CN113790817A - 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 - Google Patents

一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 Download PDF

Info

Publication number
CN113790817A
CN113790817A CN202111059597.3A CN202111059597A CN113790817A CN 113790817 A CN113790817 A CN 113790817A CN 202111059597 A CN202111059597 A CN 202111059597A CN 113790817 A CN113790817 A CN 113790817A
Authority
CN
China
Prior art keywords
fly ash
hidden layer
data
content
melting
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.)
Granted
Application number
CN202111059597.3A
Other languages
English (en)
Other versions
CN113790817B (zh
Inventor
叶泽甫
赵志军
张帅
朱竹军
阎高伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd
Original Assignee
Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd filed Critical Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd
Priority to CN202111059597.3A priority Critical patent/CN113790817B/zh
Publication of CN113790817A publication Critical patent/CN113790817A/zh
Application granted granted Critical
Publication of CN113790817B publication Critical patent/CN113790817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/34—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using capacitative elements
    • G01K7/343—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using capacitative elements the dielectric constant of which is temperature dependant
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种等离子飞灰熔融炉飞灰熔融温度的软测量方法，该方法包括：基于低频、高频微波传感器的飞灰介电常数测量；以飞灰介电常数历史数据为输入神经元，飞灰组分历史数据为输出神经元，建立飞灰组分含量的递推随机权神经网络辨识模型；依据飞灰组分含量实验室数据对模型在线校正；基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型；依据飞灰组分含量和飞灰熔融特性温度实验室数据对模型进行在线校正；校正后的模型对飞灰熔融特性温度进行在线测量。通过本发明提供的方法可以对熔融温度实时预测，保证飞灰充分熔融的同时，节约了资源，提高了生产效率。

Description

一种等离子飞灰熔融炉飞灰熔融温度的软测量方法
技术领域
本发明涉及等离子飞灰熔融炉熔融温度检测领域，具体涉及一种等离子飞灰熔融炉飞灰熔融温度的软测量方法。
背景技术
目前等离子飞灰熔融炉控制系统多借鉴常规垃圾焚烧炉的控制系统进行设计，主要控制方式为：根据原料配伍热值及处理量确定原料进给速率，调节进风量、含氧量及等离子炬电流来维持炉膛温度，保证飞灰充分气化，出口烟气达标。而在实际的生产过程中，由于飞灰的组分不同，造成飞灰的熔融点不同，所要求的炉膛燃烧温度也不尽相同。根据原料配伍热值确定的炉膛燃烧温度会由于真实的热值波动或者处理量的波动导致熔融气化不充分，从而达不到排放标准；另一方面，尽可能提高炉膛燃烧温度可以保证飞灰充分气化，满足排放要求，却增加了生产成本，缩短了熔融炉及等离子矩电极的使用寿命。因此，飞灰熔融点的确定对熔融炉的实际操作具有重要意义。
目前飞灰熔融点的测定主要是依据国标《煤灰熔融性的测定方法》(GB/T 219-2008)在实验室测定，将飞灰制作成三角锥在高温炉中加热观察灰锥的形态变化，记录灰锥的四个熔融特征温度(变形温度、软化温度、半球温度和流动温度)。实验室测量的飞灰熔融特征温度测量准确，但测定周期长，而且只能抽样检测，不能满足工业熔融炉操作的实时性要求。
发明内容
为了更准确地检测等离子飞灰熔融炉熔融温度，本发明提出一种等离子飞灰熔融炉飞灰熔融温度的软测量方法。
为了实现上述技术目的，本发明采用如下技术方案：
一种等离子飞灰熔融炉飞灰熔融温度的软测量方法，包括：
S1：基于低频电容传感器的飞灰介电常数测量；基于高频微波传感器的飞灰介电常数测量；
S2：以低频介电常数历史数据和高频介电常数历史数据为输入神经元，飞灰组分历史数据为输出神经元，建立飞灰组分含量的递推随机权神经网络辨识模型；
S3：依据飞灰组分含量实验室数据对步骤S2建立的飞灰组分含量的递推随机权神经网络辨识模型进行在线校正；
S4：基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型；
S5：依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正；
S6：根据步骤S5校正后的模型对飞灰熔融特性温度进行在线测量。
优选地，步骤S1包括：
S11：低频电容传感器测得样品的介电常数为ε，高频微波传感器测得样品的介电常数为εr，低频电容传感器、高频微波传感器采样周期为T，以当前时刻t为基准，低频电容传感器、高频微波传感器历史数据分别表示为ε(t-pT)，εr(t-pT)，飞灰组分历史数据表示为u1(t-pT)，u2(t-pT)，…，uM(t-pT)，p＝1,2,3…N，N为样本个数，M为飞灰成分个数；
S12：初始时刻，取N0个历史数据，记为(Ξ0,U0)，
Figure BDA0003255879600000021
Figure BDA0003255879600000022
其中εi＝[ε(t-iT),εr(t-iT)]∈R2，ui＝[u1(t-iT),u2(t-iT),…,uM(t-iT)]∈RM，i＝1,2,3…N0，并记εi＝(εi1,εi2)，ui＝(ui1,ui2,…uiM)。
优选地，步骤S2包括：
以低频介电常数历史数据εi1、高频介电常数历史数据εi2为输入神经元，飞灰组分历史数据ui1,ui2,…uiM为输出神经元，建立含有K个隐层节点单隐层神经网络：
Figure BDA0003255879600000023
其中，aj＝(aj1,aj2)T为输入神经元εi到第j个隐含层的权重，bj为第j个隐含层神经元偏置，βjm为第j个隐含层神经元到第m个输出层的神经元权重，m＝1,2,3…M，uim为第m个输出神经元的输出，隐含层神经元K的数目通过交叉验证的方法获得，g(·)为神经元激活函数：
Figure BDA0003255879600000024
随机初始化输入层神经元至隐含层神经元权重aj及偏置bj，计算得出隐含层神经元矩阵H0为：
Figure BDA0003255879600000031
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得：
U0＝H0β0
β0为βjm组成的矩阵，U0为uim组成的矩阵，
Figure BDA0003255879600000032
通过最小二乘法计算U0＝H0β0，求得
Figure BDA0003255879600000033
其中，
Figure BDA0003255879600000034
为H0的广义逆矩阵，进一步求得：
Figure BDA0003255879600000035
优选地，步骤S3包括：
以当前时刻t为基准，t+qT时刻由实验室仪器测得低频电容传感器、高频微波传感器数据分别表示为ε(t+qT)，εr(t+qT)，飞灰组分数据表示为u1(t+qT)，u2(t+qT)，…，uM(t+qT)，q＝1,2,3…N1，N1为样本个数；计算得出隐含层神经元矩阵为：
Figure BDA0003255879600000036
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得：
U1＝H1β1
U1为uim组成的矩阵,i＝N0+1,N0+2,…,N0+N1，β1为新的权重矩阵，
Figure BDA0003255879600000037
因此：
Figure BDA0003255879600000038
通过递推最小二乘广义逆求解β1：
Figure BDA0003255879600000039
其中，
Figure BDA0003255879600000041
Figure BDA0003255879600000042
进一步地，推广到一般情形，求解通用递推公式为：
Figure BDA0003255879600000043
Figure BDA0003255879600000044
其中，Hk表示任一时刻的隐含层神经元矩阵，Hk+1为下一时刻的隐含层神经元矩阵，
Figure BDA0003255879600000045
βk表示任一时刻的隐含层到输出层的权重向量，βk+1为下一时刻的隐含层到输出层的权重向量；
令
Figure BDA0003255879600000046
递推公式进一步简化为：
Figure BDA0003255879600000047
Figure BDA0003255879600000048
优选地，步骤S4包括：
飞灰组分含量历史数据为Uk，飞灰熔融特性温度历史数据为yk，系统历史参数为θk，则
yk＝Ukθk
采用最小二乘法的广义逆求解得到：
θk＝Uk +yk＝(Uk TUk)-1Uk Tyk。
优选地，步骤S5包括：
依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正；
新测定的飞灰组分含量数据为Uk+1、飞灰熔融特性温度数据为yk+1，系统参数为θk+1，则
Figure BDA0003255879600000049
通过广义逆求解θk+1：
Figure BDA00032558796000000410
其中，
Figure BDA00032558796000000411
令
Figure BDA00032558796000000412
当更新数据是一条一条进入时，则：
Figure BDA0003255879600000051
Figure BDA0003255879600000052
与现有技术相比，本发明的有益效果：
本发明提供了一种等离子飞灰熔融炉飞灰熔融温度的软测量方法，建立了飞灰组分含量的递推随机权神经网络辨识模型，依据飞灰组分含量实验室数据对模型进行在线校正；然后建立飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型，依据飞灰组分含量和飞灰熔融特性温度实验室数据对模型进行在线校正。通过本发明提供的方法可以对熔融温度实时预测，保证飞灰充分熔融的同时，节约了资源，提高了生产效率。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域中的普通技术人员来说，在不付出创造性劳动的前提下，还可根据这些附图获得其他附图。
图1为本发明方法示意图；
图2为本发明飞灰介电常数与飞灰组分的神经网络模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种等离子飞灰熔融炉飞灰熔融温度的软测量方法，如图1所示，包括：
S1：基于低频电容传感器的飞灰介电常数测量；基于高频微波传感器的飞灰介电常数测量；具体包括：
S11：低频电容传感器测得样品的介电常数为ε，高频微波传感器测得样品的介电常数为εr，低频电容传感器、高频微波传感器采样周期为T，以当前时刻t为基准，低频电容传感器、高频微波传感器历史数据分别表示为ε(t-pT)，εr(t-pT)，飞灰组分历史数据表示为u1(t-pT)，u2(t-pT)，…，uM(t-pT)，p＝1,2,3…N，N为样本个数，M为飞灰成分个数；
S12：初始时刻，取N0个历史数据，记为(Ξ0,U0)，
Figure BDA0003255879600000061
Figure BDA0003255879600000062
其中εi＝[ε(t-iT),εr(t-iT)]∈R2，ui＝[u1(t-iT),u2(t-iT),…,uM(t-iT)]∈RM，i＝1,2,3…N0，并记εi＝(εi1,εi2)，ui＝(ui1,ui2,...uiM)。
S2：以低频介电常数历史数据和高频介电常数历史数据为输入神经元，飞灰组分历史数据为输出神经元，建立飞灰组分含量的递推随机权神经网络辨识模型，如图2所示；具体包括：
以低频介电常数历史数据εi1、高频介电常数历史数据εi2为输入神经元，飞灰组分历史数据ui1,ui2,…uiM为输出神经元，建立含有K个隐层节点单隐层神经网络：
Figure BDA0003255879600000063
其中，aj＝(aj1,aj2)T为输入神经元εi到第j个隐含层的权重，bj为第j个隐含层神经元偏置，βjm为第j个隐含层神经元到第m个输出层的神经元权重，m＝1,2,3…M，uim为第m个输出神经元的输出，隐含层神经元K的数目通过交叉验证的方法获得，g(·)为神经元激活函数：
Figure BDA0003255879600000064
随机初始化输入层神经元至隐含层神经元权重aj及偏置bj，计算得出隐含层神经元矩阵H0为：
Figure BDA0003255879600000065
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得：
U0＝h0β0
β0为βjm组成的矩阵，U0为uim组成的矩阵，
Figure BDA0003255879600000066
通过最小二乘法计算U0＝H0β0，求得
Figure BDA0003255879600000071
其中，
Figure BDA0003255879600000072
为H0的广义逆矩阵，进一步求得：
Figure BDA0003255879600000073
S3：依据飞灰组分含量实验室数据对步骤S2建立的飞灰组分含量的递推随机权神经网络辨识模型进行在线校正；具体包括：
以当前时刻t为基准，t+qT时刻由实验室仪器测得低频电容传感器、高频微波传感器数据分别表示为ε(t+qT)，εr(t+qT)，飞灰组分数据表示为u1(t+qT)，u2(t+qT)，…，uM(t+qT)，q＝1,2,3…N1，N1为样本个数；计算得出隐含层神经元矩阵为：
Figure BDA0003255879600000074
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得：
U1＝H1β1
U1为uim组成的矩阵,i＝N0+1,N0+2,…,N0+N1，β1为新的权重矩阵，
Figure BDA0003255879600000075
因此：
Figure BDA0003255879600000076
通过递推最小二乘广义逆求解β1：
Figure BDA0003255879600000077
其中，
Figure BDA0003255879600000078
Figure BDA0003255879600000079
进一步地，推广到一般情形，求解通用递推公式为：
Figure BDA00032558796000000710
Figure BDA00032558796000000711
其中，Hk表示任一时刻的隐含层神经元矩阵，Hk+1为下一时刻的隐含层神经元矩阵，
Figure BDA00032558796000000712
βk表示任一时刻的隐含层到输出层的权重向量，βk+1为下一时刻的隐含层到输出层的权重向量；
令
Figure BDA00032558796000000713
递推公式进一步简化为：
Figure BDA0003255879600000081
Figure BDA0003255879600000082
S4：基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型；具体包括：
飞灰组分含量历史数据为Uk，飞灰熔融特性温度历史数据为yk，系统历史参数为θk，则
yk＝Ukθk
采用最小二乘法的广义逆求解得到：
θk＝Uk +yk＝(Uk TUk)-1Uk Tyk。
S5：依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正；具体包括：
依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正；
新测定的飞灰组分含量数据为Uk+1、飞灰熔融特性温度数据为yk+1，系统参数为θk+1，则
Figure BDA0003255879600000083
通过广义逆求解θk+1：
Figure BDA0003255879600000084
其中，
Figure BDA0003255879600000085
令
Figure BDA0003255879600000086
当更新数据是一条一条进入时，则：
Figure BDA0003255879600000087
Figure BDA0003255879600000088
S6：根据步骤S5校正后的模型对飞灰熔融特性温度进行在线测量。

Claims (6)

1.一种等离子飞灰熔融炉飞灰熔融温度的软测量方法，其特征在于，包括：
S1：基于低频电容传感器的飞灰介电常数测量；基于高频微波传感器的飞灰介电常数测量；
S2：以低频介电常数历史数据和高频介电常数历史数据为输入神经元，飞灰组分历史数据为输出神经元，建立飞灰组分含量的递推随机权神经网络辨识模型；
S3：依据飞灰组分含量实验室数据对步骤S2建立的飞灰组分含量的递推随机权神经网络辨识模型进行在线校正；
S4：基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型；
S5：依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正；
S6：根据步骤S5校正后的模型对飞灰熔融特性温度进行在线测量。
2.根据权利要求1所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法，其特征在于，步骤S1包括：
S11：低频电容传感器测得样品的介电常数为ε，高频微波传感器测得样品的介电常数为εr，低频电容传感器、高频微波传感器采样周期为T，以当前时刻t为基准，低频电容传感器、高频微波传感器历史数据分别表示为ε(t-pT)，εr(t-pT)，飞灰组分历史数据表示为u1(t-pT)，u2(t-pT)，…，uM(t-pT)，p＝1,2,3…N，N为样本个数，M为飞灰成分个数；
S12：初始时刻，取N0个历史数据，记为(Ξ0,U0)，
Figure FDA0003255879590000011
Figure FDA0003255879590000012
其中εi＝[ε(t-iT),εr(t-iT)]∈R2，ui＝[u1(t-iT),u2(t-iT),…,uM(t-iT)]∈RM，i＝1,2,3…N0，并记εi＝(εi1,εi2)，ui＝(ui1,ui2,…uiM)。
3.根据权利要求2所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法，其特征在于，步骤S2包括：
以低频介电常数历史数据εi1、高频介电常数历史数据εi2为输入神经元，飞灰组分历史数据ui1,ui2,…uiM为输出神经元，建立含有K个隐层节点的单隐层神经网络：
Figure FDA0003255879590000021
其中，aj＝(aj1,aj2)T为输入神经元εi到第j个隐含层的权重，bj为第j个隐含层神经元偏置，βjm为第j个隐含层神经元到第m个输出层的神经元权重，m＝1,2,3…M，uim为第m个输出神经元的输出，隐含层神经元K的数目通过交叉验证的方法获得，g(·)为神经元激活函数：
Figure FDA0003255879590000022
随机初始化输入层神经元至隐含层神经元权重aj及偏置bj，计算得出隐含层神经元矩阵H0为：
Figure FDA0003255879590000023
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得：
U0＝H0β0
β0为βjm组成的矩阵，U0为uim组成的矩阵，
Figure FDA0003255879590000024
通过最小二乘法计算U0＝H0β0，求得
Figure FDA0003255879590000025
其中，
Figure FDA0003255879590000026
为H0的广义逆矩阵，进一步求得：
Figure FDA0003255879590000027
4.根据权利要求3所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法，其特征在于，步骤S3包括：
以当前时刻t为基准，t+qT时刻由实验室仪器测得低频电容传感器、高频微波传感器数据分别表示为ε(t+qT)，εr(t+qT)，飞灰组分数据表示为u1(t+qT)，u2(t+qT)，…，uM(t+qT)，q＝1,2,3…N1，N1为样本个数；计算得出隐含层神经元矩阵为：
Figure FDA0003255879590000031
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得：
U1＝H1β1
U1为uim组成的矩阵,i＝N0+1,N0+2,…,N0+N1，β1为新的权重矩阵，
Figure FDA0003255879590000032
因此：
Figure FDA0003255879590000033
通过递推最小二乘广义逆求解β1：
Figure FDA0003255879590000034
其中，
Figure FDA0003255879590000035
Figure FDA0003255879590000036
进一步地，推广到一般情形，求解通用递推公式为：
Figure FDA0003255879590000037
其中，Hk表示任一时刻的隐含层神经元矩阵，Hk+1为下一时刻的隐含层神经元矩阵，
Figure FDA0003255879590000038
βk表示任一时刻的隐含层到输出层的权重向量，βk+1为下一时刻的隐含层到输出层的权重向量；
令
Figure FDA0003255879590000039
当数据是一个一个进入时，Hk+1表示为hk+1，Uk+1表示为uk+1，递推公式进一步简化为：
Figure FDA00032558795900000310
Figure FDA00032558795900000311
5.根据权利要求4所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法，其特征在于，步骤S4包括：
飞灰组分含量历史数据为Uk，飞灰熔融特性温度历史数据为yk，系统历史参数为θk，则
yk＝Ukθk
采用最小二乘法的广义逆求解得到：
θk＝Uk+yk＝(Uk TUk)-1Uk Tyk。
6.根据权利要求5所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法，其特征在于，步骤S5包括：
依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正；
新测定的飞灰组分含量数据为Uk+1、飞灰熔融特性温度数据为yk+1，系统参数为θk+1，则
Figure FDA0003255879590000041
通过广义逆求解θk+1：
Figure FDA0003255879590000042
其中，
Figure FDA0003255879590000043
令
Figure FDA0003255879590000044
当更新数据是一条一条进入时，Uk+1表示为uk+1，则：
Figure FDA0003255879590000045
Figure FDA0003255879590000046
CN202111059597.3A 2021-09-10 2021-09-10 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 Active CN113790817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111059597.3A CN113790817B (zh) 2021-09-10 2021-09-10 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111059597.3A CN113790817B (zh) 2021-09-10 2021-09-10 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法

Publications (2)

Publication Number Publication Date
CN113790817A true CN113790817A (zh) 2021-12-14
CN113790817B CN113790817B (zh) 2023-07-21

Family

ID=78879880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111059597.3A Active CN113790817B (zh) 2021-09-10 2021-09-10 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法

Country Status (1)

Country Link
CN (1) CN113790817B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005337579A (ja) * 2004-05-26 2005-12-08 Ebara Corp 焼却灰溶融炉の熱量制御方法と熱量制御装置
WO2007070220A2 (en) * 2005-12-12 2007-06-21 Pegasus Technologies, Inc. Model based control and estimation of mercury emissions
CN102778538A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法
CN108760592A (zh) * 2018-04-23 2018-11-06 西安理工大学 一种基于bp神经网络的飞灰含碳量在线测量方法
JP2020046280A (ja) * 2018-09-19 2020-03-26 三菱重工業株式会社 灰溶融温度推定装置および灰溶融温度推定方法
CN112881455A (zh) * 2021-01-15 2021-06-01 山西格盟中美清洁能源研发中心有限公司 基于矿物相与神经网络复合模型预测煤灰熔融温度的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005337579A (ja) * 2004-05-26 2005-12-08 Ebara Corp 焼却灰溶融炉の熱量制御方法と熱量制御装置
WO2007070220A2 (en) * 2005-12-12 2007-06-21 Pegasus Technologies, Inc. Model based control and estimation of mercury emissions
CN102778538A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法
CN108760592A (zh) * 2018-04-23 2018-11-06 西安理工大学 一种基于bp神经网络的飞灰含碳量在线测量方法
JP2020046280A (ja) * 2018-09-19 2020-03-26 三菱重工業株式会社 灰溶融温度推定装置および灰溶融温度推定方法
CN112881455A (zh) * 2021-01-15 2021-06-01 山西格盟中美清洁能源研发中心有限公司 基于矿物相与神经网络复合模型预测煤灰熔融温度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
樊泉桂;潘攀;: "化学组分及单组分熔融温度与煤灰熔融温度的相关性分析", 锅炉技术, no. 06, pages 12 - 15 *
胡洋: "利用灰成分预测煤灰熔融温度的模型研究", 《杭州化工》, vol. 47, no. 2, pages 23 - 28 *

Also Published As

Publication number Publication date
CN113790817B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN105925750A (zh) 一种基于神经网络的炼钢终点预测方法
CN108760592A (zh) 一种基于bp神经网络的飞灰含碳量在线测量方法
CN109385285A (zh) 一种焦炉自动加热优化系统
CN111780127B (zh) 一种垃圾焚烧炉燃烧管理系统
CN110569567B (zh) 焦炉火道温度的测量方法及系统
CN113790817A (zh) 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法
CN112992291A (zh) 一种高温电工级氧化镁粉配料优化方法
CN101598927B (zh) 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法
CN108804789A (zh) 一种陶瓷喷雾干燥过程能耗建模方法
CN110567534B (zh) 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置
CN110807511A (zh) 粗糙集理论-循环神经网络模型结构
Enjing et al. The design of temperature control system of test chamber based on predictive control algorithm
CN113970502A (zh) 基于快速烘箱法的烟叶含水率预测模型构建方法
He et al. Temperature intelligent prediction model of coke oven flue based on CBR and RBFNN
CN113419050A (zh) 水泥生料成分软测量的方法及装置
TWI750863B (zh) 石墨化爐之終止送電的管控方法
Liu et al. Research on online monitoring of energy consumption of rotary kiln for cement clinker formation heat
Guo et al. Exploration of high-temperature oxidation resistance laws in ultra-high temperature boride ceramics through data-driven approaches
Ning et al. Research on soft sensing of formation heat of cement clinker based on LS_SVM
CN117852317B (zh) 一种基于数字孪生技术的超大型高温炉温度仿真方法
Ren et al. A Novel Multivariable Nonlinear Time Series Prediction Method for APSO-Elman Network
Hu et al. Prediction Model of Filter Cake Moisture in Ceramic Production by Least Squares Support Vector Machine based on Particle Swarm Optimization
Wen et al. Based on BP neural network forecast bridge temperature field and its effect on the behavior of bridge deflection
Deng et al. Research on edge controller based on industrial furnace
CN107544578B (zh) 基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法

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
GR01 Patent grant
GR01 Patent grant