湯 健 夏 恒 余 文 喬俊飛

目前,城市固廢(Municipal solid waste,MSW)的全球年增長率已達(dá)到8%～10%[1-2].相應(yīng)地,我國面臨著環(huán)境惡化甚至“垃圾圍城”風(fēng)險的城市日趨增多[3],為發(fā)展環(huán)境友好型城市必須解決上述問題.MSW 焚燒(MSW incineration,MSWI)過程作為典型流程工業(yè)[4-5],通過發(fā)酵、燃燒、換熱和凈化等工藝階段實現(xiàn)廢物到能源(Waste-to-energy,WTE)的轉(zhuǎn)變[1,6],其中:固廢發(fā)酵階段存在多種不確定的生物反應(yīng),固廢燃燒是固氣液多相和熱流力多場交互作用下的高溫化學(xué)反應(yīng),余熱交換是實現(xiàn)熱能到機(jī)械能再到電能的轉(zhuǎn)換,煙氣凈化是利用物理/化學(xué)原理脫除煙氣中的有毒有害物質(zhì);該過程在實現(xiàn)自身運行所需能源自給自足的基礎(chǔ)上,向外提供電和熱等多種形式的能源,并確保較低的環(huán)境污染排放風(fēng)險[7],使得MSW 已經(jīng)成為城市可再生能源循環(huán)利用過程中的重要環(huán)節(jié)[8-9].研究表明,MSWI 的減質(zhì)率、減容率和能量回收率可達(dá)到70%、90%和19%[10-11],其在經(jīng)濟(jì)和環(huán)保方面所呈現(xiàn)出的潛在價值已被發(fā)展中國家所認(rèn)可[10].因此,MSWI 過程在低碳、環(huán)保和可持續(xù)能源等領(lǐng)域均具有關(guān)鍵作用[12],已成為國家新時期生態(tài)文明建設(shè)和循環(huán)經(jīng)濟(jì)體系中的托底工業(yè)[13-14].

我國MSWI 起步于20 世紀(jì)90 年代(深圳引進(jìn)日本三菱2 臺150 t/d 馬丁爐排焚燒爐),在十二五時期著力推廣后再經(jīng)過十三五時期無廢城市規(guī)劃的實施,目前MSWI 處理占比(超過50%)已居世界首位[15].截止2022 年10 月,我國已投運MSWI 電廠811 座,其中機(jī)械爐排爐占比超過94%[16].

在“十四五”城鎮(zhèn)生活垃圾分類和處理設(shè)施發(fā)展規(guī)劃下,MSWI 過程將迎來新一輪的高速發(fā)展[17].顯然,在“雙碳戰(zhàn)略”[18]、垃圾分類[19]和原生MSW“零填埋”[20-21]的發(fā)展背景下,MSWI 在未來仍將是MSW 處理的首選技術(shù)[22],也是城市可持續(xù)發(fā)展和綠色環(huán)保不可或缺的組成部分[23].然而,目前我國MSWI企業(yè)卻面臨著顯著的、短期內(nèi)無法有效調(diào)控的發(fā)展矛盾,即過程運維成本、環(huán)保監(jiān)管成本、“國補(bǔ)退坡”[24]、MSW 處理微利之間的矛盾,這是我國MSWI 行業(yè)面臨的最大挑戰(zhàn).此外,雖然MSWI 過程是最科學(xué)的MSW 處理方式,但所產(chǎn)生的廢氣、廢水和廢渣卻使其自身被列入污染排放名單,更甚者是其所排放的世紀(jì)之毒二噁英(Dioxin,DXN)導(dǎo)致焚燒建廠一直受困于“鄰避效應(yīng)”[2,25].

經(jīng)過近半個世紀(jì)的發(fā)展,自動化技術(shù)、計算機(jī)技術(shù)和焚燒設(shè)備與工藝的有機(jī)結(jié)合,促使MSWI 控制系統(tǒng)逐漸向大型化、集成化和智慧化的方向發(fā)展[2].目前已投運、在建和擬建的MSWI 廠中,多采用爐排爐型焚燒爐、高參數(shù)鍋爐發(fā)電設(shè)備、漸進(jìn)累加式煙氣凈化工藝,目的是推進(jìn)企業(yè)低碳轉(zhuǎn)型、提高經(jīng)濟(jì)效益和競爭力[16,26].但是,MSW 的組成和產(chǎn)生受到社會、經(jīng)濟(jì)和環(huán)境等諸多不確定性與地區(qū)性因素的影響[27-28],大型化的運行設(shè)備也導(dǎo)致臨界條件下實現(xiàn)MSWI 過程高效穩(wěn)定控制的難度進(jìn)一步加大.同時,《生活垃圾焚燒發(fā)電廠自動監(jiān)測數(shù)據(jù)應(yīng)用管理規(guī)定》 要求企業(yè)全面公開污染物排放數(shù)據(jù),以服務(wù)于公眾監(jiān)督和環(huán)保監(jiān)管要求[29].此外,在“雙碳戰(zhàn)略”和“藍(lán)天凈土”新環(huán)保要求的大背景下,MSWI技術(shù)的發(fā)展方向必然是高負(fù)荷、高效率和綠色化[30-32].上述原因?qū)е翸SWI 電廠在智能運維、智慧環(huán)保等方面均面臨著巨大的挑戰(zhàn)[33].

此外,雖然自動化和信息化水平不斷提升,但我國的MSWI 過程卻多采用領(lǐng)域?qū)＜沂謩涌刂颇Ｊ?這顯然難以適應(yīng)智慧焚燒的需求[34],導(dǎo)致焚燒行業(yè)的整體運營難以有效滿足國家對污染排放的監(jiān)管要求.生活垃圾焚燒發(fā)電廠自動監(jiān)測數(shù)據(jù)公開平臺的數(shù)據(jù)表明,自2020 年以來已關(guān)閉MSWI 電廠21 家,涉及焚燒爐50 余臺,其中爐排爐占比44%[16].因此,研制具有甚至超越優(yōu)秀領(lǐng)域?qū)＜宜降闹悄軆?yōu)化控制技術(shù),已成為MSWI 企業(yè)能夠以穩(wěn)定、高效、綠色和低碳的最優(yōu)工況達(dá)到年運行8 000 小時水平的關(guān)鍵,進(jìn)而實現(xiàn)處理量最大、熱灼減率最小、發(fā)電量最大、物耗最小和污染排放最低等目標(biāo),確保MSWI 行業(yè)的可持續(xù)性發(fā)展.

綜上,本文首先針對典型MSWI 工藝機(jī)理、當(dāng)前運行控制特性及智能優(yōu)化控制存在難點進(jìn)行描述和分析;接著,從燃燒特性分析與建模、燃燒過程控制、指標(biāo)建模與預(yù)測、運行監(jiān)測與故障識別、操作(控制)變量優(yōu)化、算法仿真驗證平臺等6 個方面進(jìn)行MSWI 過程運行控制現(xiàn)狀的回顧和總結(jié),探討進(jìn)行智能優(yōu)化控制的必要性;然后,結(jié)合工業(yè)人工智能本質(zhì)給出未來研究方向和內(nèi)容,展望基于數(shù)字孿生平臺的未來MSWI 智能優(yōu)化控制系統(tǒng)的框架和愿景;最后,總結(jié)未來挑戰(zhàn).

1 MSWI 過程特性分析

1.1 MSWI 處理工藝

目前,我國已投運的焚燒爐為1 822 臺[16],其中爐排爐為1 705 座,占比約為94%;近五年新建廠中約29%是日處理量大于或等于700 t/d 的爐排爐.由此可見,大型爐排爐是目前國內(nèi)MSWI 電廠的主流工藝技術(shù).

此處以我國引進(jìn)的處理量為800 t/d 的典型爐排爐為例,其工藝流程如圖1 所示.

圖1 某典型爐排爐MSWI 過程的工藝流程Fig.1 Process flow of a type grate MSWI process

由圖1 可知,MSWI 過程先后經(jīng)過固廢發(fā)酵、固廢燃燒、余熱交換、蒸汽發(fā)電、煙氣凈化和煙氣排放6 個主要階段,其中:

1)固廢發(fā)酵階段:原生MSW 包含大量水分不利于燃燒,需在固廢儲蓄池中經(jīng)3～7 天的生物發(fā)酵,完成初步脫水后達(dá)到入爐焚燒條件再由機(jī)械抓斗投入到料斗中,然后由進(jìn)料器推送至焚燒爐內(nèi),進(jìn)入固廢燃燒階段.該階段的主要變量為MSW 熱值,其是影響MSWI 過程優(yōu)化決策的關(guān)鍵因素之一.

2)固廢燃燒階段:本質(zhì)是在固氣液等多相和熱流力等多場的耦合交互作用下將MSW 轉(zhuǎn)變成高溫?zé)煔夂凸虘B(tài)殘渣,可分為干燥、燃燒和燃燼3 個過程.

a)干燥過程:是發(fā)酵后的MSW 在干燥爐排上完成全水分(表面和內(nèi)在水分)析出至著火的階段,內(nèi)涵是:表面水分隨爐內(nèi)溫度升高而逐漸蒸發(fā),當(dāng)溫度上升至100 ℃時被完全蒸發(fā);內(nèi)在水分隨爐溫的進(jìn)一步升高而逐步析出并吸收大量熱能.因此,MSW 的全水分含量與入爐熱值相關(guān),進(jìn)而影響燃燒狀態(tài)乃至全流程的運行工況.

b)燃燒過程:從MSW 開始著火經(jīng)強(qiáng)烈發(fā)光發(fā)熱直至氧化反應(yīng)結(jié)束的階段,包括強(qiáng)氧化、熱解和原子基團(tuán)碰撞反應(yīng).強(qiáng)氧化反應(yīng)表示可燃組分與氧氣發(fā)生完全燃燒反應(yīng);熱解反應(yīng)表示在無氧或接近無氧的條件下,熱輻射能量破壞含碳高分子化合物元素間的化學(xué)鍵或?qū)ζ溥M(jìn)行重組,析出揮發(fā)分后再進(jìn)行氧化反應(yīng);原子基團(tuán)碰撞反應(yīng)表示原子基團(tuán)電子能量的躍遷、分子的旋轉(zhuǎn)和振動等行為產(chǎn)生紅外熱輻射、可見光和紫外線,進(jìn)而形成火焰形態(tài).因此,燃燒過程涉及的反應(yīng)復(fù)雜多變、相互間存在強(qiáng)耦合性且具有多反應(yīng)同步運行的特性.顯然,燃燒過程中的氧含量(供風(fēng)量)和MSW 進(jìn)料量(爐排速度)對燃燒過程至關(guān)重要.

c)燃燼過程:從燃燒結(jié)束至燃燒完全停止的過程.經(jīng)燃燒過程后,MSW 中的可燃成分以焦碳為主;之后,在高溫和一次風(fēng)的作用下,焦碳與O2發(fā)生氧化反應(yīng),與CO2、水蒸氣等發(fā)生氣化反應(yīng);隨后,惰性物質(zhì)(氣態(tài)的CO、H2O 和灰渣)逐漸增加,直至爐排上的MSW 全部成為灰渣,進(jìn)而減弱燃燒直至完全停止[35].因此,該過程具有燃度降低、惰性物質(zhì)增加、氧化劑含量相對較大、反應(yīng)區(qū)溫度較低等特點,延長該過程可有效提高M(jìn)SW 的熱灼減率,提升減量化水平.

為保證煙氣中有害物質(zhì)的分解和燃燒,常采用“3T+E”的原則[36],即爐膛溫度大于850 ℃、煙氣停留時間大于2 秒、煙氣湍流強(qiáng)度以及過量空氣系數(shù)保持適當(dāng)取值.該階段的主要控制變量為MSW進(jìn)料量、爐排速度和爐膛進(jìn)風(fēng)量,主要被控變量為爐膛溫度、煙氣含氧量、蒸汽流量和燃燒線.

3)余熱交換階段:首先高溫?zé)煔饨?jīng)水冷壁進(jìn)行初步降溫,然后利用過熱器、蒸發(fā)器和省煤器等設(shè)備將熱能通過輻射和對流的方式傳遞至鍋爐,接著鍋爐中的水轉(zhuǎn)變?yōu)楦邏哼^熱蒸汽進(jìn)入蒸汽發(fā)電階段,最后鍋爐出口煙氣溫度降至200 ℃.該階段需要嚴(yán)格控制降溫速率,以防止污染物再生成,其主要的控制變量為鍋爐給水量,主要被控變量為鍋爐蒸汽流量.

4)蒸汽發(fā)電階段:利用余熱鍋爐產(chǎn)生的高溫蒸汽推動汽輪發(fā)電機(jī),機(jī)械能轉(zhuǎn)變?yōu)殡娔?實現(xiàn)廠級用電的自給自足和剩余電量的對外供應(yīng),實現(xiàn)資源化和獲取經(jīng)濟(jì)效益.

5)煙氣凈化階段:首先,脫硝系統(tǒng)在850 ℃～1 100 ℃的溫度下脫除NOx;接著,半干法脫酸工藝通過注入石灰和水對酸性氣體(HCl、HF、SO2、重金屬)進(jìn)行中和;然后,活性炭對煙氣中的DXN以及重金屬等物質(zhì)進(jìn)行吸附;最后,通過布袋除塵器脫除煙氣中的顆粒物、中和反應(yīng)物以及活性炭吸附物,完成煙氣凈化.該階段的主要控制變量為尿素、活性炭、石灰等物料的消耗量.

6)煙氣排放階段:符合國家排放標(biāo)準(zhǔn)(GB18485-2014)的煙氣通過引風(fēng)機(jī)牽引經(jīng)煙囪排入大氣.顆粒物、NOx、SO2、HCl 和CO 等污染物是目前所關(guān)注的環(huán)保指標(biāo).

1.2 國內(nèi)MSWI 過程的運行控制特性

基于世界銀行最新的統(tǒng)計數(shù)據(jù)[37]和谷琳等[38]以及Yamada 等[39]提供的數(shù)據(jù),在MSW 成分的長時段平均統(tǒng)計中,國內(nèi)MSW 中的廚余類組分的占比高,原因在于:歐洲、北美等地區(qū)在20 世紀(jì)中期開始施行MSW 分類,公眾環(huán)保意識強(qiáng);我國MSW的分類政策和制度目前還在完善和推廣中,使得MSW組分存在較大的不確定性.因此,國內(nèi)MSW 的熱值量級和穩(wěn)定性遠(yuǎn)低于上述區(qū)域,原因在于:上述區(qū)域的MSW 源于分類后的可燃組分,其熱值被控制在較小的范圍內(nèi)波動;國內(nèi)的相應(yīng)管理制度還不夠完善,所收集的MSW 的熱值低且波動性較大.

除在MSW 組分與熱值上的差異性外,國內(nèi)在領(lǐng)域?qū)＜壹寄芩胶驮O(shè)備運維技術(shù)方面也與國外存在著差距.眾所周知,鄰國日本的爐排爐技術(shù)引自于歐洲,在進(jìn)行本土化改造后才達(dá)到當(dāng)前的領(lǐng)先水平.因此,我國MSWI 過程的運行也是無法直接照搬國外技術(shù)的,這使得目前國內(nèi)各廠主要采用的是依賴于領(lǐng)域?qū)＜?即知識型工作者)的手動控制模式,其示意如圖2 所示.本質(zhì)上,這是根據(jù)自動燃燒控制(Automatic combustion control,ACC)系統(tǒng)的控制邏輯而歸納總結(jié)的經(jīng)驗,其可簡述為:機(jī)械抓斗操作工程師憑經(jīng)驗完成MSW 儲池分區(qū)整備、操作抓斗均勻混合和拆解大件MSW、控制發(fā)酵周期和入爐區(qū)域MSW 熱值穩(wěn)定,依據(jù)料位視頻監(jiān)控畫面憑經(jīng)驗控制投料頻率;運行工程師基于多模態(tài)信息識別預(yù)判工況變化,后憑經(jīng)驗對固廢燃燒、余熱交換和煙氣凈化等階段的控制變量進(jìn)行設(shè)定.主要操作經(jīng)驗可歸納為:勤看火焰,控制料層和火床;勤調(diào)整進(jìn)料量、供料速度和燃燒風(fēng)量;依據(jù)料層厚度、煙氣含氧量以及MSW 特性確保穩(wěn)定燃燒[40].顯然,手動操作難免會存在著差異性和任意性,是影響MSWI 過程穩(wěn)定運行的核心.因此,在該模式下數(shù)據(jù)中蘊(yùn)含的優(yōu)秀規(guī)則知識和豐富領(lǐng)域?qū)＜医?jīng)驗是進(jìn)一步研究MSWI 過程智能優(yōu)化控制的基礎(chǔ).

圖2 MSWI 過程的領(lǐng)域?qū)＜沂謩涌刂剖疽鈭DFig.2 Manual control by domain experts for MSWI process

1.3 MSWI 過程智能優(yōu)化控制存在的難點

綜上可知,國內(nèi)MSWI 過程的智能優(yōu)化控制存在以下問題:1)MSW 組分多變、熱值不穩(wěn)定且難以實時檢測;2)MSW 燃燒機(jī)理隨其組分的多變性使得已有數(shù)值仿真難以刻畫真實燃燒過程且缺少全流程模擬;3)MSWI 過程的爐內(nèi)溫度場、料層厚度、燃燒線等被控變量和鍋爐/煙囪出口二噁英、爐渣熱灼減率等運行指標(biāo)的可靠實時檢測設(shè)備缺失;4)MSWI 過程的操作變量與被控變量眾多、相互耦合且不同運行工況下的控制關(guān)注點存在差異性,難以確保穩(wěn)定運行;5)MSWI 過程長周期的運行特性導(dǎo)致其具有動態(tài)時變漂移特性,現(xiàn)有傳感設(shè)備無法全面覆蓋全流程,使得過程狀態(tài)難以有效監(jiān)測和表征;6)國內(nèi)多采用單廠多線的大型焚燒爐并行運行模式,爐溫多以犧牲經(jīng)濟(jì)性保證安全性和環(huán)保達(dá)標(biāo)而長期處于高位,缺失有效的全流程管理決策優(yōu)化.

基于上述問題,筆者認(rèn)為,針對我國MSW 的特性,實現(xiàn)具有本土特色的智能優(yōu)化控制需要進(jìn)一步地研究以下的難題:

1)燃燒過程被控對象建模難

通常,準(zhǔn)確構(gòu)建被控對象模型是進(jìn)行工業(yè)過程智能控制研究的基礎(chǔ)[41-43].MSWI 與其他熱處理工業(yè)(例如燃煤電廠、高爐煉鐵廠等)的顯著區(qū)別在于該過程的原料成分波動大且異構(gòu)嚴(yán)重,導(dǎo)致其物理化學(xué)性質(zhì)差異性較大且不能實時檢測.此外,燃燒機(jī)理復(fù)雜以及領(lǐng)域?qū)＜医?jīng)驗差異性等問題導(dǎo)致工況復(fù)雜多變,難以構(gòu)建精確的機(jī)理模型或完備的數(shù)據(jù)驅(qū)動模型.因此,這使得面向燃燒過程的被控對象建模成為業(yè)界難點之一.

2)燃燒過程自適應(yīng)自組織智能控制難

燃燒過程控制的核心是如何通過“布風(fēng)布料”操作確保穩(wěn)定燃燒[44].MSW 組分的多變性和熱值的不確定性是燃燒過程不可避免的強(qiáng)干擾因素,設(shè)備未知磨損與不定期維護(hù)等也是干擾因素之一.作為燃燒過程重要被控變量的燃燒線難以量化,極大地制約著燃燒過程控制水平的智能化.此外,操作量之間、被控量之間、操作量與被控量之間還存在著強(qiáng)耦合關(guān)聯(lián)性和長時滯特性.這些因素均需要控制器具有自組織的結(jié)構(gòu)和參數(shù)以抑制各種干擾的能力.因此,如何實現(xiàn)有效的結(jié)構(gòu)和參數(shù)自組織控制是確保MSWI 過程平穩(wěn)運行的難點之一.

3)運行指標(biāo)在線實時檢測難

運行指標(biāo)的在線實時檢測是實現(xiàn)工業(yè)過程優(yōu)化設(shè)定控制必需的反饋信息.MSWI 過程的運行指標(biāo)包括環(huán)保指標(biāo)(污染物和溫室氣體排放濃度)、產(chǎn)品指標(biāo)(飛灰產(chǎn)量、爐渣熱灼減率、燃燒效率和有機(jī)物脫除率)和經(jīng)濟(jì)指標(biāo)(MSW 處理費、上網(wǎng)發(fā)電量).除常規(guī)污染物和溫室氣體可采用煙氣在線監(jiān)測系統(tǒng)(Continuous emission monitoring system,CEMS)在線實時檢測外,其他運行指標(biāo)受限于技術(shù)或成本原因在目前均難以進(jìn)行在線檢測,且具有長時滯性.此外,即使能夠構(gòu)建軟測量模型,但依然面臨著標(biāo)記樣本稀疏、不均衡且期望分布未知等問題.因此,實現(xiàn)運行指標(biāo)的在線實時檢測是必須要解決的難點之一.

4)運行狀態(tài)感知和故障診斷難

從工業(yè)現(xiàn)場可知,異常工況頻發(fā)是導(dǎo)致引進(jìn)ACC 系統(tǒng)難以在我國“本土化”的原因之一[2].目前基于人工認(rèn)知經(jīng)驗的故障診斷效率低且易出現(xiàn)誤報和漏報,難以確保MSWI 過程的長時段穩(wěn)定運行.除蘊(yùn)含在工況頻繁變化的過程數(shù)據(jù)中的知識難以提取和量化外,領(lǐng)域?qū)＜覍θ紵鹧嫠碚髦R的提取機(jī)制更加難以建模.因此,如何實現(xiàn)仿優(yōu)秀領(lǐng)域?qū)＜业倪\行狀態(tài)智能感知和故障診斷是當(dāng)前待解決的研究難點之一.

5)全流程協(xié)同優(yōu)化運行難

通常,僅依賴于經(jīng)驗差異化的領(lǐng)域?qū)＜议g的協(xié)調(diào)配合難以實現(xiàn)復(fù)雜工業(yè)過程全流程的優(yōu)化運行[45-46].MSWI 過程的優(yōu)化運行目標(biāo)是“減量低排創(chuàng)收”,即提高M(jìn)SW 的減量化比例(減量)、降低污染物的排放濃度(低排)和增加WTE 的經(jīng)濟(jì)效益(創(chuàng)收).由于MSWI 過程包含的多類型焚燒裝備間相互影響,導(dǎo)致所涉及的運行指標(biāo)間除相互沖突與約束外,還具有動態(tài)時變和多時空尺度等特性.此外,MSW 來源的多樣性和成分的復(fù)雜性,MSWI 過程運行條件的多變性和工況波動的頻繁性等因素也增加了全流程協(xié)同優(yōu)化運行的難度.因此,如何結(jié)合MSWI 工業(yè)特性解決全流程協(xié)同優(yōu)化是難點之一.

6)智能優(yōu)化控制算法驗證難

通常,面向?qū)嶋H工業(yè)過程所研制的智能優(yōu)化控制技術(shù)在工程應(yīng)用前須進(jìn)行驗證測試,對實施預(yù)期效果和風(fēng)險進(jìn)行評估[47].MSWI 過程固有的多變量、強(qiáng)耦合、強(qiáng)非線性和不確定性等特點再加之工業(yè)現(xiàn)場對運行安全性、信息保密性和企業(yè)經(jīng)濟(jì)性等需求,導(dǎo)致新研制的智能優(yōu)化控制技術(shù)難以在實際過程中進(jìn)行調(diào)試和試驗.這需要:以真實運行過程為模擬對象,構(gòu)建能夠集多物理量、多時間尺度、多源多模態(tài)數(shù)據(jù)且能夠相互安全隔離的仿真驗證平臺.顯然,這是實現(xiàn)智能優(yōu)化控制算法仿真與驗證,進(jìn)而能夠工程應(yīng)用必須要解決的難點之一.

2 MSWI 過程運行控制研究現(xiàn)狀

MSWI 技術(shù)經(jīng)歷了3 個發(fā)展階段[48]:1)早期萌芽階段,以英、德和法首次采用焚燒爐處理MSW為代表[49-50],該階段技術(shù)不成熟且存在嚴(yán)重的二次污染等問題;2)快速發(fā)展階段,采用自動化系統(tǒng)實現(xiàn)集中式控制,爐排從固定式轉(zhuǎn)變?yōu)橐苿邮絒51],對余熱進(jìn)行回收再利用的模式在歐美得到極大發(fā)展[52];3)完備成熟階段,更多國家關(guān)注其在無害化、減量化和資源化等方面的優(yōu)勢并將其作為主要處理技術(shù)之一[53-55],并形成以爐排爐、流化床和旋轉(zhuǎn)筒式焚燒爐為代表的主流[56];與此同時,開始聚焦能源轉(zhuǎn)換效率和環(huán)保排放等問題,這使得末端煙氣凈化技術(shù)得到快速發(fā)展,但仍存在控制水平低、過度依賴領(lǐng)域?qū)＜医?jīng)驗等問題.

本文將MSWI 過程的運行控制研究分為如圖3所示的6 個方面進(jìn)行現(xiàn)狀綜述.

圖3 MSWI 過程運行控制現(xiàn)狀Fig.3 Operational control status of MSWI process

2.1 燃燒過程建模與特性分析研究

MSW 燃燒機(jī)理所包含的物理化學(xué)反應(yīng)是過程控制和優(yōu)化研究的先驗基礎(chǔ)[57].下文從基于機(jī)理的燃燒過程建模、數(shù)值仿真驅(qū)動的燃燒特性分析和數(shù)據(jù)驅(qū)動的燃燒過程建模3 個視角對現(xiàn)有研究進(jìn)行綜述.

2.1.1 基于機(jī)理的燃燒過程建模研究進(jìn)展

MSW 的非同質(zhì)組分是固相MSW 燃燒機(jī)理分析的主要挑戰(zhàn)[58].Peters[59]將煤和焦炭的傳熱和傳質(zhì)機(jī)理應(yīng)用于MSW 床層燃燒建模,基于有限體積方法實現(xiàn)了初步模擬.Goh 等[60]在假設(shè)MSW 燃燒由干燥、熱解和氣化3 個步驟組成的前提下,建立床層燃燒基礎(chǔ)理論模型,為后續(xù)研究提供支撐.同時,馬曉茜等[61]將MSW 假設(shè)為均質(zhì)幾何體顆粒對燃燒過程進(jìn)行建模,實驗表明MSW 加熱所需時間隨顆粒尺寸的增大而顯著增加.針對日處理量800 t/d爐排爐,秦宇飛等[62]基于揮發(fā)分析出和燃燒構(gòu)建數(shù)學(xué)模型,模擬了燃燒過程的不穩(wěn)定性;白焰等[63]建立MSW 干燥過程機(jī)理模型,分析了不同因素對水分蒸發(fā)過程的影響.針對日處理量400 t/d 爐排爐,王康等[64]構(gòu)建MSW 水分蒸發(fā)、揮發(fā)分析出和焦炭燃燒等模型,研究了進(jìn)風(fēng)量對MSW 固相燃燒的影響.

此外,Shin 和Choi[65]假設(shè)MSW 為木質(zhì)顆粒[66],提出包含升溫、水分蒸發(fā)、高溫分解、氣相燃燒、焦炭氧化等過程的固相燃燒一維數(shù)學(xué)模型.在此基礎(chǔ)上,Johansson 等[67]分析一維床層數(shù)學(xué)模型對熱傳導(dǎo)、反應(yīng)速率和揮發(fā)分組成等參數(shù)的敏感性.Magnanelli 等[68]將床層劃分成為N個不等高的同質(zhì)模塊構(gòu)建機(jī)理模型,結(jié)果表明該模型對輸入具有良好的動態(tài)響應(yīng).

上述成果為洞悉燃燒過程內(nèi)部復(fù)雜的物理化學(xué)反應(yīng)機(jī)理奠定了良好基礎(chǔ),同時也為控制與優(yōu)化研究提供了理論和模型支撐,具體而言:機(jī)理模型可用于分析操作(控制)變量(即進(jìn)風(fēng)量和進(jìn)料量)對燃燒過程的影響,也可在經(jīng)過現(xiàn)場數(shù)據(jù)的校正后作為被控對象模型以驗證控制算法和輔助設(shè)計先進(jìn)控制器.

2.1.2 數(shù)值仿真驅(qū)動的燃燒特性分析研究進(jìn)展

近年來,基于商業(yè)軟件對MSWI 過程進(jìn)行數(shù)值仿真成為分析燃燒特性的有效手段之一[15,69],在優(yōu)化工藝設(shè)計中發(fā)揮著重要作用[70-71],現(xiàn)有研究可分為固相、氣相和固-氣相耦合燃燒仿真3 類.

1)固相燃燒仿真

固相燃燒仿真是精確模擬MSW 在爐排上經(jīng)歷水分蒸發(fā)、揮發(fā)分析出、殘?zhí)咳紵冗^程的主要模式[72].Yang 等[73]開發(fā)的FLIC 模型最具有代表性,其通過連續(xù)性、動量、能量和組分方程模擬MSW燃燒過程,分析固體和氣體的速度、壓力、溫度和種類分布;進(jìn)一步,利用該模型研究一次風(fēng)量、進(jìn)料速度、爐排速度、二次風(fēng)量和原料特性(如濕度、粒度、密度)對燃燒的影響[74].此外,Simsek 等[75]采用離散元方法(Discrete element method,DEM)仿真固相燃燒.

2)氣相燃燒仿真

氣相燃燒仿真以商業(yè)軟件FLUENT 為主,其能夠?qū)t內(nèi)高溫?zé)煔饬鲃雍蛡鳠醾鲗?dǎo)現(xiàn)象進(jìn)行有效仿真[15].與氣相燃燒相關(guān)的特性分析包括:文獻(xiàn)[76-78]采用FLUENT 獲取爐內(nèi)溫度場、煙氣停留時間與煙氣組分等數(shù)據(jù),分析選擇性非催化還原(Selective non-catalytic reduction,SNCR)脫硝過程與NOx排放間的關(guān)系,進(jìn)而為SNCR 系統(tǒng)的設(shè)計與改造提供理論依據(jù);王克[79]利用FLUENT 仿真常規(guī)空氣焚燒、富氧焚燒無煙氣再循環(huán)、富氧焚燒有煙氣再循環(huán)共3 種工況下的燃燒過程,分析不同類型注氧裝置作用下的速度場、溫度場和濃度場等,為工藝參數(shù)優(yōu)化提供支撐.

3)固-氣相耦合燃燒仿真

上述兩類單相仿真方法的局限性體現(xiàn)在:固相仿真難以提供燃料床表面的氣體濃度、溫度以及非零梯度邊界條件等信息[80];氣相仿真模擬的必要條件是在現(xiàn)場通過實驗測量獲得仿真模型的輸入數(shù)據(jù),同時無法對固相燃燒參數(shù)進(jìn)行敏感性分析,其結(jié)果精度取決于以實驗方式測量的輸入數(shù)據(jù).針對上述問題,采用固-氣相燃燒耦合仿真的方式能夠有效予以解決[70],即爐排固相燃燒和燃燒室氣相燃燒的交互式耦合策略[80].基于FLIC 與FLUENT 相結(jié)合的耦合框架,Yang 等[81]分析水分含量和預(yù)熱空氣溫度對燃燒的影響,結(jié)果表明,當(dāng)水分含量大于35%時易出現(xiàn)低燃燒效率的運行工況;林海等[82]分析一次風(fēng)量分配和初始料層厚度對MSW 減重率和爐膛出口CO 濃度的影響;Costa 等[83]研究操作量與爐膛溫度、煙氣停留時間的關(guān)系,實驗獲得進(jìn)行NOx和DXN 排放控制的優(yōu)化工藝參數(shù).

上述成果為燃燒機(jī)理的可視化和量化提供支撐,也為控制與優(yōu)化研究提供了機(jī)理知識的支撐,具體而言:可用于輔助獲取MSWI 運行過程的先驗知識和控制器運行的邊界條件,可基于實際運行數(shù)據(jù)對工藝設(shè)計視角的數(shù)值仿真模型進(jìn)行誤差修正,可為進(jìn)行智能控制算法的研究提供非常態(tài)工況下的運行數(shù)據(jù)進(jìn)而輔助提升控制器的自適應(yīng)性,基于數(shù)值仿真數(shù)據(jù)提供機(jī)理數(shù)據(jù)以促進(jìn)被控對象模型逼近實際MSWI 過程特性,進(jìn)而輔助完成智能控制.

2.1.3 數(shù)據(jù)驅(qū)動的燃燒過程建模研究進(jìn)展

通常,面向具有機(jī)理難以精確描述、干擾不確定性大和工況波動頻繁等特性的復(fù)雜工業(yè)過程,利用蘊(yùn)含領(lǐng)域?qū)＜医?jīng)驗的數(shù)據(jù)構(gòu)建精準(zhǔn)被控對象模型是研究其智能控制的基礎(chǔ)[84-87].筆者將燃燒過程建模分為關(guān)鍵被控變量和擾動(輔助)變量兩部分.

1)關(guān)鍵被控變量建模

燃燒過程的關(guān)鍵被控變量是爐膛溫度、煙氣含氧量、蒸汽流量和燃燒線位置等.

a)多入單出(MISO)被控變量模型

爐膛溫度通常采用熱電偶檢測,是表征燃燒穩(wěn)定與否的重要參數(shù),也與污染物排放直接相關(guān)[88-89].建立面向控制的爐膛溫度模型是實現(xiàn)其穩(wěn)定控制和算法驗證的重要前提[90-91];已有數(shù)據(jù)驅(qū)動模型包括多模型智能組合[92]、TS 模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy neural networks,FNN)[93-94]和最小二乘-支持向量回歸(Least squares-support vactor regression,LSSVR)[95]等,但這些研究多針對較窄范圍的單工況進(jìn)行建模,其適應(yīng)性有待提高.

煙氣氧含量是過氧空氣系數(shù)的表征量,能夠在一定程度上表征燃燒狀態(tài)[96],其測量點通常安裝在余熱鍋爐出口(煙氣G1)和煙囪出口(煙氣G3)處,現(xiàn)有研究多聚焦于前者.目前,工業(yè)現(xiàn)場主要采用氧化鋯分析儀進(jìn)行檢測,軟儀表檢測僅有Sun 等[97]提出的基于權(quán)重主元分析(Principal component analysis,PCA)和改進(jìn)長短時記憶網(wǎng)絡(luò)(Long short term memory,LSTM)的模型,但建模精度還有待進(jìn)一步提高.因此,面向控制研究的煙氣含氧量模型還鮮有報道.

蒸汽流量作為燃燒過程調(diào)控的重點對象,是決定余熱回收效率和汽輪機(jī)發(fā)電量的關(guān)鍵變量[98],其通常采用流量計檢測,與軟儀表檢測模型相關(guān)的研究包括:Giantomassi 等[90]采用基于自適應(yīng)卡爾曼濾波參數(shù)更新的徑向基神經(jīng)網(wǎng)絡(luò)(Radial basis function,RBF),孫劍等[99]采用基于平均影響值算法進(jìn)行特征選擇的RBF,楊培培等[100]采用LSTM 等.

由上可知,上述研究均采用數(shù)據(jù)驅(qū)動方式構(gòu)建MISO 軟儀表/預(yù)測模型,并不是面向控制的被控對象建模.

b)多入多出(MIMO)被控變量模型

燃燒過程是典型的MIMO 系統(tǒng),并且操作變量與被控變量間耦合嚴(yán)重.針對上述問題,Leskens等[101]構(gòu)建面向煙氣含氧量和蒸汽流量的有源自回歸(Auto regressive with extra inputs,ARX)模型;進(jìn)一步,針對爐膛溫度、煙氣含氧量和蒸汽流量,Chen等[102]構(gòu)建基于權(quán)重自適應(yīng)粒子群優(yōu)化(Particle swarm optimization,PSO)的級聯(lián)傳函模型,Wang等[103]構(gòu)建隨機(jī)森林(Random forest,RF)和梯度提升決策樹(Gradient boosting decision tree,GBDT)混合集成模型,丁海旭等[44]構(gòu)建T-S FNN 模型等.上述成果雖為控制算法的研究提供了支撐,但模型精度有待提升,在多工況下的適應(yīng)性問題仍未解決.

針對燃燒線,Miyamoto 等[104]給出基于過程數(shù)據(jù)和火焰圖像的量化方法,但構(gòu)建操作變量與燃燒線間映射模型的研究還未見報道.因此,考慮燃燒過程的非線性和強(qiáng)耦合性,借鑒其他工業(yè)過程研究成果[105-106],構(gòu)建具有復(fù)雜工況適應(yīng)性的面向控制的MIMO 被控變量模型的研究仍有待深入.

2)輔助變量建模

除上述關(guān)鍵被控變量外,燃燒過程的穩(wěn)定還依賴于眾多輔助變量(擾動量或中間變量).此處僅關(guān)注MSW 熱值、料層厚度和燃燒線狀態(tài)檢測模型,其他與故障識別相關(guān)的研究見第2.4 節(jié).

a)MSW 熱值

MSW 熱值是關(guān)系燃燒過程穩(wěn)定與否的重要因素,直接影響操作策略選擇、是否添加輔助燃料及添加時的使用量和焚燒企業(yè)的設(shè)備運維、經(jīng)營管理及經(jīng)濟(jì)效益等方面[107-108].針對MSW 熱值難以直接檢測只能離線化驗的問題,陳亮等[109]和曾衛(wèi)東等[110]基于熱平衡機(jī)理進(jìn)行實時估算;Van Kessel 等[111]最早基于易采集過程數(shù)據(jù)構(gòu)建熱值軟儀表檢測模型,之后相繼出現(xiàn)了基于反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)[112-116]、L-M BPNN[117]、RBF[112]、自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive network basedfuzzy inference system,ANFIS)[112]和FNN[118]等模型;非神經(jīng)網(wǎng)絡(luò)模式的軟儀表模型包括支持向量機(jī)(Support vector machines,SVM)[119]、LS-SVM[120]和RF[119]等.同時,You 等[119]對基于人工神經(jīng)網(wǎng)絡(luò)(Artificial neuralnetwork,ANN)、ANFIS、SVM 和RF 的軟儀表模型的對比測試表明,ANFIS 性能最佳,RF 次之,最差為ANN;最近,文獻(xiàn)[121]提出基于深度學(xué)習(xí)與圖像識別的熱值實時檢測模型的設(shè)想.但是,用于構(gòu)建熱值軟測量模型的真值樣本存在獲取成本高、樣本稀疏、覆蓋工況范圍有限等問題,需結(jié)合建模數(shù)據(jù)特點提升泛化性能.

b)料層厚度

料層厚度隨燃燒過程的進(jìn)行而動態(tài)變化,與MSW 熱值和蒸汽流量緊密相關(guān),也可作為被控變量;多采用核儀表進(jìn)行直接檢測,但存在價格昂貴、維護(hù)困難和實用性差等問題.因料層厚度真值難以獲取,目前的軟儀表模型多從物理屬性視角出發(fā),利用風(fēng)壓、風(fēng)量、負(fù)壓和爐排面積等數(shù)據(jù)進(jìn)行間接動態(tài)計算[110,122-123].因此,如何實現(xiàn)更為精準(zhǔn)和經(jīng)濟(jì)的料層厚度實時在線檢測還有待進(jìn)一步研究.

c)燃燒狀態(tài)

燃燒狀態(tài)包括燃燒線位置與火焰面積、高度、亮度等關(guān)鍵特征信息[124],與MSW 的偏燒、局部燒穿以及爐膛內(nèi)的結(jié)焦、積灰、腐蝕等問題直接相關(guān)[104,125].目前,現(xiàn)場采用基于人工觀火孔直接識別和基于工業(yè)攝像機(jī)采集視頻憑經(jīng)驗或采用圖像處理間接識別2 種方式.Duan 等[126]構(gòu)建基于多尺度顏色矩特征和RF 的燃燒狀態(tài)識別模型,郭海濤等[127]提出基于生成對抗網(wǎng)絡(luò)混合增強(qiáng)的燃燒狀態(tài)識別策略,但上述方法僅關(guān)注基于燃燒線位置的火焰燃燒狀態(tài)識別,并不能完全表征燃燒狀態(tài).Han 等[128]提出基于半監(jiān)督策略能夠識別未知火焰燃燒狀態(tài)的模型.同時,針對燃燒火焰圖像與火焰溫度之間的關(guān)系,孫成永等[129]提出采用聲波發(fā)射溫度檢測方法重建火焰各區(qū)域溫度場的策略,實現(xiàn)了溫度監(jiān)測的可視化和數(shù)字化;Zheng 等[130]結(jié)合牛頓迭代法和Hottel發(fā)射率模型,建立多光譜火焰圖像與溫度間的關(guān)系模型.此外,Yan 等[131]和He 等[132]采用光譜儀檢測火焰構(gòu)建其特征與焚燒過程所排放堿性金屬濃度(鈉、鉀、銣)之間的映射模型;Zhou 等[133]基于蒙特卡羅和多成像角度進(jìn)行火焰溫度的三維可視化建模.上述研究多采用增加物理設(shè)備開展研究,同時未考慮依據(jù)工業(yè)流程特性的多模態(tài)數(shù)據(jù)進(jìn)行燃燒狀態(tài)識別.由上可知,如何基于多模態(tài)圖像檢測燃燒狀態(tài),并與過程數(shù)據(jù)進(jìn)行融合驗證的研究還有待深入.

2.2 燃燒過程控制研究

研究表明,實現(xiàn)MSWI 全流程穩(wěn)定運行的關(guān)鍵是焚燒爐[134].如何對工藝參數(shù)眾多、存在強(qiáng)耦合性和強(qiáng)非線性的燃燒過程進(jìn)行有效控制一直是工業(yè)界和學(xué)術(shù)界的核心研究問題之一.下文分別從工業(yè)現(xiàn)場和非現(xiàn)場控制的視角開展綜述,目的是使得工業(yè)應(yīng)用和學(xué)術(shù)研究的界限更為清晰,以填補(bǔ)兩者之間的鴻溝[135],進(jìn)而推進(jìn)后者轉(zhuǎn)向前者.

2.2.1 工業(yè)現(xiàn)場控制研究進(jìn)展

國外廣泛應(yīng)用的ACC 系統(tǒng)于1978 年由日本Takuma 公司研發(fā)并實際應(yīng)用[136],之后德、美等國家開始引進(jìn)并研發(fā)適用于本土的改進(jìn)版,至1985年其框架已逐漸完善.ACC 系統(tǒng)的核心是控制穩(wěn)定的爐膛溫度和蒸汽流量,其策略如圖4 所示.

圖4 典型ACC 控制策略Fig.4 Typical ACC control strategy

由圖4 可知,被控變量包括爐膛溫度、蒸汽流量、煙氣含氧量、料層厚度和燃燒線位置,操作(控制)變量包括一次風(fēng)量、二次風(fēng)量和各爐排速度,其核心理念是依據(jù)經(jīng)驗設(shè)定的MSW 消耗量、熱值和過量空氣系數(shù),根據(jù)被控變量的變化實時計算操作變量的輸出值[137-139],進(jìn)而實現(xiàn)以下目標(biāo):1)爐膛溫度大于850 ℃,高溫?zé)煔庠诖藴囟认峦Ａ舨簧儆趦擅?2)爐渣熱灼減率小于5%;3)產(chǎn)生穩(wěn)定的蒸汽流量;4)余熱鍋爐出口的煙氣含氧量維持在合理范圍內(nèi).

通常,在MSW 熱值穩(wěn)定和工況正常的情況下,上述ACC 系統(tǒng)能夠控制燃燒過程的自動運行[140].但是,在異常工況下,如因MSW 未能充分混合發(fā)酵而導(dǎo)致成分與熱值波動、蒸汽流量小于額定值且爐溫下降、蒸汽流量大于額定值且爐溫升高以及在焚燒設(shè)備檢修期間,均需要強(qiáng)人工干預(yù)才能實現(xiàn)燃燒過程的穩(wěn)定.因此,工業(yè)界進(jìn)行了針對性的改進(jìn)研究.

1)國外ACC 系統(tǒng)研究

Onishi[141]在ACC 系統(tǒng)上增加控制風(fēng)量和風(fēng)溫的模糊控制器,表明其魯棒性和控制效果更優(yōu);Schuler 等[142]采用紅外熱像儀替代熱電偶檢測爐膛溫度及其波動信息,有效改善ACC 系統(tǒng)微調(diào)過程的快速響應(yīng)性;Miyamoto 等[104,143]將利用神經(jīng)網(wǎng)絡(luò)建立的燃燒狀態(tài)識別模型作為系統(tǒng)的反饋信息,有效降低了CO 的排放濃度;隨后,Zipser 等[144]基于紅外圖像分析在線檢測MSW、煙氣和火焰的溫度信息,輔助燃燒控制;曾衛(wèi)東等[145]針對爐排翻動造成的爐膛負(fù)壓波動問題,采用基于濾波算法的控制方案保證其與爐膛溫度的穩(wěn)定.

2)國內(nèi)ACC 系統(tǒng)研究

許潤等[146]針對爐排爐設(shè)計蒸汽流量閉環(huán)控制策略以適應(yīng)MSW 熱值變化,在保證充分燃燒的基礎(chǔ)上,進(jìn)一步實現(xiàn)連續(xù)長期穩(wěn)定運行;王海強(qiáng)[147]在ACC 系統(tǒng)的基礎(chǔ)上,采用煙氣排放指標(biāo)的控制時段前移,將脫硝、石灰漿、排放因子等加入ACC 系統(tǒng)控制邏輯的策略,初步實現(xiàn)MSWI 過程的ACC系統(tǒng)的本土化改進(jìn).

3)非ACC 系統(tǒng)研究

此外,面向爐膛溫度控制,Ono 等[148]提出將模糊控制規(guī)則應(yīng)用于日本某MSWI 電廠,沈凱等[149]將領(lǐng)域工程師經(jīng)驗歸納總結(jié)為模糊控制規(guī)則應(yīng)用于深圳某MSWI 電廠,Carrasco 等[150]面向西班牙某MSWI 電廠開發(fā)基于專家規(guī)則的燃燒控制系統(tǒng).然而,基于規(guī)則的控制系統(tǒng)在工況波動頻繁的過程中難以穩(wěn)定運行.

盡管引進(jìn)ACC 系統(tǒng)已在國內(nèi)歷經(jīng)多年的工業(yè)應(yīng)用,但目前實際MSWI 電廠的控制仍基本停留在基礎(chǔ)控制水平,尤其在引進(jìn)系統(tǒng)的部分檢測儀表和設(shè)備損壞的情況下,更多的是以依賴領(lǐng)域?qū)＜覒{經(jīng)驗的手動控制模式運行,這顯然不能實現(xiàn)長期的穩(wěn)定優(yōu)化運行狀態(tài).因此,在缺少相關(guān)積累和國外公司封鎖相關(guān)技術(shù)的背景下以及已經(jīng)具有多年實際摸索經(jīng)驗的基礎(chǔ)上,需要研究擁有我國本土化特色的工業(yè)現(xiàn)場智能控制模式.

2.2.2 非現(xiàn)場控制研究進(jìn)展

在20 世紀(jì)末后,發(fā)達(dá)國家開始采用環(huán)保政策限制MSWI 電廠的污染排放[136],隨之其控制目標(biāo)變更為:1)爐膛溫度大于850 ℃且穩(wěn)定;2)爐膛保持均勻穩(wěn)定的熱能輸出;3)余熱鍋爐出口煙氣含氧量穩(wěn)定.顯然,當(dāng)且僅當(dāng)運行在爐膛溫度、蒸汽流量和煙氣含氧量的穩(wěn)態(tài)點時才能實現(xiàn)上述控制目標(biāo).為滿足實際需求,學(xué)術(shù)界針對關(guān)鍵被控變量從SISO和MIMO 視角展開了大量研究.

1)SISO 控制

a)爐膛溫度控制

針對爐膛溫度的穩(wěn)定控制問題,國外相關(guān)研究報道較少,僅有Krause 等[151]在分析模糊規(guī)則控制器在德國某MSWI 電廠應(yīng)用中存在的局限性后,提出神經(jīng)網(wǎng)絡(luò)模糊控制器,但未仿真測試其效果.由于國內(nèi)引進(jìn)系統(tǒng)普遍出現(xiàn)“水土不服”的現(xiàn)象,研究學(xué)者對此開展了大量研究.在模糊控制方面,錢大群等[140]采用BPNN 構(gòu)建MSW 含水量估計模型,并對基于模糊規(guī)則的推料器控制進(jìn)行補(bǔ)償;隨后,沈凱等[152-153]提出具有自調(diào)整因子的模糊規(guī)則控制,仿真表明其能穩(wěn)定控制爐膛溫度;在文獻(xiàn)[149]的基礎(chǔ)上,昌鵬等[154]設(shè)計具有加權(quán)自適應(yīng)因子的模糊規(guī)則控制器,結(jié)果表明其具有良好的控制效果;考慮工程應(yīng)用中的實時性需求和計算內(nèi)存消耗等實際問題,王毅等[155]提出具有優(yōu)化量化因子和自整定比例因子的分層模糊規(guī)則控制策略,特點是可根據(jù)工況選擇修正因子;在文獻(xiàn)[151]的基礎(chǔ)上,胡興武等[156]提出T-S 模糊神經(jīng)網(wǎng)絡(luò)控制器,表明其響應(yīng)速度更快、控制精度更高;在傳統(tǒng)比例積分微分(Proportional integral differential,PID)控制的基礎(chǔ)上,代啟化等[157]提出模糊自適應(yīng)PID 控制以增強(qiáng)系統(tǒng)的抗干擾能力、靈活性和適應(yīng)性,何海軍等[158]提出基于RBF 的PID 參數(shù)動態(tài)調(diào)整策略以抑制擾動;此外,Ni 等[159]、肖前軍等[160]和Wu 等[161]提出仿人智能控制(Human simulated intelligent controller,HSIC)策略,即在控制與結(jié)構(gòu)方面模擬領(lǐng)域?qū)＜业恼J(rèn)知機(jī)制與操作行為,在此基礎(chǔ)上,巫茜[162]提出了基于PSO 算法改進(jìn)的HSIC 溫度控制算法.上述面向爐膛溫度的SISO 控制研究,均取得了令人滿意的結(jié)果,但其控制器的控制量單一,導(dǎo)致其難以切合實際和實現(xiàn)工程上的應(yīng)用.

b)煙氣含氧量控制

針對煙氣含氧量的穩(wěn)定控制問題,目前僅有孫劍等[163]提出的基于模糊C 均值的RBF 神經(jīng)網(wǎng)絡(luò)自適應(yīng)模型預(yù)測控制,在分析控制系統(tǒng)的穩(wěn)定性后仿真驗證了有效性.

c)蒸汽流量控制

針對蒸汽流量的穩(wěn)定控制問題,國內(nèi)僅見Chen等[164]和Yang 等[165]以爐排速度為操作量采用模糊規(guī)則控制器的仿真研究,表明能顯著降低因異常工況而導(dǎo)致的蒸汽流量波動問題.隨后,國外Watanabe 等[166]采用固定時間周期(包含前饋、暫停、反饋和等待4 個階段)窗口的反饋控制策略實現(xiàn)穩(wěn)定控制;進(jìn)一步,Annunziato 等[167]提出綜合模糊邏輯、神經(jīng)網(wǎng)絡(luò)和進(jìn)化計算的控制策略,驗證表明其不但有效而且有助于降低污染物排放;此外,Falconi 等[168]提出基于線性二次型調(diào)節(jié)器的穩(wěn)定閉環(huán)控制系統(tǒng),并通過仿真實驗驗證了有效性.

2)MIMO 控制

a)雙入雙出控制

針對蒸汽流量和煙氣含氧量的同時控制問題,Leskens 等[169]提出線性模型預(yù)測控制(Linear model predictive control,LMPC)策略,表明操作變量與被控變量的誤差均優(yōu)于傳統(tǒng)燃燒控制系統(tǒng);針對強(qiáng)非線性特性導(dǎo)致LMPC 策略難以獲得最優(yōu)控制效果的問題,Leskens 等[170-171]提出非線性模型預(yù)測控制(Nonlinear model predictive control,NMPC)策略,通過滾動時域估計最優(yōu)布風(fēng)量與布料量;此外,Leskens 等[172]提出將2 個控制回路的部分進(jìn)行耦合控制的PID 控制策略,結(jié)果表明能有效改善設(shè)定點跟蹤特性,顯著改善企業(yè)經(jīng)濟(jì)效益.

針對爐膛溫度與煙氣含氧量的同時控制問題,丁海旭等[173]提出基于多任務(wù)學(xué)習(xí)的自組織模糊神經(jīng)網(wǎng)絡(luò)控制器,但適用工況較為單一;針對爐膛溫度、蒸汽流量和過熱器溫度的同時控制問題,Chang等[174]提出采用遺傳算法確定全局最優(yōu)模糊規(guī)則的遺傳模糊控制邏輯器;在此基礎(chǔ)上,Chen 等[175]利用神經(jīng)網(wǎng)絡(luò)調(diào)整模糊控制規(guī)則及相關(guān)參數(shù)以獲得更優(yōu)的模糊規(guī)則庫,結(jié)果表明均能實現(xiàn)穩(wěn)定控制.

在蒸汽流量、煙氣含氧量以及過熱器溫度的控制問題上,國內(nèi)暫無相關(guān)研究報道.國內(nèi)研究主要偏向于爐膛溫度和蒸汽流量的穩(wěn)定控制問題,肖會芹[176]提出將蒸汽流量粗調(diào)和爐溫偏差細(xì)調(diào)相結(jié)合的自適應(yīng)模糊控制,即分別采用模糊PID 和基于PSO優(yōu)化的模糊規(guī)則控制器;在此基礎(chǔ)上,湛騰西[177]采用神經(jīng)網(wǎng)絡(luò)PID 控制器取代模糊規(guī)則控制器改進(jìn)溫度回路,實驗結(jié)果表明上述方法均能實現(xiàn)穩(wěn)定控制.

b)三入三出控制

針對爐膛溫度、蒸汽流量和煙氣含氧量3 個主要被控變量,Ding 等[178]提出基于準(zhǔn)對角遞歸神經(jīng)網(wǎng)絡(luò)的多回路PID 控制策略,能夠根據(jù)誤差信號進(jìn)行控制器參數(shù)的自適應(yīng)調(diào)整,仿真驗證了有效性.但上述研究適用工況較為單一,普適性有待增強(qiáng).

由上述研究可知,工業(yè)界和學(xué)術(shù)界的研究著重點存在差異性.國際自動控制聯(lián)合會(International Federation of Automatic Control,IFAC)的綜述表明,解決上述問題需要以團(tuán)隊為單位,在熟悉工業(yè)現(xiàn)場和掌握控制理論與算法的基礎(chǔ)上進(jìn)行研究[135].顯然,如何進(jìn)行更加深入的學(xué)術(shù)研究增加其普適性和應(yīng)用性以趨向于工業(yè)界,還是有待解決的難點問題.

2.3 運行指標(biāo)建模與預(yù)測研究

智能優(yōu)化控制的目標(biāo)是在保證MSWI 過程安全穩(wěn)定運行的條件下,在運行指標(biāo)控制在工藝要求的目標(biāo)值范圍內(nèi)的前提下,確保環(huán)保指標(biāo)(降低固、液、氣態(tài)污染物和溫室氣體排放濃度)達(dá)標(biāo)、提高產(chǎn)品指標(biāo)(降低爐渣熱灼減率和飛灰產(chǎn)量,提高燃燒效率和有機(jī)物脫除率)和經(jīng)濟(jì)指標(biāo)(降低MSW 處理費用、提高上網(wǎng)發(fā)電量).顯然,實現(xiàn)上述目標(biāo)的關(guān)鍵之一是實現(xiàn)運行指標(biāo)參數(shù)的實時檢測與預(yù)測.

2.3.1 環(huán)保指標(biāo)

顆粒物與NOx、SO2、HCl、HF 等酸性氣體和CO2的排放濃度可通過CEMS 系統(tǒng)實現(xiàn)在線檢測,重金屬和DXN、VOCs 等有機(jī)污染物的排放濃度主要依靠在實驗室內(nèi)以離線化驗的方式實現(xiàn)[33].

1)NOx 排放

針對可在線檢測的環(huán)保指標(biāo),考慮到CEMS 系統(tǒng)的可靠性和實現(xiàn)智能優(yōu)化控制的需求,有必要構(gòu)建其預(yù)測模型.Matsumura 等[179-180]首次提出采用系統(tǒng)辨識構(gòu)建NOx排放軟儀表模型,并將其輸出作為控制NH3注入量的反饋信號.此外,Huselstein 等[181]采用連續(xù)時間系統(tǒng)辨識[182]構(gòu)建以煙氣含氧量和二次風(fēng)量為輸入的NOx排放多傳函模型,并分析風(fēng)量、進(jìn)料量等操作變量對NOx排放的影響.隨后,眾多研究學(xué)者采用機(jī)器學(xué)習(xí)算法構(gòu)建NOx排放預(yù)測模型,例如,張東平等[183]采用BPNN,段滈杉等[184]采用并行模塊化RBF,Meng 等[185]采用串行模塊化RBF 和Duan 等[186]采用模塊化LSTM等,上述模型的實際工程應(yīng)用驗證還有待進(jìn)行.

2)其他常規(guī)污染物排放

針對SO2,Li 等[187]基于LSTM 構(gòu)建預(yù)測模型.上述基于機(jī)器學(xué)習(xí)的預(yù)測模型均能在特定場景下實現(xiàn)環(huán)保指標(biāo)的有效預(yù)測.面向顆粒物、HCl 和HF等酸性氣體的預(yù)測模型目前還未見報道[188],現(xiàn)有研究多采用流體動力學(xué)等軟件進(jìn)行數(shù)值仿真[189-190],目的是為優(yōu)化工藝設(shè)計和進(jìn)行機(jī)理分析提供支撐.特別地,面向MSWI 過程碳排放的研究還未見文獻(xiàn)報道.

3)DXN 排放

針對不可在線檢測的環(huán)保指標(biāo),本文僅針對引起焚燒建廠“鄰避效應(yīng)”的DXN[191-192]進(jìn)行綜述.從產(chǎn)生機(jī)理上,DXN 的生成、分解、再合成和吸附等反應(yīng)分布于MSWI 全流程,相應(yīng)地物理化學(xué)反應(yīng)均在短時間內(nèi)發(fā)生,存在至今仍未能夠合理闡釋的“記憶效應(yīng)”[193].從現(xiàn)場采樣和實驗室檢樣所耗費的時間、人力和經(jīng)濟(jì)成本上,獲取完備建模樣本存在極大困難.

從智能優(yōu)化控制需求的視角,根據(jù)研究工作的時間線本文將DXN 在線建模與預(yù)測(有關(guān)離線檢測和在線間接檢測的研究詳見文獻(xiàn)[2])分為基于線性回歸分析(主要集中在國外)、基于經(jīng)典機(jī)器學(xué)習(xí)(國內(nèi)外均有涉及)和基于深度學(xué)習(xí)(主要集中在國內(nèi))3 類.1)基于線性回歸分析,Hasberg 等[194]建立煙氣溫度和CO 濃度與DXN 濃度間的映射關(guān)系;Chang 等[195]建立多元線性回歸分析模型,表明在煙氣含氧量為7%時DXN 濃度與燃燒室溫度和CO濃度間呈現(xiàn)線性映射關(guān)系,在此基礎(chǔ)上,建立DXN濃度與煙氣流量、爐膛溫度、操作變量之間的線性映射模型;此外,Ishikawa 等[196]通過回歸分析實際測試數(shù)據(jù)建立煙氣含氧量、一次風(fēng)量占比以及總風(fēng)量與DXN 濃度間的線性模型.上述線性模型難以表征輸入輸出之間的非線性關(guān)系.2)基于經(jīng)典機(jī)器學(xué)習(xí),采用神經(jīng)網(wǎng)絡(luò)算法的研究包括采用遺傳規(guī)劃進(jìn)行參數(shù)辨識的BPNN[197]、基于遺傳算法優(yōu)化參數(shù)的BPNN[198]、相關(guān)性分析和PCA 選擇特征的BPNN[99]、進(jìn)化算法優(yōu)化的隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)(Random weight neural network,RWNN)[199]、虛擬樣本生成與優(yōu)化選擇的RWNN[200-201]等模型,采用SVR 算法的研究包括基于機(jī)理選擇特征SVR[202]、超參數(shù)自適應(yīng)選擇性集成SVR[203]、基于PCA 分區(qū)域提取和選擇潛在特征的選擇性集成SVR[204]等模型,采用偏最小二乘(Partial least squares,PLS)算法的研究包括基于多層特征選擇的PLS[205]和基于選擇性集成的核PLS [206]等模型,以決策樹算法為基學(xué)習(xí)器的研究包括基于RF 和GBDT 的混合集成[207]和基于樣本遷移學(xué)習(xí)的RF[208]等模型.上述經(jīng)典機(jī)器學(xué)習(xí)模型針對特征的學(xué)習(xí)能力還有待進(jìn)一步加強(qiáng).3)基于深度學(xué)習(xí),包括可微分和不可微分深度學(xué)習(xí)2 種[209],其中:可微分深度學(xué)習(xí)指深度神經(jīng)網(wǎng)絡(luò)類方法,如基于改進(jìn)深度信念網(wǎng)絡(luò)模型[210];不可微分深度學(xué)習(xí)指以決策樹為基學(xué)習(xí)器的深度集成類方法[209,211],包括深度森林回歸(Deep forest regression,DFR)[212]、級聯(lián)全聯(lián)接DFR[213]、基于PCA 特征提取的DFR[214]、改進(jìn)DFR[5]、半監(jiān)督DFR[215]等模型.上述深度學(xué)習(xí)模型的訓(xùn)練成本以及可解釋性都是未解決的難題.目前國內(nèi)研究主要針對G3 煙氣位置的DXN 濃度構(gòu)建模型,存在以下共性問題:1)建模樣本稀少,模型性能提升受限;2)結(jié)合MSWI 過程工藝與DXN 機(jī)理特性的研究缺失;3)現(xiàn)有模型難以全面從生成機(jī)理上支撐DXN 減排控制.

綜上,面向MSWI 過程環(huán)保指標(biāo)建模與預(yù)測工藝控制的研究需要依據(jù)不同指標(biāo)的特性進(jìn)行深入探索.

2.3.2 產(chǎn)品指標(biāo)

MSWI 過程的產(chǎn)品指標(biāo)與選礦、石化等流程工業(yè)存在顯著區(qū)別,即前者不具有商品屬性[216].本文從控制科學(xué)的研究視角,將MSWI 過程的產(chǎn)品指標(biāo)確定為飛灰產(chǎn)量、爐渣熱灼減率和燃燒效率.

1)飛灰產(chǎn)量

MSWI 過程產(chǎn)生的飛灰來源于MSW 燃燒、除酸性氣體產(chǎn)生的顆粒物和吸附DXN 和重金屬后的活性炭[217-218]等,對人類和生態(tài)環(huán)境的可持續(xù)發(fā)展存在巨大的潛在危害性[219].鑒于目前空氣污染控制設(shè)備(Air pollution control devices,APCDs)技術(shù)的局限性和環(huán)保排放政策的日趨縮緊性,加之飛灰產(chǎn)量難以有效控制,使得工業(yè)界和學(xué)術(shù)界的研究焦點主要集中在飛灰無害化處理[220-221]和資源化利用[222-223]等方面[224].因此,面向飛灰產(chǎn)量的建模、預(yù)測和智能優(yōu)化控制方面的研究仍是待解決的挑戰(zhàn)性問題.

2)爐渣熱灼減率

爐渣熱灼減率指爐渣經(jīng)灼燒后減少的質(zhì)量占原爐渣質(zhì)量的百分?jǐn)?shù),是評價焚燒效果和MSW 減容率的重要指標(biāo)[225],國家相關(guān)標(biāo)準(zhǔn)規(guī)定其上限是5%.目前,爐渣熱灼減率采用現(xiàn)場采樣、運輸送樣以及實驗室內(nèi)采用稱量、烘干、灼燒、冷卻和分析等步驟檢樣的離線檢測模式[226].對此,羅建明等[227]研制了爐渣熱灼減率在線檢測設(shè)備,但惡劣的工作環(huán)境導(dǎo)致其難以長周期的穩(wěn)定運行;孫佛芹等[228]將爐渣外貌特征與其熱灼減率進(jìn)行關(guān)聯(lián),但未構(gòu)建相應(yīng)的映射模型.上述研究為爐渣熱灼減率的在線可靠檢測提供了初步探索思路.目前,針對爐渣熱灼減率的工藝控制是從專家經(jīng)驗視角提供操作策略,如增加在爐排上的燃燒時間和采用富氧燃燒[229-230]等.

3)燃燒效率

燃燒效率是指表征燃料燃燒時加熱燃燒產(chǎn)物的熱量與該燃料在絕熱條件下完全燃燒時所釋出的低位發(fā)熱量之比.目前針對MSWI 過程的有關(guān)燃燒效率的研究暫無報道.危險廢物焚燒污染控制標(biāo)準(zhǔn)(GB 18484-2020 和GB 18484-2020)給出的定義為:煙道排出氣體中CO2濃度與CO2和CO 濃度之和的百分比.針對燃煤與其他可燃物的摻燒研究[231-232]表明,燃燒效率指標(biāo)能夠定量評價燃燒狀態(tài).通常,該指標(biāo)越高越好,但其與CO 濃度和碳減排指標(biāo)相矛盾,因此需要進(jìn)行多目標(biāo)優(yōu)化研究.

綜上可知,國內(nèi)外未見利用產(chǎn)品指標(biāo)開展MSWI智能優(yōu)化控制研究的相關(guān)報道.理論上,產(chǎn)品指標(biāo)的優(yōu)化控制能夠降低MSWI 電廠的運行成本,是MSWI 過程持續(xù)化發(fā)展的必經(jīng)之路.

2.3.3 經(jīng)濟(jì)指標(biāo)

通常,MSWI 電廠的經(jīng)濟(jì)收益主要源于MSW處理費和上網(wǎng)發(fā)電量.鑒于MSWI 過程的固有環(huán)保屬性,其額定處理量和汽輪機(jī)發(fā)電量在工藝上是相對固定的,因此在實際運行中應(yīng)保持工藝上限值以確保最佳收益.一般而言,典型MSWI 電廠的發(fā)電量約為0.3～0.7 MWh/t[233].在正常運行條件下,確保發(fā)電量接近工藝上限目標(biāo)值的變化情況包括:1)MSW 熱值高,處理量下降;2)MSW 熱值適中,處理量增加;3)MSW 熱值低,MSW 處理量顯著增加.考慮工藝上的局限性,在MSW 處理量增大時需要降低發(fā)電效率,而此時的熱交換效率和燃燒效率反而增大,這就需要將額外增加的熱能用于一、二次風(fēng)加熱和其他需要熱能的環(huán)節(jié),以便實現(xiàn)能量的最大化利用.因此,在進(jìn)行面向MSWI 過程的智能優(yōu)化控制研究時,需要對上述經(jīng)濟(jì)指標(biāo)進(jìn)行轉(zhuǎn)換.目前,針對該方面進(jìn)行建模與預(yù)測的研究還未見報道.

2.4 運行監(jiān)控與故障識別研究

目前,MSWI 電廠現(xiàn)場故障檢測是在分散控制系統(tǒng)(Distributed control system,DCS)監(jiān)測過程數(shù)據(jù)、工業(yè)攝像機(jī)監(jiān)測爐內(nèi)火焰以及運維人員定期人工巡檢提供現(xiàn)場信息的基礎(chǔ)上,由領(lǐng)域?qū)＜覒{經(jīng)驗進(jìn)行診斷.因此,存在以下問題:1)DCS 高度集成的眾多設(shè)備所蘊(yùn)含信息頻繁變化,異常工況報警功能僅依據(jù)所采集數(shù)據(jù)是否超過限制值觸發(fā),易造成誤報且難以溯源;2)燃燒過程的高溫、強(qiáng)光現(xiàn)象以及其所產(chǎn)生的熔融態(tài)物質(zhì)導(dǎo)致工業(yè)攝像機(jī)并不能完全捕捉清晰的燃燒畫面,這使得操作工程師難以做出良好決策,而非精準(zhǔn)的決策失誤極易引發(fā)工況波動;3)巡檢工程師在高溫和大噪聲環(huán)境下依靠聽視覺感知MSWI 過程運行狀態(tài)的模式僅能判斷設(shè)備是否正常,卻難以保證其優(yōu)化運行.由此可知,領(lǐng)域?qū)＜覒{經(jīng)驗在現(xiàn)場進(jìn)行故障監(jiān)測的模式存在次優(yōu)性、滯后性和主觀性等問題,難以確保MSWI 過程的安全性、穩(wěn)定性和最優(yōu)運行.

1)定性檢測

20 世紀(jì)90 年代起,國外研究學(xué)者開始探索將計算機(jī)和人工智能技術(shù)用于MSWI 過程的故障診斷,輔助領(lǐng)域?qū)＜疫M(jìn)行決策.針對焚燒系統(tǒng)和鍋爐系統(tǒng),Ono[234]研制用于MSWI 電廠的模糊專家故障推理系統(tǒng),能夠在DCS 系統(tǒng)設(shè)定的報警限內(nèi)和限外進(jìn)行征兆分析與預(yù)警和故障報警、分析與識別.隨后,國內(nèi)在故障的定性檢測問題上開展大量研究,例如,針對尾氣排放和蒸汽流量異常,Chen等[235]基于聚類分析、神經(jīng)網(wǎng)絡(luò)和Monte Carlo 統(tǒng)計進(jìn)行在線診斷.針對MSW 局部燒穿、排渣不暢和爐內(nèi)結(jié)焦等故障,陶懷志等[236]基于工藝分析和歷史經(jīng)驗構(gòu)建故障樹后再采用規(guī)則推理專家系統(tǒng)進(jìn)行檢測,實驗表明其正確率可達(dá)到90%;同時,陶懷志等[237]采用BPNN 集成建模策略對排渣不暢和結(jié)焦故障進(jìn)行診斷.針對燃燒狀態(tài)識別,周志成[238]構(gòu)建基于BPNN的診斷模型,其正確率高達(dá)99%,但存在易過擬合、對訓(xùn)練樣本要求高等問題.此外,針對過熱器與省煤器漏水、水平煙道積灰與結(jié)渣、爐膛結(jié)焦和排渣不暢等故障,Ding 等[239]構(gòu)建基于RWNN 相似度檢索的案例推理模型,實驗表明性能良好.但是,上述方法在本質(zhì)上均為構(gòu)建分類器模型,僅能判斷是否發(fā)生故障,不能進(jìn)行故障的量化與定位.

2)定量檢測

基于現(xiàn)場數(shù)據(jù)進(jìn)行故障定量檢測的多元統(tǒng)計過程監(jiān)控(Multivariate statistical process monitoring,MSPM)技術(shù)已受到工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注[240-242],其基本策略為:首先,利用正常工況數(shù)據(jù)建立潛結(jié)構(gòu)模型;接著,將采集的高維變量投影至低維空間;然后,通過比較統(tǒng)計指標(biāo)(例如平方預(yù)測誤差(Squared prediction error,SPE)和Hotelling'sT2統(tǒng)計量)是否超過其控制限以確定是否發(fā)生故障及發(fā)生故障時的程度;最后,通過數(shù)據(jù)重構(gòu)進(jìn)行故障定位.Zhao 等[243]首次采用PCA 與規(guī)則推理進(jìn)行焚燒爐故障的定量檢測,結(jié)果表明能夠有效降低故障誤報率.Tavares 等[244]對比基于PCA和PLS 的故障診斷,結(jié)果表明不但性能較佳而且不同的統(tǒng)計指標(biāo)均能夠有效定位故障.面向MSWI 過程的故障定量檢測研究較少,僅采用線性PCA/PLS方法.顯然,MSWI 過程的動態(tài)、非線性、多尺度、多模態(tài)等特性對MSPM 的理論和應(yīng)用研究均提出了新挑戰(zhàn).

2.5 操作變量(控制變量)優(yōu)化研究

目前針對MSWI 過程的主要被控變量(爐膛溫度、煙氣含氧量、蒸汽流量、燃燒線等)的設(shè)定值進(jìn)行優(yōu)化的研究還未見報道,已有研究多聚集于面向“布風(fēng)布料”的操作變量(控制變量)設(shè)定值的優(yōu)化[245].為實現(xiàn)MSWI 過程智能優(yōu)化控制,上述兩種視角的目標(biāo)均是在滿足多種等式及不等式約束的條件下,實現(xiàn)最小化尾氣排放指標(biāo)、最大化燃燒效率、最小化物料消耗等經(jīng)濟(jì)指標(biāo)以及優(yōu)化其他相關(guān)產(chǎn)品指標(biāo).因此,MSWI 過程操作變量的優(yōu)化設(shè)定需要采用智能優(yōu)化算法對多沖突目標(biāo)進(jìn)行尋優(yōu).

國外進(jìn)行了面向燃燒過程進(jìn)料量的優(yōu)化設(shè)定研究,例如Anderson 等[246]采用多目標(biāo)進(jìn)化算法進(jìn)行最優(yōu)設(shè)定值搜索,結(jié)果表明能夠有效確保最大化的進(jìn)料量和最小化的灰分碳含量的目標(biāo).目前,國內(nèi)研究主要偏向于燃燒過程的燃燒風(fēng)量優(yōu)化設(shè)定,例如:夏恒[245]基于領(lǐng)域?qū)＜抑R采用案例推理對其進(jìn)行智能設(shè)定;在該研究的基礎(chǔ)上,丁晨曦等[247]進(jìn)一步對二次風(fēng)量進(jìn)行智能補(bǔ)償,實現(xiàn)了二次風(fēng)量的優(yōu)化設(shè)定.但是,案例推理智能設(shè)定的核心思想是基于專家經(jīng)驗的重用,優(yōu)點是設(shè)定結(jié)果符合經(jīng)驗認(rèn)知,缺點是范圍受限難以尋找最優(yōu)設(shè)定值.最近,喬俊飛等[248]提出基于分階段多目標(biāo)PSO 算法的一/二次風(fēng)量優(yōu)化設(shè)定算法,基于實際現(xiàn)場數(shù)據(jù)進(jìn)行了算法驗證,結(jié)果表明具有較強(qiáng)的全局尋優(yōu)能力和魯棒性,為后續(xù)研究提供了支撐.上述針對操作變量的優(yōu)化設(shè)定,在針對單穩(wěn)定工況時具有較好的優(yōu)化效果,但存在未考慮具有多工況適應(yīng)性的“布風(fēng)布料”優(yōu)化以及多類型的優(yōu)化目標(biāo),也未結(jié)合MSWI 過程的多模態(tài)數(shù)據(jù)等問題.

由上可知,面向被控變量進(jìn)行優(yōu)化的研究在國內(nèi)外還暫無報道.顯然,該方向還有待于深入,尤其是在多沖突目標(biāo)與多被控變量優(yōu)化設(shè)定、多模態(tài)數(shù)據(jù)驅(qū)動的全流程運行指標(biāo)優(yōu)化設(shè)定等方面是未來面向MSWI 過程特性進(jìn)行優(yōu)化研究的挑戰(zhàn)性問題.

2.6 算法仿真驗證平臺研究

工業(yè)過程智能優(yōu)化控制算法的驗證分為離線實驗室仿真實驗和在線現(xiàn)場應(yīng)用調(diào)試2 個部分.智能優(yōu)化控制算法需要通過接近工業(yè)現(xiàn)場的仿真環(huán)境進(jìn)行性能測試和評估,提高算法與實際工業(yè)的契合度,促進(jìn)學(xué)術(shù)界與工業(yè)界的聯(lián)合以使得研究成果落地.基于上述考慮,湯健等[47]提出由真實生產(chǎn)過程控制系統(tǒng)和虛擬過程控制對象組成的復(fù)雜工業(yè)過程半實物仿真實驗平臺,為純軟件仿真和工業(yè)試驗搭建橋梁,為智能算法的驗證測試提供近實際系統(tǒng)的仿真環(huán)境.

為搭建面向國內(nèi)MSWI 過程的仿真平臺,嚴(yán)愛軍等[249]開發(fā)由真實設(shè)備層和虛擬對象層組成的監(jiān)控半實物平臺.進(jìn)一步,王天崢等[250]建立多回路控制虛擬對象模型和開發(fā)多回路控制軟件系統(tǒng)以完善半實物平臺.上述研究雖為控制算法的應(yīng)用驗證提供了支撐環(huán)境,但在精準(zhǔn)模型構(gòu)建、智能控制算法開發(fā)等方面的研究仍有待深入,并且還未實現(xiàn)考慮工業(yè)現(xiàn)場不允許外部系統(tǒng)接入等限制條件下的閉環(huán)智能優(yōu)化控制平臺的搭建.進(jìn)一步,面向多模態(tài)模型構(gòu)建與驗證中存在的采樣難、同步難、匹配難等問題,王天崢等[251]研制能夠同步多模態(tài)歷史數(shù)據(jù)的建模與驗證平臺,但其仍需結(jié)合半實物智能優(yōu)化控制仿真平臺進(jìn)一步完善.

上述研究成果為智能優(yōu)化控制算法提供可靠的工程化驗證環(huán)境,但針對MSWI 電廠的安全性要求,如何實現(xiàn)上述平臺與實際工業(yè)過程無縫交互對接的研究還有待深入.此外,MSWI 過程的數(shù)字孿生平臺也是未來研究需要關(guān)注的.

基于上述分析與討論,面向MSWI 過程的研究成果歸納總結(jié)為附錄A.

3 MSWI 過程智能優(yōu)化控制討論與分析

3.1 MSWI 過程智能優(yōu)化控制的必要性

針對我國MSWI 電廠,體量視角而言其占比已遠(yuǎn)超國際平均水平,質(zhì)量視角而言通過工藝本土化和設(shè)備改造等創(chuàng)新,尾氣排放和余熱利用等指標(biāo)已達(dá)到國際先進(jìn)水平[252].但是,未來發(fā)展依舊面臨著MSW 成分復(fù)雜、隨季節(jié)與區(qū)域波動和發(fā)酵程度不均勻等特性,MSW 熱值、燃燒線、料層厚度、熱灼減率和DXN 排放濃度等工藝參數(shù)和運行指標(biāo)難以實時檢測與準(zhǔn)確預(yù)測,燃燒狀態(tài)不穩(wěn)定、燃燒線未實現(xiàn)量化以支撐反饋控制等因素導(dǎo)致污染排放波動大,焚燒企業(yè)為確保排放達(dá)標(biāo)采用爐溫超高位運行導(dǎo)致維修和故障頻繁,以及故障檢測與診斷嚴(yán)重依賴于領(lǐng)域?qū)＜业戎T多問題.此外,政府和民眾對環(huán)保排放的監(jiān)管力度日益增大.

目前MSWI 過程的控制主要依賴于多個專業(yè)崗位上的領(lǐng)域工程師,通過個體分工與群體決策機(jī)制借助DCS 系統(tǒng)的基礎(chǔ)回路控制和邏輯控制,憑借經(jīng)驗以先進(jìn)行感知與預(yù)判后再進(jìn)行協(xié)調(diào)與溝通的不間斷工作模式實現(xiàn)在線運維與運行優(yōu)化.顯然,這種人工結(jié)合DCS 的運行模式難以及時準(zhǔn)確地以最優(yōu)策略進(jìn)行異常工況的預(yù)測、判斷與處理,難以決策得到最優(yōu)運行指標(biāo)的目標(biāo)值,尤其是當(dāng)運行工況發(fā)生變化時,更是難以有效保障MSWI 過程長時間運行在安全與優(yōu)化狀態(tài).顯然,亟需通過智能優(yōu)化控制技術(shù)實現(xiàn)MSWI 過程的智慧化、低碳化、無害化、高效化和盈利化的可持續(xù)發(fā)展[2],提高余熱鍋爐系統(tǒng)能源利用效率和煙氣凈化系統(tǒng)材料回收效率,同時保持甚至降低運維成本,進(jìn)而實現(xiàn)企業(yè)利潤最大化和污染物排放最小化.此外,通常新的智能優(yōu)化控制技術(shù)與工業(yè)過程的融合均需要在小試、中試和應(yīng)試等多個步驟與環(huán)節(jié)下進(jìn)行測試評估[253-254].因此,對于安全性要求較高的MSWI 過程而言,迫切需要搭建半實物數(shù)字孿生平臺實現(xiàn)對實際過程的虛擬數(shù)字仿真和半實物仿真,進(jìn)行雙向映射和信息交換以進(jìn)行算法驗證.

綜上可知,目前諸多因素導(dǎo)致國內(nèi)MSWI 運行不穩(wěn)定.針對具體特定的突發(fā)狀況,雖然國內(nèi)MSWI電廠均能采用輔助技術(shù)或應(yīng)急預(yù)案予以處理,但燃燒過程依然會存在難以預(yù)料的困難并為后續(xù)運行造成隱患.智能化是利用新一代信息技術(shù)實現(xiàn)人機(jī)交互式的智能控制、智能運維、智能應(yīng)急與巡檢,輔助領(lǐng)域?qū)＜抑腔刍\營MSWI 電廠.顯然,智能化是MSWI 企業(yè)運營和發(fā)展的必由之路,通過智能化技術(shù)實現(xiàn)全流程優(yōu)化控制,減少領(lǐng)域工程師95%以上的手工操作,是持續(xù)化發(fā)展的必然要求,這對未來的智能優(yōu)化控制研究提出了更高的要求.

因此,為應(yīng)對我國MSWI 行業(yè)智能優(yōu)化控制所面臨的種種難題,研發(fā)具有本土特色包含運行指標(biāo)建模與預(yù)測、不同工藝階段智能控制、全流程協(xié)同優(yōu)化決策和半實物數(shù)字孿生平臺的智能優(yōu)化控制技術(shù)是提升行業(yè)水平、搶占新一輪MSW 處理技術(shù)制高點和破解MSWI 電廠“鄰避效應(yīng)”的重要手段,也是中國環(huán)保產(chǎn)業(yè)可持續(xù)發(fā)展的客觀趨勢.顯然,研制MSWI 智能優(yōu)化控制系統(tǒng)既符合我國循環(huán)經(jīng)濟(jì)產(chǎn)業(yè)發(fā)展的內(nèi)在要求,也是樹立我國MSWI 行業(yè)優(yōu)勢和實現(xiàn)行業(yè)優(yōu)化升級的必然選擇.

3.2 MSWI 過程智能優(yōu)化控制的發(fā)展方向

在本質(zhì)上,將新一代信息技術(shù)和人工智能與特定工業(yè)場景相結(jié)合,即工業(yè)人工智能技術(shù),能夠為復(fù)雜工業(yè)過程的高性能控制器設(shè)計、智能運行決策、智慧化升級等創(chuàng)新應(yīng)用提供支撐[255],其目的是適應(yīng)復(fù)雜多變的工業(yè)環(huán)境以完成多樣化的運行目標(biāo)和任務(wù)[256].顯然,MSWI 過程的高效化、綠色化可持續(xù)發(fā)展目標(biāo)需要與工業(yè)人工智能技術(shù)的深度融合才能實現(xiàn)智能優(yōu)化控制,進(jìn)而降低或減少對領(lǐng)域?qū)＜壹粗R型工作者的依賴.因此,這迫切需要研究MSWI過程的指標(biāo)建模與預(yù)測、智能控制、全流程協(xié)同優(yōu)化決策以及半實物數(shù)字孿生平臺構(gòu)建技術(shù),其相互關(guān)系如圖5 所示.如圖5 所示,數(shù)字孿生平臺與實際MSWI 過程(對象層)、過程運行指標(biāo)建模與預(yù)測(指標(biāo)層)、過程智能控制(控制層)和全流程協(xié)同優(yōu)化決策(決策層)進(jìn)行信息的交互反饋,后4 個層級之間的信息傳遞關(guān)系為:對象層接收控制層所傳遞的控制器輸出ui,并將對象層運行得到的被控變量檢測值yi實時反饋給控制層,此外,過程對象狀態(tài)(變量)信息xi被傳遞給控制層的工況感知與故障診斷模塊中,同時指標(biāo)層的各模型基于xi、yi和其他信息計算運行指標(biāo)測量/預(yù)測值并反饋給控制層和決策層;控制層基于決策層的被控變量優(yōu)化設(shè)定值wi、yi和工況感知與故障診斷模塊所獲得的實時、自組織地更新控制器參數(shù),甚至其結(jié)構(gòu)并傳輸至回路控制器以實現(xiàn)對象層的穩(wěn)定控制;優(yōu)化決策層利用、領(lǐng)域工程師對的經(jīng)驗判斷等確定運行指標(biāo)設(shè)定值,在進(jìn)行全流程協(xié)同優(yōu)化后獲得各階段的wi.此外,數(shù)字孿生平臺是利用云計算、過程大數(shù)據(jù)和人工智能等技術(shù)構(gòu)建MSWI 過程的數(shù)字化虛擬模擬庫,進(jìn)行上述決策層、控制層和指標(biāo)層中相關(guān)參數(shù)的推理和交互反饋.

圖5 MSWI 過程智能優(yōu)化控制結(jié)構(gòu)Fig.5 Intelligent optimization control structure for MSWI process

3.2.1 MSWI 過程運行指標(biāo)建模與預(yù)測

實現(xiàn)復(fù)雜工業(yè)過程智能優(yōu)化決策與控制一體化系統(tǒng)正常運行的前提是能夠?qū)﹃P(guān)鍵運行指標(biāo)進(jìn)行實時檢測[257].顯然,環(huán)保、經(jīng)濟(jì)和產(chǎn)品指標(biāo)的在線檢測是確保MSWI 過程安全生產(chǎn)、穩(wěn)定和優(yōu)化運行的重要支撐.類似其他工業(yè)過程運行指標(biāo)的建模與預(yù)測問題[258],可通過基于MSWI 過程易采集過程變量、火焰視頻等多模態(tài)數(shù)據(jù)構(gòu)建智能模型予以實現(xiàn),研究內(nèi)容包括:

1)建模樣本的完備機(jī)制研究.MSWI 過程的多工序、多階段、機(jī)理復(fù)雜不清等特性,導(dǎo)致運行指標(biāo)建模樣本的輸入和輸出在時間尺度上不同且存在差異性與不確定性,需要在分析基于熱能動力傳輸與化學(xué)物質(zhì)轉(zhuǎn)化機(jī)理的過程變量與運行指標(biāo)間的延遲特性、多時空尺度樣本與運行指標(biāo)的相關(guān)性的基礎(chǔ)上,獲取多時空尺度的“真輸入-真輸出”建模樣本;進(jìn)一步,針對高維稀疏性建模樣本,研究虛擬樣本生成等技術(shù)擴(kuò)展樣本數(shù)量以緩解樣本分布不平衡和期望分布未知等問題,完善基于半監(jiān)督學(xué)習(xí)的“真輸入-偽輸出”半虛擬樣本生成、數(shù)值仿真機(jī)理支撐期望分布的“偽輸入-偽輸出”全虛擬樣本生成以及基于對抗機(jī)制的混合樣本質(zhì)量評價等算法,進(jìn)而構(gòu)建分布均勻且完備的運行指標(biāo)建模樣本庫.

2)多源特征智能約簡與可解釋模型構(gòu)建研究.

MSWI 過程涉及的過程變量眾多且相互之間耦合嚴(yán)重,運行指標(biāo)與不同工藝階段的關(guān)聯(lián)性存在差異且機(jī)理不清,需要結(jié)合數(shù)值仿真明晰機(jī)理、領(lǐng)域?qū)＜铱偨Y(jié)經(jīng)驗和數(shù)據(jù)提取蘊(yùn)含知識等手段約簡模型輸入特征;此外,MSWI 過程數(shù)據(jù)具有多源多模態(tài)特性,需要研究過程變量和燃燒圖像的深度融合機(jī)制,研究基于綜合智能化感知的運行指標(biāo)檢測設(shè)備/模型;進(jìn)一步,考慮到需要基于指標(biāo)模型對MSWI 過程進(jìn)行定性和定量的評價,應(yīng)深入研究具有較強(qiáng)可解釋性的工業(yè)人工智能算法對運行指標(biāo)進(jìn)行建模與預(yù)測.

3)在線動態(tài)建模與預(yù)測研究.實際MSWI 過程具有干擾因素眾多和工況波動頻繁等特性,這要求運行指標(biāo)模型在應(yīng)用時要能夠依據(jù)過程動態(tài)變化進(jìn)行自適應(yīng)調(diào)整以實現(xiàn)準(zhǔn)確預(yù)測.對此,需研究:面向運行指標(biāo)的運行工況漂移識別機(jī)制,采用基于數(shù)學(xué)模型[259-260]、多元統(tǒng)計[261-262]和人工智能[263-264]等方法面向MSWI 運行指標(biāo)特性進(jìn)行新工況漂移時刻、漂移程度和漂移位置的預(yù)判,運行指標(biāo)模型的自適應(yīng)更新算法與連續(xù)學(xué)習(xí)機(jī)制,知識遷移和增量學(xué)習(xí)等策略,提高在線建模的魯棒性和泛化性能.

4)運行指標(biāo)智能預(yù)測系統(tǒng)開發(fā).針對MSWI過程的多階段多源數(shù)據(jù)信息和已構(gòu)建模型,建立集環(huán)保、經(jīng)濟(jì)和產(chǎn)品運行指標(biāo)于一體的智能在線預(yù)測系統(tǒng),其功能包括:多源數(shù)據(jù)采集系統(tǒng),多源數(shù)據(jù)表征、分析、編碼和解碼系統(tǒng),數(shù)據(jù)、信息與知識的智能化處理與可視化系統(tǒng),多運行指標(biāo)模型集成預(yù)測系統(tǒng),支撐實現(xiàn)運行指標(biāo)的智能感知、預(yù)測和溯源.

近年來,國內(nèi)外研究學(xué)者針對復(fù)雜工業(yè)過程(例如高爐煉鐵、電熔鎂、石化過程等)的運行指標(biāo)建模問題,已取得了大量研究成果.例如,面向用于建模的標(biāo)記樣本稀疏問題,提出了虛擬樣本生成[265-266]、半監(jiān)督[267]、弱監(jiān)督[268]和無監(jiān)督[269]等建模方法,能夠為MSWI 過程建模樣本完備機(jī)制的研究提供有力支撐;面向多源信息表征以及模型可解釋等問題,已取得了在多特征信息融合[270]、多模態(tài)深度學(xué)習(xí)[271]、視覺數(shù)據(jù)深度建模[272]、貝葉斯數(shù)據(jù)驅(qū)動T-S 模糊建模[273]和深度森林回歸模型[211,213]等方面的研究成果,這也是研究MSWI 過程多源特征智能約簡與可解釋模型構(gòu)建的理論基礎(chǔ);面向在線動態(tài)預(yù)測問題,寬度學(xué)習(xí)系統(tǒng)[274-275]、概念漂移學(xué)習(xí)[276]和模型動態(tài)自組織[277]等研究成果,間接表明了MSWI 過程在線動態(tài)建模與預(yù)測和運行指標(biāo)智能預(yù)測系統(tǒng)開發(fā)具有良好的可行性.

3.2.2 MSWI 過程智能控制

相對于以燃煤、燃?xì)獾葹樵系陌l(fā)電過程,在干擾因素多和工況波動頻繁的情況下,MSWI 過程實現(xiàn)不同工藝階段目標(biāo)(固廢發(fā)酵過程混合均勻、固廢燃燒過程燃燒穩(wěn)定、余熱交換過程熱能充分利用、煙氣凈化過程污染物超低排放)精準(zhǔn)控制的難度更大[33,178].因此,借鑒其他類似工業(yè)過程[105,278],需要實現(xiàn)具有自適應(yīng)、自學(xué)習(xí)和自組織能力的智能控制,研究內(nèi)容包括:

1)被控對象智能建模研究.雖然MSWI 工業(yè)過程數(shù)據(jù)的體量大,但數(shù)據(jù)分布具有不平衡性.同時,非結(jié)構(gòu)化數(shù)據(jù)(圖片和視頻)與過程數(shù)據(jù)間存在時滯和信息不對稱等問題,造成多模態(tài)數(shù)據(jù)難以融合.作為關(guān)鍵被控變量的燃燒線量化值缺失,無法構(gòu)建相應(yīng)的被控對象模型.此外,焚燒機(jī)理知識存在獲取難、量化難和利用難等問題.對此,需研究:基于數(shù)值仿真的MSWI 全流程建模以擴(kuò)展真實運行數(shù)據(jù)分布邊界和獲取機(jī)理知識,非結(jié)構(gòu)化數(shù)據(jù)的特征提取算法、基于機(jī)理和工藝知識的非結(jié)構(gòu)化數(shù)據(jù)與過程數(shù)據(jù)匹配規(guī)則以及面向多模態(tài)數(shù)據(jù)特征深度融合的被控對象高精度建模;面向燃燒火焰的對抗生成與燃燒線量化機(jī)制,獲取完備量化模板庫以支撐對象模型構(gòu)建;機(jī)理與數(shù)據(jù)混合驅(qū)動的半?yún)?shù)建模,降低模型復(fù)雜度的同時提高模型效率.

2)運行過程智能工況感知與故障診斷研究.MSWI 過程具有顯著非平穩(wěn)特性,如:穩(wěn)態(tài)工況與過渡工況交替頻繁、高溫高壓環(huán)境下傳感器存在顯著漂移等,這使得有效地對各工藝階段進(jìn)行工況感知和故障診斷成為確?？刂破鞣€(wěn)定運行的重要保障之一.此外,工況感知和故障診斷模型構(gòu)建還面臨著樣本缺乏、類型不明、難以解釋、變化/發(fā)生不確定、潛在故障未知等難題.借鑒其他工業(yè)過程[279],需研究:結(jié)合已知故障類型、過程大數(shù)據(jù)、火焰視頻和領(lǐng)域?qū)＜抑R構(gòu)建面向MSWI 過程的工況感知和故障診斷知識圖譜,提高故障信息的利用率和故障追根溯源的可行性和可解釋性;基于多視角知識和多模態(tài)數(shù)據(jù),面向控制的運行工況漂移識別、量化與解釋;基于魯棒非線性潛變量模型的傳感器設(shè)備與焚燒裝備的在線狀態(tài)感知和故障診斷以及可視化,以保障基礎(chǔ)回路智能控制器的高效運行.

3)穩(wěn)態(tài)工況基礎(chǔ)回路智能控制器研究.由于MSW 組分與熱值的區(qū)域和季節(jié)差異性、操作人員累積經(jīng)驗和運維水平的層次不同等導(dǎo)致MSWI 過程具有多種類型的平穩(wěn)運行工況,傳統(tǒng)PID 控制策略并不能適應(yīng)上述情況.顯然,在對運行工況進(jìn)行有效感知的基礎(chǔ)上,需要針對不同類型的穩(wěn)定工況采取具有差異性的智能控制算法.借鑒應(yīng)用于其他工業(yè)過程的模糊自適應(yīng)[280]、PID 智能補(bǔ)償[281]、模型預(yù)測控制[282]等先進(jìn)控制策略,結(jié)合MSWI 過程的穩(wěn)定工況特性,需研究:面向MSWI 過程不同穩(wěn)定運行工況的多變量PID 控制器及其參數(shù)智能辨識策略;面向具有不確定特性被控變量運行過程的神經(jīng)網(wǎng)絡(luò)模糊控制器及其參數(shù)自適應(yīng)策略;面向完備火焰模板庫的仿專家認(rèn)知機(jī)制的多模態(tài)特征驅(qū)動燃燒線控制器;基于多模態(tài)數(shù)據(jù)驅(qū)動預(yù)測模型的多變量模型預(yù)測控制(Model predictive control,MPC),提高基礎(chǔ)回路對設(shè)定值的追蹤性能,保證運行指標(biāo)平穩(wěn),實現(xiàn)穩(wěn)態(tài)最優(yōu)控制.

4)動態(tài)工況智能控制器的自組織機(jī)制研究.研究表明,間歇性運行的MSWI 過程會導(dǎo)致污染嚴(yán)重超標(biāo)、運行成本顯著增大、處理量難以達(dá)產(chǎn)等問題[192].雖然現(xiàn)代主流工藝基本能夠?qū)崿F(xiàn)年超6 000 小時最低要求的連續(xù)運行,但原料供應(yīng)、運行管理、生產(chǎn)計劃、環(huán)保監(jiān)督等因素對基礎(chǔ)回路控制策略所造成影響不可忽視.因此,動態(tài)干擾下的控制器需要具有容錯、魯棒、自適應(yīng)等能力.借鑒應(yīng)用于其他工業(yè)過程的容錯控制[283]、自愈控制[284]、事件驅(qū)動切換控制[285]等策略,結(jié)合MSWI 過程的動態(tài)工況特性,需研究:面向MSWI 過程量化動態(tài)工況的分層自組織控制框架;基于多模態(tài)數(shù)據(jù)的局部運行指標(biāo)與關(guān)鍵被控變量智能預(yù)測模型構(gòu)建;面向不同類型穩(wěn)態(tài)控制器的增強(qiáng)學(xué)習(xí)事件驅(qū)動結(jié)構(gòu)與參數(shù)自組織算法,保證焚燒設(shè)備在約束邊界運行;此外,需要研究基于機(jī)理知識、專家經(jīng)驗和數(shù)據(jù)知識提煉可解釋的領(lǐng)域?qū)＜艺J(rèn)知機(jī)制,進(jìn)行多控制器切換運行策略研究和穩(wěn)定性分析,實現(xiàn)降低運行成本和減少環(huán)境污染等目的.

快速發(fā)展的人工智能技術(shù)催生了面向不同工業(yè)過程領(lǐng)域的大量智能控制成果.例如,面向城市污水處理過程的自適應(yīng)滑膜控制[286]、模糊神經(jīng)控制[287]和強(qiáng)化學(xué)習(xí)跟蹤控制[288];面向連續(xù)攪拌槽反應(yīng)器系統(tǒng)的事件驅(qū)動控制[289]、自適應(yīng)跟蹤控制[290]和模型預(yù)測控制[291]等;面向高爐煉鐵過程的無模型自適應(yīng)預(yù)測控制[292]、模型預(yù)測控制[293]、模糊控制[294]等.上述控制領(lǐng)域成果為MSWI 過程被控對象智能建模和基礎(chǔ)回路智能控制器的研究提供了理論依據(jù)和技術(shù)支撐.此外,針對燃煤發(fā)電過程的數(shù)據(jù)驅(qū)動運行工況監(jiān)控成果[279],以及針對城市污水處理過程[286]和高爐煉鐵過程[295]的自組織控制的研究成果,為MSWI 過程的智能工況感知與故障診斷、動態(tài)工況智能控制器自組織機(jī)制的研究提供了支撐.

3.2.3 MSWI 全流程協(xié)同優(yōu)化決策

通常,實現(xiàn)工業(yè)過程全局最優(yōu)協(xié)同運行需要求解一類面向多類運行指標(biāo)的混合、多目標(biāo)、多約束、多尺度的動態(tài)沖突優(yōu)化問題[32,296].MSWI 協(xié)同優(yōu)化決策中的人機(jī)合作智能優(yōu)化決策主要包括進(jìn)料選擇、運維管理和現(xiàn)場運行決策等;全流程協(xié)同優(yōu)化運行是在將MSWI 過程的各工藝階段的控制系統(tǒng)假設(shè)為獨立智能體的基礎(chǔ)上,以優(yōu)化多沖突多尺度運行指標(biāo)為目標(biāo)對其設(shè)定值進(jìn)行協(xié)同決策,實現(xiàn)集智能建模、工況感知、故障診斷、智能控制、運行優(yōu)化于一體的全流程協(xié)同優(yōu)化運行.為實現(xiàn)上述目標(biāo),借鑒其他復(fù)雜工業(yè)過程[278],研究內(nèi)容主要包括:

1)全流程運行態(tài)勢智能感知研究.在目前MSWI 過程中,工藝參數(shù)的選擇設(shè)定以及全流程的優(yōu)化運行主要依靠領(lǐng)域?qū)＜覍崿F(xiàn),但領(lǐng)域?qū)＜覍\行狀態(tài)和決策信息的定性表達(dá)存在不精確性、不確定性和模糊性甚至不唯一性等問題.因此,需研究:基于機(jī)理知識信息提取、圖像深度知識表征、過程數(shù)據(jù)蘊(yùn)含知識轉(zhuǎn)化、多模態(tài)數(shù)據(jù)特征關(guān)聯(lián)推理、態(tài)勢感知可信度定量評估等算法的全流程運行態(tài)勢智能感知網(wǎng)絡(luò),構(gòu)建多工藝階段差異化數(shù)據(jù)同步獲取與蘊(yùn)含知識深度融合的決策與優(yōu)化支撐環(huán)境,搭建面向MSWI 過程的智能化運行態(tài)勢感知服務(wù)系統(tǒng).

2)多目標(biāo)實時優(yōu)化方法研究.通常,運行優(yōu)化是智能控制的核心[297-298],即通過優(yōu)化求解實際運行狀態(tài)或過程規(guī)劃問題.區(qū)別于基礎(chǔ)回路控制器自組織控制(解決單控制器優(yōu)化),MSWI 過程的全局性能優(yōu)化(即解決全流程整體優(yōu)化)屬于多目標(biāo)優(yōu)化研究.從解決工業(yè)企業(yè)實際需求的視角出發(fā),多沖突目標(biāo)的優(yōu)化求解對實現(xiàn)MSWI 過程的智能優(yōu)化控制意義重大[246].如前文所述,受限于工藝和技術(shù)等原因,MSWI 的環(huán)保、產(chǎn)品和經(jīng)濟(jì)指標(biāo)間具有多沖突、多約束、動態(tài)時變和多時空尺度等特性,可將MSWI 過程優(yōu)化問題視為多約束條件下的多目標(biāo)函數(shù)求極值問題,這顯然是有待解決的挑戰(zhàn)性問題.此外,MSW 來源的多樣性和成分的復(fù)雜性,MSWI過程運行條件的多變性和工況波動的頻繁性等因素也增加了實時優(yōu)化運行的難度.由于目前鮮有面向MSWI 過程被控變量設(shè)定值的多目標(biāo)實時優(yōu)化研究報道,此處忽略優(yōu)化算法本身的優(yōu)劣,筆者僅針對優(yōu)化問題提供未來的發(fā)展方向.為解決上述問題,需研究:污染排放、碳排放等全局優(yōu)化指標(biāo)與發(fā)酵程度、爐渣熱灼減率、換熱效率、煙氣凈化物料消耗率等局部優(yōu)化指標(biāo)模型的設(shè)計;基于MSWI 過程特性的多目標(biāo)優(yōu)化任務(wù)拆解機(jī)制和獨立指標(biāo)的優(yōu)化算法;多運行指標(biāo)融合機(jī)制和協(xié)同優(yōu)化算法;考慮多工況、多時間尺度和多操作變量下的優(yōu)化規(guī)劃算法;優(yōu)化性能的定量和定性評價機(jī)制,增強(qiáng)智能優(yōu)化控制方法的有效性和實用性.

3)人機(jī)合作增強(qiáng)交互演化智能決策研究.柴天佑等[299-300]在流程工業(yè)智能優(yōu)化愿景中指出,領(lǐng)域?qū)＜遗c智能優(yōu)化決策系統(tǒng)的人機(jī)合作與交互學(xué)習(xí)是未來發(fā)展的主要方向.MSWI 過程需要實現(xiàn)能源與物料消耗盡可能少、污染物零排放和環(huán)境綠色化的目標(biāo),這離不開領(lǐng)域?qū)＜宜鶕碛械母兄?、認(rèn)知、決策和執(zhí)行等能力,即復(fù)雜工業(yè)過程的智能決策是通過領(lǐng)域?qū)＜裔槍\行系統(tǒng)的感知調(diào)控和工業(yè)人工智能技術(shù)的增強(qiáng)交互演化實現(xiàn)的.因此,需研究:增強(qiáng)學(xué)習(xí)驅(qū)動工業(yè)智能決策器與工業(yè)領(lǐng)域?qū)＜业慕换パ莼蚣?基于聽覺、視覺、文本與量化數(shù)據(jù)的工業(yè)領(lǐng)域?qū)＜乙鈭D感知算法;基于增強(qiáng)學(xué)習(xí)的工業(yè)智能決策器內(nèi)嵌優(yōu)化算法動態(tài)更新機(jī)制;構(gòu)建人機(jī)合作增強(qiáng)交互演化智能決策系統(tǒng),實現(xiàn)多運行指標(biāo)的綜合優(yōu)化,以更好地解決MSWI 過程向高效、低碳和綠色發(fā)展所面臨的實際問題.

融合新一代信息技術(shù)的協(xié)同優(yōu)化決策是實現(xiàn)復(fù)雜工業(yè)過程智慧化生產(chǎn)運行和減少對知識型工作者依賴的可行路徑[34].目前,面向復(fù)雜工業(yè)過程協(xié)同優(yōu)化決策的研究已取得大量可供參考的優(yōu)秀案例.在協(xié)同優(yōu)化方面,取得了乙烯生產(chǎn)過程耦合約束下的分布式優(yōu)化[301]、除鐵過程動態(tài)環(huán)境下的多目標(biāo)優(yōu)化[302]、燒結(jié)過程多時間尺度下的碳排放優(yōu)化[303]、反饋補(bǔ)償機(jī)制下的高爐爐料料面優(yōu)化[304]和混合模型支撐下的煉鐵過程智能優(yōu)化[305-306]等成果,這為MSWI 全流程協(xié)同優(yōu)化研究的可行性提供了指導(dǎo)和支撐.在智能優(yōu)化決策方面,取得了基于對抗學(xué)習(xí)的選礦全流程運行智能決策[307]、數(shù)據(jù)驅(qū)動的乙烯裂解爐系統(tǒng)調(diào)度優(yōu)化[308]、硅單晶和電熔鎂生產(chǎn)過程的多爐優(yōu)化調(diào)度[309-310]等成果,這表明進(jìn)行MSWI多目標(biāo)實時優(yōu)化算法和人機(jī)合作增強(qiáng)交互演化智能決策的研究具有理論基礎(chǔ)和可行性.

3.2.4 MSWI 過程半實物數(shù)字孿生平臺構(gòu)建

將離線研究的智能優(yōu)化控制算法直接應(yīng)用于工業(yè)過程存在著安全運行風(fēng)險高、試驗時間消耗大、人力與經(jīng)濟(jì)成本高等問題.為此,數(shù)字孿生平臺技術(shù)得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注[311-314],其本質(zhì)是借助大數(shù)據(jù)、云計算、人工智能、信息化等技術(shù)構(gòu)建物理過程的實時鏡像,彌補(bǔ)物理實體所缺少的系統(tǒng)性仿真、優(yōu)化、驗證和控制能力,進(jìn)而支撐智能優(yōu)化控制技術(shù)的低成本試錯與智能化部署等.針對我國MSWI 過程而言,迫切需要研究能夠?qū)⒅悄軆?yōu)化控制算法進(jìn)行落地應(yīng)用與驗證的半實物數(shù)字孿生平臺,輔助實現(xiàn)高效的熱能轉(zhuǎn)化和煙氣凈化,尤其是DXN 脫除等技術(shù),同時支撐進(jìn)行局部工藝的改進(jìn)試驗和測試.研究內(nèi)容包括:

1)全流程數(shù)值仿真研究.數(shù)字孿生是以大量數(shù)據(jù)作為支撐的新一代信息技術(shù).實際采集的所謂MSWI 過程大數(shù)據(jù)主要在穩(wěn)態(tài)工作點附近波動,這需要通過構(gòu)建數(shù)值仿真模型實現(xiàn)全流程的機(jī)理分析,需要通過面向定制化工況的數(shù)值仿真獲取多工況下的虛擬大數(shù)據(jù)[315-316],研究內(nèi)容主要包括:結(jié)合MSWI 過程機(jī)理與不同數(shù)值仿真軟件優(yōu)勢,研究多軟件耦合定制交互接口的全流程數(shù)值仿真模型,以洞悉其全流程的多階段多屬性機(jī)理;結(jié)合焚燒機(jī)理和領(lǐng)域?qū)＜医?jīng)驗等知識,研究數(shù)值仿真模型的參數(shù)調(diào)整和實驗實施策略,提高數(shù)值仿真模型與實際過程的貼合度;基于實際MSWI 過程的運行大數(shù)據(jù),結(jié)合人工智能技術(shù)對數(shù)值仿真模型進(jìn)行微調(diào),增強(qiáng)表征實際過程的真實度.

2)虛擬化數(shù)字模型庫研究.數(shù)字孿生平臺構(gòu)建的核心是孿生體,即物理實體在虛擬數(shù)字化空間的孿生體模型[314].MSWI 過程的數(shù)據(jù)特點是多源異構(gòu),既包括真實的結(jié)構(gòu)化數(shù)據(jù)(溫度、壓力、流量等)和非結(jié)構(gòu)化數(shù)據(jù)(圖像、視頻、文本等),還包括數(shù)值仿真模型生成的數(shù)字化空間虛擬數(shù)據(jù).因此,為構(gòu)建虛擬化數(shù)字模型庫,需研究:多源異構(gòu)數(shù)據(jù)的采樣、分析、信息提取以及信息融合算法;分析全流程的不同階段,基于熱力學(xué)、流體力學(xué)等理論和人工智能技術(shù)研究多孿生體模型的異構(gòu)集成機(jī)制,構(gòu)建數(shù)字孿生內(nèi)核模型庫.此外,考慮到具有高精度和寬覆蓋變量區(qū)間的孿生體模型是保證數(shù)字孿生平臺與實際工業(yè)過程相耦合以實現(xiàn)協(xié)同優(yōu)化的基礎(chǔ)[317],需研究多分辨率多孿生體模型的深度融合優(yōu)化技術(shù)以實現(xiàn)虛擬數(shù)字模型庫的自學(xué)習(xí)和自調(diào)整.

3)數(shù)字孿生虛擬演化推理研究.數(shù)字孿生平臺作為可與實際工業(yè)過程進(jìn)行實時交互的虛擬鏡像,交互安全性是制約其工程應(yīng)用的主要難點之一[318].面向MSWI 過程,需研制基于物理隔離裝置的虛擬交互系統(tǒng),為虛擬側(cè)和數(shù)字側(cè)的實時交互與反饋提供安全保障,需研究:如何在數(shù)字孿生側(cè)進(jìn)行MSWI過程的自組織、寬定義域演化推理以輔助物理側(cè)運行,從數(shù)字孿生模型歷史時刻(基于t-1 時刻實際和虛擬數(shù)據(jù))到當(dāng)前時刻(計算t時刻實際數(shù)據(jù))再到未來時刻(估算t+1 時刻虛擬數(shù)據(jù))的綜合演化分析算法,基于數(shù)字孿生的故障預(yù)警和推理溯源算法,保障MSWI 過程的穩(wěn)定運行.

4)半實物數(shù)字孿生實驗平臺構(gòu)建.工業(yè)過程通常不允許學(xué)術(shù)研究所獲得的智能優(yōu)化控制算法直接在現(xiàn)場進(jìn)行實驗.數(shù)字孿生平臺是虛擬化的MSWI過程,需要與接近工業(yè)現(xiàn)場的運行系統(tǒng)進(jìn)行數(shù)據(jù)交互以驗證新算法.因此,需研究:接近工業(yè)現(xiàn)場能夠交互對接與迭代優(yōu)化的半實物數(shù)字孿生平臺架構(gòu);面向多模態(tài)數(shù)據(jù)同步驅(qū)動的工業(yè)過程半實物仿真實驗平臺;確保物理安全隔離的多模態(tài)數(shù)據(jù)高效雙向安全交互機(jī)制的半實物數(shù)字孿生平臺軟硬件系統(tǒng),實現(xiàn)對智能優(yōu)化控制算法的有效驗證支撐.

目前有關(guān)MSWI 過程半實物數(shù)字孿生平臺的文獻(xiàn)還未見報道,如何實現(xiàn)仍是有待深入研究的開放性問題.

目前有關(guān)數(shù)字孿生的研究成果大多面向離散制造行業(yè)[319],面臨著數(shù)據(jù)收集、多學(xué)科融合、標(biāo)準(zhǔn)統(tǒng)一等諸多挑戰(zhàn)[320].面向具有連續(xù)運行特性的復(fù)雜工業(yè)過程,雖然實現(xiàn)數(shù)字孿生體與真實物理側(cè)迭代優(yōu)化的數(shù)字孿生系統(tǒng)還未形成成熟的標(biāo)準(zhǔn),但已在相關(guān)工業(yè)領(lǐng)域取得了大量成果.例如,針對單個大型設(shè)備或環(huán)節(jié)的包括渦輪機(jī)[321]、滾動軸承[322]和自動運輸系統(tǒng)[323]等;針對復(fù)雜系統(tǒng)和工業(yè)過程的包括智能制造[324]、智慧城市[325]、智能交通[326]和熱電廠[327]等.上述領(lǐng)域的成果為MSWI 過程的數(shù)字孿生研究提供了可行性.此外,面向流程工業(yè),李彥瑞等[314]從數(shù)字孿生系統(tǒng)構(gòu)建的視角探討數(shù)字孿生發(fā)展的關(guān)鍵技術(shù),構(gòu)建了煉鐵過程數(shù)字孿生模型和開發(fā)了增強(qiáng)交互系統(tǒng)平臺.同時,面向燃燒過程的數(shù)值仿真應(yīng)用[15]和工業(yè)界半實物仿真平臺的大量實例[328],為MSWI過程半實物數(shù)字孿生平臺的研究提供了理論支撐和技術(shù)支持.

3.3 MSWI 智能優(yōu)化控制系統(tǒng)愿景

柴天佑等[216,257,300]、桂衛(wèi)華等[34]、丁進(jìn)良等[278]知名學(xué)者在流程工業(yè)智能制造方面的成果為MSWI過程的智能優(yōu)化控制研究提供了發(fā)展方向以及理論與可行性方面的支撐.面向MSWI 過程這一特定對象,有效利用云計算、大數(shù)據(jù)、工業(yè)人工智能等技術(shù)實現(xiàn)其智能優(yōu)化控制,不但符合“中國制造2025”發(fā)展戰(zhàn)略,也是我國實現(xiàn)環(huán)保托底行業(yè)可持續(xù)發(fā)展的必然要求.因此,筆者認(rèn)為,MSWI 全流程協(xié)同優(yōu)化控制系統(tǒng)的愿景是:在垃圾分類[17]、雙碳戰(zhàn)略[24]、企業(yè)運營策略調(diào)整等約束條件下,圍繞MSW 處理的無害化、低碳化、減量化和資源化等迫切需求,減少煙氣污染物和CO2排放濃度,提高燃燒效率和熱效率,降低爐渣熱灼減率和飛灰產(chǎn)量以減少其二次處理成本,實現(xiàn)企業(yè)提質(zhì)增效和減碳的目標(biāo).

MSWI 過程智能優(yōu)化控制系統(tǒng)如圖6 所示,實際MSWI 過程提供實時運行數(shù)據(jù)(過程數(shù)據(jù)和火焰視頻)、設(shè)備數(shù)據(jù)(機(jī)械設(shè)備和巡檢感知等信息)和生產(chǎn)數(shù)據(jù)(日處理量、尾氣排放等信息);智能感知系統(tǒng)需要對MSWI 過程的多源多模態(tài)數(shù)據(jù)進(jìn)行采集處理、挖掘融合、分析評估以及關(guān)鍵信息提取;MSWI 全流程協(xié)同優(yōu)化控制邊緣端服務(wù)系統(tǒng)為智能優(yōu)化控制系統(tǒng)提供優(yōu)化計算的基礎(chǔ)平臺,包含DCS 數(shù)據(jù)采集系統(tǒng)、虛實信息數(shù)據(jù)庫、安全隔離網(wǎng)絡(luò)環(huán)境等;MSWI 半實物數(shù)字孿生平臺基于實時感知信息模擬運行虛擬孿生體,演化推理多場景下的運行態(tài)勢,基于半實物仿真平臺進(jìn)行算法驗證,為實際智能運行優(yōu)化提供協(xié)同支撐;MSWI 智能運行優(yōu)化依托MSWI 全流程協(xié)同優(yōu)化控制邊緣端服務(wù)系統(tǒng)平臺自動獲取實時感知真實數(shù)據(jù)和數(shù)字孿生虛擬數(shù)據(jù),實現(xiàn)MSWI 過程工況感知、指標(biāo)建模和故障預(yù)警等功能,進(jìn)而服務(wù)于智能控制參數(shù)和協(xié)同優(yōu)化參數(shù)的演化推理,為實際MSWI 過程的基礎(chǔ)回路控制和協(xié)同優(yōu)化運行提供參數(shù)推薦.因此,MSWI過程智能優(yōu)化控制系統(tǒng)的愿景是集智能感知、智能控制、協(xié)同優(yōu)化、指標(biāo)建模與工況感知、半實物數(shù)字孿生平臺于一體,能夠依據(jù)工業(yè)過程的動態(tài)變化進(jìn)行自適應(yīng)、自學(xué)習(xí)和自組織,最終實現(xiàn)全流程的優(yōu)化運行.

圖6 MSWI 過程智能優(yōu)化控制系統(tǒng)Fig.6 Intelligent optimization control system of MSWI process

4 結(jié)論

MSWI 是進(jìn)行MSW 處理的核心和主流技術(shù)之一,也是當(dāng)前生態(tài)文明建設(shè)和循環(huán)經(jīng)濟(jì)體系的托底工業(yè).在國家“雙碳戰(zhàn)略”和“藍(lán)天凈土”的新時代環(huán)保要求下,蘊(yùn)含機(jī)理與經(jīng)驗知識的海量過程數(shù)據(jù)和高速發(fā)展的工業(yè)人工智能為實現(xiàn)該過程的智能優(yōu)化控制提供了契機(jī).本文對現(xiàn)有MSWI 過程運行控制研究現(xiàn)狀和未來發(fā)展趨勢進(jìn)行綜述和展望,指出進(jìn)一步研究存在的主要挑戰(zhàn)包括:

1)在運行指標(biāo)建模和預(yù)測方面.運行指標(biāo)數(shù)據(jù)存在樣本量小、維數(shù)高、分布稀疏以及時間尺度上的多樣性、不確定和延遲等特性,導(dǎo)致常規(guī)建模方法難以支撐高性能模型的構(gòu)建.因此,獲取分布均勻且完備的運行指標(biāo)建模樣本庫,構(gòu)建能夠融合多源特征且具有較強(qiáng)可解釋性的工業(yè)人工智能驅(qū)動運行指標(biāo)模型,建立魯棒動態(tài)指標(biāo)檢測與預(yù)測模型以及開發(fā)集運行指標(biāo)智能感知、預(yù)測和溯源于一體的智能軟件系統(tǒng)是未來研究的主要挑戰(zhàn)問題.

2)在智能控制方面.MSW 作為燃料所固有的組分波動范圍大、熱物理性質(zhì)復(fù)雜和熱值不穩(wěn)定等特性使得研究MSWI 過程基礎(chǔ)回路的智能控制成為現(xiàn)階段運行的迫切需求.因此,構(gòu)建基于多模態(tài)數(shù)據(jù)和機(jī)理知識雙驅(qū)動的智能被控對象模型、面向差異化工況的穩(wěn)態(tài)智能回路控制器及其在強(qiáng)動態(tài)干擾下的自組織機(jī)制是具有挑戰(zhàn)性的難題.

3)在全流程協(xié)同優(yōu)化方面.包含多工藝階段和多流傳遞運行模式使得MSWI 的全流程協(xié)同優(yōu)化具有多目標(biāo)、多約束和多尺度等特性.因此,必須面對的挑戰(zhàn)包括:深度融合數(shù)據(jù)與知識的全流程運行態(tài)勢智能感知機(jī)制、多沖突目標(biāo)全局和局部耦合多層級智能優(yōu)化機(jī)制解析、人機(jī)合作增強(qiáng)交互演化智能決策算法等.

4)在數(shù)字孿生平臺方面.實際工業(yè)過程的大數(shù)據(jù)集中分布在穩(wěn)態(tài)工作點附近,其窄信息域的特點導(dǎo)致難以構(gòu)建有效的數(shù)字孿生系統(tǒng),因此,面對的挑戰(zhàn)包括:面向控制的多態(tài)勢虛擬數(shù)據(jù)獲取策略,多孿生體模型的異構(gòu)集成機(jī)制,真實與虛擬大數(shù)據(jù)的融合挖掘算法,半實物數(shù)字孿生平臺體系架構(gòu)與運行機(jī)制等.

進(jìn)一步,如何構(gòu)建面向MSWI 過程的工業(yè)元宇宙(即MSWI 元宇宙)是未來所面對的最大挑戰(zhàn).

附錄A

附錄表A1 為 MSWI 過程的研究成果總結(jié)與對比.

表A1 MSWI 過程的研究成果總結(jié)與對比Table A1 Summary and comparison of research results for MSWI process