楊 凱 薛美盛
(1.中國空空導彈研究院;2.中國科學技術大學信息科學技術學院)
在燃燒控制系統(tǒng)中,空氣調節(jié)系統(tǒng)的任務是保證進入燃燒系統(tǒng)的燃料充分燃燒,使其達到最高的燃燒效率[1]。由于鍋爐燃燒系統(tǒng)具有強耦合、非線性等特點,導致燃燒過程的燃燒效率受諸多因素的影響,其中空燃比就是一個重要指標。 空燃氣比直接決定煙氣中的氧含量值,而煙氣的氧含量值能夠反映系統(tǒng)的燃燒效率,因此人們不斷尋找空燃比的優(yōu)化方法,以提高燃燒效率,實現(xiàn)經(jīng)濟燃燒。
燃氣鍋爐燃燒系統(tǒng)中能反映燃燒狀態(tài)的參數(shù)除了煙氣氧含量之外,還有一個重要參數(shù)就是爐膛溫度[2,3]。對爐膛溫度起決定性的因素是煤氣燃燒后它的產(chǎn)物所能達到的溫度,確保爐膛溫度始終處在最高值的附近,實質上就是在實現(xiàn)經(jīng)濟燃燒。 筆者針對某現(xiàn)場燃氣鍋爐控制系統(tǒng),構建了BP神經(jīng)網(wǎng)絡用于描述影響爐膛溫度各因素之間的關系,運用粒子群優(yōu)化算法和模糊控制算法設計并實現(xiàn)了一套可用于鍋爐燃燒系統(tǒng)的智能控制策略, 成功改造了原有的燃燒控制系統(tǒng),在現(xiàn)場取得了良好的應用效果。
由于燃燒系統(tǒng)具有非線性、 強耦合的特點,若采用建立精確數(shù)學模型的方式來模擬復雜多變的燃燒過程, 將導致構建出的模型異常復雜,難以應用[4,5]。然而人工神經(jīng)網(wǎng)絡在非線性擬合方面有著良好的性能,能夠滿足對該過程的建模需求,故采用BP神經(jīng)網(wǎng)絡對燃燒過程建模,然后利用構建出的模型設計相應的控制器[6]。
構建神經(jīng)網(wǎng)絡模型, 首先要選取合適的數(shù)據(jù)。 通過采集某燃燒系統(tǒng)的輸入輸出數(shù)據(jù),經(jīng)過對數(shù)據(jù)的反復篩選,選出能夠反映燃燒系統(tǒng)運行過程中的一些關鍵參數(shù),并進行預處理。 經(jīng)過預處理后共選出5 000組樣本數(shù)據(jù),其中每組數(shù)據(jù)包含爐膛溫度、上層空氣閥開度、上層煤氣閥開度、下層空氣閥開度、下層煤氣閥開度、煤氣和空氣總管流量,共7個變量。 圖1是均值濾波處理后的爐膛溫度數(shù)據(jù)。
圖1 均值濾波處理后的爐膛溫度曲線
構建BP神經(jīng)網(wǎng)絡模型用于描述影響爐膛溫度各變量之間的關系。 數(shù)據(jù)劃分采用隨機抽取的方式,抽取樣本數(shù)據(jù)的90%用于模型訓練,余下的10%用來驗證模型的實際效果, 模型的評價方式以準確度為評估標準,用MSE(均方誤差)進行度量。 考慮到采樣數(shù)據(jù)中有些變量存在相關性,因此對部分變量進行處理,即把同層的空氣閥和煤氣閥開度的比值作為一個變量, 減少變量個數(shù),給模型構建帶來方便,并對各變量進行歸一化處理。 最終選取上層空氣和煤氣閥比值、下層空氣和煤氣閥比值、煤氣總管流量、空氣總管流量這4個變量作為網(wǎng)絡的輸入變量,爐膛溫度作為網(wǎng)絡的輸出變量,構建一個4輸入1輸出的空燃比神經(jīng)網(wǎng)絡模型。
由于網(wǎng)絡的輸入變量不多,考慮采用單隱含層結構,通過線下試驗得知隱含層節(jié)點數(shù)為9時,均方誤差最小。 在MATLAB環(huán)境下進行網(wǎng)絡模型的訓練,取迭代次數(shù)200、學習速率0.03、目標誤差0.000 02,學習算法采用L-M算法,最終網(wǎng)絡的預測結果和預測誤差如圖2、3所示。
圖2 BP神經(jīng)網(wǎng)絡預測結果
圖3 BP神經(jīng)網(wǎng)絡預測誤差
從圖3可以看出,預測誤差大都集中在[-3,3]之間,只有極少部分不在該范圍內,評價標準MSE為0.68。因此利用神經(jīng)網(wǎng)絡構建出的空燃比模型,其預測結果是令人滿意的。
通過BP神經(jīng)網(wǎng)絡對爐膛溫度等變量進行建模,利用具有全局搜索能力的粒子群優(yōu)化算法求解模型的最優(yōu)解,即找出燃燒系統(tǒng)中存在的最佳空燃比,整個求解空燃比的算法流程如圖4所示[7,8]。
采用基本粒子群算法進行全局搜索時,只需對算法中的參數(shù)進行設置即可。 算法中的優(yōu)化目標是找到最佳空燃比使得此時爐溫最高,可將其變成求解極小值的過程。 因此目標函數(shù)選用BP網(wǎng)絡中爐溫模型輸出值的倒數(shù), 并將它作為適應度函數(shù),其取值越小,表明結果越好。在粒子群優(yōu)化算法的作用下, 得到適應度變化如圖5所示。 可以看出,經(jīng)過29次迭代進化后,目標函數(shù)最小值為0.001 251,將其轉換為實際的爐膛溫度即799.36℃, 得到上層空燃比和下層空燃比分別是為2.15和1.62。
以上完成了BP神經(jīng)網(wǎng)絡建模-粒子群算法優(yōu)化空燃比的過程,將得到的結果作為上下層的空燃比基準值,應用到自適應模糊控制中,實現(xiàn)對煙氣氧含量的控制。
圖5 適應度變化曲線
對于燃燒系統(tǒng)中煙氣氧含量的控制,以氧含量誤差e和誤差變化率ec為輸入變量,以空氣調節(jié)閥增量u為輸出變量, 采用雙輸入單輸出的控制器結構。 為簡化模糊推理的計算過程,采用單點模糊法進行模糊化,選擇重心法進行精確化計算[9,10]。 輸入和輸出量均選用三角形隸屬度函數(shù),如圖6所示。
(5)刊載情報信息機構知識服務研究成果的期刊主要有《圖書情報工作》、《情報理論與實踐》和《情報雜志》等,為我國知識服務理論的導入和實踐經(jīng)驗的推廣發(fā)揮了重要的作用。廣大科技服務工作者應將其作為重點關注對象,了解本領域的發(fā)展動向和態(tài)勢,提高自身的理論水平和實踐能力,更好地服務于國家創(chuàng)新創(chuàng)業(yè)工作。
圖6 e、ec和u的隸屬度函數(shù)
根據(jù)實際工藝工程和操作經(jīng)驗,構建的模糊控制規(guī)則見表1。
表1 模糊控制規(guī)則
a. 如果-2.5≤e<-1或3<e≤5,|ec|≥0.35,則Ke=0.4、Kec=2.5、Ku=2;
b. 如果-1≤e<0或2<e≤3,|ec|≥0.25, 則Ke=0.6、Kec=3.5、Ku=1.8;
c. 如果1<e≤2,|ec|≤0.2, 則Ke=0.7、Kec=4.5、Ku=1.4;
d. 如果0<e≤1,|ec|≤0.1, 則Ke=0.8、Kec=5.5、Ku=1.2;
e. 其他情況, 則量化因子Ke=0.8、Kec=6、Ku=1.7。
通過前面構建的BP神經(jīng)網(wǎng)絡爐膛溫度模型,利用粒子群優(yōu)化算法求出上下層空氣煤氣調節(jié)閥開度的比值;以此作為空燃比基準值,當每次調整煤氣閥開度時,將該開度值乘以對應的空燃比基準值作為此刻的空氣調節(jié)閥開度;最后根據(jù)實際燃燒過程中氧含量設定值和實際值之間的偏差情況,結合自適應模糊控制計算出空氣調節(jié)閥需要的微調量, 作為最終的空氣調節(jié)閥開度值。 算法框圖如圖7所示。
圖7 空燃比優(yōu)化-氧含量控制算法框圖
圖8 先進控制系統(tǒng)投運前后煙氣氧含量對比
為提高某鋼鐵廠燃氣電站鍋爐燃燒系統(tǒng)的燃燒效率, 筆者選取燃燒過程的輸入輸出數(shù)據(jù),利用人工神經(jīng)網(wǎng)絡技術, 通過對樣本數(shù)據(jù)的學習,建立了燃燒系統(tǒng)的數(shù)學模型,以粒子群算法求解的最佳空燃比為基準,采用自適應模糊控制與神經(jīng)網(wǎng)絡建模相結合的方式,設計了一套智能控制策略,實現(xiàn)了對燃燒系統(tǒng)的空燃比優(yōu)化。 實際投運結果表明,煙氣氧含量回路的控制效果明顯改善,波動范圍大幅降低,從而提高了燃燒效率。