实验过程介绍以节能降耗为原则，寻找单位制粉能耗最低的工况，减少因工况波动而引起的能量损失，做负荷试验，确定了某厂制粉系统乙磨最佳钢球装载量为34.5t。在此钢球装载量下，对乙磨进行全负荷试验，以便获取建立料位软测量模型所需的初始样本。试验从空磨开始依次经过了低负荷、中负荷、高负荷等工况运行，分别采集了不同工况下的入口风温、出口温度、入口负压、差压、磨电流、前后轴承振动能量和出力值。为了确保球磨机处于稳态工况，即给煤等于制粉出煤量，每次增加给煤机转速后都稳定运行一小时左右。因为只有稳定运行在最佳工况下，才能保证能耗最低。
实验分析与结果CMAC神经网络的主要参数有：输入变量的量化级、泛化参数以及基函数的种类。下面对升负荷过程时，分析各参数对CMAC运行结果的影响。泛化参数分别选择ρ为32、128，基函数分别选择经典的ALBUS和样条函数SPLINE时，做出训练误差及结果曲线如下，综合考虑训练速度和料位曲线品质，最终选取CMAC模型泛化参数ρ为128，基函数采用SPLINE样条函数。
将输入的每个变量进行均匀的60级量化，泛化参数ρ为32，基函数采用经典的ALBUS函数时，训练误差曲线以及训练结果如4、5所示。CMAC网络的收敛速度非常快，仅经过7次训练，训练就已经基本完成。但料位的曲线不够精确，若以此参数操作运行，还达不到精确操作及耗能最低的运行工况。
保持原有的各参数，增加泛化参数ρ到128。训练误差曲线以及训练结果如6、7所示。6CMAC网络训练误差曲线（ρ＝128，ALBUS）7CMAC网络输出（ρ＝128，ALBUS）由6和7可以看到，CMAC网络输出的料位曲线有了极大改善。通过增加泛化参数，网络具备了更好的泛化能力。收敛速度也稍有降低，训练时间比之前长了一倍，需要14次才基本训练完毕。
为了进一步提高效率，降低能源单耗，必须进一步改善网络输出，在保持原有各参数不变的情况下，采用样条函数SPLINE替代ALBUS函数作为CMAC网络的基函数。ALBUS函数的输出只有0和1，因此输出的曲线分段连续，仅在内节点之间连续，在内节点的分界处往往是不连续的。而样条函数则可以较好地解决这个问题。训练误差曲线以及训练结果如8、9。可见CMAC网络输出的料位曲线有所改善。
可以得出结论：（1）使用CMAC建立料位模型可以精确反映料位变化，可指导制粉系统高效稳定运行，达到节能降耗的目的。（2）CMAC网络具备较强的泛化能力，在恰当的泛化参数下，仅需要少量的样本点便可以获得较满意的输出。（3）较之ALBUS二值函数，样条函数能够提升CMAC网络的输出性能。但是要使软测量模型更为精确，还是需要足够的样本点。（4）本系统具备在线学习功能，在运行过程中可以自行采集稳态样本点。在磨煤机运行一段时间以后会渐渐偏离优化试验时的特性，这时就需要用新的一批训练样本重新训练CMAC网络，进行在线校正。总之，在现场运行过程中，CMAC料位模型可以对球磨机在低能耗高效运行时发挥更大的作用。
结语球磨机作为电厂设备的用电大户，经济运行直接关系到发电成本和整个电厂的能源利用效率，料位是其运行状况的重要参量之一，同时也是一个受诸多因素影响的呈现复杂关系的变量。只有通过多传感器数据融合的方法建立软测量模型才能实现准确可靠的测量。避免仅凭经验盲目的调控造成严重的电能浪费和运行工况波动，本文应用CMAC（小脑模型关节控制器）原理，实现了CMAC软测量的算法，通过使用全负荷试验所采集到的稳态样本点训练CMAC神经网络，实现了料位软测量，并且证实了CMAC能够准确地反映料位，从而提高制粉系统的效率，节约用电，为制粉系统球磨机的控制优化和节能经济运行提供指导。