CN113790817B - 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 - Google Patents

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ε_r，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)，ε_r(t-pT)，飞灰组分历史数据表示为u₁(t-pT)，u₂(t-pT)，…，u_M(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)， 其中ε_i＝[ε(t-iT),ε_r(t-iT)]∈R²，u_i＝[u₁(t-iT),u₂(t-iT),…,u_M(t-iT)]∈R^M，i＝1,2,3…N₀，并记ε_i＝(ε_i1,ε_i2)，u_i＝(u_i1,u_i2,…u_iM)。

优选地，步骤S2包括：

以低频介电常数历史数据ε_i1、高频介电常数历史数据ε_i2为输入神经元，飞灰组分历史数据u_i1,u_i2,…u_iM为输出神经元，建立含有K个隐层节点单隐层神经网络：

其中，a_j＝(a_j1,a_j2)^T为输入神经元ε_i到第j个隐含层的权重，b_j为第j个隐含层神经元偏置，β_jm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，u_im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：

随机初始化输入层神经元至隐含层神经元权重a_j及偏置b_j，计算得出隐含层神经元矩阵H₀为：

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β_jm组成的矩阵，U₀为u_im组成的矩阵，

通过最小二乘法计算U₀＝H₀β₀，求得

其中，为H₀的广义逆矩阵，进一步求得：

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)，ε_r(t+qT)，飞灰组分数据表示为u₁(t+qT)，u₂(t+qT)，…，u_M(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：

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u_im组成的矩阵,i＝N₀+1,N₀+2,…,N₀+N₁，β₁为新的权重矩阵，

因此：

通过递推最小二乘广义逆求解β₁：

其中，

进一步地，推广到一般情形，求解通用递推公式为：

其中，H_k表示任一时刻的隐含层神经元矩阵，H_k+1为下一时刻的隐含层神经元矩阵，β_k表示任一时刻的隐含层到输出层的权重向量，β_k+1为下一时刻的隐含层到输出层的权重向量；

令递推公式进一步简化为：

优选地，步骤S4包括：

飞灰组分含量历史数据为U_k，飞灰熔融特性温度历史数据为y_k，系统历史参数为θ_k，则

y_k＝U_kθ_k

采用最小二乘法的广义逆求解得到：

θ_k＝U_k ⁺y_k＝(U_k ^TU_k)^-1U_k ^Ty_k。

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U_k+1、飞灰熔融特性温度数据为y_k+1，系统参数为θ_k+1，则

通过广义逆求解θ_k+1：

其中，

令当更新数据是一条一条进入时，则：

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ε_r，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)，ε_r(t-pT)，飞灰组分历史数据表示为u₁(t-pT)，u₂(t-pT)，…，u_M(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)， 其中ε_i＝[ε(t-iT),ε_r(t-iT)]∈R²，u_i＝[u₁(t-iT),u₂(t-iT),…,u_M(t-iT)]∈R^M，i＝1,2,3…N₀，并记ε_i＝(ε_i1,ε_i2)，u_i＝(u_i1,u_i2,...u_iM)。

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ε_i1、高频介电常数历史数据ε_i2为输入神经元，飞灰组分历史数据u_i1,u_i2,…u_iM为输出神经元，建立含有K个隐层节点单隐层神经网络：

其中，a_j＝(a_j1,a_j2)^T为输入神经元ε_i到第j个隐含层的权重，b_j为第j个隐含层神经元偏置，β_jm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，u_im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：

随机初始化输入层神经元至隐含层神经元权重a_j及偏置b_j，计算得出隐含层神经元矩阵H₀为：

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β_jm组成的矩阵，U₀为u_im组成的矩阵，

通过最小二乘法计算U₀＝H₀β₀，求得

其中，为H₀的广义逆矩阵，进一步求得：

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)，ε_r(t+qT)，飞灰组分数据表示为u₁(t+qT)，u₂(t+qT)，…，u_M(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：

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u_im组成的矩阵,i＝N₀+1,N₀+2,…,N₀+N₁，β₁为新的权重矩阵，

因此：

通过递推最小二乘广义逆求解β₁：

其中，

进一步地，推广到一般情形，求解通用递推公式为：

其中，H_k表示任一时刻的隐含层神经元矩阵，H_k+1为下一时刻的隐含层神经元矩阵，β_k表示任一时刻的隐含层到输出层的权重向量，β_k+1为下一时刻的隐含层到输出层的权重向量；

令递推公式进一步简化为：

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U_k，飞灰熔融特性温度历史数据为y_k，系统历史参数为θ_k，则

y_k＝U_kθ_k

采用最小二乘法的广义逆求解得到：

θ_k＝U_k ⁺y_k＝(U_k ^TU_k)^-1U_k ^Ty_k。

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U_k+1、飞灰熔融特性温度数据为y_k+1，系统参数为θ_k+1，则

通过广义逆求解θ_k+1：

其中，

令当更新数据是一条一条进入时，则：

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ε_r，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)，ε_r(t-pT)，飞灰组分历史数据表示为u₁(t-pT)，u₂(t-pT)，…，u_M(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)， 其中ε_i＝[ε(t-iT),ε_r(t-iT)]∈R²，u_i＝[u₁(t-iT),u₂(t-iT),…,u_M(t-iT)]∈R^M，i＝1,2,3…N₀，并记ε_i＝(ε_i1,ε_i2)，u_i＝(u_i1,u_i2,…u_iM)。

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ε_i1、高频介电常数历史数据ε_i2为输入神经元，飞灰组分历史数据u_i1,u_i2,…u_iM为输出神经元，建立含有K个隐层节点的单隐层神经网络：

其中，a_j＝(a_j1,a_j2)^T为输入神经元ε_i到第j个隐含层的权重，b_j为第j个隐含层神经元偏置，β_jm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，u_im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：

随机初始化输入层神经元至隐含层神经元权重a_j及偏置b_j，计算得出隐含层神经元矩阵H₀为：

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β_jm组成的矩阵，U₀为u_im组成的矩阵，

通过最小二乘法计算U₀＝H₀β₀，求得

其中，为H₀的广义逆矩阵，进一步求得：

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)，ε_r(t+qT)，飞灰组分数据表示为u₁(t+qT)，u₂(t+qT)，…，u_M(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：

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u_im组成的矩阵,i＝N₀+1,N₀+2,…,N₀+N₁，β₁为新的权重矩阵，

因此：

通过递推最小二乘广义逆求解β₁：

其中，

进一步地，推广到一般情形，求解通用递推公式为：

其中，H_k表示任一时刻的隐含层神经元矩阵，H_k+1为下一时刻的隐含层神经元矩阵，β_k表示任一时刻的隐含层到输出层的权重向量，β_k+1为下一时刻的隐含层到输出层的权重向量；

令当数据是一个一个进入时，H_k+1表示为h_k+1，U_k+1表示为u_k+1，递推公式进一步简化为：

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U_k，飞灰熔融特性温度历史数据为y_k，系统历史参数为θ_k，则

y_k＝U_kθ_k

采用最小二乘法的广义逆求解得到：

θ_k＝U_k+y_k＝(U_k ^TU_k)^-1U_k ^Ty_k。

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U_k+1、飞灰熔融特性温度数据为y_k+1，系统参数为θ_k+1，则

通过广义逆求解θ_k+1：

其中，

令当更新数据是一条一条进入时，U_k+1表示为u_k+1，则：