CN114326624B - 基于入炉前废弃物图像识别的园区内热解气化炉系统工艺 - Google Patents
基于入炉前废弃物图像识别的园区内热解气化炉系统工艺 Download PDFInfo
- Publication number
- CN114326624B CN114326624B CN202111625198.9A CN202111625198A CN114326624B CN 114326624 B CN114326624 B CN 114326624B CN 202111625198 A CN202111625198 A CN 202111625198A CN 114326624 B CN114326624 B CN 114326624B
- Authority
- CN
- China
- Prior art keywords
- waste
- furnace
- pyrolysis
- image recognition
- model
- 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
- 239000002699 waste material Substances 0.000 title claims abstract description 158
- 238000000197 pyrolysis Methods 0.000 title claims abstract description 148
- 230000026676 system process Effects 0.000 title claims abstract description 22
- 239000007789 gas Substances 0.000 claims abstract description 66
- 238000002309 gasification Methods 0.000 claims abstract description 61
- 239000000463 material Substances 0.000 claims abstract description 21
- 239000000126 substance Substances 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 238000000491 multivariate analysis Methods 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000011521 glass Substances 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 239000000919 ceramic Substances 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000007885 magnetic separation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000000123 paper Substances 0.000 claims description 3
- 239000004033 plastic Substances 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 238000012946 outsourcing Methods 0.000 abstract description 8
- 238000010438 heat treatment Methods 0.000 abstract description 7
- 238000002485 combustion reaction Methods 0.000 abstract description 5
- 239000002737 fuel gas Substances 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 15
- 239000000446 fuel Substances 0.000 description 10
- 239000003345 natural gas Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005238 degreasing Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005979 thermal decomposition reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Processing Of Solid Wastes (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开了基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，属于热解气化炉系统工艺技术领域，有助于形成园区内废弃物的分类和循环利用体系，可充分利用废弃物内涵的化学热，通过热解制气并以此替代一部分外购燃气，从而降低园区内能源使用的成本，通过入炉前废弃物的识别模型系统，可较精确地掌握热解气化炉的输入参数条件，从将传统炉内燃烧/加热的反馈控制变为“前馈+反馈”联合控制，并建立建立精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型，由此为炉膛的精细控制和精益运营提供帮助，并为确保热解制气品质的稳定创造了条件。
Description
技术领域
本发明涉及一种热解气化炉系统工艺，特别是涉及基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，属于热解气化炉系统工艺技术领域。
背景技术
因集中办公更便于统一管理和优化服务，办公和工业园区的规模和数量不断扩大，正日益成为城市能耗的重要一极。当前，园区的主要能耗为外购天然气、从电网外购电等。
较大的园区由于能耗高，需提前向燃气部门申请未来几天乃至未来一月的天然气采购清单。
由此带来下述问题：
(1)、如果预估的园区天然气采购量低于实际需求，则需要花比原来更高的价格临时采购一部分天然气以弥补不足，如果预估的天然气采购量高于实际需求，则有可能造成浪费和经济损失。
(2)、园区的能源供给相对单一，而且天然气价格相对较高，造成园区能源供应成本的压力较大。
(3)、园区潜在的废弃物循环和循环经济运行不畅，废弃物作为潜在能源的使用优势没有得到体现。
随着我国大中城市垃圾干湿分离的有效开展，垃圾分类水平得以显著提高，可以预见未来将比肩甚至超过发达国家的废弃物分类水平，并且垃圾热值得以大幅度提升，从而更有利于对废弃物内涵化学热(热值)的利用和转化。
因此，垃圾分类习惯的日益倡导和规范，将为废弃物的多样化综合利用提供极大的便利和机遇。
热解气化是在无氧或缺氧的加热条件下，利用有机物的热不稳定性使之裂解，从而产生可燃的热解气(以H2、CH4、CO等为主要成分)的工艺过程。
与直接焚烧的技术相比，由于热解气化炉内气氛为无氧和缺氧，因此减少了二噁英前驱物、氮氧化物和二氧化硫的生成。
热解气化工艺相对适合园区和社区这种中小规模废弃物处理量的场合，现有技术中在进行热解气化工艺中燃气采购量难以估计和废弃物潜在能量未被充分利用的问题，为此设计一种基于入炉前废弃物图像识别的园区内热解气化炉系统工艺来优化改进上述问题。
发明内容
本发明的主要目的是为了提供基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，有助于形成园区内废弃物的分类和循环利用体系，可充分利用废弃物内涵的化学热，通过热解制气并以此替代一部分外购燃气，从而降低园区内能源使用的成本。
通过入炉前废弃物的识别模型系统，可较精确地掌握热解气化炉的输入参数条件，从将传统炉内燃烧/加热的反馈控制变为“前馈+反馈”联合控制，并建立建立精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型，由此为炉膛的精细控制和精益运营提供帮助，并为确保热解制气品质的稳定创造了条件。
通过热解气化炉模型，建立了入炉废弃物参数、炉膛运行参数和热解制气品质、流量之间的模型关系，该模型既可用于现场实际控制，也可用于离线的各种参数调整试验和仿真模拟，还可用于热解气化炉的实操培训。
通过入炉前废弃物的识别模型和热解气化炉模型，可较精确地估算出热解制气可替代的燃料量，从而为外购燃料的更精确估算提供依据，由此也降低了能源潜在的浪费。
本发明的目的可以通过采用如下技术方案达到：
基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，包括如下步骤：
步骤1：采用CCD照相机对园区内代表性废弃物和社会上常见废弃物进行拍照，对拍取的园区内代表性废弃物和社会上常见废弃物进行分析各种形貌特征，并以此建立入炉前废弃物特征识别数据库；
步骤2：对废弃物特征识别数据库采用多变量分析方法，并以此建立核心特征参数的特征向量；
步骤3：在步骤1和步骤2构建的废弃物数据库基础上，采用机器学习的模型算法，建立入炉前废弃物的图像识别模型系统；
步骤4：园区日常收集的废弃物在送入热解气化炉前先进行拍照，所获取的图像通过步骤4中建立的图像识别模型系统进行分析；
步骤5：通过图像识别模型系统进行分析确定废弃物的种类、特征尺寸的特性，并以此快速计算出所分析对象的成分和热值关键参数；
步骤6：将该图像识别模型系统计算得出的入炉废弃物的特性参数、热解气化炉的关键运行参数和最终热解制气的组分、流量参数的历史数据，通过机器学习的方式进行重复训练，优化模型算法；
步骤7：建立精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型。
优选的，在步骤2中建立入炉前废弃物特征识别数据库其数据包括废弃物的颜色及颜色组合、常用几何尺寸、主要标记物、主要材质和化学组成。
优选的，其中主要标记物包括商标、图案和文字的任意一种或几种的组合。
优选的，在步骤4中采用的机器学习的模型算法包括决策树、支持向量机、偏最小二乘、随机森林和神经网络模型任意一种或几种的组合。
优选的，步骤1中的废弃物包括玻璃、金属、塑料、木头和纸张的常见废弃物。
优选的，在步骤1前还包括预处理步骤：
步骤1：通过采用磁选和重力的方式进行筛分；
步骤2：将钢铁、玻璃、陶瓷一些重物且低热能的废弃物去除；
步骤3：去除后并将具有高热能废弃物保留作为热解气制备的入炉物料。
优选的，热解气化炉包括纯用电为热解气化过程供热的炉型和将部分热解气燃烧后为炉膛提供所需热量的炉型。
优选的，步骤8中的热解气化炉模型所需的入炉废弃物的特性参数，包括废弃物的种类、几何参数、质量、热值；
热解气化炉的关键运行参数，包括炉内温度、氧量、压力和电功率。
优选的，步骤4中的入炉前废弃物的图像识别模型，作为前馈模型加入到热解气化炉的控制策略中。
本发明的有益技术效果：
本发明提供的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，有助于形成园区内废弃物的分类和循环利用体系，可充分利用废弃物内涵的化学热，通过热解制气并以此替代一部分外购燃气，从而降低园区内能源使用的成本。
通过入炉前废弃物的识别模型系统，可较精确地掌握热解气化炉的输入参数条件，从将传统炉内燃烧/加热的反馈控制变为“前馈+反馈”联合控制，并建立建立精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型，由此为炉膛的精细控制和精益运营提供帮助，并为确保热解制气品质的稳定创造了条件。
通过热解气化炉模型，建立了入炉废弃物参数、炉膛运行参数和热解制气品质、流量之间的模型关系，该模型既可用于现场实际控制，也可用于离线的各种参数调整试验和仿真模拟，还可用于热解气化炉的实操培训。
通过入炉前废弃物的识别模型和热解气化炉模型，可较精确地估算出热解制气可替代的燃料量，从而为外购燃料的更精确估算提供依据，由此也降低了能源潜在的浪费。
附图说明
图1为按照本发明的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺的一优选实施例的入炉前废弃物的图像识别系统的建立流程图；
图2为按照本发明的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺的一优选实施例的整体工艺流程图。
具体实施方式
为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1-2所示，本实施例提供的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，包括如下步骤：
步骤1：采用CCD照相机对园区内代表性废弃物和社会上常见废弃物进行拍照，对拍取的园区内代表性废弃物和社会上常见废弃物进行分析各种形貌特征，并以此建立入炉前废弃物特征识别数据库；
步骤,2：对废弃物特征识别数据库采用多变量分析方法，并以此建立核心特征参数的特征向量；
步骤3：在步骤1和步骤2构建的废弃物数据库基础上，采用机器学习的模型算法，建立入炉前废弃物的图像识别模型系统；
步骤4：园区日常收集的废弃物在送入热解气化炉前先进行拍照，所获取的图像通过步骤4中建立的图像识别模型系统进行分析；
步骤5：通过图像识别模型系统进行分析确定废弃物的种类、特征尺寸的特性，并以此快速计算出所分析对象的成分和热值关键参数；
步骤6：将该图像识别模型系统计算得出的入炉废弃物的特性参数、热解气化炉的关键运行参数和最终热解制气的组分、流量参数的历史数据，通过机器学习的方式进行重复训练，优化模型算法；
步骤7：建立精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型。
首先调研和收集园区内代表性废弃物和社会上常见废弃物样品，对样品进行分门别类地拍照并分析其各种形貌特征，由此建立了入炉前废弃物特征识别数据库。再通过主成分分析等多变量分析方法，建立一套主因子(核心特征参数)的特征向量。
在前述废弃物数据库的基础上，通过机器学习的模型算法，最终建立入炉前废弃物的图像识别模型。
园区内日常收集来的废弃物，在送入热解气化炉前，先进行拍照，所摄图像经入炉前废弃物图像识别模型系统的分析，可确定废弃物的种类、特征尺寸等特性，从而快速计算出所分析对象的成分和热值等关键参数。
将该图像识别模型系统计算得出的入炉废弃物的特性参数、热解气化炉的关键运行参数和最终热解制气的组分、流量参数的历史数据，通过机器学习的手段进行反复训练，得出优选的模型算法，最终建立起精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型。
以入炉前废弃物的图像识别模型为基础和以其计算结果为主要输入的这个热解气化炉模型，可帮助热解气化炉实现更精准的控制和更精细的运营。
热解制气输送到园区各用气点，可替代一部分园区外购燃料。通过入炉前废弃物的图像识别模型和热解气化炉模型，可较精确地估算出热解制气可替代的燃料量，从而为外购燃料的估算提供更准确的依据。
有助于形成园区内废弃物的分类和循环利用体系，可充分利用废弃物内涵的化学热，通过热解制气并以此替代一部分外购燃气，从而降低园区内能源使用的成本。
通过入炉前废弃物的识别模型系统，可较精确地掌握热解气化炉的输入参数条件，从将传统炉内燃烧/加热的反馈控制变为“前馈+反馈”联合控制，建立精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型，由此为炉膛的精细控制和精益运营提供帮助，并为确保热解制气品质的稳定创造了条件。
通过热解气化炉模型，建立了入炉废弃物参数、炉膛运行参数和热解制气品质、流量之间的模型关系，该模型既可用于现场实际控制，也可用于离线的各种参数调整试验和仿真模拟，还可用于热解气化炉的实操培训。
通过入炉前废弃物的识别模型和热解气化炉模型，可较精确地估算出热解制气可替代的燃料量，从而为外购燃料的更精确估算提供依据，由此也降低了能源潜在的浪费。
在本实施例中，在步骤2中建立入炉前废弃物特征识别数据库其数据包括废弃物的颜色及颜色组合、常用几何尺寸、主要标记物、主要材质和化学组成。
在本实施例中，其中主要标记物包括商标、图案和文字的任意一种或几种的组合。
在本实施例中，在步骤4中采用的机器学习的模型算法包括决策树、支持向量机、偏最小二乘、随机森林和神经网络模型任意一种或几种的组合。
在本实施例中，步骤1中的废弃物包括玻璃、金属、塑料、木头和纸张的常见废弃物。
在本实施例中，在步骤1前还包括预处理步骤：
步骤1：通过采用磁选和重力的方式进行筛分；
步骤2：将钢铁、玻璃、陶瓷一些重物且低热能的废弃物去除；
步骤3：去除后并将具有高热能废弃物保留作为热解气制备的入炉物料。
在本实施例中，热解气化炉包括纯用电为热解气化过程供热的炉型和将部分热解气燃烧后为炉膛提供所需热量的炉型。
在本实施例中，步骤8中的热解气化炉模型所需的入炉废弃物的特性参数，包括废弃物的种类、几何参数、质量、热值；
热解气化炉的关键运行参数，包括炉内温度、氧量、压力和电功率。
在本实施例中，步骤4中的入炉前废弃物的图像识别模型，作为前馈模型加入到热解气化炉的控制策略中。
废弃物热解气化炉的产气品质与输入的废弃物密切相关，尽可能准确地掌握入炉废弃物的成分和质量特性，对于确保热解气化炉的精确顺行具有重要意义，因此，需先调研园区内各主要单位产生的废弃物的典型类型，并收集其代表性样品，进行分门别类地拍照，建立入炉前废弃物数据库。拍照后，对代表性样品的形貌特征进行识别，包括主要颜色组合的统计、主要几何尺寸的分析(包括主要常用的几何尺寸及人为通过数学方法定义的尺寸)、主要标记物(如商标、品牌等)的识别、主要材质和化学组成等方面的分析。此外，将其他一些常用、常见的废弃物也一并纳入到数据库中，并进行测量和分析，从而增强未来模型的泛化能力，由此建立一个全方位的入炉前废弃物特征识别数据库。再通过主成分分析等多变量分析方法，建立一套主因子(核心特征参数)的特征向量。在前述废弃物数据库的基础上，通过机器学习算法(如神经网络、支持向量机、随机森林、偏最小二法等)，进行大量自学习和训练，验证各种算法的优劣，最终建立代表性废弃物的图像识别模型，据此可较为精确识别出入炉废弃物的各种特性，以用于后续热解气化炉的运行控制。
园区内的废弃物经气力输送或人工输运的方式，进行统一收集，并送到热解气化炉前。进入热解气化炉前，废弃物需先经过预处理，即通过磁选和重力(密度差)等简易的筛分手段，将钢铁、玻璃、陶瓷等较重，且热值很低的废弃物去除，经预处理后的废弃物，极为具有较高热值、适合作为热解气制备的原料，预处理后的废弃物，平铺在传送带上，渐次输送进入热解气化炉，废弃物入炉前，还会在传送带区域或该区域前后，对其进行称量，以计算单位时间内通过的废弃物的质量。传送带上方有摄像头，并配置足够亮度的光源以满足拍摄要求。照片的拍摄速度需与传送带的前进速度相匹配，确保所有的入炉废弃物都被拍摄，通过照片的快速拍摄继而输入图像识别系统进行分析，从而确定废弃物的种类、材质、特征尺寸、品牌等，进而快速计算得出分析对象的主要成分和热值，废弃物进入传送带前，可设置一个限高可调的装置，从而保证传送带上的物料高度基本保持一致，且传送带的速度也可调，从而有利于摄像头拍照和图像识别，同时也可控制热解气化炉的产气速率。拍摄完成后的废弃物可进入一物料破碎系统，在破碎机中破碎成相对较小、较均匀的物料，破碎的目的是为了大幅度提高废弃物在热解气化炉内的热分解效率和完善度。破碎的后的物料直接通过上料系统入炉加热。以上预处理、传送带、破碎系统和上料系统等都采用全封闭式，内部长期保持微负压，防止臭气等异味外漏。
热解气化炉分两类，一类纯用电进行热解气化所需的供热，一类将部分热解气燃烧后为炉膛提供所需热量，但后者也需要部分用电，如提供助燃空气的鼓风机、抽排烟用的引风机等。考虑到谷电比白天峰电便宜得多，无论哪类热解气化炉，都可在夜间谷电期间运行，从而降低热解气化炉的运行成本和热解气的制备成本。热解后得到的一定热值合成气(热解气)经冷却、除油后，进入储气罐，储气罐前有必要的燃气增压装置。在储气罐入口管路上，安装气相色谱仪和气体流量计，对制备得到的热解气的成分和流量进行在线监测。
制备得到的热解气流量和组分是园区能源站最关心的结果，其与入炉废弃物的特性，以及炉内温度、气氛的控制密切相关。炉膛温度、氧量的测控通用而简单，因此入炉废弃物特性(种类、几何参数、热值、质量信息等)的精确识别就更显得尤为重要了，这就是通过图像识别的方法建立前述入炉废弃物识别模型的意义所在。以此模型为基础，利用机器学习的手段(如神经网络)，通过各种算法的训练和自学习，验证测试后得到优选的算法，最终建立入炉废弃物参数和热解气化炉的关键运行参数(如炉内温度、氧量、压力和电功率等)，与最终产生的热解气的组分、流量之间的对应关系模型——热解气化炉模型。由此，利用该模型，只需将通过废弃物图像识别模型计算得到的入炉物料特性参数(如废弃物组分、总热值、总质量)作为输入，并输入炉内温度、气氛(如氧量)等控制参数，就能计算出热解气化炉产气的品质和流量。这样，即便今后在线气相色谱仪发生问题无法工作时，利用入炉前废弃物的识别模型和热解气化炉模型，也能较为准确地提供热解气的发生量、组分和热值，从而为后续热解气(作为替代天然气的燃料)的消耗计量和收费提供依据。
另外，入炉前废弃物的识别模型和热解气化炉模型也可用于气化炉的离散和在线控制，离线可作为气化炉的模拟和培训使用，在线可参与气化炉的控制、甚至是优化运行。如需控制热解气的某种组分气的比例，或热解气的总气量，就可以通过上述模型来进行模拟，找出目标和实际的偏差。具体说，可在热解气化炉前配置一个备用储仓，将形态、颗粒度相对规整，组分和热值稳定的一种或几种废弃物预存其中，并确保一定时间(如几天)内的储存量。当现场入炉废弃物的总量或热值无法满足热解产气量和热值的要求时，则将备用储仓的废弃物按照上述模型计算出的量进行在线补充添加，从而确保热解气化炉产气的目标要求得以实现。再如遇到需调制炉内气氛以满足热解气中气氛比例的要求时，也可以通过上述模型计算出炉内温度、炉内氧量所需调整的量，从而通过鼓风机送风量的调整等来确保热解气化炉产气的目标要求得以实现。
以上所述，仅为本发明进一步的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。
Claims (9)
1.基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：包括如下步骤：
步骤1：采用CCD照相机对园区内代表性废弃物和社会上常见废弃物进行拍照，对拍取的园区内代表性废弃物和社会上常见废弃物进行分析各种形貌特征，并以此建立入炉前废弃物特征识别数据库；
步骤2：对废弃物特征识别数据库采用多变量分析方法，并以此建立核心特征参数的特征向量；
步骤3：在步骤1和步骤2构建的废弃物数据库基础上，采用机器学习的模型算法，建立入炉前废弃物的图像识别模型系统；
步骤4：园区日常收集的废弃物在送入热解气化炉前先进行拍照，所获取的图像通过步骤4中建立的图像识别模型系统进行分析；
步骤5：通过图像识别模型系统进行分析确定废弃物的种类、特征尺寸的特性，并以此计算出所分析对象的成分和热值关键参数；
步骤6：将该图像识别模型系统计算得出的入炉废弃物的特性参数、热解气化炉的关键运行参数和最终热解制气的组分、流量参数的历史数据，通过机器学习的方式进行重复训练，优化模型算法；
步骤7：建立精确反映物料输入、炉膛运行参数和热解制气输出三者数量关系的热解气化炉模型。
2.根据权利要求1所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：在步骤2中建立入炉前废弃物特征识别数据库其数据包括废弃物的颜色及颜色组合、常用几何尺寸、主要标记物、主要材质和化学组成。
3.根据权利要求2所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：其中主要标记物包括商标、图案和文字的任意一种或几种的组合。
4.根据权利要求3所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：在步骤4中采用的机器学习的模型算法包括决策树、支持向量机、偏最小二乘、随机森林和神经网络模型任意一种或几种的组合。
5.根据权利要求4所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：步骤1中的废弃物包括玻璃、金属、塑料、木头和纸张的常见废弃物。
6.根据权利要求5所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：在步骤1前还包括预处理步骤：
步骤1：通过采用磁选和重力的方式进行筛分；
步骤2：将钢铁、玻璃、陶瓷一些重物且低热能的废弃物去除；
步骤3：去除后并将具有高热能废弃物保留作为热解气制备的入炉物料。
7.根据权利要求6所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：热解气化炉包括纯用电为热解气化过程供热的炉型和将部分热解气燃烧后为炉膛提供所需热量的炉型。
8.根据权利要求7所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：步骤8中的热解气化炉模型所需的入炉废弃物的特性参数，包括废弃物的种类、几何参数、质量、热值；
热解气化炉的关键运行参数，包括炉内温度、氧量、压力和电功率。
9.根据权利要求8所述的基于入炉前废弃物图像识别的园区内热解气化炉系统工艺，其特征在于：步骤4中的入炉前废弃物的图像识别模型，作为前馈模型加入到热解气化炉的控制策略中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111625198.9A CN114326624B (zh) | 2021-12-28 | 2021-12-28 | 基于入炉前废弃物图像识别的园区内热解气化炉系统工艺 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111625198.9A CN114326624B (zh) | 2021-12-28 | 2021-12-28 | 基于入炉前废弃物图像识别的园区内热解气化炉系统工艺 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114326624A CN114326624A (zh) | 2022-04-12 |
| CN114326624B true CN114326624B (zh) | 2024-04-09 |
Family
ID=81014928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111625198.9A Active CN114326624B (zh) | 2021-12-28 | 2021-12-28 | 基于入炉前废弃物图像识别的园区内热解气化炉系统工艺 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114326624B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106319123A (zh) * | 2016-10-20 | 2017-01-11 | 广东省自动化研究所 | 一种控制煤直燃热风炉出风温度的方法 |
| JP2019207099A (ja) * | 2017-07-31 | 2019-12-05 | 荏原環境プラント株式会社 | 廃棄物の質を推定する装置、システム、プログラム、及び方法 |
| CN112029539A (zh) * | 2020-09-08 | 2020-12-04 | 广州卓邦科技有限公司 | 一种固体废弃物处理用水平固定式气化炉 |
-
2021
- 2021-12-28 CN CN202111625198.9A patent/CN114326624B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106319123A (zh) * | 2016-10-20 | 2017-01-11 | 广东省自动化研究所 | 一种控制煤直燃热风炉出风温度的方法 |
| JP2019207099A (ja) * | 2017-07-31 | 2019-12-05 | 荏原環境プラント株式会社 | 廃棄物の質を推定する装置、システム、プログラム、及び方法 |
| CN112029539A (zh) * | 2020-09-08 | 2020-12-04 | 广州卓邦科技有限公司 | 一种固体废弃物处理用水平固定式气化炉 |
Non-Patent Citations (1)
| Title |
|---|
| 热风炉燃烧系统最优控制;袁晓红;何花;王旭仁;;计算机工程与设计;20091128(22);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114326624A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Somorin et al. | State-level assessment of the waste-to-energy potential (via incineration) of municipal solid wastes in Nigeria | |
| Albores et al. | Analysing efficiency of waste to energy systems: using data envelopment analysis in municipal solid waste management | |
| Eboh et al. | Economic evaluation of improvements in a waste-to-energy combined heat and power plant | |
| CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| Holmgren et al. | Comparison between material and energy recovery of municipal waste from an energy perspective: a study of two Swedish municipalities | |
| Schneider et al. | Cost-effectiveness of GHG emission reduction measures and energy recovery from municipal waste in Croatia | |
| Alayi et al. | Techno-economic analysis of electrical energy generation from urban waste in Hamadan, Iran | |
| Ng et al. | Techno-economic assessment of a novel integrated system of mechanical-biological treatment and valorisation of residual municipal solid waste into hydrogen: A case study in the UK | |
| CN113464955A (zh) | 一种垃圾焚烧预测与前馈控制方法 | |
| Susanto et al. | Economic analysis of biomass gasification for generating electricity in rural areas in Indonesia | |
| CN111260149A (zh) | 一种二噁英排放浓度预测方法 | |
| CN103439926A (zh) | 一种钢铁企业煤气优化调度装置 | |
| CN114326624B (zh) | 基于入炉前废弃物图像识别的园区内热解气化炉系统工艺 | |
| CN105160499B (zh) | 一种火力发电厂的燃料分析系统与方法 | |
| Mastro et al. | Cogeneration from thermal treatment of selected municipal solid wastes. A stoichiometric model building for the case study on Palermo | |
| CN117040000A (zh) | 一种耦合碳捕集和电制氢的综合能源系统热电优化方法 | |
| CN110244568A (zh) | 工业企业微网的能源枢纽模型及其多能互补优化控制方法 | |
| Zhang et al. | Integrated optimization for utilizing iron and steel industry’s waste heat with urban heating based on exergy analysis | |
| CN116656384B (zh) | 一种基于负碳排放becnu生态系统工程碳循环的钢铁产品碳中和的方法 | |
| CN114973000B (zh) | 一种垃圾焚烧炉的燃烧优化控制方法 | |
| CN115293453A (zh) | 一套钢铁厂热工系统能效根因分析优化方法 | |
| Zhao et al. | Distributionally robust optimization for dispatching the integrated operation of rural multi-energy system and waste disposal facilities under uncertainties | |
| Walmsley et al. | Networks for utilising the organic and dry fractions of municipal waste: P-graph approach | |
| CN103577920A (zh) | 具有实质意义的能源工业emc评价管理系统 | |
| Sharma et al. | Assessment of Carbon Capture Technologies for Waste-to-Energy System |
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 |