CN102175345B - 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 - Google Patents

Abstract

本发明涉及一种多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，此方法选取若干个可测的过程状态辅助变量，包括干基煤、入炉中心氧气流量、氧煤比、出口合成气氢气H₂、一氧化碳CO、甲烷CH₄含量，作为软测量模型的输入变量，同时采集实际工业装置操作数据，进行数据预处理，基于BP人工神经网络，选用6×6×1的三层网络拓扑结构，采用Levenberg-Marquardt学习算法对模型进行训练，从而实现多喷嘴对置式水煤浆气化炉炉膛温度的软测量。本软测量技术可以为多喷嘴对置式水煤浆气化炉提供有效的炉膛温度信息，以指导气化反应过程的优化运行操作，且此方法也可以适用于目前其它技术的水煤浆气化炉的炉膛温度软测量。

Description

多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法

技术领域

本发明涉及能源工业和化学工程领域中一种软测量方法。具体而言，是多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法。

背景技术

我国煤炭资源丰富，油气资源匮乏，这一特殊的能源资源结构决定了煤炭将长期是我国的主要能源。然而，目前我国煤炭利用率总体效率低、污染严重。煤气化技术是煤炭资源高效、清洁利用的重要途径。我国气流床煤气化在“十五”前期，全部被美国GE气化技术(原Texaco技术)所垄断。在国家科技计划支持下，具有我国自主知识产权的多喷嘴对置式水煤浆气化技术取得了重大突破并得到了成功推广。

多喷嘴对置式水煤浆气化反应过程的工艺流程如图1所示，通过控制高压煤浆泵1的转速来达到控制入炉煤浆流量，氧气来自空分装置2，入炉氧气中值及中心氧气流量由氧气流量阀3控制，水煤浆和气化剂(氧气)通过两两对置的四路高速喷嘴射流进入多喷嘴对置式水煤浆气化炉内，煤颗粒夹带在气流中，在高温反应室4内与氧气发生剧烈的气化反应，放出大量热量，生成的合成气主要为氢气H₂和一氧化碳CO，另外还有二氧化碳CO₂、水蒸气以及少量的甲烷CH₄、硫化氢H₂S、硫氧化碳COS和氮气N₂，煤渣和未转化的煤呈液体熔融态，热的合成气和熔融的灰渣进入充满冷却水的激冷室5，经冷却后，温度降至220℃左右。随后，合成气进入洗涤塔6除去夹带的固体，进入后续系统。出口合成气氢气H₂和一氧化碳CO含量由气体成分分析仪7得到，甲烷CH₄含量由在线红外线分析仪器8测得。目前多喷嘴对置式水煤浆气化炉炉内分布着多只高温热电偶用来实时监测气化反应温度。在高温(1300～1600℃)、高压(3.0～6.4MPa)、强腐蚀环境以及强气流冲刷作用下，测温元件高温热电偶工作寿命很短。由于现场不可能频繁更换热电偶，正常情况下安装的热电偶仅供开车过程为保证投料观察温度变化使用，多喷嘴对置式水煤浆气化炉炉膛温度的实时检测一直是瓶颈难题。

近年来软测量技术在流程工业中获得了大量成功的应用，解决了许多不可测关键控制指标的“测量”问题。因此，针对多喷嘴对置式水煤浆气化炉炉膛温度采用软测量技术是完全可行的。

发明内容

理论上影响多喷嘴对置式水煤浆气化炉炉膛温度变化的因素较多，如：出口合成气组成、煤渣颗粒大小、气化炉渣口压差等参数。本发明人在分析了多喷嘴对置式水煤浆气化技术的工艺流程和反应机理的基础上，提出了采用若干个可测的过程状态辅助变量来预测多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，即通过实际工业装置操作数据的实时、连续采集，对其进行数据预处理，基于BP人工神经网络，采用Levenberg-Marquardt学习算法对软测量模型进行训练，从而能够及时准确地预测炉膛温度的变化。

本发明要解决的技术问题是提供一种多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，实现炉膛温度的在线实时检测。

本发明的技术方案如下：

一种基于人工神经网络的多喷嘴对置式水煤浆气化炉炉膛温度的实时软测量方法，其流程如图3所示，它由下列步骤组成：

步骤一、采集实际工业装置气化炉的操作数据，综合历史数据分析和操作经验总结，确定软测量模型的辅助变量和目标变量；

步骤二、对步骤一中采集得到的实际工业装置操作数据进行数据预处理，剔除部分异常工况数据点，并构造样本数据集S，取其中2/3的样本数据作为训练集S₁，用于学习和建模，剩余的样本数据则作为模型的测试集S₂；

步骤三、通过计算经验公式得到BP人工神经网络的隐含层节点数目，并结合交叉验证方法，确定其网络拓扑结构；

步骤四、对于训练集S₁，采用Levenberg-Marquardt学习算法训练BP人工神经网络模型，并用测试集S₂对模型进行验证，从而获得有效的人工神经网络权重和阈值参数，得到能够正确描述多喷嘴对置式水煤浆气化炉炉膛温度变化的软测量模型；

步骤五、启动软测量模型，将辅助变量的实时运行数据经过数据处理后输入软测量模型，预测出多喷嘴对置式水煤浆气化炉的炉膛温度；

步骤六、根据软测量模型提供的炉膛温度信息，指导气化反应过程的优化运行操作。根据现有的炉膛温度信息，得到当前较优的氧煤比给水煤浆气化炉控制系统，以得到期望的炉膛温度变化。所述步骤一中操作数据包括，入炉煤浆流量、水煤浆浓度、水煤浆密度、入炉氧气中值、中心氧气流量、出口合成气氢气H₂、一氧化碳CO、甲烷CH₄含量和炉膛温度。

所述步骤一中辅助变量包括，干基煤、

入炉中心氧气流量、氧煤比、出口合成气氢气H₂、一氧化碳CO、甲烷CH₄含量。其中干基煤是入炉煤浆流量、水煤浆浓度和水煤浆密度的乘积：

M_C＝L_C×σ×ρ/100

式中LC是入炉煤浆流量，σ是水煤浆浓度，ρ是水煤浆密度。

是引入系数，式中Max、Min分别取当前采集时刻点入炉中心氧气流量的最大值、最小值。氧煤比是入炉氧气总量、入炉煤浆流量的比值，或者从化学反应机理上来说，氧煤比即氧碳原子的比例：

$\frac{O}{C}=\frac{L_O/16\×2}{L_C/12\×\mathrm{\σ}}=\frac{1.5L_O}{L_C\mathrm{\σ}}$

式中，L_O是入炉氧气总量，L_C是入炉煤浆流量，σ是煤浆浓度。

所述步骤一中目标变量为炉膛温度。

所述步骤二和步骤五中数据预处理为对采集得到的实际工业装置操作数据取其稳定工况状态下的平均值，软测量模型的输入变量进行归一化处理，选取的归一化范围为[0.2，0.8]。

所述步骤三中BP人工神经网络选取三层网络结构，第一层为输入层，其节点个数等于辅助变量的个数，为6个；第二层为隐含层，其节点个数由如下经验公式确定：

$p=\sqrt{0.43\mathrm{ij}+0.12j^2+2.54i+0.77j+0.35}+0.5$

其中，p代表隐含层节点个数，i代表输入层节点个数，j代表输出层节点个数，这里隐含层节点个数为6；第三层为输出层，其节点个数为1，即炉膛温度输出。

所述步骤四和步骤五中炉膛温度软测量的数学模型为：

y＝f(x₁，…，x_k)+e

其中，x_i(i＝1，2，...，k)、y分别是软测量模型的输入变量、输出变量(即炉膛温度)，e是零均值高斯白噪声，f代表该多输入单输出系统的非线性关系。若零均值高斯白噪声其影响可以忽略不计，则多喷嘴对置式水煤浆气化炉炉膛温度的数学模型简化为：

y＝f(x₁，…，x_k)

所述步骤四和步骤五中BP人工神经网络输入层节点与隐含层节点间的权重参数矩阵和阈值参数矩阵分别为：

$W_{k\×p}=\left[\begin{array}{cccccc}-0.0174& -2.1295& 4.0860& 2.4387& -15.8122& -3.7143\\ -0.8216& -1.5292& -1.5337& -3.5678& -4.3053& 3.7900\\ -3.4672& -6.3723& -1.9770& -3.4424& 1.4492& -1.2106\\ -3.2964& -7.8856& 0.0202& -1.5993& 6.7790& -4.2736\\ 4.8356& -0.6910& -4.0220& -7.1988& -3.3603& 4.0664\\ 6.7131& 1.333& -0.9514& -3.7527& 1.6583& -1.8072\end{array}\right]$

${\mathrm{\θ}}_1=\left[\begin{array}{c}6.4848\\ 5.1236\\ 7.3705\\ 5.3739\\ 0.3402\\ 1.3674\end{array}\right]$

其隐含层节点与输出层节点间的网络权重参数矩阵和阈值参数矩阵分别为：

V_p×1＝[-1.0288 -0.8366 0.7778 -0.6287 -0.5174 0.9250]

θ₂＝[-0.6656]

9.所述步骤六所述气化反应过程的优化运行操作是调节氧煤比值尤其是入炉氧气总量，即若气化炉炉膛温度过高时，下调氧煤比值，在工况定负荷运行条件下，控制氧气流量阀减少入炉氧气总量，从而降低炉膛温度；而气化炉温度过低时，调高氧煤比值，控制氧气流量阀增加入炉氧气总量，从而降低高炉膛温度。

本发明一种基于人工神经网络的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，它能够及时准确地检测多喷嘴对置式水煤浆气化炉炉膛温度的变化，替代原有测温元件提供有效信息，以指导气化反应过程的优化运行操作，为大型水煤浆气化装置成套先进控制提供技术基础，实现其稳定生产、降低能耗，有效地提高能源转换效率、降低污染排放，同时它还具有煤化工行业的通用特性，可推广应用于目前其它气化装置水煤浆气化炉的炉膛温度软测量，具有普适性。

附图说明

图1：多喷嘴对置式水煤浆气化反应过程工艺流程图

图2：BP神经网络拓扑结构图

图3：软测量模型流程框图

图4：多喷嘴对置式水煤浆气化反应过程炉膛温度软测量模型结果

符号说明：

其中，1为高压煤浆泵，2为空分装置，3为氧气流量阀，4为高温反应室，5为激冷室，6为洗涤塔，7为气体成分分析仪，8为在线红外线分析仪器；F1为原料煤，F2为水，F3为入炉煤浆流量，F4为入炉氧气流量，F5为出口合成气，F6为出口合成气H2、CO含量测量值，F7为出口合成气CH4含量测量值。

具体实施方式

本发明在实际应用时利用现有的多喷嘴对置式水煤浆气化装置的气体成分分析仪测得出口合成气氢气H₂、一氧化碳CO、甲烷CH₄含量等3个辅助变量的实时数值，通过实时数据采集系统获得入炉氧气中值、中心氧气流量以及入炉煤浆流量的实际运行数据，据此分别计算出氧煤比和干基煤的数值。将干基煤、

入炉中心氧气流量、氧煤比、出口合成气氢气H₂、一氧化碳CO、甲烷CH₄含量等6个辅助变量的实时数据输入所建立的基于BP人工神经网络的软测量模型中，可获得多喷嘴对置式水煤浆气化炉炉膛温度的实时软测量预测值，以下结合附图和实施例对本发明作进一步说明：

附图1为多喷嘴对置式水煤浆气化反应过程的工艺流程图。通过控制高压煤浆泵1的转速来达到控制入炉煤浆流量，氧气来自空分装置2，入炉氧气中值及中心氧气流量由氧气流量阀3控制。水煤浆与气化剂(氧气)通过两两对置的四路高速喷嘴射流进入多喷嘴对置式水煤浆气化炉内，煤颗粒夹带在气流中，在高温反应室4内与氧气发生剧烈的气化反应，生成以氢气H₂和一氧化碳CO为主要有效组分的粗合成气，总反应式可写为：

其中发生的主要化学反应可分为：

氧化反应：

(完全氧化)

(部分氧化)

煤的转化反应：

式中，Q代表反应热，放热为正，吸热为负。

上述反应多为剧烈的放热反应，故多喷嘴对置式水煤浆气化炉无需外供热量。气化反应生成的合成气主要为氢气H₂和一氧化碳CO，另外还有二氧化碳CO₂、水蒸气以及少量的甲烷CH₄、硫化氢H₂S、硫氧化碳COS和氮气N₂，煤渣和未转化的煤呈液体熔融态，热的合成气和熔融的灰渣进入充满冷却水的激冷室5，经冷却后，温度降至220℃左右。随后，合成气进入洗涤塔6除去夹带的固体，进入后续系统。出口合成气氢气H₂和一氧化碳CO含量由气体成分分析仪7得到，甲烷CH₄含量由在线红外线分析仪器8测得。目前多喷嘴对置式水煤浆气化炉炉内分布着多只高温热电偶用来实时监测气化反应温度。在测温元件高温热电偶正常运作时，其测得的多喷嘴对置式水煤浆气化炉炉膛温度的数据范围为[1050℃，1350℃]。

本发明综合历史数据分析和长期操作经验总结，在采集实际工业装置操作数据的基础上，引入干基煤、氧煤比等若干个新的辅助变量。其中干基煤是入炉煤浆流量、水煤浆浓度和水煤浆密度的乘积：

M_C＝L_C×σ×ρ/100

式中L_C是入炉煤浆流量，σ是水煤浆浓度，ρ是水煤浆密度。氧煤比并不是从工业现场直接采集得到的，而是通过计算入炉氧气总量、入炉煤浆流量的比值，或者从化学反应机理上来说，氧煤比即氧碳原子的比例：

$\frac{O}{C}=\frac{L_O/16\×2}{L_C/12\×\mathrm{\σ}}=\frac{1.5L_O}{L_C\mathrm{\σ}}$

式中，L_O是入炉氧气总量，L_C是入炉煤浆流量，σ是煤浆浓度。

本发明人观察历史数据，发现某一路入炉中心氧气流量发生变化时必定会引起多喷嘴对置式水煤浆气化炉炉膛温度的变化，而根据流体力学分析，这四路入炉中心氧气流量具有对称性，因此可引入系数

，构造另一个新的辅助变量

入炉中心氧气流量，其中Max、Min分别取当前采集时刻点入炉中心氧气流量的最大值、最小值。

据此本发明确定软测量模型的6个辅助变量：干基煤、

入炉中心氧气流量、氧煤比、出口合成气氢气H₂、一氧化碳CO、甲烷CH₄含量，以及软测量模型的目标变量：炉膛温度。

本发明通过分析上述多喷嘴对置式水煤浆气化技术的工艺流程和反应机理，建立其炉膛温度软测量的数学模型为：

y＝f(x₁，…，x₆)+e

其中，x_i(i＝1，2，...，6)、y分别是软测量模型的辅助变量、目标变量，e是零均值高斯白噪声，f代表该多输入单输出系统的非线性关系。若零均值高斯白噪声其影响可以忽略不计，则多喷嘴对置式水煤浆气化炉炉膛温度的数学模型简化为：

y＝f(x₁，…，x₆)

假定X＝[X₁，X₂，...，X₆]是上述软测量模型的所有辅助变量X_i＝[x_i1，...，x_in]^T(i＝1，2，...，6)组成的样本矩阵。对辅助变量矩阵X进行如下归一化处理：

$\widehat{x_{\mathrm{ij}}}=0.8-\frac{x_{\max }-x_{\mathrm{ij}}}{x_{\max }-x_{\min }}(0.8-0.2),$ $\widehat{x_{\mathrm{ij}}}\∈\left[\mathrm{0.2,0.8}\right]$

式中，x_max、x_min是各n维辅助变量中的最大值、最小值，

是归一化后得到的辅助变量矩阵。将

输入软测量模型，得到模型输出，并对其进行如下反归一化处理：

$y_i=y_{\max }-\frac{0.8-{\hat{y}}_i}{0.8-0.2}(y_{\max }-y_{\min })$

式中，y_max、y_min是目标变量炉膛温度的最大值、最小值，

是软测量模型的输出变量，Y＝[y₁，...，y_n]^T是炉膛温度。

本发明软测量方法基于人工神经网络，其具有良好的非线性适应性。研究表明，只要神经元节点数目足够多，三层人工神经网络就可以逼近任意的连续函数。而在众多人工神经网络中，BP人工神经网络结构简单、训练算法成熟。因此，利用BP人工神经网络来描述该多输入单输出系统的复杂非线性关系是一条简单而且有效的途径。

对于三层BP人工神经网络，其网络拓扑结构如图2所示，第一层为输入层，其节点个数等于辅助变量的个数，为6个；第二层为隐含层，其节点个数由如下经验公式确定：

$p=\sqrt{0.43\mathrm{ij}+0.12j^2+2.54i+0.77j+0.35}+0.5$

其中，p代表隐含层节点个数，i代表输入层节点个数，j代表输出层节点个数；第三层为输出层，其节点个数为1，即炉膛温度输出。并结合交叉验证的方法，确定6×6×1的三层BP网络拓扑结构。

假定BP网络输入层节点x_i，隐含层节点p_j，输出层节点y_i；输入层节点与隐含层节点间的网络权重值为w_j，i，隐含层节点与输出层节点间的网络权重值为v_j，i，阈值为θ。当给定输出层节点的真实值为t_i时，

隐含层节点的输出值为：

$p_j=f(\underset{i}{\mathrm{\Σ}}{w}_{j,i}{x}_i+{\mathrm{\θ}}_j)$

输出层节点的输出值为：

$y_i=f(\underset{j}{\mathrm{\Σ}}{v}_{i,j}{p}_j+{\mathrm{\θ}}_i)$

输出层节点的误差为：

$e=\frac{1}{2}\underset{i}{\mathrm{\Σ}}{(t_i-y_i)}^2=\frac{1}{2}\underset{i}{\mathrm{\Σ}}{[t_i-f(\underset{j}{\mathrm{\Σ}}{v}_{i,j}{p}_j+{\mathrm{\θ}}_i)]}^2$

$=\frac{1}{2}\underset{i}{\mathrm{\Σ}}{[t_i-f(\underset{j}{\mathrm{\Σ}}{v}_{i,j}f(\underset{i}{\mathrm{\Σ}}{w}_{j,i}{x}_i+{\mathrm{\θ}}_j)+{\mathrm{\θ}}_i)]}^2$

输入层与隐含层、隐含层与输出层间的连接权重参数矩阵分别记为W_k×p、V_p×1。BP神经网络中隐含层神经元的传递函数采用双曲正切S型tan-sigmoid型函数：

$p=\frac{2}{1+e^{(-2x)}}-1$

输出层神经元的传递函数采用S型log-sigmoid型函数：

$y=\frac{1}{1+e^{(-p)}}$

如此便可以限定BP网络输出值在0和1之间。定义BP训练算法迭代终止的目标误差为：

$\mathrm{MSE}==\frac{1}{n}{({\hat{y}}_i-y_i)}^2$

连续地采集270余组所需实际工业装置操作数据，剔除部分异常工况数据点，并进行数据预处理和归一化以降低建模误差，提高模型训练、预测的精度及其稳定性，构造样本数据集S，取其中2/3的样本数据作为训练集S₁，用于学习和建模，剩余的样本数据则作为模型的测试集S₂。对于训练集S₁，采用Levenberg-Marquardt学习算法训练BP人工神经网络模型，迭代步数取200次，目标误差MSE＝5×10^-3，并用测试集S₂对模型进行验证并校正调节，从而获得有效的人工神经网络权重和阈值参数。BP人工神经网络输入层节点与隐含层节点间的权重参数矩阵和阈值参数矩阵分别为：

$W_{k\×p}=\left[\begin{array}{cccccc}-0.0174& -2.1295& 4.0860& 2.4387& -15.8122& -3.7143\\ -0.8216& -1.5292& -1.5337& -3.5678& -4.3053& 3.7900\\ -3.4672& -6.3723& -1.9770& -3.4424& 1.4492& -1.2106\\ -3.2964& -7.8856& 0.0202& -1.5993& 6.7790& -4.2736\\ 4.8356& -0.6910& -4.0220& -7.1988& -3.3603& 4.0664\\ 6.7131& 1.333& -0.9514& -3.7527& 1.6583& -1.8072\end{array}\right]$

${\mathrm{\θ}}_1=\left[\begin{array}{c}6.4848\\ 5.1236\\ 7.3705\\ 5.3739\\ 0.3402\\ 1.3674\end{array}\right]$

其隐含层节点与输出层节点间的网络权重参数矩阵和阈值参数矩阵分别为：

V_p×1＝[-1.0288 -0.8366 0.7778 -0.6287 -0.5174 0.9250]

θ₂＝[-0.6656]

本发明中所涉及到的Levenberg-Marquardt学习算法介绍如下：

Levenberg-Marquardt学习算法本质上是一种拟牛顿方法，该算法步骤如下：

Step1)随机给定初始权值向量w₀，并设定目标误差ε，k＝1。

Step2)对于BP网络输出层节点的输出值公式

计算其对权值向量w的Jacobi矩阵J。

Step3)按下式进行搜索：

w^(l+1)＝w^(k)-η_k(J^T(w^(k))J(w^(k))+μ_kI)J^T(w^(k))F(w^(k))

Step4)若E(w^(k))≤ε，则算法终止，得到满足精度要求的权值向量；否则，转到Step5。

Step5)若||F(w^(k+1))-F(w^(k))||≤0，则令

否则，μ_k＝μ_k×4，转到Step3。

其中，定义Jacobi矩阵J为：

综上，得到能够正确描述多喷嘴对置式水煤浆气化炉炉膛温度变化的软测量模型。启动该软测量模型，将辅助变量的实时运行数据经过数据处理后作为软测量模型输入，测量出多喷嘴对置式水煤浆气化炉的炉膛温度，以指导气化反应过程的优化运行操作，并输出适当的氧煤比和炉膛温度变化。

实施例：

2010年7月一多喷嘴对置式水煤浆气化炉(如专利号200520047515.3中所示装置)近270小时的软测量模型的运行结果如图4所示。图中实线为实际测量数据，虚线为软测量模型预测结果，数据间隔为一小时。与实测结果相比，炉膛温度软测量模型预测结果的最大绝对误差为4.97％，相对误差都小于±5％，在误差允许的范围之内，可以保证预测结果的精度，并且在趋势预测上表现出较高的正确率。

2010年8月，多喷嘴对置式水煤浆气化炉(如专利号200520047515.3中所示装置)有四路进料：入炉煤浆中值分别为：12.5m3/h、12m3/h、12m3/h、12.6m3/h，水煤浆浓度为59.15％，水煤浆密度为1.182kg/m3，干基煤值MC＝8.5821kg/h；入炉氧气中值分别为5708m3/h、5762m3/h、6093m3/h、5762m3/h，中心氧气流量分别为1318m3/h、1165m3/h、1288m3/h、1188m3/h，入炉氧气总量均值为7071m3/h；氧煤比值O/C＝576.05；出口合成气氢气H2和一氧化碳CO含量分别为37.09％和46.57％。软测量模型输出温度为1236.39℃，气化炉炉膛温度过高。通过模型计算，此时炉膛温度如果要下降至1100℃左右，氧煤比值O/C必须下调至530左右。在工况定负荷运行条件下，控制氧气流量阀3减少入炉氧气总量：入炉氧气中值分别为5514m3/h、5510m3/h、5482m3/h、5482m3/h，中心氧气流量分别为1021m3/h、1089m3/h、756m3/h、1089m3/h，入炉氧气总量均值下降到6485.75m3/h；氧煤比值O/C＝528.37，出口合成气氢气H2和一氧化碳CO含量分别为37.01％和46.33％。上述调整之后，气化炉炉膛温度软测量实时值为1101℃，出口合成气总量基本不变，有效降低了炉膛温度，减少了氧气消耗。

应该看到，本发明所采用的基于人工神经网络的多喷嘴对置式水煤浆气化炉炉膛温度的软测量模型是正确的，它能够及时准确地检测炉膛温度的变化，从而提供有效信息，以指导气反应过程的优化运行操作，为大型水煤浆气化装置成套先进控制提供技术基础，实现其稳定生产、降低能耗，有效地提高能源转换效率、降低污染排放，同时它还具有煤化工行业的通用特性，可推广应用于目前其它气化装置水煤浆气化炉的炉膛温度软测量，具有普适性。

综上所述仅为本发明的较佳实施例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应为本发明的技术范畴。

Claims (8)

1.多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，其特征在于，它由下列步骤组成：

步骤1：采集实际工业装置气化炉的操作数据确定软测量模型的辅助变量和目标变量；

所述操作数据包括，入炉煤浆流量、水煤浆浓度、水煤浆密度、入炉氧气中值、中心氧气流量、出口合成气中氢气H₂、一氧化碳CO、甲烷CH₄的含量和炉膛温度；

所述辅助变量包括，干基煤、

入炉中心氧气流量、氧煤比、出口合成气中氢气H₂、一氧化碳CO、甲烷CH₄的含量；其中，

是引入系数，式中Max、Min分别取当前采集时刻点入炉中心氧气流量的最大值、最小值。

所述目标变量为炉膛温度；

步骤2：对步骤1中采集得到的实际工业装置操作数据进行数据预处理，剔除部分异常工况数据点，并构造样本数据集S，取其中2/3的样本数据作为训练集S₁，用于学习和建模，剩余的样本数据则作为模型的测试集S₂；

步骤3：通过计算经验公式得到BP人工神经网络的隐含层节点数目，并结合交叉验证方法，确定其网络拓扑结构；

所述BP人工神经网络选取三层网络结构，第一层为输入层，其节点个数等于辅助变量的个数，为6个；第二层为隐含层，其节点个数由如下经验公式确定：

$p=\sqrt{0.43\mathrm{ij}+0.12j^2+2.54i+0.77j+0.35}+0.5$

其中，p代表隐含层节点个数，i代表输入层节点个数，j代表输出层节点个数；

第三层为输出层，其节点个数为1，即炉膛温度输出；

步骤4：对于训练集S₁，采用Levenberg-Marquardt学习算法训练BP人工神经网络模型，并用测试集S₂对模型进行验证，从而获得有效的人工神经网络权重和阈值参数，得到能够正确描述多喷嘴对置式水煤浆气化炉炉膛温度变化的软测量模型；

步骤5：采集辅助变量的实时运行数据、并经过数据预处理后将其作为软测量模型输入，预测出多喷嘴对置式水煤浆气化炉的炉膛温度；

其中，步骤2和步骤5中所述数据预处理为对采集得到的实际工业装置操作数据取其稳定工况状态下的平均值，软测量模型的输入变量进行归一化处理；

其中，所述炉膛温度的软测量模型为：

y＝f(x₁，…，x_k)+e，其中，x_i(i＝1，2，...，k)、y分别是软测量模型的辅助变量、目标变量，该目标变量即炉膛温度，e是零均值高斯白噪声，f代表该多输入单输出系统的非线性关系。

2.根据权利要求1所述的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，

其特征在于，干基煤是入炉煤浆流量、水煤浆浓度和水煤浆密度的乘积：

M_C＝L_C×σ×ρ/100，

式中L_c是入炉煤浆流量，σ是水煤浆浓度，ρ是水煤浆密度。

3.根据权利要求1所述的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，其特征在于，氧煤比是入炉氧气总量、入炉煤浆流量的比值，或者从化学反应机理上来说，氧煤比即氧碳原子的比例：

$\frac{O}{C}=\frac{L_O/16\×2}{L_C/12\×\mathrm{\σ}}=\frac{1.5L_O}{L_C\mathrm{\σ}},$

式中，L_O是入炉氧气总量，L_C是入炉煤浆流量，σ是煤浆浓度。

4.根据权利要求1所述的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，其特征在于，所述软测量模型的输入变量进行归一化处理所选取的归一化范围为[0.2，0.8]。

5.根据权利要求1所述的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，其特征在于，步骤5中所述炉膛温度的软测量的数学模型中的零均值高斯白噪声其影响忽略不计，多喷嘴对置式水煤浆气化炉炉膛温度的数学模型简化为：

y＝f(x₁，…，x_k)。

6.根据权利要求1所述的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，其特征在于，步骤4所述BP人工神经网络的输入层节点与隐含层节点间的权重参数矩阵和阈值参数矩阵分别为：

$W_{k\×p}=\left[\begin{array}{cccccc}-0.0174& -2.1295& 4.0860& 2.4387& -15.8122& -3.7143\\ -0.8216& -1.5292& -1.5337& -3.5678& -4.3053& 3.7900\\ -3.4672& -6.3723& -1.9770& -3.4424& 1.4492& -1.2106\\ -3.2964& -7.8856& 0.0202& -1.5993& 6.7790& -4.2736\\ 4.8356& -0.6910& -4.0220& -7.1988& -3.3603& 4.0664\\ 6.7131& 1.3333& -0.9514& -3.7527& 1.6583& -1.8072\end{array}\right],$

${\mathrm{\θ}}_1=\left[\begin{array}{c}6.4848\\ 5.1236\\ 7.3705\\ 5.3739\\ 0.3402\\ 1.3674\end{array}\right],$

其隐含层节点与输出层节点间的网络权重参数矩阵和阈值参数矩阵分别为：

V_p×1＝[-1.0288 -0.8366 0.7778 -0.6287 -0.5174 0.9250]，

θ₂＝[-0.6656]。

7.根据权利要求1所述的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，其特征在于，还包括步骤6，根据软测量的炉膛温度，以操作数据之一为目标参数，并根据该目标参数给定值，以操作参数之一为调节参数，结合软测量模型计算该调节操作参数的值，并通过控制系统对气化炉的相关参数进行调节，达到该目标参数。

8.根据权利要求7所述的多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法，其特征在于，以给定气化炉炉膛温度为目标参数值，以氧煤比为调节参数，结合当前软测量模型，计算氧煤比值，并以此调节氧气流量。

Images