[发明专利]一种垃圾干燥过程智能控制系统及控制方法

说明书

本发明公开一种垃圾干燥过程智能控制系统及控制方法，系统包括智能控制中心、温度传感器组群、控制器、流量阀、干燥炉、网络通信单元和上位机监控站，控制中心连接控制器和温度传感器组群，传感器设置在干燥炉内，流量阀连接干燥炉，控制器控制流量阀开闭度，控制中心经网络通信单元与上位机监控站通信连接；方法包括监测干燥炉温度传送给控制中心，温度数据计算、判断，温度大于设定温度A时控制流量阀减小开度，重新监测炉温；温度小于设定温度A大于设定温度B时，重新监测炉温；温度小于设定温度B时控制流量阀增大开度，重新监测炉温。本发明实现干燥炉生产过程安全平稳控制，提高干燥炉热效率，最大限度降低干燥炉能耗，提升企业经济效益。

技术领域

本发明涉及垃圾干燥过程自动智能控制技术领域，特别涉及一种垃圾干燥过程智能控制系统，同时还涉及一种垃圾干燥过程智能控制方法。

背景技术

垃圾干燥系统是垃圾热解气化资源化处理的关键系统，经过超高压干湿分类压榨设备分类形成的超高热值垃圾，进入干燥设备，对其进行干燥处理，大幅降低其含水率，以便满足后续的生活垃圾热解气化系统稳定运行。干燥系统不仅需要合适且成熟的干燥设备，还需要实现干燥过程智能控制。

随着智能控制技术的发展，模糊控制和神经网络控制越来越受到人们的关注，模糊控制是一种基于语言的控制，不用建立被控对象的精确的数学模型，特别适用于复杂或难以精确描述的系统。神经网络具有良好的学习能力，为不确定、非线性问题的解决开辟了新途径。将二者结合利用它们的优点来实现智能控制成为学者们最为青睐的研究方向。

模糊控制的优点是不必建立被控对象的数学模型，它能将操作者或专家的控制经验和知识表示成模糊语言变量，然后构建模糊控制规则，进行模糊推理，最后对模糊控制的输出模糊量进行反模糊化处理，用反模糊化处理后的精确量去控制被控对象，但是常规模糊控制器由于控制规则的有限性以及模糊隶属函数的不确定性，一旦控制规则及经验模糊隶属函数整定后就不能再改变，无法根据外界环境的变化自动调整自己的控制规则及隶属函数，因而常规模糊控制器控制精度不高、自适应能力较差。

径向基函数神经网络（Radial Basis Function Network, RBFN）是一种使用径向基函数作为激活函数的神经网络。1985年Powell提出了多变量插值的径向基函数（RadialBasis Function, RBF）。1988年，Broomhead和Lowe将径向基函数用于神经网络设计中，首次提出了RBF神经网络。1989年J.Moody和C.Darken提出具有局部响应特性的神经网络，它是能模拟人脑中局部调整、相互覆盖接受域的神经网络。RBF网络能够逼近任意的非线性函数，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、信息处理、图像处理、模式识别、系统建模、控制和故障诊断等领域。

针对传统模糊控制器的不足，利用神经网络自学习功能，改善传统常规模糊控制器自适应能力差的缺点，设计构建基于神经网络的模糊控制器，通过模糊控制理论解决语言知识表达，构建模糊量化因子以及模糊规则；而通过神经网络的自学习和自适应能力实现模糊推理，能够很好的提高整个系统的鲁棒性和自适应能力。

垃圾干燥过程智能控制的关键在于干燥温度分布控制，干燥温度及其分布的稳定，可以提高干燥效果，节约资源。干燥温度分布的控制任务就是通过流量阀调节高温载热气体流量，减小干燥炉内设定温度与实际温度的偏差，维持干燥温度稳定保持在允许范围内，以实现大幅降低垃圾含水率的目的，且要求这种含水率降低过程对超高热值垃圾初始含水量的变化具有较强的适应能力。

然而，如何在垃圾干燥处理过程中运用具体RBF与模糊算法实现智能控制，克服现有垃圾干燥处理控制系统及控制方法控制工控不稳定、处理后的垃圾含水率高的缺陷，仍然是一个全新的问题。

发明内容

本发明要解决的技术问题之一是，提供一种垃圾干燥过程智能控制系统，克服现有垃圾干燥控制系统控制工控不稳定、处理后的垃圾含水率高的缺陷。