具体实施方式
本发明所说的采用“急冷工艺”的德士古水煤浆加压气化工艺流程制备原料气时,系统在一定负荷下,在线优化气化炉运行工况,提高“德士古合成气”有效成分的产出量的方法,包括如下步骤:
(1)数据的采集和预处理
(1-1)需采集数据的变量
根据对采用“急冷工艺”的德士古水煤浆加压气化工艺流程的分析,本发明的发明人选择了6个人工分析变量(“M”、“A”、“Va”、“C”、“ST”和“Cc”)、12个在线测量变量(“Fc”、“Pc”、“Tc”、“Fo”、“Foc”、“Po”、“To”、“Fw”、“Tw”、“Fg”、“CO”和“H2”)(请详见表1)。
表1
(1-2)过程数据的预处理
过程数据的预处理技术包括对采集的数据进行筛选、去噪等处理,以减少误差、噪声对测量值的影响,提高数据的准确度。本发明涉及的过程数据的预处理技术如下:
①错误过程数据的剔除:
对(1-1)中获取的12个在线测量变量的历史数据进行分析,首先剔除超出变量变化范围的数据,而后根据式(1)(3σ准则)剔除输入变量的不合理的测量值。
|ηk-μk|<3σk (1)
式(1)中:ηk为第k个辅助变量的测量值,μk为第k个辅助变量的数学期望,σk为第k个辅助变量的标准差,k=1,2,…12。
②过程数据的平滑:
数据平滑的目的在于从采集数据中排除噪声成分,保留测量变量的真实信号值。本发明采用一阶数字滤波技术,对(1-1)中获取的12个在线测量变量进行平滑去噪,具体方法为:设第k个变量第i个采样时刻的测量值为X
M k(i),其经过滤波后的输出值为
则:
式(2)中:k=1,2,…12;a>0,b>0,a+b=1。本发明中,取a=0.85,b=0.15。
(1-3)筛选稳态工况数据
本发明中,以(1-1)中获取的过去1个月的过程历史数据(即18个辅助变量)为基础,将其按(1-2)中所述方法进行预处理后,用于组成历史数据样本,具体步骤为:
①判断每一组数据所对应的历史时刻,装置是否处于稳态:
设某一组出炉有效气流量Fg、CO含量、H2含量的所对应的历史采样时刻为trdm,则取trdm时刻之前2.5分钟至trdm时刻之后2.5分钟(共5分钟)时间段内的入炉煤浆流量(Fc)、入炉氧气流量(Fo)的历史数据,如果以上2个变量的波动范围(trdm时刻之前2.5分钟至trdm时刻之后2.5分钟时间段内,某变量反复波动而形成的波峰、波谷与该时间段内该变量的平均值之间的相对误差)均在±5%以内,则认为trdm时刻装置处于稳态运行。
②将稳态数据筛选出来,组成历史数据样本
设过去1个月的历史数据的全部采样时刻中,装置处于稳态运行的时刻共有N次,则历史数据样本包含N组数据。
对6个人工分析辅助变量:设第i个样本的在线测量数据的采样时刻为ti,则取ti时刻之前最近一次的“M”,“A”,“Va”,“C”,“ST”和“Cc”人工分析值为第i个样本的“M”,“A”,“Va”,“C”,“ST”和“Cc”值。
对12个在线测量辅助变量:设第i个样本的在线测量数据的采样时刻为ti,则取ti时刻之前2.5分钟至ti时刻之后2.5分钟(共5分钟)时间段内的12个在线测量辅助变量的历史数据,计算各变量的5分钟内的平均值,分别作为第i个样本的在线测量的辅助变量值。
本发明采用以上方法组成历史数据样本。设历史数据样本包含N组数据,则历史数据样本数据表包含N行、18列,各列数据排列格式为:(“M”,“A”,“Va”,“C”,“ST”,“Cc”,“Fc”,“Pc”,“Tc”,“Fo”,“Foc”,“Po”,“To”,“Fw”,“Tw”,“Fg”,“CO”和“H2”)。
(2)历史工况评判和优化区域的划分
本发明的发明人根据每组历史数据样本的“Fg”,“CO”,“H2”,“Fc”,“Cc”和煤浆密度ρc,计算每组历史数据样本对应的历史工况的气化炉有效气产率Pi:
式(3)中,Fgi为第i个样本的出炉合成气流量;COi为第i个样本的合成气CO含量;H2 i为第i个样本的合成气H2含量;Fci为第i个样本的入炉煤浆流量;Cci为第i个样本的入炉煤浆浓度;σc=1.086t/m3。
将根据式(3)得到的每组历史数据样本对应的历史工况的有效气产率值(N组历史数据样本即对应N个有效气产率值),作为历史工况好坏的评判指标,用K均值聚类方法将有效气产率(历史工况)划分为“优”、“良”、“中”、“差”四个等级。
K均值聚类是一个基于划分的聚类方法,定义聚类误差平方和函数E如下:
式(4)中,xij是第i类第j个样本,mi是第i类的聚类中心(或称质点),ni是第i类中包含的样本个数。K均值聚类方法实质就是通过反复迭代寻找k个最佳的聚类中心,将全体n个样本点分配到离它最近的聚类中心,使聚类误差平方和E最小。在本发明的分类问题中,k=4,i=1,2,3,4。具体步骤为:
①初始化:从N个有效气产率值中随机抽取4个,作为初始聚类中心m1,m2,m3,m4。
②分配样本:对每一个有效气产率值,找到离它最近的聚类中心,并将其分配到该类。
③修正聚类中心:根据②中的分配结果,计算各类的聚类中心为以下值:
式(5)中,mi是第i类的聚类中心,ni是第i类中包含的样本个数,xij是第i类第j个样本,i=1,2,3,4。
④返回步骤②,直至聚类中心m1,m2,m3,m4不再变化,则算法结束。
针对本发明中的“德士古气化炉”有效气产率,将产率分成四等,通过以上方法获得四个聚类中心m1,m2,m3,m4(设m1>m2>m3>m4),则“优”、“良”、“中”、“差”四个工况等级划分如下:
若 则该工况等级为“良”;
若 则该工况等级为“中”;
若则该工况等级为“差”。
(3)建立“德士古气化炉”进料与“Fg”、“CO”和“H2”的关系模型
(3-1)数据样本的归一化
对(1)中获取的历史数据样本数据表(N行,18列)的各列数据按式(6)进行归一化处理。
式(6)中,X
ik为历史数据样本数据表第i个样本第k列的值,
为归一化以后的数值,
为第k个变量的变化范围(请详见表1)。
(3-2)对历史数据样本中的前15个辅助变量进行主元分析
稳态工况中的各个变量,虽然都能够不同程度的反应过程的部分信息,但某些变量之间可能存在相关性。为了尽可能保持原有信息,剔除输入变量中包含的冗余信息,减少变量数目,提高模型训练和应用模型进行预测的运算速度,发明人采用主元分析的方法对经过数据归一化处理后的历史数据样本中的前15个辅助变量进行压缩,具体步骤为:
①计算辅助变量数据矩阵的协方差矩阵:
取已按(3-1)进行归一化的稳态工况样本(包含N个样本)的前15列为辅助变量矩阵,记为XF(N×m维,m=15),按式(7)定义XF的协方差矩阵:
式(7)中,Cov(XF)(m×m维,m=15)为辅助变量矩阵XF的协方差矩阵,为XF的转置矩阵。
②按式(8)对协方差矩阵进行正交分解:
Cov(XF)=PXT·D·PX (8)
式(8)中,D=diag(λ1,λ2,…,λm)(λ1≥λ2≥…≥λm)(m×m维,m=15)为协方差矩阵Cov(XF)的m个特征值按降序排列构成的对角矩阵,PX=[px1,px2,…,pxm](m×m维,m=15)是由与m个特征值对应的特征向量组成的特征矩阵,PXT为PX的转置矩阵。
③按式(9)计算第k个主元的方差贡献率ξ
k,并按式(10)计算前k个主元的累积方差贡献率
根据累计方差贡献率(一般>90%)及数据调整的特点,本发明中,选择主元总个数为8。
④按式(11)对辅助变量矩阵XF进行压缩:
QY=XF·PY (11)
式(11)中,QY=[qy1,qy2,…,qy8](N×8维)为主元矩阵,qy1,qy2,…,qy8为主元变量,即BP神经网络模型的训练样本的输入变量,PY=[px1,px2,…,px8](m×8维,m=15)是由与特征值λ1,λ2,…,λ8对应的特征向量组成的特征矩阵,即是由本节步骤②中矩阵PX前8列数据构成。
(3-3)组成3个BP神经网络模型的训练样本
本发明从经过步骤(3-2)处理的8个主元(包含N个样本)及步骤(3-1)的已归一化的Fg,CO,H2中获得模型的训练样本。设每个模型的训练样本中包含N组数据,则每个训练样本数据表均包含N行、9列,分别按如下格式排列各列数据:
Fg:(qy1,qy2,qy3,qy4,qy5,qy6,qy7,qy8,Fg)(第9列已按(3-1)归一化);
CO:(qy1,qy2,qy3,qy4,qy5,qy6,qy7,qy8,CO)(第9列已按(3-1)归一化);
H2:(qy1,qy2,qy3,qy4,qy5,qy6,qy7,qy8,H2)(第9列已按(3-1)归一化)。
(3-4)“德士古气化炉”进料与合成气流量Fg、合成气CO含量、合成气H2含量的3个关系模型的建立
本发明所建立的“德士古气化炉”进料与“Fg”、“CO”和“H2”的关系模型采用3个结构相同的误差反向传播算法的前馈型神经网络,简称BP(Back Propagation)网络(请参见图4、图5、图6)。每个BP网络均含有3层网络结构,即输入层、隐含层、输出层。输入层有8个节点,隐含层有8个节点,输出层有1个节点。
(3-4-1)“德士古气化炉”的“Fg”的BP神经网络模型的建立
“Fg”的BP网络模型结构如图4所示。该BP网络的N组训练样本由(3-3)中获得。(3-3)中所述训练样本数据表(N行×9列)的1~8列为样本输入,第9列为样本的输出。
设该BP网络中,
为输入层至中间层连接权,
为中间层至输出层连接权,
为中间层各节点输出阈值,r
1为输出层节点输出阈值。另设
为中间层各节点输入,
为中间层各节点输出,
为中间层各节点误差,l
1为输出层节点输入,out
1为输出层节点输出,d
1为输出层节点误差。其中,i=1,2,…,8,j=1,2,…,8。
该BP网络的训练步骤为:
①初始化:给r1赋予区间[-1,1]内的随机值。
②随机选取一组出炉合成气流量Fg的训练样本提供给其BP神经网络模型:设该网络的8个主元输入数据为Q=(q1,q2,…,q8),网络的目标输出为oout1。
④按式(13)计算输出层节点的输入l1及输出out1:
⑤按式(14)计算输出层节点误差d1:
d1=(oout1-out1)out1(1-out1) (14)
⑨根据全部N组训练样本,按式(18)计算网络的全局相对误差E1:
式(18)中,
为第k组训练样本的目标输出,
为第k组训练样本经BP网络计算得到的实际输出。
⑩判断:若网络全局误差E1小于1.5%,则训练结束,所得BP网络即为“Fg”神经网络模型;否则返回步骤②。
(3-4-2)“德士古气化炉”的“CO”的BP神经网络模型的建立
“CO”的BP网络模型结构如图5所示。该BP网络的N组训练样本由(3-3)中获得。(3-3)中所述训练样本数据表(N行×9列)的1~8列为样本输入,第9列为样本的输出。
设该BP网络中,
为输入层至中间层连接权,
为中间层至输出层连接权,
为中间层各节点输出阈值,r
2为输出层节点输出阈值。另设
为中间层各节点输入,
为中间层各节点输出,
为中间层各节点误差,l
2为输出层节点输入,out
2为输出层节点输出,d
2为输出层节点误差。其中,i=1,2,…,8,j=1,2,…,8。
该BP网络的训练步骤与步骤(3-4-1)相同。训练所得BP网络即为“CO”神经网络模型。
(3-4-3)“德士古气化炉”的“H2”的BP神经网络模型的建立:
“H2”的BP网络模型结构如图6所示。该BP网络的N组训练样本由(3-3)中获得。(3-3)中所述训练样本数据表(N行×9列)的1~8列为样本输入,第9列为样本的输出。
设该BP网络中,
为输入层至中间层连接权,
为中间层至输出层连接权,
为中间层各节点输出阈值,r
3为输出层节点输出阈值。另设
为中间层各节点输入,
为中间层各节点输出,
为中间层各节点误差,l
3为输出层节点输入,out
3为输出层节点输出,d
3为输出层节点误差。其中,i=1,2,…,8,j=1,2,…,8。
该BP网络的训练步骤与步骤(3-4-1)相同。训练所得BP网络即为“H2”神经网络模型。
(4)应用模型对工况进行在线优化
(4-1)判断装置状态
在对系统工况进行优化计算之前,首先需要判断当前装置是否处于正常、稳定的状态,即:
①各个测量变量均有有效的测量值,且近5分钟时间段内的变化范围在该变量允许的变化范围内(具体参照表1);
②“Fc”(入炉煤浆流量)和“Fo”(入炉氧气流量)近5分钟时间段内的波动范围(变量反复波动而形成的波峰、波谷与该时间段内该变量的平均值之间的相对误差)均在±5%以内。
如果装置当前运行状态不正常或不稳定,则优化系统自动切除,不对当前工况进行优化。
(4-2)对系统当前工况进行评判
根据式(19)计算系统当前的有效气产率P*:
其中,Fg
*为系统当前的出炉合成气流量;CO
*为系统当前的合成气CO含量;
为系统当前的合成气H
2含量;Fc
*为系统当前的入炉煤浆流量;Cc
*为系统当前的入炉煤浆浓度;ρ
c=1.086t/m
3。
本发明的发明人根据系统当前的有效气产率P*,按步骤(2)中所述方法评价系统当前工况的等级(“优”、“良”、“中”、“差”),并根据工况等级判断结果进行如下操作:
①若系统当前工况为“优”,系统不做任何调整(不进行优化计算);
②若系统当前工况为“良”,按步骤(4-3)所述方法计算优化的系统控制参数(“Fo”(氧气流量)、“Foc”(中心枪氧气流量)和“Fw”(急冷水流量))和预期达到的优化的系统有效气产率,若优化的有效气产率比系统当前的有效气产率P*高5%以上,则按优化结果调整系统的控制参数(“Fo”、“Foc”和“Fw”),否则,系统控制参数不做任何调整,以保持系统运行的相对平稳;
③若系统当前工况为“中”,按步骤(4-3)所述方法计算优化的系统控制参数(“Fo”、“Foc”和“Fw”)和预期达到的优化的系统有效气产率,若优化的有效气产率优于系统当前的有效气产率P*,则按优化结果调整系统的控制参数(“Fo”、“Foc”和“Fw”),否则,系统控制参数不做任何调整;
④若系统当前工况为“差”,向操作人员报警,并按步骤(4-3)所述方法计算优化的系统控制参数(“Fo”、“Foc”和“Fw”)和预期达到的优化的系统有效气产率,并提供给操作人员参考,但不自动调整系统的控制参数。
(4-3)工况优化计算
本发明根据系统当前各个辅助变量的测量值,及步骤(3)中建立的BP神经网络模型,运用粒子群优化算法(PSO)获得系统控制参数(“Fo”、“Foc”和“Fw”)的优化值及预期达到的系统有效气产率。在PSO算法中,种群的每一个粒子的位置对应的是一组系统候选控制参数,排列格式为:(Fo’,Foc’,Fw’),其总数量为dim=3。
其中所述的PSO算法优化氧气流量、中心枪氧气流量、急冷水流量的步骤如下:
①PSO算法参数的初始化:种群规模Popsize=50;最大迭代次数MaxIter=2000;惯性因子的最大值为0.9,最小值为0.2。两个学习算子均为2.0。
②对种群中的粒子位置和速度进行初始化,粒子位置的各个部分是氧气流量、中心枪氧气流量、急冷水流量,其分别在[15000,35000]、[3000,6000]、[250,400]范围内取随机数,粒子速度的各个部分同样在[15000,35000]、[3000,6000]、[250,400]范围内取随机数。
③粒子的适应值函数Fitness为当前气化炉工况下,采用该粒子位置对应的控制参数,根据(3)中建立的BP神经网络关系模型计算得到的气化系统的有效气产率,即
式(20)中,Fc*为系统当前的入炉煤浆流量;Cc*为系统当前的入炉煤浆浓度;ρc=1.086t/m3。fFg、fCO、分别表示当前气化炉工况下,采用该粒子位置对应的控制参数,根据(3)中建立的BP神经网络关系模型计算得到的气化系统的合成气流量、合成气CO含量、合成气H2含量,其计算方法为:
a)取气化系统12个辅助变量的当前值(入炉煤水分M*、入炉煤灰分A*、入炉煤挥发分Va*、入炉煤固定碳含量C*、入炉煤灰熔点ST*、入炉煤浆浓度Cc*、入炉煤浆流量Fc*、入炉煤浆压力Pc*、入炉煤浆温度Tc*、入炉氧气压力Po*、入炉氧气温度To*、入炉急冷水温度Tw*)以及当前粒子位置所对应的控制参数(氧气流量Fo’、中心枪氧气流量Foc’、急冷水流量Fw’),按式(21)排列为行向量:
X15=(M*,A*,Va*,C*,ST*,Cc*,Fc*,Pc*,Tc*,Fo′,Foc′,Po*,To*,Fw′,Tw*) (21)
b)将X
15按(3-1)所述方法进行归一化,得到
再将
按(3-2)④中所述方法转换成8个主元变量Q
8=(q
1,q
2,…,q
8)。
c)将Q8代入(3-4-1)中的BP神经网络模型中,按式(12)、(13)计算后,得到网络输出值out1;
同理,将Q8代入(3-4-2)中的BP神经网络模型中,得到网络输出值out2;
同理,将Q8代入(3-4-3)中的BP神经网络模型中,得到网络输出值out3。
分别将out1、out2、out3按式(22)进行反归一化,即得到当前气化炉工况下,采用该粒子位置对应的控制参数,根据步骤(3)中建立的BP神经网络关系模型计算得到的气化系统的“Fg”(合成气流量)、“CO”(合成气中CO含量)和“H2”(合成气中H2含量)。
式(22)中,Y
k(k=1,2,3)为合成气流量、合成气CO含量、合成气H
2含量值,out
k(k=1,2,3)为(3)中建立的BP神经网络模型的在[0,1]范围的输出值,
(k=1,2,3)为合成气流量、合成气CO含量、合成气H
2含量的变量变化范围(请详见表1第16~18行)。
④利用适应值函数评价每个粒子的适应值。
⑤将每个粒子的适应值与粒子自身的最好位置pbest比较。当粒子当前适应值优于自身最好适应值,则更新pbest。
⑥将每个粒子的pbest与整个种群的最优位置gbest比较。当粒子自身的最好适应值优于种群的最优适应值,则更新gbest。
⑦计算当前的惯性因子,并对粒子的速度和位置进行更新。
式(23)中,w为惯性因子;iter为当前迭代次数;i代表种群中第i个个体的索引;v为粒子的速度;c1,c2分别为两个学习算子;r1,r2分别为两个均匀分布的[0,1]范围内的随机数;pi表示种群中第i个个体的最好位置pbest;pg表示整个种群的最优位置gbest;xi表示种群中第i个个体的位置。
⑧判断当前迭代次数iter是否达到MaxIter。没有则转至步骤④;否则输出最优适应值所对应的粒子位置,即为由PSO算法获得的系统控制参数(“Fo”、“Foc”和“Fw”)的优化值,同时,该最优适应值即为由PSO算法获得的预期达到的系统有效气产率。
(5)优化区域及模型的在线更新
由于测量对象具有时变性、非线性、不确定性,随着时间的推移,测量对象的特性和工况点都会发生变化,使优化区域发生变化及模型误差加大。因此,必须设置优化区域及BP神经网络模型的在线更新机制,才能使优化区域及模型不断适应系统特性的变化和生产工况的迁移。为此,在线更新方法是必不可少的,具体为:
①系统按步骤(1-1)所述方法按表1不断获取、“滚动”更新、保存最近1个月的过程数据,包括6个人工分析辅助变量、12个在线测量辅助变量(详见表1);
②每当系统获得最新的“德士古气化炉”“Fg”、“CO”和“H2”的测量值时,分别判断步骤(3)中建立的“Fg”、“CO”和“H2”的BP神经网络模型计算结果与当前测量值的相对误差是否超限(连续10次超过±2%);如果有任何一个模型结果超限,则系统按步骤(1)中所述方法,根据系统保存的过去1个月的历史数据重新获取历史数据样本,并按步骤(2)中所述方法,对历史数据样本中的历史工况进行K均值聚类,获得新的优化区域,同时,按步骤(3)中所述方法,对历史数据样本进行归一化和主元分析后,对超限的BP网络模型重新进行训练,以获得新的模型参数。
本发明在不增加生产成本的情况下,使采用本发明所述“急冷工艺”的德士古水煤浆加压气化工艺流程制备原料气的甲醇生产厂商,能够在实时掌握“德士古气化炉”有效气产率后,对当前系统工况进行评判,从而及时掌握装置的运行工况及生产状态,并且通过优化计算,在线调整控制参数(氧气流量、中心枪氧气流量、急冷水流量),从而优化反应工况,快速准确地提高德士古气化系统有效气产率,给生产厂商带来更好的经济效益和更强大的竞争力。
以下通过实施例对本发明作进一步阐述,其目的仅在于更好理解本发明的内容。
实施例1
根据某甲醇生产厂提供的近1个月的6个人工分析数据(“M”,“A”,“Va”,“C”,“ST”和“Cc”)、从DCS中采集的12个在线数据(“Fc”、“Pc”、“Tc”、“Fo”、“Foc”、“Po”、“To”、“Fw”、“Tw”、“Fg”、“CO”和“H2”),按步骤(1)中所述方法进行错误过程数据的剔除、过程数据平滑、稳态工况判断、组成历史数据样本等操作,从而获得历史数据样本310组。
按步骤(2)中所述方法,计算每组样本的有效气产率,得到对应的310个有效气产率值。对该310个有效气产率值进行K均值聚类,得到4个聚类中心为(单位:m3/t):
m1=3713.8; m2=3601.1; m3=3523.9; m4=3431.7;
设“德士古气化炉”某一工况下,有效气产率值为(单位:m3/t),则“优”、“良”、“中”、“差”四个工况等级划分如下:
若 则该工况等级为“良”;
若 则该工况等级为“中”;
按步骤(3-1)和(3-2)中所述方法,对(1)中获得的310组历史数据样本进行归一化、辅助变量主元分析等操作,并按步骤(3-3)中所述方法,分别获得“Fg”、“CO”和“H2”模型的训练样本各310组。
按步骤(3-4-1)中所述方法,建立“德士古气化炉”出炉合成气流量Fg的BP神经网络模型,采用310组样本对BP网络进行训练后,获得的一组合成气流量Fg的BP网络权值和阈值如下:
r1=1.9946;
同理,按步骤(3-4-2)中所述方法,建立“德士古气化炉”合成气CO含量的BP神经网络模型,采用310组样本对BP网络进行训练后,获得的一组CO含量的BP神经网络权值和阈值如下:
r2=1.6019;
同理,按步骤(3-4-3)中所述方法,建立“德士古气化炉”合成气H2含量的BP神经网络模型,采用310组样本对BP网络进行训练后,获得的一组H2含量的BP神经网络权值和阈值如下:
r3=-6.4239;
如该厂德士古气化装置当前处于正常、稳定的状态,18个辅助变量为:M*=1.16%,A*=7.68%,Va*=41.39%,C*=49.77%,ST*=1210℃,Cc*=65.05%,Fc*=68.69m3/h,Pc*=5.74MPa,Tc*=42.91℃,Fo*=28550.82m3/h,Foc*=4340.00m3/h,Po*=7.40MPa,To*=33.55℃,Fw*=337.55m3/h,Tw*=229.45℃,Fg*=210528.09m3/h,CO*=39.96%,H2 *=40.28%,按式(19)计算系统当前的有效气产率P*=3481.37m3/t。按步骤(2)中所述方法评价系统当前工况的等级为:“中”。系统按步骤(4-3)所述方法计算优化的系统控制参数(氧气流量、中心枪氧气流量、急冷水流量)和预期达到的优化的系统有效气产率。
设优化计算后,得到的某一个粒子的位置为(29068.98,4668.13,399.62),则该粒子的适应值计算过程如下:
a)取气化系统12个辅助变量的当前值以及当前粒子位置所对应的控制参数排列为行向量:
X15=(1.16,7.68,41.39,49.77,1210,65.05,68.69,5.74,42.91,29068.98,4668.13,7.40,33.55,399.62,229.45,210528.09,39.96,40.28)
b)将X
15按(3-1)所述方法进行归一化,得到
将
按(3-2)④中所述方法转换成8个主元变量Q
8=(q
1,q
2,…,q
8),其中,q
1=2.1290;q
2=-0.0360;q
3=-0.0410;q
4=-0.1912;q
5=0.1478;q
6=0.2690;q
7=0.0127;q
8=-0.1553。
c)将Q8代入(3-4-1)中的BP神经网络模型中,按式(12)、(13)计算网络输出值out1:
同理,将Q8代入(3-4-2)中的BP神经网络模型中计算网络输出值out2:
同理,将Q8代入(3-4-3)中的BP神经网络模型中计算网络输出值out3:
分别将out1、out2、out3按式(22)进行反归一化,即得到当前气化炉工况下,采用当前粒子位置对应的控制参数,根据步骤(3)中建立的BP神经网络关系模型计算得到的气化系统的“Fg”(合成气流量)、“CO”(合成气中CO含量)和“H2”(合成气H2含量):
fFg=out1×(250000-120000)+120000=224944.23m3/h
fCO=out2×(45-35)+35=40.40%
按式(20)计算当前粒子的适应值Fitness,即为当前气化炉工况下,采用当前粒子位置对应的控制参数,根据(3)中建立的BP神经网络关系模型计算得到的气化系统的有效气产率:
当前气化炉工况下,系统按步骤(4-3)所述方法计算优化的系统控制参数为:氧气流量Fo’=29068.98m3/h,中心枪氧气流量Foc’=4668.13m3/h,急冷水流量Fw’=399.62m3/h,有效气产率优化值为3711.22m3/t,比系统当前的有效气产率P*高6.6%。
上述要求的条件在大多数的采用“急冷工艺”的德士古水煤浆加压气化生产流程中均能满足,因此该发明具有普适性。