CN117490076A - 一种城市固废焚烧过程多用途模块化运行优化系统 - Google Patents
一种城市固废焚烧过程多用途模块化运行优化系统 Download PDFInfo
- Publication number
- CN117490076A CN117490076A CN202311458743.9A CN202311458743A CN117490076A CN 117490076 A CN117490076 A CN 117490076A CN 202311458743 A CN202311458743 A CN 202311458743A CN 117490076 A CN117490076 A CN 117490076A
- Authority
- CN
- China
- Prior art keywords
- module
- mswi
- data
- parameter
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 442
- 230000008569 process Effects 0.000 title claims abstract description 433
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 18
- 238000004056 waste incineration Methods 0.000 title claims abstract description 18
- 238000002485 combustion reaction Methods 0.000 claims abstract description 153
- 238000005259 measurement Methods 0.000 claims abstract description 89
- 238000005457 optimization Methods 0.000 claims abstract description 74
- 238000002955 isolation Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 230000001360 synchronised effect Effects 0.000 claims abstract description 46
- 230000005540 biological transmission Effects 0.000 claims abstract description 33
- 238000011002 quantification Methods 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 21
- 239000003546 flue gas Substances 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 32
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 15
- 229910052760 oxygen Inorganic materials 0.000 claims description 15
- 239000001301 oxygen Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000011112 process operation Methods 0.000 claims description 3
- 239000002910 solid waste Substances 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 11
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000007405 data analysis Methods 0.000 description 12
- 239000002893 slag Substances 0.000 description 11
- 238000013480 data collection Methods 0.000 description 10
- 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 9
- 230000009467 reduction Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000002912 waste gas Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明提供了一种城市固废焚烧过程多用途模块化运行优化系统,包括:多模态历史数据同步驱动模块、MSWI过程虚拟控制对象模块、MSWI过程回路控制模块、MSWI过程监控模块、运行参数辅助决策模块、数据采集正向隔离模块、运行参数反向传输模块、MSWI过程单目标/多目标运行优化模块、难测工艺参数软测量模块、多模态数据驱动工艺参数预测模块、视觉驱动燃烧状态识别模块、火焰燃烧线量化模块及多模态数据采集模块。本发明提供的城市固废焚烧过程多用途模块化运行优化系统,能够实现实验室运行优化算法验证、实验室工艺参数建模算法仿实时验证、工业现场数据采集与工艺参数建模、工业现场辅助决策与运行优化等功能,便于使用。
Description
技术领域
本发明涉及城市固废焚烧技术领域,特别是涉及一种城市固废焚烧过程多用途模块化运行优化系统。
背景技术
具有无害化、减量化和资源化等特点的MSW焚烧(MSWI)技术过程是典型的流程工业,在自给自足运行所需能源的基础上,其可向外提供电能和热能等多种形式的能源,同时具有较低的环境污染排放风险。研究表明,MSWI的减质率、减容率和能量回收率可达到70%、90%和19%,其在经济和环保方面所呈现出的潜在价值已被发展中国家所认可。
MSWI过程在低碳、环保和可持续能源等领域均具有关键作用目前,国内焚烧厂主要采用领域专家(即知识型工作者)在凭机理和经验认知工况漂移变化后面向对多场景需求进行手动操作规则的模式,即具有智能自主行为的手动控制模式,但存在着专家精力有限性、经验差异性和控制主观性等问题,难以保证连续运营的稳定性,影响MSWI电厂的减污降碳。必须依据我国MSW特性,自主研发相适应的智能运行优化技术。MSWI电厂对运行的安全性考虑以及分布式控制系统(Distributed control system,DCS)的封闭性特点导致难以与外部算法进行交互,即非企业内部系统不能对MSWI原有控制系统进行直接的数据采集和参数写入操作。这些现状使得针对MSWI过程在实验室中所研究的建模、控制与优化算法难以实现在线验证。因此,运行优化算法验证系统是实验室研究的相关理论与技术研究能够落地应用不可或缺的重要手段。此外,在实验室内能够进行算法开发的首要条件是能够实时获得工业现场的包括视频和过程数据在内的多模态数据,还需要考虑到离线验证后的运行优化算法如何能够逐步得到工业现场领域专家的认可以实现落地应用,同时需要考虑运行优化算法的实验室软硬件在工业现场所具有的可应用型和可移植性。因此,设计一种城市固废焚烧过程多用途模块化运行优化系统是十分有必要的。
发明内容
本发明的目的是提供一种城市固废焚烧过程多用途模块化运行优化系统,能够实现实验室运行优化算法验证、实验室工艺参数建模算法仿实时验证、工业现场数据采集与工艺参数建模、工业现场辅助决策与运行优化等功能,便于使用。
为实现上述目的,本发明提供了如下方案:
一种城市固废焚烧过程多用途模块化运行优化系统,包括:多模态历史数据同步驱动模块、MSWI过程虚拟控制对象模块、MSWI过程回路控制模块、MSWI过程监控模块、运行参数辅助决策模块、数据采集正向隔离模块、运行参数反向传输模块、MSWI过程单目标/多目标运行优化模块、难测工艺参数软测量模块、多模态数据驱动工艺参数预测模块、视觉驱动燃烧状态识别模块、火焰燃烧线量化模块及多模态数据采集模块,所述多模态历史数据同步驱动模块连接所述多模态数据采集模块,所述多模态数据采集模块连接所述火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块,所述火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块连接所述运行参数辅助决策模块及运行参数反向传输模块,所述运行参数反向传输模块连接所述运行参数辅助决策模块,所述运行参数辅助决策模块连接MSWI过程监控模块及现场过程监控系统,所述现场过程监控系统连接所述数据采集正向隔离模块,所述数据采集正向隔离模块连接所述多模态数据采集模块,所述MSWI过程监控模块连接所述MSWI过程回路控制模块,所述MSWI过程回路控制模块连接所述MSWI过程虚拟控制对象模块,所述现场过程监控系统连接现场回路控制系统,所述现场回路控制系统连接执行机构及仪表装置;
所述多模态历史数据同步驱动模块用于提供MSWI过程的多模态数据源;
所述MSWI过程虚拟控制对象模块用于实现实验室中搭建的MSWI过程的模拟;
所述MSWI过程回路控制模块用于实现对虚拟的MSWI过程的回路控制;
所述MSWI过程监控模块用于实现对虚拟的MSWI过程的监控;
所述运行参数辅助决策模块用于获取运行参数并对其进行对比分析及决策;
所述数据采集正向隔离模块用于实现对虚拟的MSWI过程的监控模块中的全部过程变量通过物理隔离的方式进行数据采集;
所述运行参数反向传输模块用于将源自MSWI过程单目标/多目标运行优化模块获取的运行参数优化值以及火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块的运行参数和难测工艺参数软测量模块的运行参数检测值以物理隔离的方式进行反向传输;
所述MSWI过程单目标/多目标运行优化模块用于实现基于多模态数据和难测参数软测量模型的MSWI过程运行参数的优化;
所述难测工艺参数软测量模块用于实现基于多模态数据和生产报表,对难以检测参数进行软测量建模;
所述多模态数据驱动工艺参数预测模块用于实现基于多模态数据的炉膛温度、烟气含氧量、蒸汽流量等工艺参数的单步/多步预测;
所述视觉驱动燃烧状态识别模块用于实现面向MSWI过程的仿领域专家识别机制的炉内燃烧状态的识别;
所述火焰燃烧线量化模块用于实现面向MSWI过程的仿领域专家识别机制的火焰燃烧线的量化;
所述多模态数据采集模块用于实现模拟的和实际的具有多模态数据的MSWI过程的左炉排火焰视频、右炉排火焰视频和历史过程数据的采集,以及实际过程产生的事关产品质量、环保指标和经济指标的各类生产报表的处理与录入。
可选的,所述多模态历史数据同步驱动模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块、MSWI过程单目标/多目标运行优化模块、运行参数辅助决策模块、MSWI过程监控模块、MSWI过程回路控制模块及MSWI过程虚拟控制对象模块共同组成实验室运行优化算法验证子系统,通过多模态数据采集模块获取来自多模态历史数据同步驱动模块的经过同步的左炉排和右炉排火焰图像数据以及历史过程数据,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块和难测工艺参数软测量模块的处理,获得多种类别的运行参数,通过OPC方式将运行参数传输至MSWI过程监控模块,并下载至以真实PLC/DCS设备为基础的MSWI过程回路控制模块,进而将控制量以模拟量输出的方式传输至MSWI过程虚拟控制对象模块的虚拟执行机构,虚拟执行机构的输出再作用于虚拟对象后产生被控变量输出,通过虚拟仪表装置以模拟输入的方式传输至MSWI过程回路控制模块,进而传输至MSWI过程监控模块,再通过OPC方式传至多模态数据采集模块,进而反馈至难测工艺参数软测量模块,完成面向实验室的运行优化算法验证。
可选的,所述多模态历史数据同步驱动模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块共同组成实验室工艺参数建模算法仿实时验证子系统,通过多模态数据采集模块获取来自多模态历史数据同步驱动模块的经过同步的左炉排和右炉排火焰图像数据以及历史过程数据,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块实现仿工业现场实时多模态数据同步发布的工艺参数预测、燃烧状态识别、燃烧线量化和工艺参数软测量结果。
可选的,所述数据正向采集隔离模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块共同组成工业现场数据采集与工艺参数建模子系统,将工业现场数据通过OPC方式传至正向服务器,再经物理隔离正向采集后传输至多模态数据采集模块,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块实现基于工业现场实时多模态数据同步发布的工艺参数预测、燃烧状态识别、燃烧线量化和工艺参数软测量结果。
可选的,所述数据正向采集隔离模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块、MSWI过程单目标/多目标运行优化模块、运行参数反向传输模块和运行参数辅助决策模块共同组成工业现场辅助决策与运行优化子系统,过程数据通过OPC方式传至数据采集正向隔离模块的正向服务器,经物理隔离正向采集后传输至多模态数据采集模块,经过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块的处理获得多种类别的关键运行参数预测值和软测量值以及优化运行参数值,在传输至运行参数反向传输模块的反向服务器后,经物理隔离反向传输至运行参数反向接受服务器,在运行参数辅助决策模块进行辅助决策分析后,依据MSWI厂的安全要求采用OPC协议或OCR识别方式将优化运行参数传输至现场监控系统和PLC/DCS系统,进而将控制量以模拟量输出的方式传输至实际MSWI过程执行机构,作用于由固废储运、固废燃烧、余热交换、烟气净化和烟气排放阶段组成的实际对象,再通过仪表装置通过模拟输入的被采集至PLC/DCS系统和现场监控系统,再通过OPC方式传至数据采集正向隔离模块和多模态数据采集模块,进而反馈至MSWI过程单目标/多目标运行优化模块,完成面向实工业现场的运行优化算法实施。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的城市固废焚烧过程多用途模块化运行优化系统,该系统包括多模态历史数据同步驱动模块、MSWI过程虚拟控制对象模块、MSWI过程回路控制模块、MSWI过程监控模块、运行参数辅助决策模块、数据采集正向隔离模块、运行参数反向传输模块、MSWI过程单目标/多目标运行优化模块、难测工艺参数软测量模块、多模态数据驱动工艺参数预测模块、视觉驱动燃烧状态识别模块、火焰燃烧线量化模块及多模态数据采集模块,该系统能够同时适用于实验室和工业现场,避免了传统仿真实验系统的过于复杂或过于简单的缺点,能够依据具体需求进行模块化的搭建,也能有效满足工业现场的隔离数据采集和软件移植需求,该系统能够有效融合多模态数据同步预测和运行优化控制,该系统考虑了不同MSWI企业在安全性上的要求,可以选择OPC服务器或OCR识别方式进行运行参数传输,具有很强的实用性和适应性,该系统能够实现实验室运行优化算法验证、实验室工艺参数建模算法仿实时验证、工业现场数据采集与工艺参数建模、工业现场辅助决策与运行优化等功能,便于使用。
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,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为城市固废焚烧过程的工艺流程图;
图2为本发明实施例城市固废焚烧过程多用途模块化运行优化系统结构示意图。
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。
本发明的目的是提供一种城市固废焚烧过程多用途模块化运行优化系统,能够实现实验室运行优化算法验证、实验室工艺参数建模算法仿实时验证、工业现场数据采集与工艺参数建模、工业现场辅助决策与运行优化等功能,便于使用。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
城市固废焚烧过程的工艺流程如图1所示。
如图2所示,本发明实施例提供的城市固废焚烧过程多用途模块化运行优化系统,包括:多模态历史数据同步驱动模块、MSWI过程虚拟控制对象模块、MSWI过程回路控制模块、MSWI过程监控模块、运行参数辅助决策模块、数据采集正向隔离模块、运行参数反向传输模块、MSWI过程单目标/多目标运行优化模块、难测工艺参数软测量模块、多模态数据驱动工艺参数预测模块、视觉驱动燃烧状态识别模块、火焰燃烧线量化模块及多模态数据采集模块,所述多模态历史数据同步驱动模块连接所述多模态数据采集模块,所述多模态数据采集模块连接所述火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块,所述火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块连接所述运行参数辅助决策模块及运行参数反向传输模块,所述运行参数反向传输模块连接所述运行参数辅助决策模块,所述运行参数辅助决策模块连接MSWI过程监控模块及现场过程监控系统,所述现场过程监控系统连接所述数据采集正向隔离模块,所述数据采集正向隔离模块连接所述多模态数据采集模块,所述MSWI过程监控模块连接所述MSWI过程回路控制模块,所述MSWI过程回路控制模块连接所述MSWI过程虚拟控制对象模块,所述现场过程监控系统连接现场回路控制系统,所述现场回路控制系统连接执行机构及仪表装置;
在图2中,连接各个模块的虚线表示实验室运行优化算法验证子系统所独有的连接方式,实线表示4个子系统都具有的连接方式,粗框表示的hi实际MSWI过程的组成及相关系统,运行参数辅助决策模块在实验室和工业现场应用时存在着存在差异,此外,基于图2中的13个模块所能够实现的子系统包含但不受限于本发明上述所提及的4个子系统,分别对13个模块的功能进行介绍:
所述多模态历史数据同步驱动模块:该模块是针对在实验室中搭建的模拟的具有多模态数据的MSWI过程而言的,实现对历史左炉排火焰视频、右炉排火焰视频和历史过程数据的同步发布,即在实验室状态下提供MSWI过程的多模态数据源;
所述MSWI过程虚拟控制对象模块:该模块是针对在实验室中搭建的模拟的具有多模态数据的MSWI过程而言的,通过在虚拟执行机构计算机、虚拟对象计算机和虚拟仪表装置计算机中所构建的模型实现难以在实验室中搭建的MSWI过程的模拟;
所述MSWI过程回路控制模块:该模块实现对虚拟的MSWI过程的回路控制;
所述MSWI过程监控模块:该模块实现对虚拟的MSWI过程的监控;
所述运行参数辅助决策模块:该模块通过运行参数反向接收服务器获取相关的运行参数后,经过杜运行参数的对比分析与决策,将这些运行参数直接传输至M9模块或现场过程监控系统,或者通过运行参数OCR识别方式将运行参数传输至现场过程监控系统;
所述数据采集正向隔离模块:该模块实现将MSWI过程监控模块中的全部过程变量通过物理隔离的方式进行数据采集,避免对MSWI过程的原有控制系统造成影响;
所述运行参数反向传输模块:该模块实现将源自MSWI过程单目标/多目标运行优化模块获取的运行参数优化值以及火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块的运行参数和M6-难测工艺参数软测量模块的运行参数检测值以物理隔离的方式进行反向传输,避免对MSWI过程的原有控制系统造成影响;
所述MSWI过程单目标/多目标运行优化模块:该模块实现基于多模态数据和难测参数软测量模型的MSWI过程运行参数的优化,主要是基于对MSWI过程的质量指标和环保指标寻优获得M10模块和现场过程监控系统所需要的优化运行参数值;
所述难测工艺参数软测量模块:该模块实现基于多模态数据和生产报表,对诸如产品质量参数炉渣热灼减率、环保指标参数二噁英等难以检测参数进行软测量建模,为MSWI过程的单目标/多目标运行优化提供支撑;
所述多模态数据驱动工艺参数预测模块:该模块实现基于多模态数据的炉膛温度、烟气含氧量、蒸汽流量等工艺参数的单步/多步预测,为MSWI过程的回路控制提供支撑;
所述视觉驱动燃烧状态识别模块:该模块实现面向MSWI过程的仿领域专家识别机制的炉内燃烧状态的识别,为MSWI过程的回路控制提供支撑;
所述火焰燃烧线量化模块:该模块实现面向MSWI过程的仿领域专家识别机制的火焰燃烧线的量化,为MSWI过程的回路控制提供支撑;
所述多模态数据采集模块:该模块实现模拟的和实际的具有多模态数据的MSWI过程的左炉排火焰视频、右炉排火焰视频和历史过程数据的采集,以及实际过程产生的事关产品质量、环保指标和经济指标的各类生产报表的处理与录入,为M3-M7模块提供数据支撑。
本发明基于13个模块设置有4个子系统,分别对4个子系统进行介绍;
所述多模态历史数据同步驱动模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块、MSWI过程单目标/多目标运行优化模块、运行参数辅助决策模块、MSWI过程监控模块、MSWI过程回路控制模块及MSWI过程虚拟控制对象模块共同组成实验室运行优化算法验证子系统,通过多模态数据采集模块获取来自多模态历史数据同步驱动模块的经过同步的左炉排和右炉排火焰图像数据以及历史过程数据,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块和难测工艺参数软测量模块的处理,获得多种类别的运行参数,通过OPC方式将运行参数传输至MSWI过程监控模块,并下载至以真实PLC/DCS设备为基础的MSWI过程回路控制模块,进而将控制量以模拟量输出的方式传输至MSWI过程虚拟控制对象模块的虚拟执行机构,虚拟执行机构的输出再作用于虚拟对象后产生被控变量输出,通过虚拟仪表装置以模拟输入的方式传输至MSWI过程回路控制模块,进而传输至MSWI过程监控模块,再通过OPC方式传至多模态数据采集模块,进而反馈至难测工艺参数软测量模块,完成面向实验室的运行优化算法验证,分别对实验室运行优化算法验证子系统中的各个模块的功能进行介绍:
多模态历史数据同步驱动模块:为了体现MSWI过程的动态特性和工业实际状况,将所采集的历史过程数据和火焰视频数据进行同步实时发布,包括网络时间服务器、历史右炉排火焰视频发布、历史左炉排火焰视频发布和历史过程数据发布共4个组成部分,具体实现步骤如下:
(1)将实际MSWI厂的历史过程数据以文件形式储存在历史过程数据OPC服务器中,通过OPC协议实现在局域网络内部的数据发布;
(2)依据实际MSWI厂将焚烧炉火焰监视分为左和右两侧,分别在两台图像模拟计算机中进行实时播放;
(3)通过交换机将历史数据OPC服务器、左炉排焚烧图像模拟机、右炉排焚烧图像模拟机和网络时间服务器接入局域网络中;
(4)通过网络时间服务器,将过程数据与图像视频的时间精确地控制在同一时刻,进而实现多模态信息的同时展示。
多模态数据采集模块:焚烧炉火焰和过程数据均是领域专家判断MSWI过程稳定性的重要依据,对上述多模态数据进行实时采集与预处理尤为重要,多模态数据采集的具体步骤包括:
(1)利用完全相同的两套摄像设备分别对左右炉排火焰视频进行实时的在线采集;
(2)通过同轴电缆将摄像头采集信息传输至视频采集卡中;
(3)将视频采集卡安装到多模态数据采集计算机中,通过视频解码实现火焰信息的初步展示;
(4)通过图像处理算法对采集到的火焰视频进行去噪、增强等预处理;
(5)以OPC客户端的方式通过工业以太网将OPC服务器上的过程数据采集到多模态数据采集计算机中;
(6)采用领域专家手动录入等方式将生产报表采集至多模态数据采集计算机中,合理设置采样周期,实现多模态数据采集后的同步存储。
火焰燃烧线量化模块:火焰燃烧线是实现MSWI过程稳定控制所需要的被控变量,实现量化的具体步骤包括:
(1)采用图像处理技术、条件生成对抗网络和循环一致性生成对抗网络构建包含真实的燃烧线正常子库、真实/生成的燃烧线异常子库、生成的燃烧线极端异常火焰图像子库的完备图像库;
(2)从完备图像库中选择典型图像构成典型模板库,训练孪生卷积神经网络;
(3)针对新火焰图像提取燃烧线特征,采用孪生卷积神经网络相似性度量值实现与“典型模板库”火焰图像的适配;
(4)非适配的新火焰图像,采用最近邻准则实现燃烧线量化;
(5)基于冗余判别机制,结合领域专家经验,利用非适配图像自适应更新“典型模板库”。
视觉驱动燃烧状态识别模块:火焰燃烧状态是实现MSWI过程稳定控制所需要的被控变量,实现视觉驱动燃烧状态识别的具体步骤包括:
(1)采用基于人工多曝光图像融合的去雾算法、特征归一化、陷波滤波、中值滤波等预处理手段对火焰图像进行去雾和去噪处理,进而获得清晰图像;
(2)提取火焰图像的亮度、纹理、颜色等具有物理含义的多个特征以从多个视图的角度进行图像的表征,基于互信息对这些特征进行约简;
(3)将上述约简特征作为支持向量机、深度森林、卷积神经网络等图像分类器的输入,分别建立左、右炉排的视觉驱动燃烧状态识别模型;
(4)针对新的火焰图像,分别实现其所表征的燃烧状态的识别。
多模态数据驱动工艺参数预测模块:实现对炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步预测对领域专家而言至关重要,实现多模态数据驱动工艺参数预测的具体步骤包括:
(1)利用M2模块所存储的多模态数据,依据M4模块提取火焰图像特征;
(2)将火焰特征与过程数据串行组合为新特征,用于训练关键工艺参数预测模型;
(3)将M2模块新采集的多模态过程数据输入上述关键工艺参数预测模型,得到炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步的预测输出。
难测工艺参数软测量模块:实现产品质量参数炉渣热灼减率、环保指标参数二噁英等难以检测参数的软测量建模,这对MSWI过程的单目标/多目标运行优化而言是言至关重要,实现难测工艺参数预测的具体步骤包括:
(1)整理各类生产报表中记录的难测工艺参数数据,作为软测量模型的输出真值;
(2)面向难测工艺参数的软测量输出真值对M2模块中所存储的多模态数据进行选择,即获得与软测量输出真值对应的多模态数据时间段;
(3)针对上述对应软测量输出真值时间段内的火焰数据,依据M4模块提取火焰图像特征,并将其与过程数据串行组合为用于软测量模型输入的新特征;
(4)将上述约简特征作为支持向量机、深度森林、深度神经网络等回归模型的输入,建立难以检测工艺参数软测量模型;
(5)将M2模块新采集的多模态过程数据输入上述难测工艺参数软测量模型,得到炉渣热灼减率、二噁英浓度等难测工艺参数的软测量值。
MSWI过程单目标/多目标运行优化模块:在不同场景下,考虑烟气排放指标、经济效益、炉渣热酌减率等单个或多个目标,实现对炉膛温度、烟气含氧量、蒸汽流量等关键被控变量的设定值随MSWI过程的动态变化而进行适时的调整,对实现MSWI过程的优化控制而言非常重要,实现MSWI过程单目标/多目标运行优化的具体步骤包括:
(1)依据面向单目标/多目标优化的MSWI过程分析,建立了以炉膛温度、锅炉蒸汽流量和烟气含氧量等关键被控变量为决策变量,最小化污染物排放指标和热酌减率以及最大化燃烧效率和经济指标的单/多目标优化模型;
(2)基于上述单/多目标优化模型,利用M2模块实时采集的多模态数据以及M6模块的难测工艺参数软测量模型,采用遗传算法、粒子群优化算法、差分进化算法等智能优化算法获取关键被控变量的优化设定值。
运行参数辅助决策模块:关键运行参数模型的单步/多步预测值和软测量值对于领域专家执行控制策略而言至关重要,也决定着是否将优化运行参数运用于MSWI过程的控制,实现运行参数辅助决策的步骤如下:
(1)基于M3-M6模块将关键运行参数模型的单步/多步预测值和软测量值采集至运行参数反向接收服务器;
(2)基于设定的不同时间段内的关键运行参数模型的单步/多步预测值和软测量值与这些关键运行参数真实值进行统计意义下的对比分析,采用领域专家主动学习、设定阈值自动判别等方式辅助决策这些关键运行参数模型的单步/多步预测值和软测量值的可信度;
(3)综合上述关键运行参数模型的单步/多步预测值和软测量值的可信度和源于M7的优化运行参数,将领域专家决策或自动决策的可信运行参数传输至M10模块。
MSWI过程监控模块:包括优化运行参数使用与否的决策和运行过程的实时监控等功能,后者包括焚烧过程、炉排运行状态、锅炉状态、烟气处理、变量趋势图和参数设定等界面,具体步骤如下:
(1)开发包括焚烧过程、炉排运行状态、锅炉状态、烟气处理、变量趋势图和参数设定等界面的组态监控系统,对MSWI过程进行实时监控与数据展示;
(2)通过OPC Client接收回路控制模块中实时发送至OPC Server的过程变量值,以图形化的方式显示在焚烧过程、炉排运行状态等界面,以实现全流程的监控功能,同时将其传输至M2模块;
(3)根据生产需求、生产指标和专家经验进行优化运行参数是否使用的决策,进而进行控制回路参数的设定与修改;
(4)将确定后的控制回路参数下载至M11-MSWI过程回路控制模块。
MSWI过程回路控制模块:以实际厂家的PLC/DCS设备为基础构建MSWI过程的逻辑回路控制系统,实现MSWI过程回路控制的具体步骤包括:
(1)基于PLC/DCS厂家的CPU、输入、输出和通讯等模块实现硬件设备的通电启动;
(2)通过工业以太网实现与M10模块的连接实现控制网络通讯;
(3)以梯形图语言编写MSWI过程的启停,PID、报警和联锁等控制程序,实现逻辑回路控制功能;
(4)通过AO/DO模块实现与M12模块虚拟执行机构计算机的连接,通过AI/DI模块实现与M12模块虚拟仪表装置计算机的连接,实现与M12模块的数据交互。
MSWI过程虚拟控制对象模块:该模块中的虚拟执行机构与检测仪表需要与M11模块进行有效的数据交换,以支撑后者的运行,MSWI过程虚拟控制对象的实现步骤如下:
(1)根据风门、风机和液压驱动等执行机构的实际运行数据,实现以数据驱动的虚拟执行机构模型构建;根据温度、流量和压力等传感器设备的实际运行数据,实现数据驱动的虚线传感器模型构建;类似地,采用数据驱动的方式构建虚拟对象模型;
(2)基于数据采集板卡和端子板等设备,将PLC/DCS控制系统中的I/O模块与端子板上的O/I端子通过双绞线进行连接,通过以太网与MSWI过程虚拟焚烧对象计算机相连;
(3)执行机构模型计算机中的DI/DO(或AI/AO)与PLC/DCS控制系统中DO/DI(或AO/AI)模块分别对应进行实时数据传输。
(4)检测仪表模型计算机中的AI/AO与PLC/DCS控制系统中AO/AI模块分别对应进行实时数据传输。
所述多模态历史数据同步驱动模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块共同组成实验室工艺参数建模算法仿实时验证子系统,通过多模态数据采集模块获取来自多模态历史数据同步驱动模块的经过同步的左炉排和右炉排火焰图像数据以及历史过程数据,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块实现仿工业现场实时多模态数据同步发布的工艺参数预测、燃烧状态识别、燃烧线量化和工艺参数软测量结果,分别对实验室工艺参数建模算法仿实时验证子系统的各个模块进行介绍:
多模态历史数据同步驱动模块:焚烧炉火焰和过程数据均是领域专家判断MSWI过程稳定性的重要依据,对上述多模态数据进行实时采集与预处理尤为重要。多模态数据采集的具体步骤包括:
(1)利用完全相同的两套摄像设备分别对左右炉排火焰视频进行实时的在线采集;
(2)通过同轴电缆将摄像头采集信息传输至视频采集卡中;
(3)将视频采集卡安装到多模态数据采集计算机中,通过视频解码实现火焰信息的初步展示;
(4)通过图像处理算法对采集到的火焰视频进行去噪、增强等预处理;
(5)以OPC客户端的方式通过工业以太网将源于OPC服务器上的过程数据采集到多模态数据采集计算机中;
(6)采用领域专家手动录入等方式将生产报表采集至多模态数据采集计算机中,合理设置采样周期,实现多模态数据采集后的同步存储。
多模态数据采集模块:焚烧炉火焰和过程数据均是领域专家判断MSWI过程稳定性的重要依据,对上述多模态数据进行实时采集与预处理尤为重要。多模态数据采集的具体步骤包括:
(1)利用完全相同的两套摄像设备分别对左右炉排的火焰视频进行实时的在线采集;
(2)通过同轴电缆将摄像头采集信息传输至视频采集卡中;
(3)将视频采集卡安装到多模态数据采集计算机中,通过视频解码实现火焰信息的初步展示;
(4)通过计算机中的图像识别软件,对采集到的火焰视频进行去噪、增强等预处理;
(5)以OPC客户端的方式通过工业以太网将OPC服务器上的过程数据采集到多模态数据采集计算机中;
(6)采用领域专家手动录入等方式将生产报表采集至多模态数据采集计算机中,合理设置采样周期,实现多模态数据采集后的同步存储。
火焰燃烧线量化模块:火焰燃烧线是实现MSWI过程稳定控制所需要的被控变量,实现量化的具体步骤包括:
(1)采用图像处理技术、条件生成对抗网络和循环一致性生成对抗网络构建包含真实的燃烧线正常子库、真实/生成的燃烧线异常子库、生成的燃烧线极端异常火焰图像子库的完备图像库;
(2)从完备图像库中选择典型图像构成典型模板库,训练孪生卷积神经网络;
(3)针对新火焰图像提取燃烧线特征,采用孪生卷积神经网络相似性度量值实现与“典型模板库”火焰图像的适配;
(4)非适配的新火焰图像,采用最近邻准则实现燃烧线量化;
(5)基于冗余判别机制,结合领域专家经验,利用非适配图像自适应更新“典型模板库”。
视觉驱动燃烧状态识别模块:火焰燃烧状态是实现MSWI过程稳定控制所需要的被控变量,实现视觉驱动燃烧状态识别的具体步骤包括:
(1)采用基于人工多曝光图像融合的去雾算法、特征归一化、陷波滤波、中值滤波等预处理手段对火焰图像进行去雾和去噪处理,进而获得清晰图像;
(2)提取火焰图像的亮度、纹理、颜色等具有物理含义的多个特征以从多个视图的角度进行图像的表征,基于互信息对这些特征进行约简;
(3)将上述约简特征作为支持向量机、深度森林、卷积神经网络等图像分类器的输入,分别建立左、右炉排的视觉驱动燃烧状态识别模型;
(4)针对新的火焰图像,分别实现其所表征的燃烧状态的识别。
多模态数据驱动工艺参数预测模块:实现对炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步预测对领域专家而言至关重要,实现多模态数据驱动工艺参数预测的具体步骤包括:
(1)利用M2模块所存储的多模态数据,依据M4模块提取火焰图像特征;
(2)将火焰特征与过程数据串行组合为新特征,用于训练关键工艺参数预测模型;
(3)将M2模块新采集的多模态过程数据输入上述关键工艺参数预测模型,得到炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步的预测输出。
难测工艺参数软测量模块:实现产品质量参数炉渣热灼减率、环保指标参数二噁英等难以检测参数的软测量建模,这对MSWI过程的单目标/多目标运行优化而言是言至关重要,实现难测工艺参数预测的具体步骤包括:
(1)整理各类生产报表中记录的难测工艺参数数据,作为软测量模型的输出真值;
(2)面向难测工艺参数的软测量输出真值对M2模块中所存储的多模态数据进行选择,即获得与软测量输出真值对应的多模态数据时间段;
(3)针对上述对应软测量输出真值时间段内的火焰数据,依据M4模块提取火焰图像特征,并将其与过程数据串行组合为用于软测量模型输入的新特征;
(4)将上述约简特征作为支持向量机、深度森林、深度神经网络等回归模型的输入,建立难以检测工艺参数软测量模型;
(5)将M2模块新采集的多模态过程数据输入上述难测工艺参数软测量模型,得到炉渣热灼减率、二噁英浓度等难测工艺参数的软测量值。
所述数据正向采集隔离模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块共同组成工业现场数据采集与工艺参数建模子系统,将工业现场数据通过OPC方式传至正向服务器,再经物理隔离正向采集后传输至多模态数据采集模块,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块实现基于工业现场实时多模态数据同步发布的工艺参数预测、燃烧状态识别、燃烧线量化和工艺参数软测量结果,分别对工业现场数据采集与工艺参数建模子系统的各个模块进行介绍:
数据正向采集隔离模块:通过工业现场DCS系统厂家标配的OPC客户端采集MSWI过程中PLC/DCS控制系统网络中的过程数据,并通过物理隔离方式通过OPC通讯协议发布所采集的实时数据,数据正向采集隔离的实现步骤如下:
(1)利用PLC/DCS厂家的OPC服务器协议,将过程数据从现场过程监控系统采集至正向服务器,并以OPC服务器的方式对外进行发布;
(2)通过交换机将正向服务器与物理隔离正向采集机接入同一局域网络中;
(3)采用单向光纤传输的方式将所采集的过程数据以物理隔离正向传输的方式传输至正向数据分析服务器,包括过程变量分组、命名和采样时间设置;
(4)通过交换机将物理隔离正向传输和正向数据分析服务器接入同一局域网络中,正向数据分析服务器以OPC服务方式为M2模块提供数据服务。
多模态数据采集模块:焚烧炉火焰和过程数据均是领域专家判断MSWI过程稳定性的重要依据,对上述多模态数据进行实时采集与预处理尤为重要。多模态数据采集的具体步骤包括:
(1)利用完全相同的两套摄像设备分别对左右炉排的火焰视频进行实时的在线采集;
(2)通过同轴电缆将摄像头采集信息传输至视频采集卡中;
(3)将视频采集卡安装到多模态数据采集计算机中,通过视频解码实现火焰信息的初步展示;
(4)通过计算机中的图像识别软件,对采集到的火焰视频进行去噪、增强等预处理;
(5)以OPC客户端的方式通过工业以太网将OPC服务器上的过程数据采集到多模态数据采集计算机中;
(6)采用领域专家手动录入等方式将生产报表采集至多模态数据采集计算机中,合理设置采样周期,实现多模态数据采集后的同步存储。
火焰燃烧线量化模块:火焰燃烧线是实现MSWI过程稳定控制所需要的被控变量,实现量化的具体步骤包括:
(1)采用图像处理技术、条件生成对抗网络和循环一致性生成对抗网络构建包含真实的燃烧线正常子库、真实/生成的燃烧线异常子库、生成的燃烧线极端异常火焰图像子库的完备图像库;
(2)从完备图像库中选择典型图像构成典型模板库,训练孪生卷积神经网络;
(3)针对新火焰图像提取燃烧线特征,采用孪生卷积神经网络相似性度量值实现与“典型模板库”火焰图像的适配;
(4)非适配的新火焰图像,采用最近邻准则实现燃烧线量化;
(5)基于冗余判别机制,结合领域专家经验,利用非适配图像自适应更新“典型模板库”。
视觉驱动燃烧状态识别模块:火焰燃烧状态是实现MSWI过程稳定控制所需要的被控变量,实现视觉驱动燃烧状态识别的具体步骤包括:
(1)采用基于人工多曝光图像融合的去雾算法、特征归一化、陷波滤波、中值滤波等预处理手段对火焰图像进行去雾和去噪处理,进而获得清晰图像;
(2)提取火焰图像的亮度、纹理、颜色等具有物理含义的多个特征以从多个视图的角度进行图像的表征,基于互信息对这些特征进行约简;
(3)将上述约简特征作为支持向量机、深度森林、卷积神经网络等图像分类器的输入,分别建立左、右炉排的视觉驱动燃烧状态识别模型;
(4)针对新的火焰图像,分别实现其所表征的燃烧状态的识别。
多模态数据驱动工艺参数预测模块:实现对炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步预测对领域专家而言至关重要,实现多模态数据驱动工艺参数预测的具体步骤包括:
(1)利用M2模块所存储的多模态数据,依据M4模块提取火焰图像特征;
(2)将火焰特征与过程数据串行组合为新特征,用于训练关键工艺参数预测模型;
(3)将M2模块新采集的多模态过程数据输入上述关键工艺参数预测模型,得到炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步的预测输出。
难测工艺参数软测量模块:实现产品质量参数炉渣热灼减率、环保指标参数二噁英等难以检测参数的软测量建模,这对MSWI过程的单目标/多目标运行优化而言是言至关重要,实现难测工艺参数预测的具体步骤包括:
(1)整理各类生产报表中记录的难测工艺参数数据,作为软测量模型的输出真值;
(2)面向难测工艺参数的软测量输出真值对M2模块中所存储的多模态数据进行选择,即获得与软测量输出真值对应的多模态数据时间段;
(3)针对上述对应软测量输出真值时间段内的火焰数据,依据M4模块提取火焰图像特征,并将其与过程数据串行组合为用于软测量模型输入的新特征;
(4)将上述约简特征作为支持向量机、深度森林、深度神经网络等回归模型的输入,建立难以检测工艺参数软测量模型;
(5)将M2模块新采集的多模态过程数据输入上述难测工艺参数软测量模型,得到炉渣热灼减率、二噁英浓度等难测工艺参数的软测量值。
所述数据正向采集隔离模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块、MSWI过程单目标/多目标运行优化模块、运行参数反向传输模块和运行参数辅助决策模块共同组成工业现场辅助决策与运行优化子系统,过程数据通过OPC方式传至数据采集正向隔离模块的正向服务器,经物理隔离正向采集后传输至多模态数据采集模块,经过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块的处理获得多种类别的关键运行参数预测值和软测量值以及优化运行参数值,在传输至运行参数反向传输模块的反向服务器后,经物理隔离反向传输至运行参数反向接受服务器,在运行参数辅助决策模块进行辅助决策分析后,依据MSWI厂的安全要求采用OPC协议或OCR识别方式将优化运行参数传输至现场监控系统和PLC/DCS系统,进而将控制量以模拟量输出的方式传输至实际MSWI过程执行机构,作用于由固废储运、固废燃烧、余热交换、烟气净化和烟气排放阶段组成的实际对象,再通过仪表装置通过模拟输入的被采集至PLC/DCS系统和现场监控系统,再通过OPC方式传至数据采集正向隔离模块和多模态数据采集模块,进而反馈至MSWI过程单目标/多目标运行优化模块,完成面向实工业现场的运行优化算法实施,分别对工业现场辅助决策与运行优化子系统的各个模块的功能进行介绍:
数据正向采集隔离模块:通过工业现场DCS系统厂家标配的OPC客户端采集MSWI过程中PLC/DCS控制系统网络中的过程数据,并通过物理隔离方式通过OPC通讯协议发布所采集的实时数据,数据正向采集隔离的实现步骤如下:
(1)利用PLC/DCS厂家的OPC服务器协议,将过程数据从现场过程监控系统采集至正向服务器,并以OPC服务器的方式对外进行发布;
(2)通过交换机将正向服务器与物理隔离正向采集机接入同一局域网络中;
(3)采用单向光纤传输的方式将所采集的过程数据以物理隔离正向传输的方式传输至正向数据分析服务器,包括过程变量分组、命名和采样时间设置;
(4)通过交换机将物理隔离正向传输和正向数据分析服务器接入同一局域网络中,正向数据分析服务器以OPC服务方式为M2模块提供数据服务。
多模态数据采集模块:焚烧炉火焰和过程数据均是领域专家判断MSWI过程稳定性的重要依据,对上述多模态数据进行实时采集与预处理尤为重要。多模态数据采集的具体步骤包括:
(1)利用完全相同的两套摄像设备分别对工业现场的左/右火焰视频进行实时采集;
(2)通过同轴电缆将摄像头采集信息传输至视频采集卡中;
(3)将视频采集卡安装到多模态数据采集计算机中,通过视频解码实现火焰信息的初步展示;
(4)通过计算机中的图像识别软件,对采集到的火焰视频进行去噪、增强等预处理;
(5)以OPC客户端的方式通过工业以太网将OPC服务器上的过程数据采集到M2模块的采集计算机中;
(6)采用领域专家手动录入等方式将生产报表采集至多模态数据采集计算机中,合理设置采样周期,实现多模态数据采集后的同步存储。
火焰燃烧线量化模块:火焰燃烧线是实现MSWI过程稳定控制所需要的被控变量,实现量化的具体步骤包括:
(1)采用图像处理技术、条件生成对抗网络和循环一致性生成对抗网络构建包含真实的燃烧线正常子库、真实/生成的燃烧线异常子库、生成的燃烧线极端异常火焰图像子库的完备图像库;
(2)从完备图像库中选择典型图像构成典型模板库,训练孪生卷积神经网络;
(3)针对新火焰图像提取燃烧线特征,采用孪生卷积神经网络相似性度量值实现与“典型模板库”火焰图像的适配;
(4)非适配的新火焰图像,采用最近邻准则实现燃烧线量化;
(5)基于冗余判别机制,结合领域专家经验,利用非适配图像自适应更新“典型模板库”。
视觉驱动燃烧状态识别模块:火焰燃烧状态是实现MSWI过程稳定控制所需要的被控变量,实现视觉驱动燃烧状态识别的具体步骤包括:
(1)采用基于人工多曝光图像融合的去雾算法、特征归一化、陷波滤波、中值滤波等预处理手段对火焰图像进行去雾和去噪处理,进而获得清晰图像;
(2)提取火焰图像的亮度、纹理、颜色等具有物理含义的多个特征以从多个视图的角度进行图像的表征,基于互信息对这些特征进行约简;
(3)将上述约简特征作为支持向量机、深度森林、卷积神经网络等图像分类器的输入,分别建立左、右炉排的视觉驱动燃烧状态识别模型;
(4)针对新的火焰图像,分别实现其所表征的燃烧状态的识别。
多模态数据驱动工艺参数预测模块:实现对炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步预测对领域专家而言至关重要,实现多模态数据驱动工艺参数预测的具体步骤包括:
(1)利用M2模块所存储的多模态数据,依据M4模块提取火焰图像特征;
(2)将火焰特征与过程数据串行组合为新特征,用于训练关键工艺参数预测模型;
(3)将M2模块新采集的多模态过程数据输入上述关键工艺参数预测模型,得到炉膛温度、烟气含氧量、蒸汽流量、CO排放浓度、NOx排放浓度等工艺参数的一步乃至多步的预测输出。
难测工艺参数软测量模块:实现产品质量参数炉渣热灼减率、环保指标参数二噁英等难以检测参数的软测量建模,这对MSWI过程的单目标/多目标运行优化而言是言至关重要,实现难测工艺参数预测的具体步骤包括:
(1)整理各类生产报表中记录的难测工艺参数数据,作为软测量模型的输出真值;
(2)面向难测工艺参数的软测量输出真值对M2模块中所存储的多模态数据进行选择,即获得与软测量输出真值对应的多模态数据时间段;
(3)针对上述对应软测量输出真值时间段内的火焰数据,依据M4模块提取火焰图像特征,并将其与过程数据串行组合为用于软测量模型输入的新特征;
(4)将上述约简特征作为支持向量机、深度森林、深度神经网络等回归模型的输入,建立难以检测工艺参数软测量模型;
(5)将M2模块新采集的多模态过程数据输入上述难测工艺参数软测量模型,得到炉渣热灼减率、二噁英浓度等难测工艺参数的软测量值。
MSWI过程单目标/多目标运行优化模块:在不同场景下,考虑烟气排放指标、经济效益、炉渣热酌减率等单个或多个目标,实现对炉膛温度、烟气含氧量、蒸汽流量等关键被控变量的设定值随MSWI过程的动态变化而进行适时的调整,对实现MSWI过程的优化控制而言非常重要,实现MSWI过程单目标/多目标运行优化的具体步骤包括:
(1)依据面向单目标/多目标优化的MSWI过程分析,建立了以炉膛温度、锅炉蒸汽流量和烟气含氧量等关键被控变量为决策变量,最小化污染物排放指标和热酌减率以及最大化燃烧效率和经济指标的单/多目标优化模型;
(2)基于上述单/多目标优化模型,利用M2模块实时采集的多模态数据以及M6模块的难测工艺参数软测量模型,采用遗传算法、粒子群优化算法、差分进化算法等智能优化算法获取关键被控变量的优化设定值。
运行参数反向传输模块:通过反向服务器获取关键运行参数模型的单步/多步预测值和软测量值以及优化运行参数值,通过物理隔离方式进行上述数据的传输,再通过反向数据分析服务器以OPC形式上述数据,M7-运行参数反向传输模块的实现步骤如下:
(1)通过反向服务器计算机,将关键运行参数模型的单步/多步预测值和软测量值以及优化运行参数值进行采集和存储;
(2)通过交换机将反向服务器与物理隔离反向采集机接入同一局域网络中,进而数据传输至物理隔离反向采集机;
(3)采用单向光纤传输的方式将所采集的过程数据以物理隔离反向传输的方式传输至反向数据分析服务器,包括过程变量分组、命名和采样时间设置;
(4)通过交换机将物理隔离反向传输和反向数据分析服务器接入同一局域网络中,反向数据分析服务器以OPC服务为M9模块提供数据服务。
运行参数辅助决策模块:关键运行参数模型的单步/多步预测值和软测量值对于领域专家执行控制策略而言至关重要,也决定着是否将优化运行参数运用于MSWI过程的控制,实现运行参数辅助决策的步骤如下:
(1)将源于M8模块的关键运行参数模型的单步/多步预测值和软测量值采集至运行参数反向接收服务器;
(2)基于设定的不同时间段内的关键运行参数模型的单步/多步预测值和软测量值与这些关键运行参数真实值进行统计意义下的对比分析,采用领域专家主动学习、设定阈值自动判别等方式辅助决策这些关键运行参数模型的单步/多步预测值和软测量值的可信度;
(3)综合上述关键运行参数模型的单步/多步预测值和软测量值的可信度和优化运行参数,采用两种方式进行数据传输:在工业现场完全信任该系统的隔离装置时,将领域专家决策或自动决策的优化运行参数传输至现场过程控制系统;在工业现场要求更高层级的安全问题时,基于运行参数OCR识别技术优化运行参数传输至现场过程控制系统。
本发明提供的城市固废焚烧过程多用途模块化运行优化系统,该系统包括多模态历史数据同步驱动模块、MSWI过程虚拟控制对象模块、MSWI过程回路控制模块、MSWI过程监控模块、运行参数辅助决策模块、数据采集正向隔离模块、运行参数反向传输模块、MSWI过程单目标/多目标运行优化模块、难测工艺参数软测量模块、多模态数据驱动工艺参数预测模块、视觉驱动燃烧状态识别模块、火焰燃烧线量化模块及多模态数据采集模块,该系统能够同时适用于实验室和工业现场,避免了传统仿真实验系统的过于复杂或过于简单的缺点,能够依据具体需求进行模块化的搭建,也能有效满足工业现场的隔离数据采集和软件移植需求,该系统能够有效融合多模态数据同步预测和运行优化控制,该系统考虑了不同MSWI企业在安全性上的要求,可以选择OPC服务器或OCR识别方式进行运行参数传输,具有很强的实用性和适应性,该系统能够实现实验室运行优化算法验证、实验室工艺参数建模算法仿实时验证、工业现场数据采集与工艺参数建模、工业现场辅助决策与运行优化等功能,便于使用。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种城市固废焚烧过程多用途模块化运行优化系统,其特征在于,包括:多模态历史数据同步驱动模块、MSWI过程虚拟控制对象模块、MSWI过程回路控制模块、MSWI过程监控模块、运行参数辅助决策模块、数据采集正向隔离模块、运行参数反向传输模块、MSWI过程单目标/多目标运行优化模块、难测工艺参数软测量模块、多模态数据驱动工艺参数预测模块、视觉驱动燃烧状态识别模块、火焰燃烧线量化模块及多模态数据采集模块,所述多模态历史数据同步驱动模块连接所述多模态数据采集模块,所述多模态数据采集模块连接所述火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块,所述火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块连接所述运行参数辅助决策模块及运行参数反向传输模块,所述运行参数反向传输模块连接所述运行参数辅助决策模块,所述运行参数辅助决策模块连接MSWI过程监控模块及现场过程监控系统,所述现场过程监控系统连接所述数据采集正向隔离模块,所述数据采集正向隔离模块连接所述多模态数据采集模块,所述MSWI过程监控模块连接所述MSWI过程回路控制模块,所述MSWI过程回路控制模块连接所述MSWI过程虚拟控制对象模块,所述现场过程监控系统连接现场回路控制系统,所述现场回路控制系统连接执行机构及仪表装置;
所述多模态历史数据同步驱动模块用于提供MSWI过程的多模态数据源;
所述MSWI过程虚拟控制对象模块用于实现实验室中搭建的MSWI过程的模拟;
所述MSWI过程回路控制模块用于实现对虚拟的MSWI过程的回路控制;
所述MSWI过程监控模块用于实现对虚拟的MSWI过程的监控;
所述运行参数辅助决策模块用于获取运行参数并对其进行对比分析及决策;
所述数据采集正向隔离模块用于实现对虚拟的MSWI过程的监控模块中的全部过程变量通过物理隔离的方式进行数据采集;
所述运行参数反向传输模块用于将源自MSWI过程单目标/多目标运行优化模块获取的运行参数优化值以及火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块的运行参数和难测工艺参数软测量模块的运行参数检测值以物理隔离的方式进行反向传输;
所述MSWI过程单目标/多目标运行优化模块用于实现基于多模态数据和难测参数软测量模型的MSWI过程运行参数的优化;
所述难测工艺参数软测量模块用于实现基于多模态数据和生产报表,对难以检测参数进行软测量建模;
所述多模态数据驱动工艺参数预测模块用于实现基于多模态数据的炉膛温度、烟气含氧量、蒸汽流量等工艺参数的单步/多步预测;
所述视觉驱动燃烧状态识别模块用于实现面向MSWI过程的仿领域专家识别机制的炉内燃烧状态的识别;
所述火焰燃烧线量化模块用于实现面向MSWI过程的仿领域专家识别机制的火焰燃烧线的量化;
所述多模态数据采集模块用于实现模拟的和实际的具有多模态数据的MSWI过程的左炉排火焰视频、右炉排火焰视频和历史过程数据的采集,以及实际过程产生的事关产品质量、环保指标和经济指标的各类生产报表的处理与录入。
2.根据权利要求1所述的城市固废焚烧过程多用途模块化运行优化系统,其特征在于,所述多模态历史数据同步驱动模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块、MSWI过程单目标/多目标运行优化模块、运行参数辅助决策模块、MSWI过程监控模块、MSWI过程回路控制模块及MSWI过程虚拟控制对象模块共同组成实验室运行优化算法验证子系统,通过多模态数据采集模块获取来自多模态历史数据同步驱动模块的经过同步的左炉排和右炉排火焰图像数据以及历史过程数据,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块和难测工艺参数软测量模块的处理,获得多种类别的运行参数,通过OPC方式将运行参数传输至MSWI过程监控模块,并下载至以真实PLC/DCS设备为基础的MSWI过程回路控制模块,进而将控制量以模拟量输出的方式传输至MSWI过程虚拟控制对象模块的虚拟执行机构,虚拟执行机构的输出再作用于虚拟对象后产生被控变量输出,通过虚拟仪表装置以模拟输入的方式传输至MSWI过程回路控制模块,进而传输至MSWI过程监控模块,再通过OPC方式传至多模态数据采集模块,进而反馈至难测工艺参数软测量模块,完成面向实验室的运行优化算法验证。
3.根据权利要求1所述的城市固废焚烧过程多用途模块化运行优化系统,其特征在于,所述多模态历史数据同步驱动模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块共同组成实验室工艺参数建模算法仿实时验证子系统,通过多模态数据采集模块获取来自多模态历史数据同步驱动模块的经过同步的左炉排和右炉排火焰图像数据以及历史过程数据,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块实现仿工业现场实时多模态数据同步发布的工艺参数预测、燃烧状态识别、燃烧线量化和工艺参数软测量结果。
4.根据权利要求1所述的城市固废焚烧过程多用途模块化运行优化系统,其特征在于,所述数据正向采集隔离模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块共同组成工业现场数据采集与工艺参数建模子系统,将工业现场数据通过OPC方式传至正向服务器,再经物理隔离正向采集后传输至多模态数据采集模块,通过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块及难测工艺参数软测量模块实现基于工业现场实时多模态数据同步发布的工艺参数预测、燃烧状态识别、燃烧线量化和工艺参数软测量结果。
5.根据权利要求1所述的城市固废焚烧过程多用途模块化运行优化系统,其特征在于,所述数据正向采集隔离模块、多模态数据采集模块、火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块、MSWI过程单目标/多目标运行优化模块、运行参数反向传输模块和运行参数辅助决策模块共同组成工业现场辅助决策与运行优化子系统,过程数据通过OPC方式传至数据采集正向隔离模块的正向服务器,经物理隔离正向采集后传输至多模态数据采集模块,经过火焰燃烧线量化模块、视觉驱动燃烧状态识别模块、多模态数据驱动工艺参数预测模块、难测工艺参数软测量模块及MSWI过程单目标/多目标运行优化模块的处理获得多种类别的关键运行参数预测值和软测量值以及优化运行参数值,在传输至运行参数反向传输模块的反向服务器后,经物理隔离反向传输至运行参数反向接受服务器,在运行参数辅助决策模块进行辅助决策分析后,依据MSWI厂的安全要求采用OPC协议或OCR识别方式将优化运行参数传输至现场监控系统和PLC/DCS系统,进而将控制量以模拟量输出的方式传输至实际MSWI过程执行机构,作用于由固废储运、固废燃烧、余热交换、烟气净化和烟气排放阶段组成的实际对象,再通过仪表装置通过模拟输入的被采集至PLC/DCS系统和现场监控系统,再通过OPC方式传至数据采集正向隔离模块和多模态数据采集模块,进而反馈至MSWI过程单目标/多目标运行优化模块,完成面向实工业现场的运行优化算法实施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311458743.9A CN117490076A (zh) | 2023-11-03 | 2023-11-03 | 一种城市固废焚烧过程多用途模块化运行优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311458743.9A CN117490076A (zh) | 2023-11-03 | 2023-11-03 | 一种城市固废焚烧过程多用途模块化运行优化系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117490076A true CN117490076A (zh) | 2024-02-02 |
Family
ID=89675845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311458743.9A Pending CN117490076A (zh) | 2023-11-03 | 2023-11-03 | 一种城市固废焚烧过程多用途模块化运行优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117490076A (zh) |
-
2023
- 2023-11-03 CN CN202311458743.9A patent/CN117490076A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038334B (zh) | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 | |
KR102106827B1 (ko) | 보일러 연소의 최적화를 위한 시스템 및 방법 | |
WO2020192166A1 (zh) | 一种城市固废焚烧过程二噁英排放浓度软测量方法 | |
CN111651931A (zh) | 基于深度神经网络的高炉故障诊断规则导出方法 | |
CN102809928B (zh) | 一种工业企业热力设备能耗的控制优化方法 | |
Romeo et al. | Neural network for evaluating boiler behaviour | |
Cass et al. | Adaptive process optimization using functional-link networks and evolutionary optimization | |
CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
US8019446B2 (en) | Control loop for regulating a combustion process | |
CN113189891B (zh) | 基于双向安全隔离的城市固废焚烧过程半物理仿真平台 | |
Li et al. | Neural networks and genetic algorithms can support human supervisory control to reduce fossil fuel power plant emissions | |
CN117490076A (zh) | 一种城市固废焚烧过程多用途模块化运行优化系统 | |
CN115329659B (zh) | 废物焚烧炉二噁英排放实时预警及智能控制的方法及系统 | |
KR102108015B1 (ko) | 보일러 운전을 제어하기 위한 시스템 및 방법 | |
CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
CN110684547A (zh) | 一种生物质热解炭化窑优化控制方法 | |
CN113757684A (zh) | 一种垃圾焚烧发电的方法及系统 | |
CN113779858A (zh) | 一种燃烧优化方法、系统、存储介质及电子设备 | |
Toit et al. | Industry 4.0, artificial intelligence and its application in a bagasse-fired power plant. | |
Song et al. | Neural Network-based Modeling or Boiler Combustion Control System for Power Generation | |
CN103472729A (zh) | 群智的农药废液焚烧炉有害物排放达标控制系统及方法 | |
CN115059924A (zh) | 垃圾焚烧炉智能燃烧控制方法和装置、设备和存储介质 | |
CN116954124A (zh) | 锅炉控制系统、方法、设备及计算机存储介质 | |
Ning et al. | Application of Multivariate Reinforcement Learning Engine in Optimizing the Power Generation Process of Domestic Waste Incineration | |
Egusa et al. | Introduction of Remote Monitoring and Operational Support Systems Aiming at Optimal Management of Waste to Energy Plants |
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 |