是水泥制造的最后工序,也是耗电最多的工序。主要功能在于将水泥熟料(及缓凝剂、性能调节材料等)粉磨至适宜粒度(以细度、比表面积等表示),形成一定的颗粒级配,增大其水化面积,加速水化速率,满足水泥浆体凝结,硬化要求。 (1)水泥粉磨系统按照工艺流程分类:① 开路粉磨工艺流程:物料通过磨机后即为产品。流程简单、设备少、投资少,但是容易产生过粉磨现象。② 闭路粉磨工艺流程:物料出磨后经过选粉机系统选出产品,粗粉返回磨机再磨。③ 联合粉磨系统工艺流程:物料通过辊压机或者立磨的预粉磨后,筛选出其中的细料进入球磨机进行终粉,通过选粉机及收尘系统将符合要求的成品选出。(2)按照设备使用的方式分类以及其优缺点比较:① 球磨机粉磨系统:是指以球磨机单独作为主要粉磨设备从而达到最终粉磨效果的粉磨系统。② 立磨终粉系统:是指以立磨单独作为主要粉磨设备从而达到最终粉磨效果的粉磨系统。这种方式比球磨机粉磨系统效能高,但是,经测验,这种方式产生的成品由于是完全靠挤压生成,颗粒级配不太理想,而且颗粒表面形状也不利于水泥的水化及水泥强度。③ 立磨-球磨联合粉磨系统:是指在物料在进入球磨机终粉前,先经过以立磨作为主要设备的预粉磨系统,然后分级符合要求的细料进入球磨进行终粉磨,这种方式效率高,而且最后由球磨机进行终粉,颗粒级配及颗粒表面形状好。④ 辊压机终粉磨系统:是指以辊压机单独作为主要粉磨设备从而达到最终粉磨效果的粉磨系统。比立磨终粉系统效能更高,但是和立磨终粉系统类似,产品颗粒级配及表面形状不理想。⑤ 辊压机-球磨机联合粉磨系统:即在物料在进入球磨机终粉前,先经过以辊压机作为主要设备的预粉磨系统,然后分级符合要求的细料进入球磨进行终粉磨,这种方式比立磨-球磨机联合粉磨系统效率更高,而且最后由球磨机进行终粉,颗粒级配及颗粒表面形状好。⑥ 卧式辊磨粉磨系统:卧式辊磨,又称Horomill,是一种新式粉磨设备,能效比和辊压机相似,产量更大。用于取代球磨机,目前在国内仅有数台。但是根据其粉磨原理,其产片颗粒状况应当和立磨终粉成品类似,应该不太理想。
2.课题背景以及研究意义水泥工业是一个国家经济发展的重要基础产业,随着国家经济实力的强大提升,水泥工业的发展也应该加快转换模式。不再是只以往追求产量,在技术与设备与时俱进的新世纪,提高水泥生产的质量,提高节能减排技术,降低生产成本,让系统更加趋向智能化是现代水泥工业的当务之急。对于水泥磨粉系统的研究从未间断。水泥粉磨技术经历了技术和设备发展两个阶段【2】-【3】,而在水泥粉磨过程中其中起着重要作用的是球磨机,它决定了水泥产品最后的质量。具有对物料物理性质波动适应强,能够连续生产,粉碎比高,有利于水泥的水化和硬化且设备稳定易于操作。但同时球磨机作为一个大型连续作业设备,有着超高耗能效率不高的缺点。同时它还具有滞后大,非线性和强耦合等特点。以及现场各种故障因素的干扰,如辊压机液压系统不正常呢工作、轴承温度偏高或者温差大、旋风筒堵料、磨机饱磨等,如果操作人员没有及时发现采取措施则会影响整个粉磨系统,对水泥的生产造成严重的损失。所以采用将粉磨系统趋向自动化控制,系统就能够自发的发现故障并作出相应的处理措施,这样可以将损失降到最小,并且使系统长时间处于稳定的工况下。这样不仅降低耗电、节省设备维修费用还降低了相关人员的劳动强度,非常具有实用性。
3.国内外课题研究现状3.1 水泥磨粉技术的发展进入新世纪后,中国水泥工业发生了翻天覆地的变化:从大产量到高质量的发展,从落后的技术设备到先进的技术与设备,从资源能源浪费转向资源能源节约型。我国的水泥技术与装备已经形成系列化、大型化并向生态化迈进,随着新型干法水泥【4】的迅速发展与普及水泥工业技术也有了质的飞跃,但是与世界先进水平仍然相距甚远,我国的水泥技术依旧有非常巨大的发展空间。对于水泥粉磨系统来说,目前国内的研究主要趋向于工艺流程和设备的改进。水泥粉磨系统是由早先的单纯的球磨机系统,逐步发展到球磨机 辊压机系统和辊式磨系统。水泥粉磨系统按工艺流程分为开流和圈流两大系统,其中以球磨机和辊压机组成的联合粉磨系统、球磨机和立磨组成的粉磨系统、以及立磨终粉磨系统三种系统当前使用最为广泛;还有对水泥磨粉系统中的生产设备进行改进,如预粉磨系统中的辊压机、除尘器、选粉机,粉磨系统系统的球磨机以及收尘器等。
3.2 水泥粉磨建模控制的发展对在水泥粉磨的工艺流程中,磨机要适应各种工况条件下的物料粉碎,使磨机保持一个稳定的负荷状态是一个关键因素。进入磨机的物料粒度大小和物料温度是影响磨机台时产量的主要因素。水泥颗粒的大小是评价成品的重要标准,采用水泥粒径分布来指导水泥粉磨过程【5】是当前研究的重点。在当前针对磨机负荷与物料粒度这两个方面的模型建立已经有了一定的成果。国内外针对关于磨机负荷建模的研究已经趋向成熟化,现在有关于水泥立磨的多回路控制模型【6】,采用最小二乘法建立多个控制回路模型,还有设计关于磨机负荷检测的方法【7】。更有针对磨机负荷内部各部分之间关联性而提出一种基于神经网络集成的磨机负荷建模方法【8】。对于物料粒度建模,当下有应用极限学习机神经网络建立水泥粒度模型【9】有对水泥进行粒度区分,然后针对水泥粒度不同分别用两种不同的算法进行建模应用不同的控制方式【10】。文献【6】针对水泥立磨回路建模进行了详细介绍:立磨是应用料床粉磨原理来粉磨物料,应用预热器和窑尾热风来传输和烘干物料的机械设备。物料经过三道锁风阀门、下料椎进入磨内并堆积在磨盘中间。由于磨盘的旋转带动磨辐转动,物料受离心力的作用向磨盘边缘移动,并被填入磨辐底部而粉碎。磨相由液压系统增压以满足粉磨要求。物料不仅在磨辐下被粉碎,而且被推向外缘,越过挡料圈落入风环,被高速气流带起,大颗粒被折回落到磨盘上,小颗粒被气流带入分离器,在回转风的作用下进行分选。粗粉重新返回磨盘再粉磨,合格的成品(细粉)随气流带出机外被收集作为产品。 通过分析现场操作员经验和操作规则,根据磨机的运行过程、磨机内主要物质(物料和风)的流动路线以及磨机监控点间的相关性,可按以下3条控制回路对磨机进行控制:①液压回路主要用于调整磨辐位置,以保证足够好的碾磨效果和生产效率。②喂料回路通过调节喂料量的大小,保证磨机的良好运行。③通风回路风量的大小和风温影响磨机碾磨效果和生产效率,同时对产品的细度水平也有重要影响。通过调节冷或热风风阀的开度来保证磨机出口温度、进出口压差等参数正常。多回路方法可以有效地降低立磨系统多个控制量与监测量之间的耦合程度,回路之间的耦合问题可以通过以下2种方法解决:①建立回路切换规则,适用于各回路工况区分较为明显,主要控制指标没有交集的情况。②多回路模型融合,当各回路存在较多公共控制指标时,通过其他控制指标变化情况确定某一工况对各回路的隶属程度,并依据此隶属度对各回路模型加权处理,得到多回路融合模型。喂料回路和通风回路直接决定了磨机运行效率和产品质量,控制指标要求严格。因此主要针对这2条回路进行过程建模和优化控制的研究。立磨粉磨过程属于连续集中参数型过程,对于此类工业过程通常釆用微分方程或连续状态方程描述其数学模型国。在工业控制系统设计中,一阶延时模型或二阶延时模型被普遍应用。考虑到当前绝大多数工业控制均釆用计算机技术实现,为了方便预测控制等先进控制算法的应用,通常将工业过程模型转换成离散或差分的形式。在立磨现场对喂料回路、通风回路主要控制变量和监测变量进行阶跃响应实验。根据实验数据釆用最小二乘法辨识不同回路的数学模型,得到各回路数学模型如下所述:喂料回路料层厚度(y)与喂料量(u)之间的关系式为:
通风回路磨机出口温度(y)与热风阀开度(u)之间的关系式为:
4.预测控制算法4.1 历史背景 20世纪70年代后期,一类新型的计算机控制算法出现在美法等国的工业过程领域,如动态矩阵控制(DMC,Dynamic Matrix Control)、模型算法控制(MAC,Model Algorithm Control)。1987年,首次有学者阐述了该系列算法的动因、机理及其在控制工业中的控制效果。自此,预测控制(Predictive Control)开始出现在控制领域中。现在我们所说的预测控制,包括工业控制、自适应控制及内模控制等多方面研究成果,统称为模型预测控制(MPC,Model Predictive Control)【11】,或基于模型的控制(Model-based Control),其应用范围也早已超出了过程控制领域,转而应用到机器人、飞行器、网络系统等更高新的领域内。
4.2 特点以及基本原理模型预测控制是一种基于模型的闭环优化控制预测控制算法的三要素:内部(预测)模型、参考轨迹、控制算法。现在一般则更清楚地表述为内部(预测)模型、滚动优化、反馈控制。预测模型:这是一种基于模型的控制算法,预测模型主要注重模型的功能,根据被控制对象的信息以及未来输入进行计算,并且通过计算结果预测出被控制对象的未来输出。只要具有预测信息的功能,都可以视为是预测模型,预测控制模型可以很有效的展示系统的未来行为,相关人员可以根据预测模型来确定釆用控制输入的方式,从而很有效使被控制对象的输出以符合设计的目标;滚动优化:预测模型是通过滚动优化来实时求解,在每一个控制步骤,都要设定一个从现在到未来的优化问题,然后通过参数算出这一时间内的最合理的控制输入。另外,有些控制参数知识只是需要可预测模型与局部优化指标来开环求解;反馈校正:预测控制在计算结束后,由于模型的开环优化不能很好的适应对象环境的特性,所以必须要对实际的监测结果与预测的结果进行比较,分析其误差信息,从而弥补各种因素对系统的影响。预测模型的预测输出会与实际的测量结果之间存在偏差,这种预测误差主要是通过反馈校正的方式来解决预测控制具有显式处理约束的能力, 这种能力来自其基于模型对系统未来动态行为的预测, 通过把约束加到未来的输入、输出或状态变量上, 可以把约束显式表示在一个在线求解的二次规划或非线性规划问题中; 4.3 水泥粉磨系统优化控制的最新进展水泥粉磨系统经历了技术与设备的发展之后开始进入自动化控制生产。关于专门针对水泥粉磨系统的研究非常多。国内现在已经成熟的技术有很多:基于智能预测控制的水泥粉磨系统【12】;自适应的控制方法应用于磨机的粉磨过程并进行相应的仿真实验【13】;采用模糊控制方法对磨机进行优化控制【14】;采用自寻优算法来找到水泥磨机的最佳负荷,采用模糊-采样PI算法进行控制【15】;采用多变量的预测控制器控制磨机回路【11】以及采用神经网络控制磨机【16】;采用将神经网络的控制和辨识能力结合起来【17】,提出了一种针对纯滞后对象的模型参考辨识自适应控制方案。现在大多采用自动化喂料计算机集散控制系统控制生产过程,采用DCS进行系统的控制。在整个粉磨系统的工艺流程中的所有参数以及现场设备的工作情况都能够实时反应在控制室,而工作人员只需要在中央控制室通过计算机对各级现场生产设备发出指令进行调节,减少了工作人员的劳动强度,保证了整个工艺流程的稳定运行。文献【6】针对水泥立磨回路控制进行了详细介绍:鉴于立磨系统具有多变量、强耦合和大滞后等显著特点,且相对于球磨系统工况更加复杂,因此适用于球磨系统的很多先进控制策略无法移植到立磨系统。预测控制算法是一种源于工业控制需要而创立的新型控制算法。以建立的立磨控制回路离散数学模型作为预测模型,并增加扰动项以模拟立磨现场可能出现的各类随机干扰,得到CARIMA预测控制模型。
参考文献[1] 张文生,叶家元. 水泥工业低碳经济技术的现状与发展方向[J]. 新世纪水泥导报, 2010,(3)[2] 田桂萍. 国内外水泥粉磨技术进展[C]. 2015第七届国内外水泥粉磨新技术交流大会暨展览会论文集,015,46:243-288.[3] 萤剑,王迪,陈施华,赵青林.我国水泥工业产能及能耗现状浅析[J].新世纪水泥导报,2016,22(02):1-6.[4] 梁伟海.新型干法水泥生产技术的现状及其发展前景浅析[J].中国高新技术企业,2010(30):4547.[5] 樊小华,王玉.水泥粒度分布对其性能的影响[C].水泥技术交流会,2013.[6] 颜文俊,秦伟.水泥立磨流程的建模和控制优化[J].控制工程,2012,19(6):13-18.[7] 周平,柴天佑.磨矿过程磨机负荷的智能监测与控制[J].控制理论与应用,2008,25(6):1095-1098.[8] 赵立杰,李彬,陈斌,王魏.磨机负荷参数快速去相关神经网络集成模型[J].控制工程,2017,24(09) :1952-1957.[9] Zhao L J, Jian T, Chai T Y. Soft sensor of mill load based on selective extreme learning machine ensemble[J]. Journal of Zhejiang University, 2011,45(12):2088-2092.[10] 任万杰.水泥粉磨系统的建模与控制方法研究[D].济南大学,2013.[11]席裕庚.预测控制[M].北京:国防工业出版社.1993:1-90.[12] 李志明.智能控制技术在水泥工业中的应用[D].武汉:武汉理工大学2003.[13] K Najim, D Hodouin, A Desbiens. Adaptive control: state of the art and an application to a grinding process [J].Powder Technology, 1995, 82(1): 59-68.[14] 王孝红,刘钊,王卓,苑明哲.矿渣粉磨智能控制系统的研究及应用[J].控制工程,2012,19(02):240-244 248.[15] 周荣亮,张彦藏,崔栋刚,李畅.水泥磨负荷控制系统研究及应用[J].控制工程,2003,10(06):518-520.[16] Andre Pomerleau, Daniel Hodouin, Andre Desbiens, et al. A survey of grinding circuit control methods:from decentralized PID controllers to multivariable predictive controllers[J]. Powder Technology, 2000,108(2-3): 103-115.[17] Manuel Duarte, Alejandro Suarez, Danilo Bassi. Control of grinding plants using predictive multivariable neural control[J]. Powder Technology, 2001,115(2): 193-206.[18] 黄学元.智能粉磨控制系统在水泥生产中的应用[J].水泥,2019(S1):74-76.[19] 齐蒙.预测控制及其应用研究[D].东华大学,2013.[20] 张洁.基于智能计算误差补偿的非线性系统预测控制[D].华北电力大学,2012.[21]BishoyE.Sedhom,MagdiM.El-Saadawi,AhmedY.Hatata,AbdulazizS.Alsayyari.Hierarchicalcontroltechnique-basedharmonysearchoptimizationalgorithmversusmodelpredictivecontrolforautonomoussmartmicrogrids[J].InternationalJournalofElectricalPowerandEnergySystems,2020,115.[22] Energy; North China Electric Power University Researchers Update Current Study Findings on Energy (Wind Turbine Control Using Nonlinear Economic Model Predictive Control over All Operating Regions)[J]. Energy Weekly News,2020.[23] 姚利哲.智能预测控制策略研究及应用[D].兰州交通大学,2011.[24] 牛丽霞. 多变量智能预测控制方法及其应用研究[D].华北电力大学(北京),2008.
以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。