CN110684547A - 一种生物质热解炭化窑优化控制方法 - Google Patents
一种生物质热解炭化窑优化控制方法 Download PDFInfo
- Publication number
- CN110684547A CN110684547A CN201911008705.7A CN201911008705A CN110684547A CN 110684547 A CN110684547 A CN 110684547A CN 201911008705 A CN201911008705 A CN 201911008705A CN 110684547 A CN110684547 A CN 110684547A
- Authority
- CN
- China
- Prior art keywords
- temperature
- kiln
- working condition
- output
- carbonization kiln
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003763 carbonization Methods 0.000 title claims abstract description 66
- 238000000197 pyrolysis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002028 Biomass Substances 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000010168 coupling process Methods 0.000 claims abstract description 6
- 238000005859 coupling reaction Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000013499 data model Methods 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- 238000002485 combustion reaction Methods 0.000 abstract description 12
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 14
- 239000007789 gas Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002803 fossil fuel Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 206010021143 Hypoxia Diseases 0.000 description 2
- 239000003610 charcoal Substances 0.000 description 2
- 238000009264 composting Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009699 differential effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003767 neural control Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10B—DESTRUCTIVE DISTILLATION OF CARBONACEOUS MATERIALS FOR PRODUCTION OF GAS, COKE, TAR, OR SIMILAR MATERIALS
- C10B53/00—Destructive distillation, specially adapted for particular solid raw materials or solid raw materials in special form
- C10B53/02—Destructive distillation, specially adapted for particular solid raw materials or solid raw materials in special form of cellulose-containing material
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10B—DESTRUCTIVE DISTILLATION OF CARBONACEOUS MATERIALS FOR PRODUCTION OF GAS, COKE, TAR, OR SIMILAR MATERIALS
- C10B21/00—Heating of coke ovens with combustible gases
- C10B21/10—Regulating and controlling the combustion
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10B—DESTRUCTIVE DISTILLATION OF CARBONACEOUS MATERIALS FOR PRODUCTION OF GAS, COKE, TAR, OR SIMILAR MATERIALS
- C10B41/00—Safety devices, e.g. signalling or controlling devices for use in the discharge of coke
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/10—Biofuels, e.g. bio-diesel
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明涉及一种生物质热解炭化窑优化控制方法。本发明专利是利用BP神经网络自适应控制热解炭化窑和工况参数优化的一种算法。解炭化窑是一个非线性、大滞后、多耦合的温度控制系统，采用机理建模难以得出准确的数学模型。自适应控制是采集炭化窑与燃烧炉的工况数据，使用燃烧炉工况数据模拟炭化窑窑尾温度的输出，再根据温度偏差产生自适应调节参数，减小炭化窑温度的波动。对于工况参数的优化，采集工况参数准确模拟炭化窑窑尾温度的输出后，改变某一工况参数，改变后的某一工况参数对炭化窑温度会在一定区间内呈现正相关或者负相关。得炭化窑窑尾平均温度为最大值时对应的设定工况范围。然后将该最佳工况参数传递给执行机执行。有利于提高炭化窑窑内的温度。
Description
技术领域
本发发明专利属于控制科学领域，提出了利用BP神经网络自适应控制生物质热解炭化窑和工况参数优化的一种算法。
背景技术
当今社会的发展面临着能源的枯竭和环境的恶化。面对每天产生的大量可腐烂垃圾。传统生物质垃圾处理方法有填埋、焚烧、堆肥，但是这三种处理方法都有很多弊端。填埋和焚烧都会造成严重的二次污染，堆肥方式每天的处理量十分有限。生物质热解炭化技术就能很好的实现生物质垃圾减量化、无害化、资源化、可持续化的发展。
生物质热解炭化技术是利用生物质在高温缺氧或者无氧条件下热分解为生物质炭和热解可燃气的过程。生物质炭可以进行深加工，变成农业肥料或者工业金属吸附剂，热解可燃气可以用于生物质热解炭化过程的热源补充。其工艺流程图如图1所示。目前热解炭化窑温度控制难以实现炭化窑产生的可燃气供给达到能量自平衡，需要外加热源辅助供热。
生物质炭化窑控制系统具有多变量、大滞后、强耦合以及时变非线性等特性。生物质炭化窑与燃烧炉内工况始终处于动态变化之中，难以建立精确的数学模型，而常规的PID控制方法对热解炭化窑这样复杂的温度控制系统难以达到良好的控制效果，容易使窑尾温度波动大。严重的影响了出炭质量与热解可燃气的产生，造成了大量化石燃料的燃烧，加大了热解炭化装置的运营成本。神经网络自适应控制在多变量、大滞后、强耦合、时变非线性系统中能达到良好的控制效果。
神经网络最早由心理学家W·Mcculloch和数理逻辑学家W·Pitts 提出，神经网络具有模拟人思维的特点，可以看作一个非线性的动力学系统，非常适用于复杂环境。它具有以任意精度逼近任意非线性函数的特性。可以用于函数逼近：使用输入向量和输出向量训练可以逼近被控对象的数学模型。所述神经网络可用于数据分类、数据压缩、被控对象模型辨识。用于生物质炭化窑温度控制可以很好的解决控制领域难以解决的三大难题：(1)可以使用神经网络回归分析模拟出炭化窑窑尾温度输出，不必通过复杂机理建模，通过输入输出关系实时地得出被控对象的数学模型或者传递函数；(2)可以实现对热解炭化窑的自适应控制，减小人工干预，提高热解炭化窑智能控制水平；(3) 可以优化热解炭化工况参数，使所述生物质热解炭化窑工况设备工作在最佳的运行条件下。
传统的PID控制方法在非线性、大滞后、强耦合的控制系统中难以达到良好的控制效果。所述BP神经网络自适应控制是为了减小炭化窑温度的波动、稳定地保持炭化窑产生大量的可燃气以及保障冷却出炭品质。优化工况运行参数可以使热解炭化过程中产生更多的热解可燃气，产生的热解可燃气能够充分燃烧，减少化石燃料的燃烧、小企业运营成本、设备稳定运行等优点。
发明内容
本发明根据上述提出的生物质热解炭化窑温度控制波动大、工况运行参数不合适的问题。提出了生物质炭化窑自适应控制方法与优化工况运行参数方法。所述自适应控制能够减小窑体内温度的波动，稳定热解可燃气的产生和保障炭的品质，所述优化工况运行参数主要是在当前炭化窑温度下，调节鼓风机、窑传动电机、可燃气引风机的频率参数。达到所述炭化窑产生更多的热解可燃气进入燃烧炉里面充分燃烧，在不增加燃料甚至减小燃烧油的情况下，最终使炭化窑的窑尾温度达到极大值，使整个系统温度能够升高。
对于传统PID控制是按照偏差信号(e)进行比例(P)、积分(I)、微分(D)运算。计算公式如下。
其中，u为PID控制器的输出，Ti为积分常数、Td为微分常数、k为比例放大系数、m为偏差为零时的调整值，当e为零时，使u的输出非零。保证控制器一直在调节。这里用到的PID控制是基于误差信号的闭环控制系统进行调节。PID控制的好处就是可以不知道控制系统的数学模型，只要检测到偏差信号，就可以对系统进行输出调节，经过反馈调节后，减小系统误差输出，达到控制精度要求。
上面公式为连续式的PID控制过程，但对于计算机控制系统，则需要将信号进行离散化后变成数字量才能被计算机识别。如果控制系统的采样周期为T，积分初值为0，则离散化后的式子如下。
u(k)为控制器第k时刻的输出、e(k)为第k时刻的误差、e(k-1)为第k-1时刻的误差、T为系统的采样时间、Ti为积分时间，越小积分作用越强，、Td为微分时间，越大微分作用越强，微分具有提前预测误差变化趋势，对误差变化有一定抑制作用、m为e(k)为零时的调节值、k为比列放大系数。为了简化公式，令
得出下列公式。
要使PID控制取得良好的控制效果、关键在于三个参数的选取。对于实际运用并不需要比例、积分、微分全部都用，某些情况只需要其中一项或者两项即可。传统的PID控制是需要工程师根据现场的情况选择kp、ki、kd三个控制参数。所述生物质炭化窑中很多时候控制参数的选择很难难以到达理想的效果。使实际温度控制波动非常大。
神经网络自适应控制结构图如图2所示，神经网络自适应控制与优化工况参数两部分。传统的闭环控制系统，既PID控制器与广义被控对象，所述的控制参数Kp，Ki，Kd由神经网络NNC输出。NNT为预测神经网络，通过采集燃烧炉和炭化窑的温度压力等数据，模拟炭化窑窑尾温度输出。能够根据历史输入和当前的输入数据准确的预测窑尾的温度输出。同时NNT的输出传递到NNC，为NNC自适应控制提供实时数据。
所述NNC为自适应控制神经网络，输入为窑尾设定温度、炭化窑实际窑尾温度、当前温度偏差e(k)与[e(k)-e(k-1)]/T。输出为 PID调节参数的Kp，Ki，Kd。所述自适应控制网络能根据当前的温度偏差合理的输出体调节工况参数。可以根据不同时候的数据输入，得出最佳的控制参数，以期望达到炭化窑温度的控制精度。然后将控制参数Kp，Ki，Kd与优化后的x8、x9、x10运行的参数传递到WINCC,WINCC 再传递给PLC进行实际控制。其自适应控制与优化调参如图3所示。对于热解炭化窑工况测量点，如图1所示，其每个测量点含义如下。 x1＝炭化窑进口压力、x2＝窑进口温度、x3＝燃烧炉压力、 x4＝燃烧炉1温度、x5＝燃烧炉5温度、x6＝鼓风机进口温度、 x7＝炭化窑前端温度、x8＝鼓风机工作频率、x9＝热解可燃气引风机工作频率、x10＝窑传动电机工作频率。
NNT温度预测神经网络的工作流程如下：
(1)在工控机WINCC软件上每10S记录一次燃烧炉、炭化窑温度、压力等数据。
(2)对采集的数据进行筛选，筛选过程中将十分相近的数据都删除掉，选取每5min/一次数据，这样有利于减少重复数据的训练，保证训练数据样本的广泛性，有利于得出较好的训练结果。
(3)将采集的数据分为训练集、测试集；将训练集和测试集的数据进行归一化，归一化公式为x′＝(x-xi)/(xmax-xmin)
(4)构建一个三层的BP神经网络、输入节点为11个、隐含层的节点数为k、输出层的节点数为1。输入层、隐含层、输出层的节点函数均用双S型激活函数。
(5)初始化输入层、隐含层、输出层的连接权系数wij，设置BP神经网络训练参数等。
(6)将归一化后的训练集分为输入和输出，将输入进行训练；计算隐含层与输出层的输出值。
(7)在训练次数小于迭代次数的前提下，通过模拟输出与实际输出值进行比较，如果误差小于设定误差，那么就结束训练。如果迭代次数达到了允许的最大迭代次后，模拟输出与实际输出的误差没有达到设定误差，那么就停止训练。通过重新设置训练参数继续训练，直到在设定的迭代次数范围达到误差要求。
(8)将验证集数据使用上面所述模型进行测试，当验证集的误差也小于设定误差时，则所述NNT神经网络可以直接用后续采集的输入数据(x1-x10)来模拟窑尾温度(y)的输出。
(8)将模拟窑尾温度输出值(y)传递给NNC自适应神经控制网络。
所述NNT网络结构如图4所示。神经网络自适应控制部分，可用G(.)来描述PID的输出。G(.)为其中变量的函数。
u(k)＝G[r(k-1)，y(k-1)，e(k-1)，Kp，Ki，Kd，]
其中r(k-1)，y(k-1)，e(k-1)为输入，可以通过所述NNC神经网络的训练来找到最佳的Kp，Ki，Kd控制参数。在根据u(k)的计算式计算出每个时刻的u(k)值。y(k)＝u(k)*g(z)。通过u(k)计算出y(k)的输出。
所述NNC也是一个三层的神经网络，有3个输入节点，j个隐含节点、3个输出节点。每个节点的输出函数使sigmoid函数。通过训练集的的输入和输出数据，可以调整节点之间的连接权值。所述NNC 神经网络的输入向量为N1、N2、N3。通过BP神经网络误差反馈，输入层通过不断的调整连接权系数最终能以5度的误差模拟实际温度的输出。对于所述的被控对象模型辨识，使用u(k)与y(k)的输入输入关系，可以辨识出被控对象的数学模型G(S)，再对G(S)进行离散化，得出G(Z)。离散后的z对应系统的每个采样时刻k得出u(k)＝ u(z)，y(k)＝y(z)，最终可以得出
可以编写y(z)关于 G(Z)，u(z)的函数关系式。
N1＝窑尾设定温度；N2＝窑尾实际温度；N3＝N2-N1。
NNC神经网络自适应控制算法流程图如下。
(1)采集u(k)、y(k)的部分历史数据值，辨识出被控对象的数学模型。
(2)NCC上取样每个时刻的y(k-1)(窑尾温度值)，r(k-1)为窑尾温度设定值，一般不变，k＝1，2，n。
(3)e(k-1)＝r(k-1)-y(k-1)，然后对e(k-1)进行归一化处理
(4)e(k-1)，r(k-1)，y(k-1)等作为输入，计算NNC各层神经元的输入与输出，得出控制参数Kp，Ki，Kd。
(5)将制参数Kp，Ki，Kd带入PID计算公式中，计算u(k)的值，将计算的 u(k)值代入到神经网络NNT中，作为第次k的输入。
(6)将NNT第K次的数据输入数据输入，通过NNT神经网络回归分析后，输出窑尾预测温度值将窑尾预测温度值与窑尾实际温度值做比计算出
(7)计算窑尾的设定温度值与窑尾的实际温度温度值的偏差，e(k)＝ r(k)-y(k)，
(8)根据E(k)的误差反向传播，调整NNT网络各连接节点的权值wij
(9)根据e(k)的误差方向传播，调整NNC网络各连接节点的权值wij
(10)令k-1＝k，r(k-1)＝r(k)，E(k-1)＝E(k)，采样下一时刻的输入和输出值，重复以上步骤。
神经网络优化工况参数
工况参数优化使用NNT预测网络，在满足E(K)小于设定值时。其它变量保持不变时，取训练组样本量为n组。别改变每组样本里面 x8、x9、x10三个电机的工作频率数据，得出分别改变运行参数x8、 x9、x10时，窑尾预测温度
与没有改变之前的
做比较，得出改变后x8、x9、x10对窑尾的正负相关性。实际系统中，三个变量x8、x9、x10可能存在耦合情况，可以将三个参数同时改变后，根据预测的窑尾温度变化情况。
得出最佳的运行调节参数。将最佳的x8、x9、x10调控范围传递给WINCC软件，验证神经网络优化后的x8、x9、x10是否是实际的最佳优化工况参数，优化后的x8、x9、x10运行参数要有利于燃烧炉或者炭化窑温度的升高。将x8、x9、x10数据设置在一定范围内，其他数据保持不变，分别得出炭化窑窑尾预测温度
在分别对
求取平均，
分别得出与x8、x9、x10变化时的正负相关性。得出最佳工况参数使得窑尾温度达到
将最佳的调节工况参数训练后传递给WINCC，WINCC传递给PLC进行实际控制。验证优化后的调节参数是否与实际的预测相符合。图 5自适应控制神经网络NNC结构图。
本发明专利的优点在于
(1)使用NNT神经网络能准确的预测炭化窑窑尾的温度输出，
(2)可根据炭化窑和燃烧炉的运行情况，实现对热解炭化过程的智能控制，减小人工的干预
(3)使用神经网络自适应控制有利于减小热解炭化过程温度波动，温度控制精度更高，提炭化窑运行过程的稳定性。
(4)通过优化工况参数、提高燃烧炉的温度，可以增加热解炭化过程热解可燃气的产生，减少企业运行过程中化石燃料的燃烧，降低企业在热解炭化过程的运营成本。
(5)本技术与生物质热解炭化窑相结合，提高生物质热解炭化窑温度控制效果，有利于可腐垃圾减量化和资源化处理，增加生物质热解炭化装置的推广使用。
附图说明
图1生物质热解炭化窑工艺流程及其测量点标识图，
图2神经网络自适应控制系统结构图，
图3自适应控制与工况参数优化结构图
图4预测神经网络NNT结构图，
图5自适应控制神经网络NNC结构图，
图6神经网络窑尾温度预测数据，
图7工况参数数据变化范围与窑尾预测平均温度数据表，
图8优化参数后对应的窑尾预测平均温度曲线图，
图9改进的BP神经网络自适应控制响应图，
具体实施方式
结合生物质热解炭化窑工况实际数据，对本发明进行详细的介绍。表1为x1-x10的数据，表1中的数据已经把异常数据删除了。将图6 的数据随机分为训练集和验证集，采用离线方式进行训练。对图6的数据进行归一化处理。处理后的数据使用NNT神经网络对表1的数据进行训练，当训练结束后，使用验证集数据进行验证。得出窑尾温度预测与窑尾实际的温度误差。
神经网络优化工况参数
将向量x8、x9、x10改变的10组变化范围内每个向量随机产生 500个数据，用于训练改变后的数据。将预测窑尾数据求取平均
NNC神经网络自适应控制实现步骤如下。使用u(k)，y(k)辨识出炭化窑被控对象系统模型为
对被控对象G(S)进行离散化，得出
y(k)＝0.8763*y(k-1)+ 0.128*u(k-1)。设置NNC网络的初始值，r(0)、y(0)、wij各层之间的连接权值、训练参数。设定窑尾温度为r(k)＝430度，计算每个时刻的y(k)，在计算误差e(k)，根据误差调节各层之间的连接权wij，根据连接权值的调整从而调整Kp，Ki，Kd。最终输出窑尾温度y(k)随时间的响应曲线。图9为改进的BP神经网络自适应控制响应图。
Claims (7)
1.生物质热解炭化窑优化控制，主要包含两大步骤，生物质热解炭化窑工况参数的优化步骤；热解炭化窑自适应控制的步骤。
2.根据权利1所述的热解炭化窑工况参数优化步骤方法，其特征在于，选取的热解炭化窑工况数据具有广泛性与代表性，对于选取数据的进行预处理，包括删除异常数据、插补删除数据，保障数据的准确性，是训练结果与实际窑尾温度误差小的前提条件。
3.根据权利1所述的热解炭化窑工况参数优化步骤，将数据分为训练集与验证集，其特征在于，使用训练集将NNT的各层连接权，使用验证集就是为了验证各层连接权调整到最佳，在其他数据输入到训练完成的模型中，模型能以比较准确的误差进行输出，保证窑尾温度预测温度与实际窑尾温度的误差不超过5度。
4.根据权利3所述的神经网络训练误差要求，其特征在于，在满足精度要求的条件下，当分别对向量X8、X9、X10选取10组改变范围时；将向量X8、X9、X10按照1-10组的变化范围进行训练，模拟窑尾的温度输出，找出每个向量X8、X9、X10使模拟输出平均温度值最高的范围，得出X8、X9、X10在其他向量不变条件下的最优调参范围。
5.根据权利4所述的最优工况参数得出方法，其特征在于，分别找出了其他向量不变条件下的X8、X9、X10的调参范围时，将得出的X8、X9、X10调参范围与其他未变的X1-X7向量组进行训练，验证得出的 X8、X9、X10是否理想的最佳调参范围；如果权利4得出的X8、X9、X10的调参范围使模拟输出平均温度y更高，则证明权利4所述的X8、X9、X10为理想最优调参范围；如果不是，则说明 X8、X9、X10之间有耦合关系，还需要进一步优化调参范围。
6.根据权利1所述的热解炭化窑自适应控制步骤，其特征在于，首先根据输入输出关系得出被控对象的数学模型，被控对象的数据模型并不是一层不变的；被控对象的数学模型中某些参数是随着炭化窑热解过程改变的，通过不同时候U(K)与Y(K)的之间关系，可以及时得出数学模型中改变的参数，最后根据被控对象的数学模型、执行机构、误差e(k)从编写的PID控制算中进行选取及其切换，使用的PID算法有位置增量式PID算法、抗积分饱PID算法、积分分离PID算法、变速积分PID算法。
7.根据权利6所述的合适编程算法，其特征在于，根据被控对象、误差e(k)、执行机构特征选取合适的PID算法控制方法，使设定温度与输出温度偏差能够快速的减小，在根据设定温度与输出的温度偏对NNC各层的连接权值进行调节，减小各层之间连接权值较大的变动，影响PID控制器控制参数波动较大，最终影响被控对象输出存在较波动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911008705.7A CN110684547A (zh) | 2019-10-22 | 2019-10-22 | 一种生物质热解炭化窑优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911008705.7A CN110684547A (zh) | 2019-10-22 | 2019-10-22 | 一种生物质热解炭化窑优化控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110684547A true CN110684547A (zh) | 2020-01-14 |
Family
ID=69113777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911008705.7A Pending CN110684547A (zh) | 2019-10-22 | 2019-10-22 | 一种生物质热解炭化窑优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110684547A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112782970A (zh) * | 2020-12-25 | 2021-05-11 | 山东大学 | 一种GaN衬底生长加热炉温度自整定方法及系统 |
| CN114296489A (zh) * | 2021-12-04 | 2022-04-08 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067828A (zh) * | 2007-06-12 | 2007-11-07 | 中南大学 | 焦炉火道温度集成建模与软测量方法 |
| CN102490120A (zh) * | 2011-11-29 | 2012-06-13 | 清华大学 | 用于化学机械抛光机的自适应逆控制系统 |
| CN103234347A (zh) * | 2013-05-13 | 2013-08-07 | 北京和隆优化科技股份有限公司 | 一种回转窑风量优化控制方法 |
| CN106867587A (zh) * | 2015-12-14 | 2017-06-20 | 韩会义 | 一种生物质气化炉智能控制系统 |
| CN108332213A (zh) * | 2018-01-30 | 2018-07-27 | 光大环保能源（宁波）有限公司 | 一种垃圾焚烧炉控制系统 |
| CN109949193A (zh) * | 2019-04-02 | 2019-06-28 | 中国计量大学上虞高等研究院有限公司 | 可变光环境下学习注意力检测与预判装置和方法 |
-
2019
- 2019-10-22 CN CN201911008705.7A patent/CN110684547A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067828A (zh) * | 2007-06-12 | 2007-11-07 | 中南大学 | 焦炉火道温度集成建模与软测量方法 |
| CN102490120A (zh) * | 2011-11-29 | 2012-06-13 | 清华大学 | 用于化学机械抛光机的自适应逆控制系统 |
| CN103234347A (zh) * | 2013-05-13 | 2013-08-07 | 北京和隆优化科技股份有限公司 | 一种回转窑风量优化控制方法 |
| CN106867587A (zh) * | 2015-12-14 | 2017-06-20 | 韩会义 | 一种生物质气化炉智能控制系统 |
| CN108332213A (zh) * | 2018-01-30 | 2018-07-27 | 光大环保能源（宁波）有限公司 | 一种垃圾焚烧炉控制系统 |
| CN109949193A (zh) * | 2019-04-02 | 2019-06-28 | 中国计量大学上虞高等研究院有限公司 | 可变光环境下学习注意力检测与预判装置和方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112782970A (zh) * | 2020-12-25 | 2021-05-11 | 山东大学 | 一种GaN衬底生长加热炉温度自整定方法及系统 |
| CN114296489A (zh) * | 2021-12-04 | 2022-04-08 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
| CN114296489B (zh) * | 2021-12-04 | 2022-09-20 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107038334B (zh) | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 | |
| CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
| JPH03164804A (ja) | プロセス制御システム及び発電プラントプロセス制御システム | |
| US20090099667A1 (en) | Plant controlling device and method, thermal power plant, and its control method | |
| JP4741968B2 (ja) | プラントの制御装置 | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN110684547A (zh) | 一种生物质热解炭化窑优化控制方法 | |
| Wang et al. | Fuzzy modeling of boiler efficiency in power plants | |
| WO2022062339A1 (zh) | 一种变风量布风器风阀的控制系统及其控制方法 | |
| CN110597070A (zh) | 火电机组系统模型参数的辨识方法 | |
| CN105955014A (zh) | 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法 | |
| Cass et al. | Adaptive process optimization using functional-link networks and evolutionary optimization | |
| CN105276561A (zh) | 一种锅炉主蒸汽压力的自适应预测控制方法 | |
| Shih et al. | Reinforcement-learning-based output-feedback control of nonstrict nonlinear discrete-time systems with application to engine emission control | |
| CN103593578A (zh) | 焦炉加热燃烧过程烟道吸力反馈设定方法 | |
| Tian et al. | Coke oven flue temperature control based on improved implicit generalized predictive control | |
| CN115329659B (zh) | 废物焚烧炉二噁英排放实时预警及智能控制的方法及系统 | |
| Kadri | System identification of a cooling coil using recurrent neural networks | |
| CN114721253A (zh) | 基于人工蜂群算法的加热炉温度分数阶pid控制系统及方法 | |
| Gao et al. | Simulation and research of fuzzy immune adaptive PID control in coke oven temperature control system | |
| CN112699600B (zh) | 火电运行参数与NOx排放浓度间的偏回分析方法 | |
| CN115542740B (zh) | 基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法 | |
| CN111520740B (zh) | 一种多个多孔介质燃烧器协调优化运行的方法 | |
| CN114637212B (zh) | 一种氧含量预测控制方法及系统 | |
| CN113515042B (zh) | 一种多模式干熄焦烧损率实时计算系统及计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |