CN112625758B - 智能气化配料系统及方法 - Google Patents
智能气化配料系统及方法 Download PDFInfo
- Publication number
- CN112625758B CN112625758B CN201911054567.6A CN201911054567A CN112625758B CN 112625758 B CN112625758 B CN 112625758B CN 201911054567 A CN201911054567 A CN 201911054567A CN 112625758 B CN112625758 B CN 112625758B
- Authority
- CN
- China
- Prior art keywords
- batching
- gasification
- ash
- parameters
- properties
- 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.)
- Active
Links
- 238000002309 gasification Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000002994 raw material Substances 0.000 claims abstract description 152
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 239000004615 ingredient Substances 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 40
- 230000004927 fusion Effects 0.000 claims description 23
- 238000004537 pulping Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 239000000654 additive Substances 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000000996 additive effect Effects 0.000 claims description 8
- 239000002893 slag Substances 0.000 claims description 7
- 238000000921 elemental analysis Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 2
- 239000003245 coal Substances 0.000 abstract description 36
- 230000008569 process Effects 0.000 abstract description 17
- 239000000126 substance Substances 0.000 abstract description 4
- 239000002956 ash Substances 0.000 description 92
- 230000006870 function Effects 0.000 description 21
- 238000002156 mixing Methods 0.000 description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 9
- 229910052799 carbon Inorganic materials 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000011234 economic evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000003250 coal slurry Substances 0.000 description 3
- 239000000571 coke Substances 0.000 description 3
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000009257 reactivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 1
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 229910010413 TiO 2 Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 239000010883 coal ash Substances 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 229910052681 coesite Inorganic materials 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 229910052906 cristobalite Inorganic materials 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 229910052682 stishovite Inorganic materials 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 229910052905 tridymite Inorganic materials 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J3/00—Production of combustible gases containing carbon monoxide from solid carbonaceous fuels
- C10J3/72—Other features
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J3/00—Production of combustible gases containing carbon monoxide from solid carbonaceous fuels
- C10J3/72—Other features
- C10J3/723—Controlling or regulating the gasification process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/80—Forming a predetermined ratio of the substances to be mixed
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J3/00—Production of combustible gases containing carbon monoxide from solid carbonaceous fuels
- C10J3/02—Fixed-bed gasification of lump fuel
- C10J3/20—Apparatus; Plants
- C10J3/30—Fuel charging devices
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J3/00—Production of combustible gases containing carbon monoxide from solid carbonaceous fuels
- C10J3/46—Gasification of granular or pulverulent flues in suspension
- C10J3/48—Apparatus; Plants
- C10J3/50—Fuel charging devices
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J2200/00—Details of gasification apparatus
- C10J2200/09—Mechanical details of gasifiers not otherwise provided for, e.g. sealing means
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J2300/00—Details of gasification processes
- C10J2300/06—Modeling or simulation of processes
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J2300/00—Details of gasification processes
- C10J2300/09—Details of the feed, e.g. feeding of spent catalyst, inert gas or halogens
- C10J2300/0903—Feed preparation
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J2300/00—Details of gasification processes
- C10J2300/09—Details of the feed, e.g. feeding of spent catalyst, inert gas or halogens
- C10J2300/0913—Carbonaceous raw material
- C10J2300/093—Coal
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10J—PRODUCTION OF PRODUCER GAS, WATER-GAS, SYNTHESIS GAS FROM SOLID CARBONACEOUS MATERIAL, OR MIXTURES CONTAINING THESE GASES; CARBURETTING AIR OR OTHER GASES
- C10J2300/00—Details of gasification processes
- C10J2300/18—Details of the gasification process, e.g. loops, autothermal operation
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Organic Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明实施方式提供一种智能气化配料系统及方法,属于煤化工技术领域。系统包括气化配料子系统,气化配料子系统包括:原料性质快速分析模块,用于依据入炉原料的特征谱线强度得到原料的原料性质参数;配料性质预测模块,用于建立预测模型,依据原料性质参数及原料配比,经预测模型预测配料的性质参数;配料方案优化模块,用于建立优化模型,依据配料的性质参数,通过优化模型得到优化后的配料方案;配料方案经济性评价模块,用于输出技术经济性最佳的配料方案。本发明构建了一个具有完整生命周期流程的智能化气化配料系统,实现了气化配料的智能化精准化控制。
Description
技术领域
本发明涉及煤化工技术领域,具体地涉及一种智能气化配料系统及一种智能气化配料方法。
背景技术
气化炉的稳定运行是煤化工企业追求的关键经济目标之一,气化炉具有一定的操作条件,且对入炉原料特性有严格的限制。在煤化工企业实际生产中,可能存在以下问题:一是项目附近煤质不适用于气化炉,无法就地应用;二是煤质波动大,气化炉无法长周期稳定运行;三是现用煤种供应出现问题,或出现较大价格波动,从而导致气化炉运行不稳定,出现腐蚀、堵渣甚至停车等后果。通过配煤技术可以有效解决以上问题,实现项目附近煤炭就地应用,降低成本;保证气化炉长周期稳定运行,增加效益;提高项目用煤灵活性,降低风险。传统的配煤主要靠科研单位的实验人员进行大量繁琐的条件实验获得方案,或者靠工厂相关工作人员长期积累的操作经验完成,存在效率低、准确性差的问题,不能有效获得气化炉的最佳配煤比例。同时,气化技术在我国已大规模开发、推广和应用,煤炭已不再是唯一的气化原料,采用各种含碳化合物进行掺配作为气化原料,已成为煤气化技术的重要发展趋势,因此,有必要开发一种能够构建配料方案全生命周期的智能气化配料系统。
发明内容
本发明实施方式的目的是提供一种智能气化配料系统及方法,以解决传统的配煤技术效率低、准确性差以及不能构建配煤方案的全生命周期流程的问题。
为了实现上述目的,在本发明第一方面,提供一种智能气化配料系统,包括:
气化配料子系统,所述气化配料子系统包括原料性质快速分析模块、配料性质预测模块、配料方案优化模块及配料方案经济性评价模块;
所述原料性质快速分析模块用于接收入炉原料的特征谱线强度,并依据所述特征谱线强度得到原料的原料性质参数;
所述配料性质预测模块用于建立预测模型,依据所述原料性质参数及预设的配比,经所述预测模型预测配料的性质参数;
所述配料方案优化模块用于建立优化模型,以及依据所述配料的性质参数,通过所述目标函数得到优化后的配料方案;
所述配料方案经济性评价模块用于对优化后的配料方案进行技术经济性分析,并输出技术经济性最佳的配料方案。
可选地,所述系统还包括原料性质标准子系统,所述原料性质标准子系统包括入炉原料标准管理模块,所述入炉原料标准管理模块用于建立并存储不同种类的气化炉与其对应的原料之间的映射关系,以便在气化炉种类确定后确定入炉原料。
可选地,所述配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性。
可选地,所述基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。
可选地,所述系统还包括信息管理子系统,所述信息管理子系统包括原料信息管理模块、气化炉信息管理模块、添加剂信息管理模块及气化灰渣信息管理模块;
所述原料信息管理模块用于存储由所述原料性质快速分析模块得到的原料性质参数;
所述气化炉信息管理模块用于建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系;
所述添加剂信息管理模块用于建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系;
所述气化灰渣信息管理模块用于建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系。
可选地,所述气化配料子系统还包括气化炉预警模块,所述气化炉预警模块用于建立配料、气化炉运行参数及灰渣性质之间的函数关系,并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数,预测对应的灰渣性质,并判断得到的灰渣性质是否异常。
可选地,所述气化炉预警模块还用于当判断得到的灰渣性质异常时,将得到的灰渣性质与预先存储的灰渣性质进行对比,依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系,得到导致灰渣性质异常的相关参数。
在本发明第二方面,提供一种智能气化配料方法,包括,气化配料子步骤,所述气化配料子步骤包括:
接收入炉原料的特征谱线强度,并依据所述特征谱线强度得到原料的原料性质参数;
建立预测模型,依据所述原料性质参数及原料配比,经所述预测模型预测配料的性质参数;
建立优化模型,以及依据所述配料的性质参数,通过所述优化模型得到优化后的配料方案;
对优化后的配料方案进行技术经济性分析,输出技术经济性最佳的配料方案。
可选地,所述方法还包括原料性质标准子步骤,所述原料性质标准子步骤包括:
建立并存储不同种类的气化炉与其对应的原料之间的映射关系,以便在气化炉种类确定后确定入炉原料。
可选地,所述配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性。
可选地,所述基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。
可选地,所述方法还包括信息管理子步骤,所述信息管理子步骤包括:
存储由所述原料性质快速分析模块得到的原料性质参数;
建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系;
建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系;
建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系。
可选地,所述气化配料子步骤还包括:
建立配料、气化炉运行参数及灰渣性质之间的函数关系,并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数,预测对应的灰渣性质,并判断得到的灰渣性质是否异常。
可选地,所述气化配料子步骤还包括:当判断得到的灰渣性质异常时,将得到的灰渣性质与预先存储的灰渣性质进行对比,依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系,得到导致灰渣性质异常的相关参数。
本发明上述技术方案通过对原料进行快速分析得到原料性质参数,依据得到的原料性质参数经建立的预测模型实现对配料性质参数的预测,并依据得到的配料性质参数,通过建立的目标函数对配料方案进行优化,并对优化后的配料方案进行技术经济性分析,从而得到最佳的配料方案,构建了一个具有完整生命周期流程的智能化气化配料系统,有效提高了配煤的效率及准确率,实现了气化配料的智能化精准化控制,能有效降低原料性质问题给企业带来的不利影响。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的一种智能气化配料系统的系统结构示意图;
图2是本发明一种实施方式提供的一种智能气化配料系统的系统运行流程图;
图3是本发明一种实施方式提供的一种智能气化配料方法的方法流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
在本发明实施方式中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
如图1及图2所示,在本发明第一方面,提供一种智能气化配料系统,包括:
气化配料子系统,气化配料子系统包括原料性质快速分析模块、配料性质预测模块、配料方案优化模块及配料方案经济性评价模块;
原料性质快速分析模块用于接收入炉原料的特征谱线强度,并依据特征谱线强度得到原料的原料性质参数;
配料性质预测模块用于建立预测模型,依据原料性质参数及原料配比,经预测模型预测配料的性质参数;
配料方案优化模块用于建立优化模型,以及依据配料的性质参数,通过优化模型得到优化后的配料方案;
配料方案经济性评价模块用于对优化后的配料方案进行技术经济性分析,并输出技术经济性最佳的配料方案。
如此,本实施方式的上述技术方案通过对原料进行快速分析得到原料性质参数,依据得到的原料性质参数及预设的原料配比,经建立的预测模型实现对配料性质参数的预测,并依据得到的配料性质参数,通过建立的优化模型对配料方案进行优化,并对优化后的配料方案进行技术经济性分析,从而得到最佳的配料方案,构建了一个具有完整生命周期流程的智能化气化配料系统,有效提高了配煤的效率及准确率,通过计算机技术建立配煤煤质预测模型实现了气化配煤的智能化精准化控制,能有效降低原料性质问题给企业带来的不利影响。
具体的,气化炉的稳定运行与入炉原料的性质密切相关,要使气化炉保持稳定的运行,需要对入炉原料进行严格限制,而不同的单独原料特性不同,要满足气化要求,入炉原料往往由多种单独原料混合组成,则对入炉原料的配料方案尤为重要,本实施方式中,单独原料可以为煤、半焦、石油焦、生物质、污泥、油泥及垃圾炭等含碳物质。由于目前对煤炭进行成分分析普遍采用的离线分析存在分析速度慢、工序繁琐等缺点,不能为操作人员提供实时在线的参考数据,难以适应工业生产的需求,本实施方式采用激光诱导等离子光谱技术(LIBS)获取待测样本的特征谱线强度,激光诱导等离子光谱技术是指当强脉冲激光经过聚焦照射到样品上时,样品会在瞬间被气化成高温、高密度的等离子体,处于激发态的等离子体会对外释放出不同的射线,等离子体发射光谱谱线对应的波长和强度分别反映所测对象中的组成元素和其浓度大小,LIBS具有检测速度快、灵敏度高、成本低以及可以同时对多种元素进行分析的优点,原料性质快速分析模块接收由LIBS检测仪获取的待测原料的特征谱线强度,通过现有的专用算法,如光谱标准化算法和自吸收校正算法对特征谱线强度进行计算分析,得到待测原料的原料性质参数,分别对单独原料进行检测,从而得到各单独原料的性质参数。其中,原料性质参数包括碳、氢、硫及成灰元素含量、灰分、挥发分和发热量。
配料性质预测模块建立以单独原料的性质参数及配比为输入、以配料的性质参数为输出的预测模型。其中,配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性;基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。本实施方式中,配料性质预测模块通过建立基础性质预测模型、灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型,分别对配料的基础性质、灰熔融特性、成浆特性及气化反应特性进行预测,其中基础性质预测模型基于线性加权和算法建立,灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型基于BP神经网络建立,预测模型并不限于上述算法,也可以基于其他算法建立,如卷积神经网络等
配料方案优化模块依据对配料方案的需求建立目标函数,目标函数可以为一个或多个,得到的可行配料方案可以为多个。例如,目标函数可以依据配料价格最低、发热量最高或环保性最好等需求建立。确定气化配料需要满足的约束条件,约束条件指求目标函数极值时的限制条件,本实施方式的约束条件为气化炉对入炉配料的要求,即气化炉对配料的性质参数要求及相关性质参数的变化范围。通过配料性质预测模块得到单独原料的性质参数与该原料的配比函数关系,获取气化炉对原料性质参数的变化范围上下限,从而得到目标函数的约束条件,依据建立的目标函数,考虑得到的约束条件从而建立优化模型。
配料方案经济性评价模块一方面可以通过调用流程模拟软件对得到的所有的优化后的可行配料方案进行技术经济性分析,依据预设的目标优选产品结构合适及经济性好的方案作为最佳的配料方案,从而实现实时在线调节配料比例;另一方面通过调整气化炉运行参数实现产品结构及经济性最优的效果,同时保证运行的稳定性。其中,对可行配料方案的技术经济性分析可以根据实际需求基于气化工艺条件进料量、氧气流量、添加剂量、气化温度、气化压力和碳转化率来进行分析,以合成气的组成成分和原料成本为判断标准。
本实施方式中,系统还包括原料性质标准子系统,原料性质标准子系统包括入炉原料标准管理模块,入炉原料标准管理模块用于建立并存储不同种类的气化炉与其对应的原料之间的映射关系,以便在气化炉种类确定后确定入炉原料。由于不同种类的气化炉对其入炉原料的要求是不同的,例如气化炉对入炉原料的成分、配比及发热量等有不同的要求,要使得气化炉稳定运行,必须使得入炉原料满足气化炉对原料的要求,通过入炉原料标准管理模块事先建立不同种类的气化炉与其对应的入炉原料要求之间的映射关系并存储,有利于在对入炉原料的配料方案预测时快速调用选定的气化炉对应的原料要求以便进行后续步骤,同时能方便的在不同气化炉之间切换,有效的提高了工作效率。
本实施方式的系统还包括信息管理子系统,信息管理子系统包括原料信息管理模块、气化炉信息管理模块、添加剂信息管理模块及气化灰渣信息管理模块;
原料信息管理模块用于存储由原料性质快速分析模块得到的原料性质参数;
气化炉信息管理模块用于建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系;
添加剂信息管理模块用于建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系;
气化灰渣信息管理模块用于建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系。
具体的,每次原料性质快速分析模块预测得到原料性质参数后,都将得到的原料性质参数存储至原料信息管理模块,以便于查询及调用。由于不同种类的气化炉其运行参数不同,要使得气化炉保持稳定运行,则需要严格按照不同种类气化炉的运行参数对气化炉进行调整,通过气化炉信息管理模块预先建立并存储各种类气化炉与其对应的运行参数之间的映射关系,以利于在配料方案经济性评价模块得到最佳的配料方案后,调用对应的气化炉运行参数,从而对气化炉运行参数进行调整,以保证气化炉的稳定运行。
由于在通过灰熔融特性预测模型对灰熔融特性预测及通过成浆特性预测模型对成浆特性的预测过程中需要给输入的原料添加合适的添加剂,通过预先在添加剂信息管理模块中建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系,从而在进行灰熔融预测及成浆特性预测时能准确、快速的对添加剂进行调用。
煤气化工项目中,煤气化灰渣占据固体废物的重要比例,煤气化灰渣包括粗渣和细渣两部分,灰渣成分与气化原料煤灰分含量、组成及气化工艺等相关,主要为SiO2、Al2O3、CaO和残余碳等,通过气化灰渣的成分,可以判断气化炉的入炉原料、运行参数等是否满足要求。通过预先在气化灰渣信息管理模块建立并存储不同原料在不同气化炉运行参数下得到的灰渣性质,得到气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系,使得可以通过调用预存的灰渣性质判断得到的气化灰渣是否异常,并根据映射关系对异常原因进行诊断。
为了保证气化炉的稳定运行,本实施方式的气化配料子系统还包括气化炉预警模块,气化炉预警模块用于建立配料、气化炉运行参数及灰渣性质之间的函数关系,并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数,预测对应的灰渣性质,并判断得到的灰渣性质是否异常。气化炉预警模块基于BP神经网络但不限于BP神经网络建立灰渣性质预测模型,通过接收配料方案优化模块得到的配料方案,依据配料方案的配料及对应的气化炉运行参数,经灰渣性质预测模型预测得到对应的灰渣性质,并通过调用气化灰渣信息管理模块中的映射关系对灰渣性质进行匹配对比,并依据对比结果判断灰渣性质是否异常,当判断得到的灰渣性质异常时,进行告警,气化炉预警模块将得到的灰渣性质与匹配到的预先存储的灰渣性质进行对比,依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系,得到导致灰渣性质异常的相关参数,从而对气化流程进行诊断,找出问题源。若得到的灰渣性质异常,则依据配料方案优化模块得到的次优解调整单独原料的配比,并通过配料性质预测模块更新配比,重复预测配料的性质参数、得到优化后的配料方案、进行技术经济性评价并输出最佳的配料方案以及灰渣性质预测及诊断的过程,直至得到灰渣性质最优的配料方案。
以下通过具体数据举例说明本实施方式:
确定气化炉为GE水煤浆气化炉,通过入炉原料标准管理模块调用GE水煤浆气化炉对入炉原料的要求为发热量>25.12MJ/kg,内在水分≤8%,煤浆浓度≥60%,表观黏度≤1500mPa·s,灰分含量≤13%,灰熔点≤1300℃。依据GE水煤浆气化炉对入炉原料的要求及现场情况,确定入炉原料通过一种煤及一种半焦煤进行掺配,通过原料性质快速分析模块对两种单独原料进行原料性质分析,得到各原料的性质参数,其中,原料的性质参数包括碳、氢、硫及成灰元素含量、灰分、挥发分和发热量。通过现场实验得到原料的基础性质、灰熔融特性、成浆特性及气化反应特性,如表1所示为煤及半焦煤的基础性质和灰熔融特性,如表2所示为煤及半焦煤的成浆特性,如表3所示为煤及半焦煤的气化反应特性。
表1
表2
表3
配料性质预测模块基于线性加权和算法建立基础性质预测模型,基于BP神经网络建立灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型,通过调用原料信息管理模块中存储的原料性质参数生成数据集对BP神经网络进行训练,其中,BP神经网络为三层网络结构,输入层为单独原料性质参数及配比,输出层为配料性质参数,采用误差反向传播算法对BP神经网络的权值及阈值进行优化,隐含层中的神经元多采用S型传递函数tansig,输出层的神经元多采用线性传递函数purelin。以原料的性质参数为输入,分别通过基础性质预测模型、灰熔融特性预测模型、成浆特性预测模型及气化反应特性预测模型对配料的性质参数进行预测。
本实施方式中,以配料价格最低为目标,通过配料方案经济性评价模块建立目标函数:
minP=500X1+200X2,
其中,煤和半焦末的价格分别为500元/吨和200元/吨,确定目标函数的约束条件为:
半焦末掺配比例0≤X2≤5%,
发热量约束Qnet,ad,X≥25.12,
配料灰熔融性:
FTX=fFT(SiO2,Al2O3,CaO,Fe2O3,MgO,Na2O,TiO2,SO3),
灰熔融性约束FT≤1300,
灰分约束Aad,X≤13,
水分约束Mad,X≤8,
配料成浆性DX=fD(Mad,HGI,Oad),
配料气化反应性RX=fR(Cd,Ad,CaO,Fe2O3,MgO,Na2O,Vdaf,SBET),
其中,Mad为内水含量,HGI为可磨性指数,Oad为氧含量,Cd为碳含量,Ad为灰含量,CaO,Fe2O3,MgO及Na2O分别表示所列氧化物的含量,Vdaf表示挥发分含量,SBET表示比表面积。
以目标函数和约束条件为输入,配比为输出,通过基于遗传算法建立的优化模型求得最佳配煤比例为:煤97%,半焦末3%,价格为491元/吨。遗传算法一般通过罚函数法将有约束的问题转化为无约束的问题,本实施方式中,以原料性质参数为种群的个体,将种群分为若干子种群,依据个体的适应度值,通过选择、交叉、变异的循环操作,得到最优解,遗传算法为现有技术,此处对遗传算法的具体过程不再赘述。
通过配料方案经济性评价模块调用流程模拟软件对得到的配料方案进行气化模拟及技术经济评价,气化模拟如表4所示,技术经济评价如表5所示。
表4
表5
判断当前配料方案是否符合经济性评价要求,若符合,以当前配料方案为最佳配料方案,否则,对备选的可行配料方案进行经济性评价,直至得到最佳配料方案,其中,备选的可行配料方案为目标函数输出的次优方案。通过气化炉预警模块对得到的灰渣性质进行预测,通过调用气化灰渣信息管理模块中的映射关系对得到的灰渣性质进行匹配对比,气化炉预警模块发出粗渣和细渣残碳量达到上限的告警信息,作业人员通过调用原料信息管理模块中的原料性质参数及气化灰渣信息管理模块中预存的灰渣性质映射关系对配料方案进行比对从而对配料进行诊断,如,本实施方式中,通过比对发现配料使用的煤气化反应性偏低,则诊断为气化残渣含碳量偏高的可能原因,通过配料性质预测模块更新单独原料的配比,降低煤在配料中的比例,重复上述过程,直至最终解决气化残渣含碳量偏高的问题,得到最佳配料方案。
如图3所示,在本发明第二方面,提供一种智能气化配料方法,包括,气化配料子步骤,气化配料子步骤包括:
接收入炉原料的特征谱线强度,并依据特征谱线强度得到原料的原料性质参数;
建立预测模型,依据原料性质参数及原料配比,经预测模型预测配料的性质参数;
建立优化模型,以及依据配料的性质参数,通过优化模型得到优化后的配料方案;
对优化后的配料方案进行技术经济性分析,输出技术经济性最佳的配料方案。
可选地,方法还包括原料性质标准子步骤,原料性质标准子步骤包括:
建立并存储不同种类的气化炉与其对应的原料之间的映射关系,以便在气化炉种类确定后确定入炉原料。
可选地,配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性。
可选地,基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。
可选地,方法还包括信息管理子步骤,信息管理子步骤包括:
存储由原料性质快速分析模块得到的原料性质参数;
建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系;
建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系;
建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系。
可选地,气化配料子步骤还包括:
建立配料、气化炉运行参数及灰渣性质之间的函数关系,并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数,预测对应的灰渣性质,并判断得到的灰渣性质是否异常。
可选地,气化配料子步骤还包括:当判断得到的灰渣性质异常时,将得到的灰渣性质与预先存储的灰渣性质进行对比,依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系,得到导致灰渣性质异常的相关参数。
本发明上述技术方案通过对原料进行快速分析得到原料性质参数,依据得到的原料性质参数经建立的预测模型实现对配料性质参数的预测,并依据得到的配料性质参数,通过建立的目标函数对配料方案进行优化,并对优化后的配料方案进行技术经济性分析,从而得到最佳的配料方案,构建了一个具有完整生命周期流程的智能化气化配料系统,有效提高了配煤的效率及准确率,实现了气化配料的智能化精准化控制,能有效降低原料性质问题给企业带来的不利影响。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种智能气化配料系统,其特征在于,包括:
气化配料子系统,所述气化配料子系统包括原料性质快速分析模块、配料性质预测模块、配料方案优化模块及配料方案经济性评价模块;
所述原料性质快速分析模块用于接收入炉原料的特征谱线强度,并依据所述特征谱线强度得到原料的原料性质参数;
所述配料性质预测模块用于建立预测模型,依据所述原料性质参数及原料配比,经所述预测模型预测配料的性质参数,所述配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性;
所述配料方案优化模块用于建立优化模型以及依据所述配料的性质参数,通过所述优化模型得到优化后的配料方案;
所述配料方案经济性评价模块用于对优化后的配料方案进行技术经济性分析,并输出技术经济性最佳的配料方案;
所述系统还包括信息管理子系统,所述信息管理子系统包括原料信息管理模块、气化炉信息管理模块、添加剂信息管理模块及气化灰渣信息管理模块;
所述原料信息管理模块用于存储由所述原料性质快速分析模块得到的原料性质参数;
所述气化炉信息管理模块用于建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系;
所述添加剂信息管理模块用于建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系;
所述气化灰渣信息管理模块用于建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系;
所述气化配料子系统还包括气化炉预警模块,所述气化炉预警模块用于建立配料、气化炉运行参数及灰渣性质之间的函数关系,并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数,预测对应的灰渣性质,并通过调用所述气化灰渣信息管理模块中的映射关系对得到的灰渣性质进行匹配对比,依据对比结果判断灰渣性质是否异常,当判断得到的灰渣性质异常时,进行告警,所述气化炉预警模块将得到的灰渣性质与匹配到的预先存储的灰渣性质进行对比,依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系,确定导致灰渣性质异常的相关参数。
2.根据权利要求1所述的智能气化配料系统,其特征在于,所述系统还包括原料性质标准子系统,所述原料性质标准子系统包括入炉原料标准管理模块,所述入炉原料标准管理模块用于建立并存储不同种类的气化炉与其对应的原料之间的映射关系,以便在气化炉种类确定后确定入炉原料。
3.根据权利要求1所述的智能气化配料系统,其特征在于,所述基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。
4.一种智能气化配料方法,其特征在于,包括气化配料子步骤,所述气化配料子步骤包括:
接收入炉原料的特征谱线强度,并依据所述特征谱线强度得到原料的原料性质参数;
建立预测模型,依据所述原料性质参数及原料配比,经所述预测模型预测配料的性质参数,所述配料的性质参数包括基础性质、灰熔融特性、成浆特性及气化反应特性;
建立优化模型,以及依据所述配料的性质参数,通过所述优化模型得到优化后的配料方案;
对优化后的配料方案进行技术经济性分析,输出技术经济性最佳的配料方案;
所述方法还包括信息管理子步骤,所述信息管理子步骤包括:
存储由所述原料性质快速分析模块得到的原料性质参数;
建立并存储不同种类的气化炉与其对应的运行参数之间的映射关系;
建立并存储灰熔融特性及成浆特性预测与其对应的添加剂之间的映射关系;
建立并存储气化炉的种类、原料、气化炉运行参数及灰渣性质之间一一对应的映射关系;
所述气化配料子步骤还包括:
建立配料、气化炉运行参数及灰渣性质之间的函数关系,并依据得到的技术经济性最佳的配料方案的配料及气化炉运行参数,预测对应的灰渣性质,并通过调用气化炉的种类、原料、气化炉运行参数及灰渣性质之间的映射关系对得到的灰渣性质进行匹配对比,依据对比结果判断灰渣性质是否异常,当判断得到的灰渣性质异常时,进行告警,将得到的灰渣性质与匹配到的预先存储的灰渣性质进行对比,依据预先存储的灰渣性质与气化炉的种类、原料及气化炉运行参数之间的映射关系,确定导致灰渣性质异常的相关参数。
5.根据权利要求4所述的智能气化配料方法,其特征在于,所述方法还包括原料性质标准子步骤,所述原料性质标准子步骤包括:
建立并存储不同种类的气化炉与其对应的原料之间的映射关系,以便在气化炉种类确定后确定入炉原料。
6.根据权利要求4所述的智能气化配料方法,其特征在于,所述基础性质包括工业分析参数、元素分析参数、可磨性参数及发热量参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906678 | 2019-09-24 | ||
CN2019109066789 | 2019-09-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112625758A CN112625758A (zh) | 2021-04-09 |
CN112625758B true CN112625758B (zh) | 2023-01-13 |
Family
ID=75166739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054567.6A Active CN112625758B (zh) | 2019-09-24 | 2019-10-31 | 智能气化配料系统及方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220340827A1 (zh) |
JP (1) | JP2022548795A (zh) |
CN (1) | CN112625758B (zh) |
WO (1) | WO2021057845A1 (zh) |
ZA (1) | ZA202204556B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022067552A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 气化炉模型的优化方法、装置和计算机可读存储介质 |
CN113156904B (zh) * | 2021-04-15 | 2022-11-04 | 湛江港(集团)股份有限公司 | 一种配矿系统及配矿方法 |
CN115006881A (zh) * | 2022-07-07 | 2022-09-06 | 晨星基因(北京)智能科技有限公司 | 一种能够实现精确定量的植物成份甄选方法 |
CN116100703B (zh) * | 2022-12-30 | 2023-11-14 | 玫瑰塑胶(昆山)有限公司 | 一种应用再生材料的塑胶制品制造方法和系统 |
CN116523388B (zh) * | 2023-04-17 | 2023-11-10 | 无锡雪浪数制科技有限公司 | 一种基于工业互联网平台的数据驱动的质量建模方法 |
CN116935985B (zh) * | 2023-07-17 | 2024-03-15 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
CN116884536B (zh) * | 2023-08-29 | 2024-03-12 | 济南明泉数字商务有限公司 | 一种工业废渣砖生产配方自动优化方法及系统 |
CN118211755A (zh) * | 2024-03-30 | 2024-06-18 | 常州通用自来水有限公司 | 一种基于遗传算法优化的bp神经网络的二次供水流量预测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4202734A (en) * | 1978-02-14 | 1980-05-13 | Bethlehem Steel Corporation | Method for producing calcined coke pellets |
US20090094141A1 (en) * | 2007-09-14 | 2009-04-09 | Rentech, Inc. | Business integration of integrated gasification combined cycle power plant and coal to liquid fuel plant |
US8287696B2 (en) * | 2008-09-05 | 2012-10-16 | Purdue Research Foundation | Multipurpose coke plant for synthetic fuel production |
CN101709239A (zh) * | 2009-11-09 | 2010-05-19 | 煤炭科学研究总院 | 一种生产动力配煤的方法 |
CN101845330A (zh) * | 2010-03-30 | 2010-09-29 | 安徽淮化股份有限公司 | 一种适用于Texaco水煤浆加压气化用煤的配煤方法 |
CN103045279B (zh) * | 2012-12-14 | 2014-07-16 | 同济大学 | 一种用于配煤系统的生产性能与能耗性能协同优化方法 |
CN105080377A (zh) * | 2014-04-23 | 2015-11-25 | 中国石油化工股份有限公司 | 一种混配煤比例在线监控方法 |
CN107868678A (zh) * | 2016-09-26 | 2018-04-03 | 中国石化扬子石油化工有限公司 | 一种用于粉煤气化技术的配煤方法和系统 |
CN109376945A (zh) * | 2018-11-13 | 2019-02-22 | 华能国际电力股份有限公司上海石洞口第电厂 | 一种基于多煤种的配煤掺烧优化系统 |
CN110232497A (zh) * | 2019-04-25 | 2019-09-13 | 华电国际电力股份有限公司技术服务分公司 | 一种配煤掺烧智能管理方法及系统 |
-
2019
- 2019-10-31 CN CN201911054567.6A patent/CN112625758B/zh active Active
-
2020
- 2020-09-24 US US17/762,966 patent/US20220340827A1/en active Pending
- 2020-09-24 WO PCT/CN2020/117417 patent/WO2021057845A1/zh active Application Filing
- 2020-09-24 JP JP2022518779A patent/JP2022548795A/ja active Pending
-
2022
- 2022-04-22 ZA ZA2022/04556A patent/ZA202204556B/en unknown
Also Published As
Publication number | Publication date |
---|---|
JP2022548795A (ja) | 2022-11-21 |
ZA202204556B (en) | 2023-11-29 |
CN112625758A (zh) | 2021-04-09 |
US20220340827A1 (en) | 2022-10-27 |
WO2021057845A1 (zh) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112625758B (zh) | 智能气化配料系统及方法 | |
CN101463407B (zh) | 一种转炉炼钢石灰加入量计算方法 | |
Vögele et al. | Socio-technical scenarios for energy-intensive industries: the future of steel production in Germany | |
US20180230390A1 (en) | Slag management toolset for determining optimal gasification temperatures | |
Pan et al. | Estimation of coal-related CO2 emissions: The case of China | |
Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
Matino et al. | Application of echo state neural networks to forecast blast furnace gas production: pave the way to off-gas optimized management | |
Ebadzadeh et al. | An integrated of fuzzy-WASPAS and E-FMEA methods for environmental risk assessment: A case study of petrochemical industry, Iran | |
Ali et al. | A machine learning approach for clinker quality prediction and nonlinear model predictive control design for a rotary cement kiln | |
Ayub et al. | High‐Dimensional Model Representation‐Based Surrogate Model for Optimization and Prediction of Biomass Gasification Process | |
Matino et al. | Machine learning-based models for supporting optimal exploitation of process off-gases in integrated steelworks | |
Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
CN104599076B (zh) | 一种钢铁生产固废循环利用调度系统和方法 | |
Lei et al. | Investigation of ash fusion characteristics on co-combustion of coal and biomass (straw, sludge, and herb residue) based on experimental and machine learning method | |
Liu et al. | Research and application of the sintering whole process intelligent manufacturing system | |
CN115762664A (zh) | 一种多组分有机废物高温气化过程产气组分的预测方法 | |
US20240046190A1 (en) | Computer-implemented monitoring methods and systems for a renewables plant | |
Liu et al. | Optimal Control of Biomass Feedstock Processing System Under Uncertainty in Biomass Quality | |
Tao et al. | [Retracted] Optimization Analysis of Power Coal‐Blending Model and Its Control System Based on Intelligent Sensor Network and Genetic Algorithm | |
RU2804378C1 (ru) | Система искусственного интеллекта и способ смешивания сырья при газификации | |
Ahmad et al. | Dynamic coal blending under sustainability concerns: a case study from the Indian steel industry | |
Han et al. | Stackelberg game approach for robust optimization with fuzzy variables | |
León-Munizaga et al. | Prediction of energy consumption in an electric arc furnace using Weka | |
US20230033220A1 (en) | Information processing device, information processing method, computer-readable recording medium, and model generation method | |
EP4124922A1 (en) | Information processing device, information processing method, information processing program, model generation method, and model generation program |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |