CN115755599A - 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 - Google Patents
垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115755599A CN115755599A CN202211370974.XA CN202211370974A CN115755599A CN 115755599 A CN115755599 A CN 115755599A CN 202211370974 A CN202211370974 A CN 202211370974A CN 115755599 A CN115755599 A CN 115755599A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- garbage incinerator
- network model
- premixer
- 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
Images
Landscapes
- Incineration Of Waste (AREA)
Abstract
本发明公开了一种垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质,所述方法包括:获取目标垃圾焚烧炉的历史数据,对历史数据进行处理,得到历史数据库;利用历史数据库中的数据训练RBF神经网络模型,得到训练好的RBF神经网络模型;利用历史数据库中的数据,建立模糊控制模型;利用历史数据库中的数据训练BP神经网络模型,得到训练好的BP神经网络模型;将训练好的RBF神经网络模型、模糊控制模型和BP神经网络模型进行联合,得到综合自动控制模型;将历史数据库中的数据输入综合自动控制模型,得到符合正常工况的数据。本发明可以有效改善垃圾焚烧炉的腐蚀情况,且该方法简便易行、经济性高,可广泛适用于垃圾焚烧炉防腐蚀控制。
Description
技术领域
本发明涉及垃圾焚烧炉防腐蚀领域,特别是涉及一种垃圾焚烧炉防腐蚀自动控制方法、系统、计算机设备及存储介质。
背景技术
当前,随着经济增长和人民生活水平的提高,城市化进程不断加快,伴随而来的是日益恶化的环境问题,特别是生活垃圾的处理问题。一方面,随着群众消费水平进一步提高,每日产生的固体废物不断增多,目前我国的城市生活垃圾产生量在以每年8%~10%的速度增长;另一方面,城市不断发展,城市覆盖面积不断扩大,垃圾填埋地少,“垃圾围城”的问题一直围绕着我们。面对城市生活垃圾的,国内常见的固体废物处理方式有:填埋、堆肥、焚烧等。
目前,堆肥技术不够成熟,而垃圾成分又极为复杂,来源具有不确定性,导致堆肥技术不易推广。填埋技术则是解决生活垃圾出路的最主要的方法,但是,填埋的垃圾没有进行无害化处理,残留着大量的细菌、病毒,还潜伏着沼气重金属污染等隐患,同时其垃圾渗漏液还会长久地污染地下水资源,这种方法潜在着极大危害。
因此,垃圾焚烧是当前最热门的垃圾处理技术。中国各地都建立起了各式各样的垃圾焚烧厂,旨在高效无害的处理城市生活垃圾问题。垃圾焚烧技术,一般炉内温度控制在高于850℃,焚烧后体积比原来可缩小50-80%,分类收集的可燃性垃圾经焚烧处理后甚至可缩小90%。但是由于垃圾成分的复杂特性、含水率、炉型设计等不尽相同,垃圾焚烧情况极为复杂,长期运行的垃圾焚烧炉内会出现大量的腐蚀问题,容易发生因腐蚀或疲劳而爆管等问题。一方面,在焚烧过程中会产生大量的氮氧化物、氯化氢、硫氧化物和一氧化碳等,都会腐蚀受热面,虽然通过吹灰可以有效减少腐蚀问题,但是由于吹灰不均导致接近吹灰口的部位反而腐蚀更加严重。另一方面,由于烟气扩散到烟道后的不均匀性,局部区域受热不均,容易发生高温腐蚀。
发明内容
为了解决上述现有技术的不足,本发明提供一种垃圾焚烧炉防腐蚀自动控制方法、系统、计算机设备和存储介质,该方法可以根据垃圾焚烧炉的运行数据快速做出用于控制垃圾焚烧炉燃烧情况以减少腐蚀的自动控制方法。
本发明的第一个目的在于提供一种垃圾焚烧炉防腐蚀自动控制方法。
本发明的第二个目的在于提供一种垃圾焚烧炉防腐蚀自动控制系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种垃圾焚烧炉防腐蚀自动控制方法,所述方法包括:
获取目标垃圾焚烧炉的历史数据,对历史数据进行处理,得到历史数据库;
利用历史数据库中的数据训练RBF神经网络模型,得到训练好的RBF神经网络模型;
利用历史数据库中的数据,建立模糊控制模型;
利用历史数据库中的数据训练BP神经网络模型,得到训练好的BP神经网络模型;
将训练好的RBF神经网络模型、模糊控制模型和BP神经网络模型进行联合,得到综合自动控制模型;
从历史数据库中获取数据并输入综合自动控制模型,得到符合正常工况的数据。
进一步,所述训练好的RBF神经网络,用于预测垃圾焚烧炉的运行工况;
所述模糊控制器,用于当垃圾焚烧炉的运行工况为非正常时,给出具体调整方案;
所述训练好的BP神经网络,用于根据模糊控制器的具体调整方案,输出工况的数据;
所述从历史数据库中获取数据并输入综合自动控制模型,得到符合正常工况的数据,具体包括:
从历史数据库中获取数据并输入RBF神经网络模型,RBF神经网络模型对输入的数据进行预测;
若预测结果为非正常,将预测的非正常工况数据输入模糊控制模型,模糊控制模型调节参数;
将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出正常工况的数据。
进一步,所述将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出正常工况的数据,具体包括:
将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出工况的数据;
若输出工况的数据为非正常时,则将BP神经网络模型输出的工况数据输入模糊控制模型;
由模糊控制器调节参数,并继续执行将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出工况的数据及后面的操作;
若输出工况的数据为正常时,结束整个过程并输出正常工况的数据。
进一步,所述运行工况为非正常,指工况数据不在正常范围内。
进一步,所述对历史数据进行处理,得到历史数据库,是指在历史数据中选取有效的数据,根据有效数据建立历史数据库。
本发明的第二个目的可以通过采取如下技术方案达到:
一种垃圾焚烧炉防腐蚀自动控制系统,所述系统包括数据采集器、垃圾焚烧炉执行器和垃圾焚烧炉控制器,所述数据采集器和垃圾焚烧炉执行器均设置在垃圾焚烧炉装置,所述数据采集器和垃圾焚烧炉执行器均与所述垃圾焚烧炉控制器连接;
所述数据采集器,用于采集目标垃圾焚烧炉的数据,作为目标垃圾焚烧炉的历史数据,包括一次风量、二次风量、吹灰角度、预混器角度、预混器流量、积灰厚度、腐蚀减薄速率、硫氧化物浓度、氯化氢浓度和水平烟道温度;
所述垃圾焚烧炉控制器,用于上述的垃圾焚烧炉防腐蚀自动控制方法。
进一步的,所述垃圾焚烧炉执行器包括一次风风门执行器、二次风风门执行器、吹灰执行器和预混器执行器,所述一次风风门执行器、二次风风门执行器、吹灰执行器和预混器执行器均连接至所述垃圾焚烧炉控制器。
进一步的,所述垃圾焚烧炉装置包括水平烟道,所述水平烟道的尾部出口处设置有烟气回流口,所述水平烟道的上壁设置有预混器,所述烟气回流口将低温烟气回流至预混器;所述预混器连接至预混器执行器,当局部烟气温度大于设定的温度阈值时,经预混器预混后的烟气通过预混器执行器喷入水平烟道内,以调节水平烟道的温度;预混器控制预混器执行器的摆动角度和预混流量。
进一步的,所述预混器前部设置有加压泵,所述烟气回流口连接至加压泵,所述加压泵连接至预混器,烟气回流口将水平烟道尾部循环的低温烟气通过加压泵回流至预混器,回流烟气通过预混器执行器喷入水平烟道。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的垃圾焚烧炉防腐蚀自动控制方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的垃圾焚烧炉防腐蚀自动控制方法。
本发明相对于现有技术具有如下的有益效果:
1、本发明提供的垃圾焚烧炉防腐蚀自动控制方法,综合运用了RBF神经网络模型、模糊控制模型和BP神经网络模型,利用有效历史数据对三个模型进行训练,建立了一种具有预测性、及时性的综合自动控制网络,能够实现提前预测并在发现非正常工况时做出及时调整。
2、本发明采用的RBF神经网络模型对于工业数据的运行规律具有较好效果,能够实现提前性预测,反应垃圾焚烧炉运行的规律;模糊控制模型能够根据专家经验制定模糊控制规则,针对复杂的非线性问题进行调整;BP神经网络模型适用于预测复杂的非线性关系,具有全局优化的特点,训练好的BP神经网络模型能够对模糊控制模型输出的控制策略进行提前验证。
3、本发明还提供了一种改进的垃圾焚烧炉装置,通过在水平烟道的尾部出口处设置烟气回流口,以及在水平烟道的上壁设置预混器,通过烟气回流口和预混器对水平烟道烟气的尾气进行回流和预混能够解决局部烟气过高引起的高温腐蚀问题,提高垃圾焚烧炉运行的稳定性和经济性,可广泛适用于垃圾焚烧炉防腐蚀控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的垃圾焚烧炉防腐蚀自动控制方法的流程图。
图2为本发明实施例1的综合自动控制模型的流程图。
图3为本发明实施例2的垃圾焚烧炉防腐蚀自动控制系统的结构框图。
图4为本发明实施例2的垃圾焚烧炉装置的结构示意图。
图5为本发明实施例3的计算机设备的结构框图。
图3和图4中,1-数据采集器、2-一次风风门执行器、3-二次风风门执行器、4-吹灰执行器、5-预混器执行器、6-水平烟道、7-烟气回流口、8-预混器、9-加压泵。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例是本发明的一部分实施例,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作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。
实施例1:
如图1所示,本实施例提供了一种垃圾焚烧炉防腐蚀自动控制方法,该方法具体包括步骤如下:
S101、获取目标垃圾焚烧炉的历史数据,对历史数据进行处理,得到历史数据库。
获取目标垃圾焚烧炉运行的历史数据,对数据进行处理,选择有效数据样本构建历史数据库。
S102、利用历史数据库中的数据训练RBF神经网络模型,得到训练好的RBF神经网络模型。
本实施例采用的RBF神经网络模型对于工业数据的运行规律具有较好效果,能够实现提前性预测,反应垃圾焚烧炉运行的规律。
在历史数据库,通过选取连续的100组历史工况的数据,对RBF神经网络模型进行训练,得到训练好的RBF神经网络模型,利用训练好的RBF神经网络模型对后续的工况进行预测,可以实现预见性判断。
所述训练好的RBF神经网络,用于预测垃圾焚烧炉的运行工况。
通过训练好的RBF神经网络模型输出的预测值对垃圾焚烧炉的正常运行和非正常运行进行判断。
在一个具体的实施例中,经过大量数据训练后建立的RBF神经网络模型具有良好的规律预测功能,可以实现对于积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度等数据的提前预测。
S103、利用历史数据库中的数据,建立模糊控制模型。
模糊控制模型能够根据专家经验制定模糊控制规则,针对复杂的非线性问题进行调整。
利用历史数据库中的数据,建立模糊控制策略。首先对精确量进行模糊化处理,再确定隶属度函数,本实例采用属于正态分布的高斯型隶属函数。高斯隶属函数符合正态分布规律,处处连续且可以求导,适合自适应模糊控制隶属函数的修正。使用时保证相邻模糊量的交点在0.3~0.7之间,最后根据现场运行情况,结合相关研究和专家经验的总结,总结得到5×5×5×5×5=3125条模糊控制规则,可由模糊控制策略给出具体调整方案对垃圾焚烧炉的非正常运行工况进行调整。例如当水平烟道温度较高,而积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率都正常时,应调节一次风量不变、二次风量不变、吹灰角度不变、预混器角度不变和预混器流量很大。
所述模糊控制器,可以用于当垃圾焚烧炉的运行工况为非正常时,给出具体调整方案。
在一个具体的实施例中,非正常运行工况指积灰厚度、硫氧化物浓度和氯化氢浓度过高,腐蚀减薄速率过快以及水平烟道温度的数据值不在正常范围之内。
S104、利用历史数据库中的数据训练BP神经网络模型,得到训练好的BP神经网络模型。
BP神经网络模型适用于预测复杂的非线性关系,具有全局优化的特点,训练好的BP神经网络模型能够对模糊控制模型输出的控制策略进行提前验证。
通过在历史数据库中选取数据,对BP神经网络模型进行训练。本实施例中,BP神经网络模型输入变量为5个、输出变量为5个,选择隐含层神经元个数为4-13个,根据历史工况数据,得到训练好的BP神经网络模型,以建立输入量和输出量的非线性关系。
所述训练好的BP神经网络,用于根据模糊控制器的具体调整方案,输出工况的数据。
在一个具体的实施例中,BP神经网络模型的输入量包括一次风量、二次风量、吹灰角度、预混器角度和预混器流量,输出量包括积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度。
S105、将训练好的RBF神经网络模型、模糊控制模型和BP神经网络模型进行联合,得到综合自动控制模型。
利用训练好的RBF神经网络模型、模糊控制模型和BP神经网络模型依次串联,得到综合自动控制模型。
S106、从历史数据库中获取数据并输入综合自动控制模型,得到符合正常工况的数据。
进一步的,如图2所示,步骤S106具体包括:
从历史数据库中获取数据并输入RBF神经网络模型,RBF神经网络模型对输入的数据进行预测;
若预测结果为非正常,将预测的非正常工况数据输入模糊控制模型,模糊控制模型调节参数;
将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型正常输出工况的数据。具体包括:
将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出工况的数据;
若输出工况的数据为非正常时,则将BP神经网络模型输出的工况数据输入模糊控制模型;
由模糊控制器调节参数,继续执行将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出工况的数据及后面的操作;
直到BP神经网络模型输出工况的数据为正常时,结束整个过程并输出正常工况的数据。
在一个实施例中,步骤S106具体包括:
(1)将从历史数据库中获取的积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度的数据输入RBF神经网络模型,利用RBF神经网络模型进行预测;具体包括:
在历史数据库中选取一组工况数据,包括积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度数据,输入RBF神经网络模型,RBF神经网络模型对工况数据进行预测,并根据设定的正常运行工况和非正常运行工况的值,判断预测工况是否为非正常工况;若为正常工况,则直接输出工况的数据,具体包括积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度。
(2)若RBF神经网络预测的积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度的值为非正常,则将积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度的值输入模糊控制模型;
(3)模糊控制模型根据模糊控制规则给出调节指令,调节一次风量、二次风量、吹灰角度、预混器角度和预混器流量的值;将模糊控制模型输出的一次风量、二次风量、吹灰角度、预混器角度和预混器流量的值输入BP神经网络模型;
(4)若BP神经网络模型输出的积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度的值为非正常,则将BP神经网络模型输出的数据输入模糊控制模型;并跳转至步骤(3)继续执行;
(5)若BP神经网络模型输出的积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度的值为正常,则结束整个过程并输出积灰厚度、硫氧化物浓度、氯化氢浓度、腐蚀减薄速率和水平烟道温度的值。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2
如图3所示,本实施例提供了一种垃圾焚烧炉防腐蚀自动控制系统,该系统包括数据采集器1、垃圾焚烧炉执行器和垃圾焚烧炉控制器,所述数据采集器和垃圾焚烧炉执行器均设置在垃圾焚烧炉装置,所述数据采集器和垃圾焚烧炉执行器均与所述垃圾焚烧炉控制器连接;其中:
所述数据采集器,设置在垃圾焚烧炉装置的水平烟道内部以及水平烟道出口,用于采集垃圾焚烧炉的数据,作为垃圾焚烧炉的历史数据,包括一次风量、二次风量、吹灰角度、预混器角度、预混器流量、积灰厚度、腐蚀减薄速率、硫氧化物浓度、氯化氢浓度和水平烟道温度。
所述垃圾焚烧炉控制器,用于实现上述实施1的垃圾焚烧炉防腐蚀自动控制方法。
所述垃圾焚烧炉执行器,用于执行垃圾焚烧炉控制器输出的指令,其包括一次风风门执行器2、二次风风门执行器3、吹灰执行器4和预混器执行器5;一次风风门执行器2、二次风风门执行器3分别设置在一次风风门处和二次风风门处,吹灰执行器4布置在水平烟道内部,预混器执行器5设置在水平烟道内;一次风风门执行器2、二次风风门执行器3、吹灰执行器4和预混器执行器5均连接至垃圾焚烧炉控制器;一次风风门执行器2用于调节一次风量,二次风风门执行器3用于调节二次风量,吹灰执行器4用于调节吹灰角度和吹灰时间,预混器执行器5用于调节预混器喷口的角度和预混器中的回流烟气流量。
在一个实施例中,数据采集器1通过监测垃圾焚烧炉运行的实时数据,采集垃圾焚烧炉的数据,从而构建垃圾焚烧炉的历史数据,具体包括一次风量、二次风量、吹灰角度、预混器角度、预混器流量、积灰厚度、腐蚀减薄速率、硫氧化物浓度、氯化氢浓度和水平烟道温度。
在一个实施例中,垃圾焚烧炉控制器包括但不仅限于PLC控制模块等,垃圾焚烧炉控制器可以安装在垃圾焚烧炉装置上,也可以放置在垃圾焚烧炉装置的外部。
垃圾焚烧炉装置还可以是一种经过改进的垃圾焚烧炉装置,如图4所示。
在一个实施例中,垃圾焚烧炉装置包括水平烟道6,水平烟道6的尾部出口处设置有烟气回流口7,水平烟道6的上壁设置有预混器8,烟气回流口将低温烟气回流至预混器8;预混器8连接至预混器执行器5,当局部烟气温度大于设定的温度阈值(即局部烟气温度过高)时,经预混器8进行预混后的烟气通过预混器执行器5喷入水平烟道6内,以调节水平烟道6的温度,避免出现水平烟道6温度过高的问题;预混器8可以控制预混器执行器的摆动角度和预混流量。
在一个实施例中,预混器8前部设置有加压泵9,烟气回流口7连接至加压泵9,加压泵9连接至预混器8,烟气回流口7将水平烟道6尾部循环的低温烟气通过加压泵9回流至预混器8,方便烟气回流,回流烟气通过预混器执行5喷入水平烟道6。
实施例3:
如图5所示,本实施例提供了一种计算机设备,该计算机设备可以是服务器、计算机等,包括通过系统总线501连接的处理器502、存储器、输入装置503、显示器504和网络接口505。其中,处理器1302用于提供计算和控制能力,存储器包括非易失性存储介质506和内存储器507,该非易失性存储介质506存储有操作系统、计算机程序和数据库,该内存储器507为非易失性存储介质506中的操作系统和计算机程序的运行提供环境,计算机程序被处理器502执行时,实现上述实施例1的垃圾焚烧炉防腐蚀自动控制方法,如下:
获取目标垃圾焚烧炉的历史数据,对历史数据进行处理,得到历史数据库;
利用历史数据库中的数据训练RBF神经网络模型,得到训练好的RBF神经网络模型;
利用历史数据库中的数据,建立模糊控制模型;
利用历史数据库中的数据训练BP神经网络模型,得到训练好的BP神经网络模型;
将训练好的RBF神经网络模型、模糊控制模型和BP神经网络模型进行联合,得到综合自动控制模型;
将历史数据库中的数据输入综合自动控制模型,得到符合正常工况的数据。
实施例4:
本实施例提供一种存储介质,该存储介质为计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例1的的垃圾焚烧炉防腐蚀自动控制方法,如下:
获取目标垃圾焚烧炉的历史数据,对历史数据进行处理,得到历史数据库;
利用历史数据库中的数据训练RBF神经网络模型,得到训练好的RBF神经网络模型;
利用历史数据库中的数据,建立模糊控制模型;
利用历史数据库中的数据训练BP神经网络模型,得到训练好的BP神经网络模型;
将训练好的RBF神经网络模型、模糊控制模型和BP神经网络模型进行联合,得到综合自动控制模型;
将历史数据库中的数据输入综合自动控制模型,得到符合正常工况的数据。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述,本发明提出的垃圾焚烧炉防腐蚀自动控制方法,通过获取垃圾焚烧炉运行的历史数据,根据历史数据库分别对BF神经网络模型、模糊控制模型和BP神经网络模型进行训练;并将训练好的BF神经网络模型、模糊控制模型和BP神经网络模型进行依次串联,得到综合自动控制模型。综合自动控制模型中的RBF神经网络模型通过对历史数据的规律进行预测,以此判断下一阶段是否需要做出调整;对于需要进行调整的非正常工况,运用综合自动控制模型中的模糊控制模型的模糊控制规则进行调整,再经综合自动控制模型中的BP神经网络对调整结果进行预测,符合要求后输出正常工况数据。本发明提出的垃圾焚烧炉防腐蚀自动控制系统还包括垃圾焚烧炉装置,将水平烟道低温烟气回流至预混器;当局部烟气温度过高时,经预混器进行预混后的烟气通过预混器执行器喷入水平烟道内,以调解水平烟道温度,从而减少高温腐蚀。本发明提出的垃圾焚烧炉防腐蚀自动控制方法与系统可以有效改善垃圾焚烧炉腐蚀情况。
以上所述,仅为本发明专利较佳的实施例,但本发明专利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专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种垃圾焚烧炉防腐蚀自动控制方法,其特征在于,所述方法包括:
获取目标垃圾焚烧炉的历史数据,对历史数据进行处理,得到历史数据库;
利用历史数据库中的数据训练RBF神经网络模型,得到训练好的RBF神经网络模型;
利用历史数据库中的数据,建立模糊控制模型;
利用历史数据库中的数据训练BP神经网络模型,得到训练好的BP神经网络模型;
将训练好的RBF神经网络模型、模糊控制模型和BP神经网络模型进行联合,得到综合自动控制模型;
从历史数据库中获取数据并输入综合自动控制模型,得到符合正常工况的数据。
2.根据权利要求1所述的垃圾焚烧炉防腐蚀自动控制方法,其特征在于,所述训练好的RBF神经网络,用于预测垃圾焚烧炉的运行工况;
所述模糊控制器,用于当垃圾焚烧炉的运行工况为非正常时,给出具体调整方案;
所述训练好的BP神经网络,用于根据模糊控制器的具体调整方案,输出工况的数据;
所述从历史数据库中获取数据并输入综合自动控制模型,得到符合正常工况的数据,具体包括:
从历史数据库中获取数据并输入RBF神经网络模型,RBF神经网络模型对输入的数据进行预测;
若预测结果为非正常,将预测的非正常工况数据输入模糊控制模型,模糊控制模型调节参数;
将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出正常工况的数据。
3.根据权利要求2所述的垃圾焚烧炉防腐蚀自动控制方法,其特征在于,所述将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出正常工况的数据,具体包括:
将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出工况的数据;
若输出工况的数据为非正常时,则将BP神经网络模型输出的工况数据输入模糊控制模型;
由模糊控制器调节参数,并继续执行将模糊控制模型调节的参数输入BP神经网络模型,BP神经网络模型输出工况的数据及后面的操作;
若输出工况的数据为正常时,结束整个过程并输出正常工况的数据。
4.根据权利要求1-3任一项所述的垃圾焚烧炉防腐蚀自动控制方法,其特征在于,所述对历史数据进行处理,得到历史数据库,是指在历史数据中选取有效的数据,根据有效数据建立历史数据库。
5.一种垃圾焚烧炉防腐蚀自动控制系统,其特征在于,所述系统包括数据采集器、垃圾焚烧炉执行器和垃圾焚烧炉控制器,所述数据采集器和垃圾焚烧炉执行器均设置在垃圾焚烧炉装置,所述数据采集器和垃圾焚烧炉执行器均与所述垃圾焚烧炉控制器连接;
所述数据采集器,用于采集目标垃圾焚烧炉的数据,作为目标垃圾焚烧炉的历史数据,包括一次风量、二次风量、吹灰角度、预混器角度、预混器流量、积灰厚度、腐蚀减薄速率、硫氧化物浓度、氯化氢浓度和水平烟道温度;
所述垃圾焚烧炉控制器,用于实现权利要求1-4任一项所述的垃圾焚烧炉防腐蚀自动控制方法。
6.根据权利要求5所述的垃圾焚烧炉防腐蚀自动控制系统,其特征在于,所述垃圾焚烧炉执行器包括一次风风门执行器、二次风风门执行器、吹灰执行器和预混器执行器,所述一次风风门执行器、二次风风门执行器、吹灰执行器和预混器执行器均连接至所述垃圾焚烧炉控制器。
7.根据权利要求6所述的垃圾焚烧炉防腐蚀自动控制系统,其特征在于,所述垃圾焚烧炉装置包括水平烟道,所述水平烟道的尾部出口处设置有烟气回流口,所述水平烟道的上壁设置有预混器,所述烟气回流口将低温烟气回流至预混器;所述预混器连接至预混器执行器,当局部烟气温度大于设定的温度阈值时,经预混器预混后的烟气通过预混器执行器喷入水平烟道内,以调节水平烟道的温度;预混器控制预混器执行器的摆动角度和预混流量。
8.根据权利要求7所述的垃圾焚烧炉防腐蚀自动控制系统,其特征在于,所述预混器前部设置有加压泵,所述烟气回流口连接至加压泵,所述加压泵连接至预混器,烟气回流口将水平烟道尾部循环的低温烟气通过加压泵回流至预混器,回流烟气通过预混器执行器喷入水平烟道。
9.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-4任一项所述的垃圾焚烧炉防腐蚀自动控制方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-4任一项所述的垃圾焚烧炉防腐蚀自动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211370974.XA CN115755599A (zh) | 2022-11-03 | 2022-11-03 | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211370974.XA CN115755599A (zh) | 2022-11-03 | 2022-11-03 | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115755599A true CN115755599A (zh) | 2023-03-07 |
Family
ID=85357737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211370974.XA Pending CN115755599A (zh) | 2022-11-03 | 2022-11-03 | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115755599A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976081A (zh) * | 2024-04-02 | 2024-05-03 | 北京市农林科学院 | 基于模型预测优化的堆肥配方方法、系统、设备及介质 |
-
2022
- 2022-11-03 CN CN202211370974.XA patent/CN115755599A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976081A (zh) * | 2024-04-02 | 2024-05-03 | 北京市农林科学院 | 基于模型预测优化的堆肥配方方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106681381A (zh) | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
CN111077869A (zh) | 一种大数据智能控制布袋除尘器优化控制方法及系统 | |
CN105137762A (zh) | 用于焚烧炉的自动燃烧模糊控制方法及系统 | |
CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和系统 | |
CN115755599A (zh) | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 | |
CN113175678B (zh) | 垃圾焚烧的监控方法及装置 | |
CN110762540A (zh) | 垃圾焚烧炉的燃烧决策方法和自动燃烧控制方法及系统 | |
CN112016781A (zh) | 垃圾焚烧发电厂的生产运营小指标在线考评方法及系统 | |
CN111780127B (zh) | 一种垃圾焚烧炉燃烧管理系统 | |
CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN106016295A (zh) | 一种用于焚烧炉的自动燃烧模糊控制方法及系统 | |
CN113094986B (zh) | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 | |
CN110163768A (zh) | 一种风电-垃圾焚烧虚拟电厂优化调度方法 | |
CN114239197A (zh) | 供热系统碳转化过程建模和低碳优化运行调度决策的方法 | |
CN218599730U (zh) | 垃圾焚烧炉装置及垃圾焚烧炉防腐蚀自动控制系统 | |
CN1515823A (zh) | 生活垃圾焚烧炉燃烧过程控制方法 | |
Ding et al. | Control methods of municipal solid wastes incineration process: A survey | |
CN113551231B (zh) | 垃圾焚烧炉控制方法、系统、电子设备及存储介质 | |
CN115657466A (zh) | 一种智能控制氨气输入量的锅炉系统 | |
CN113266833B (zh) | 一种垃圾焚烧炉的燃烧优化方法、系统及装置 |
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 |