ES2336351T3 - Metodo para elaborar un modelo de procedimiento. - Google Patents
Metodo para elaborar un modelo de procedimiento. Download PDFInfo
- Publication number
- ES2336351T3 ES2336351T3 ES06017105T ES06017105T ES2336351T3 ES 2336351 T3 ES2336351 T3 ES 2336351T3 ES 06017105 T ES06017105 T ES 06017105T ES 06017105 T ES06017105 T ES 06017105T ES 2336351 T3 ES2336351 T3 ES 2336351T3
- Authority
- ES
- Spain
- Prior art keywords
- measurement data
- neural network
- distribution
- values
- plant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000002485 combustion reaction Methods 0.000 claims abstract description 10
- 239000004568 cement Substances 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 19
- 238000009434 installation Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 5
- 239000010813 municipal solid waste Substances 0.000 claims description 3
- 238000004056 waste incineration Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
- F23N1/02—Regulating fuel supply conjointly with air supply
- F23N1/022—Regulating fuel supply conjointly with air supply using electronic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/02—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium
- F23N5/08—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium using light-sensitive elements
- F23N5/082—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium using light-sensitive elements using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/42—Function generator
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Incineration Of Waste (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Diaphragms For Electromechanical Transducers (AREA)
Abstract
Método para la elaboración de un modelo de procedimiento para la regulación de un proceso de combustión en una instalación (1), concretamente en una central energética, una instalación incineradora de basura, o una planta cementera en la que se transforma una carga (G) mediante aportación de aire (L) aplicando un proceso de combustión desarrollando como mínimo un cuerpo de llama (F) y para el que se describe el estado característico del sistema en la instalación 1,mediante las variables de estado (K,S), en donde en un primer paso se dispone una red neuronal, en un segundo paso la red neuronal se ejercita con datos de medida (Km(t),Sm(t)) de las variables de estado (K,S), cuyos datos de medida (Km(t)) de los canales de entrada y los datos de medida (Sm(t)) comprenden como mínimo un canal de salida, y en un tercer paso se ensaya la red neuronal con otros datos de medida (Km(t)) de los canales de entrada y datos de medida (Sm(t))del canal de salida, con lo cual mediante la red neuronal del canal de salida se predice en el transcurso del tiempo con valores (Sp(t)), a fin de que de las desviaciones de salida los valores pronosticados (Sp(t)) del canal de salida de los datos de medida (Sm(t)) se obtenga una desviación estándar pronosticada (σp), caracterizado porque, en un cuarto paso los datos de medida (Km(t)) como mínimo pueden ser sustituidos en un canal de entrada por una distribución (Kv) según una curva de distribución sobre un intervalo de valores cuartil (qj) como parte de la distribución (Kv) que corresponden a una fracción superficial bajo la curva de distribución, y que en un quinto paso con la distribución (Kv) para cada valor cuantil (qj) de nuevo calcula valores (Sv(t,q)) del canal de salida y una desviación estándar σv(qj) del valor calculado (Sv(t,qj)) del canal de salida de los correspondientes datos de medida (Sm(t)), con lo cual en caso de un aumento de la desviación estándar calculada σv(qj) frente a la desviación estándar pronosticada (σp) del canal de entrada (K) que es significativo para la red neuronal en el primer paso aplicada y en el segundo ejercitada.
Description
Método para elaborar un modelo de
procedimiento.
La presente invención se refiere a un método
para elaborar un modelo de procedimiento con las características
del concepto general de la reivindicación 1.
En un método de este tipo, como se ha dado a
conocer, por ejemplo, en el documento US 2005/0154477 A1, para el
arranque de la red neuronal se seleccionan empíricamente los canales
de entrada, y luego se mantienen, de modo que se disponga de una
topología estática. Con ello existe el peligro de no tener en cuenta
canales significativos, así como tampoco el rendimiento calculado
para los canales no significativos.
La presente invención se basa en el objetivo de
mejorar un método del tipo mencionado al principio, de forma que
pueda funcionar automáticamente. Este objetivo se alcanza mediante
un método que comprenda las características de la reivindicación 1.
Otras formas de ejecución perfeccionadas son objeto de las
reivindicaciones secundarias.
La importancia de un canal de entrada se
determina de acuerdo con la presente invención, según lo cual se
verificaran las predicciones con respecto a un empeoramiento por la
caída del canal de entrada, para lo cual la caída se simula
mediante la sustitución del canal de entrada por una distribución,
concretamente en un intervalo típico. La importancia de un canal de
entrada pertenece al contexto de la red neuronal empleada y
ensayada, de modo que un canal de entrada determinado como
significativo para una red neuronal particular, en otra red puede
resultar no significativo.
También suele suceder frecuentemente, que entre
varios canales de entrada de valor teórico similar solo uno de los
canales de entrada se considerará significativo.
La presente invención puede emplearse en
diversas instalaciones termodinámicas fijas, concretamente en
centrales energéticas, instalaciones incineradoras de basuras y en
plantas cementeras.
A continuación la presente invención se expondrá
con detalle con la ayuda de un ejemplo de ejecución que se
representa en el plano. En donde se muestran,
Fig 1. una representación esquemática de los
datos de medida de un canal de entrada y un canal de salida
Fig 2. una representación esquemática del ensayo
de un modelo de proceso ensayado, con la comparación de los valores
pronosticados y los datos de medida del canal de salida de la fig.
1,
Fig 3. una representación esquemática del
cálculo de una desviación estándar del curso pronosticado de los
datos de medida de la fig. 2,
Fig 4. la sustitución de datos de medida de un
canal de entrada por una distribución y sus valores cuantil,
Fig 5. una representación esquemática de la
comparación entre los valores calculados del canal de salida con la
distribución y los valores cuantil y los valores de la fig. 2
Fig 6. una representación esquemática del
cálculo de una desviación estándar, empleando unos valores
calculados de un pequeño valor cuantil del canal de salida,
Fig 7. una representación esquemática del
cálculo de la desviación estándar, empleando valores calculados de
un pequeño valor cuantil del canal de salida, y
Fig 8. una representación esquemática de una
instalación.
Una instalación 1, por ejemplo, una central
energética con combustión de gas, aceite o carbón, una planta
incineradora de basura o una cementera comprendiendo un horno 3, con
lo cual también debe entenderse un (emparrillado), como mínimo un
dispositivo de supervisión 5, que pueda conseguir imágenes del
interior del horno 3 (así como también del (emparrillado),
preferentemente otros sensores 7, y como mínimo un dispositivo de
regulación 9, y un ordenador 11, en el que se han conectado
el(los) dispositivo(s) de supervisión 5, otros
sensores 7 y un(unos) dispositivo(s) de regulación
9.
El horno 3 se alimenta con combustible u otro
material alternativo, denominado abreviadamente como carga G, como
por ejemplo carbón, aceite, gas, basura, caliza o similares, así
como, aire primario (o bien -oxigeno) y aire secundario (o bien
-oxigeno), denominado abreviadamente como aire L, en donde esta
aportación es controlada mediante el dispositivo de regulación 9
gobernado por el ordenador 11. En el horno 3 tiene lugar un proceso
de combustión. El cuerpo de la llama F así preparado (así como en
algunos casos las emisiones de las paredes del horno 3) queda bajo
control a la continua de los dispositivos de supervisión 5.
Los dispositivos de supervisión 5 comprenden
siempre, por ejemplo, a parte de una lanza o un dispositivo como el
que se dio a conocer en el documento EP 1 621 813 A1, con acceso
óptico capaz de atravesar la pared del horno, además una cámara o
similar, que opera en la gama óptica o con ondas electromagnéticas
de gamas vecinas. Preferentemente se emplea una cámara de alta
resolución espectral, local temporal, como la que se describe, por
ejemplo, en el documento WO 02/070953 A1.
La figura del cuerpo de la llama F (y las
eventuales emisiones de las paredes del horno 3) se evalúan en el
ordenador 11, por ejemplo, según un método de valor intrínseco,
descrito en el documento WO 2004/018940 A1. Los datos obtenidos de
las figuras del cuerpo de la llama F, así como los datos de los
otros sensores 7 que, por ejemplo, determinan la alimentación de la
carga G y e aire L, las concentraciones de sustancias dañinas en
los gases de escape o la concentración de la cal libre (FCAO) son
tratados como variables de estado s(t), que (en función del
tiempo) describen el estado del sistema en la instalación 1 en
general y el proceso de combustión en particular, considerándolos
como un vector.
Mediante el horno 3 a modo de tramo (norma), el
o los dispositivos de supervisión 5, los demás sensores 7, el
ordenador 11 y los dispositivos de regulación 9, se definirá un
circuito norma. También se puede prever un circuito norma
convencional solo con el horno 3, los sensores 7, la calculadora 11
y los dispositivos de regulación 9 y sin
dispositivo(s)
de supervisión, cuya regulación solo considera las variables de estado St (es decir,esta infradimensionado), y luego se optimiza mediante la inclusión del o de los dispositivos de supervisión 5. El sistema en la instalación 1 es regulable, por ejemplo, ajustándose a determinados valores teóricos o un proceso estable (es decir, a un funcionamiento suave casi estacionario de la instalación 1). En ambos casos se evalúa las variables de estado descrito mediante los valore prácticos y en caso necesario se seleccionan las actuaciones reguladoras adecuadas (engranes de ajuste), las que se denominan abreviadamente como acciones, que se ejecutan mediante el dispositivo regulador 9. Además de la alimentación de la carga G y del aire L, pueden ser convenientes en el sentido de la presente invención otras actividades de los dispositivos de regulación 9, como así la propia acción de una extracción de muestras. Así mismo las interferencias pueden también tratarse como acciones no deseadas. Se trata de combinaciones regulables de los dos tipos de regulación anteriormente mencionados, en cuyo caso se establecerán compromisos. La evaluación del estado y la selección de las acciones idóneas puede realizarse, por ejemplo, según un procedimiento, tal como el que se describe en WO 02/077527 A1. En el ordenador 11 se ha implementado como mínimo una red neuronal, que a modo de un proceso modelo almacena las reacciones del estado del sistema sobre acciones, esto es, los nudos (no lineales) entre los valores de las variables de estado respecto a un determinado instante y las acciones entonces efectuadas, por un lado y los valores resultantes de las variables de estado respecto otro instante posterior(esto es, un determinado intervalo de tiempo posterior) por el otro lado, y ciertamente respecto a muchos instantes posibles en el pasado. En este sentido pueden también intervenir interferencias a modo de acciones no deseadas en el modelo del procedimiento. Una evaluación de situación del modelo de procedimiento, es decir, independiente de los nudos almacenados, que se ha concebido como una carga simplificada, evaluada para un determinado instante, los valores de las variables de estado con respecto al objetivo de optimización previamente dado, es decir, lo cerca que se halla el estado del sistema con respecto a este instante del estado óptimo. Con la evaluación de un estado previsto -con el modelo de proceso en función de una determinada acción- con respecto a momento futuro, puede determinarse la idoneidad de una determinada acción por aproximación al objetivo de optimización.
de supervisión, cuya regulación solo considera las variables de estado St (es decir,esta infradimensionado), y luego se optimiza mediante la inclusión del o de los dispositivos de supervisión 5. El sistema en la instalación 1 es regulable, por ejemplo, ajustándose a determinados valores teóricos o un proceso estable (es decir, a un funcionamiento suave casi estacionario de la instalación 1). En ambos casos se evalúa las variables de estado descrito mediante los valore prácticos y en caso necesario se seleccionan las actuaciones reguladoras adecuadas (engranes de ajuste), las que se denominan abreviadamente como acciones, que se ejecutan mediante el dispositivo regulador 9. Además de la alimentación de la carga G y del aire L, pueden ser convenientes en el sentido de la presente invención otras actividades de los dispositivos de regulación 9, como así la propia acción de una extracción de muestras. Así mismo las interferencias pueden también tratarse como acciones no deseadas. Se trata de combinaciones regulables de los dos tipos de regulación anteriormente mencionados, en cuyo caso se establecerán compromisos. La evaluación del estado y la selección de las acciones idóneas puede realizarse, por ejemplo, según un procedimiento, tal como el que se describe en WO 02/077527 A1. En el ordenador 11 se ha implementado como mínimo una red neuronal, que a modo de un proceso modelo almacena las reacciones del estado del sistema sobre acciones, esto es, los nudos (no lineales) entre los valores de las variables de estado respecto a un determinado instante y las acciones entonces efectuadas, por un lado y los valores resultantes de las variables de estado respecto otro instante posterior(esto es, un determinado intervalo de tiempo posterior) por el otro lado, y ciertamente respecto a muchos instantes posibles en el pasado. En este sentido pueden también intervenir interferencias a modo de acciones no deseadas en el modelo del procedimiento. Una evaluación de situación del modelo de procedimiento, es decir, independiente de los nudos almacenados, que se ha concebido como una carga simplificada, evaluada para un determinado instante, los valores de las variables de estado con respecto al objetivo de optimización previamente dado, es decir, lo cerca que se halla el estado del sistema con respecto a este instante del estado óptimo. Con la evaluación de un estado previsto -con el modelo de proceso en función de una determinada acción- con respecto a momento futuro, puede determinarse la idoneidad de una determinada acción por aproximación al objetivo de optimización.
Para mejorar la precisión no solo se completaran
los modelos de proceso mediante desarrollos efectivos de las
variables de estado como reacción a las acciones corrientes, sino
que tiene lugar una competencia de varios modelos de proceso con
respecto a la calidad de pronóstico. En cuanto a esto además en el
trasfondo se elaboran y ensayan modelos alternativos, por ejemplo,
con otras topologías cuyas predicciones son comparadas con el o los
modelo(s) de proceso que se utilizan actualmente, para
sustituir en caso necesario a estas últimas, tal como se describe
en el documento EP 1 396 1.
Un modelo de proceso que en tiempo real debe
servir para las predicciones evaluables, no tiene en cuenta todas
las variables de estado disponibles. Con el método al que se refiere
la presente invención se establecen mucho más que variables de
estado con parámetros necesarios e idóneos, para confeccionar un
buen modelo de proceso a base de una red neuronal, a partir de un
conjunto dado de datos.
Esta importancia de las variables de estado no
representa ninguna característica absoluta de estas variables de
estado, sino que puede siempre verse solo en el contexto del tipo y
configuración de la red neuronal y con la totalidad de todas las
variables de estado empleadas. Sí también se utiliza por ejemplo un
RPROP como red neuronal, debería, bien buscarse un
algoritmo-PROP componente del análisis de
importancia, o bien una red normal ensayada de un respectivo
análisis. Mediante el método al que hace referencia la presente
invención se verifican, ya sean, las innumerables posibilidades o
bien un único algoritmo de ensayo tomado como núcleo de una
evaluación matemática que solo fue de aplicación para este algoritmo
de ensayo.
En un primer paso, se selecciona como partida de
una red neuronal un tipo determinado y se toma una configuración
con una composición de variables de estado apropiadas. Para una
mejor comprensión se acepta que las variables de estado podrían
presentar grandes diferencias entre los canales de entrada K, que
describen las posibilidades de influir sobre el proceso, por
ejemplo las magnitudes de ajuste, y los canales de salida S, que
describen los resultados del proceso, por ejemplo el rendimiento
del vapor.
En un segundo paso se toma de una serie de datos
determinados en función del tiempo, designados abreviadamente como
datos de medida K_{m}(t) y S_{m}(t), una parte,
por ejemplo, en función del tiempo el primer 10% de datos y con
ellos ensayar la red neuronal.
En un tercer paso se ensaya (evalúa) con los
restantes datos de medida K_{m}(t) y S_{m}(t) la
red neuronal, es decir, se ensaya, con que calidad se pronostica
mediante la red neuronal un canal de salida S durante el transcurso
del tiempo S_{p}(t). La dispersión de los valores
pronosticados S_{p}(t) alrededor de los datos de medida
S_{m}(t), también una media estadística
S_{p}(t)-S_{m}(t), proporciona una
cifra determinada que en adelante se designara como desviación
estándar estimada \sigma_{p}.
Ahora en un cuarto paso se sustituirá para cada
canal de entrada, individualmente y alternativamente la distribución
efectiva de los valores de medida K_{m}(t),teniendo en
cuenta las correlaciones temporales, por una distribución K_{v}
de valores dentro de un intervalo entre dos valores cuantil q_{j},
es decir, valores, que corresponden a una fracción plana bajo la
curva de distribución, por ejemplo 10% o 90% de la superficie,
abreviadamente designada q_{10} y q_{90}.
Con las mencionadas distribuciones K_{v} y sus
intervalos de valores cuartil q_{j}, es evaluado de nuevo
entonces en un quinto paso la red neuronal, es decir, con la red
neuronal se calculan de nuevo valores S_{v} (t,q_{j}) del canal
de salida, y ciertamente en caso de los ejemplificados valores
cuantil q_{10} y q_{90} -escalonadamente a continuación solo
con los valores K_{v}(q_{10})con mas frecuencia
del 10% de este canal de entrada, luego con algunos valores mas
K_{v}(q_{90}) y finalmente con el 90% de los valores
K_{v}(q_{90}), por tanto la zona sin la falda de la
distribución K_{v}. Con el último cálculo
S_{v}(t,q_{90}) deben conseguirse aproximadamente los
valores pronosticados S_{p}(t) a base de los datos de
medida K_{m}(t).
Para todos estos cálculos de
S_{v}(t,q_{j}) se determinara siempre de nuevo una
desviación estándar \sigma_{v} (q_{j}) de los valores
calculados S_{v}(t,q_{j}) del canal de salida de los
datos de medida correspondientes S_{m}(t), en resumen, una
media estadística
S(t,q_{j})-S_{m}(t). Si estas
desviaciones estándar \sigma_{v}(q_{j}) son superiores
con respecto a la desviación estándar \sigma_{p}, es decir,
discrepan de los valores calculados S_{v}(t,q_{j}) del
canal de salida con los mas pequeños q_{j} de forma mas acusada
que los correspondientes datos de medida S_{m}(t),esto es
significativo por la utilización de la distribución
K_{v}(q_{j})del canal de entrada modificado para
la red neuronal seleccionada.
El método al que se refiere la presente
invención determinada por tanto los canales de entrada
significativos para la red neuronal seleccionada con la ayuda de un
deterioro de la previsión siempre tras la sustitución de un canal
de entrada por valores cuantil de una distribución. En lugar de
varios recorridos de preparación y con ello siempre mas recorridos
de ensayo, como en los conocidos métodos, en este caso según la
presente invención debe solo efectuarse un recorrido de preparación
y uno para el número de canales de entrada y de la subdivisión de
su distribución en valores cuantil un número dependiente de
recorridos de ensayo.
En un paso final se modifica la red neuronal de
tal modo que tan solo entran en consideración los canales de
entrada significativos. Esta red neuronal modificada de este modo
puede ejercitarse una vez mas con los datos de medida
K_{m}(t) y S_{m}(t).
\vskip1.000000\baselineskip
- 1
- Instalación
- 3
- Horno
- 5
- Dispositivo de supervisión
- 7
- Sensor
- 9
- Dispositivo de regulación
- 11
- Ordenador
- F
- Cuerpo de la llama
- G
- Carga
- L
- Aire
- K_{m}(t)
- Canal de entrada, determinado
- K_{v}(q_{j})
- Canal de entrada según distribución y cuantil
- q_{j}
- Valor cuantil
- q_{10}
- Valor cuantil 10%
- q_{90}
- Valor cuantil 90%
- S_{m}(t)
- Canal de salida, determinado
- S_{p}(t)
- Canal de salida, estimado
- S_{v}(t,q_{j})
- Canal de salida, calculado con distribución y valor cuantil
- \sigmap
- Desviación estándar, estimada
- \sigma_{v}(q_{j})
- Desviación estándar, calculada con distribución y cuantil
Claims (8)
1. Método para la elaboración de un modelo de
procedimiento para la regulación de un proceso de combustión en una
instalación (1), concretamente en una central energética, una
instalación incineradora de basura, o una planta cementera en la
que se transforma una carga (G) mediante aportación de aire (L)
aplicando un proceso de combustión desarrollando como mínimo un
cuerpo de llama (F) y para el que se describe el estado
característico del sistema en la instalación 1,mediante las
variables de estado (K,S), en donde en un primer paso se dispone
una red neuronal, en un segundo paso la red neuronal se ejercita con
datos de medida (K_{m}(t),S_{m}(t)) de las
variables de estado (K,S), cuyos datos de medida (K_{m}(t))
de los canales de entrada y los datos de medida (S_{m}(t))
comprenden como mínimo un canal de salida, y en un tercer paso se
ensaya la red neuronal con otros datos de medida
(K_{m}(t)) de los canales de entrada y datos de medida
(S_{m}(t))del canal de salida, con lo cual mediante la red
neuronal del canal de salida se predice en el transcurso del tiempo
con valores (S_{p}(t)), a fin de que de las desviaciones
de salida los valores pronosticados (S_{p}(t)) del canal
de salida de los datos de medida (S_{m}(t)) se obtenga una
desviación estándar pronosticada (\sigma_{p}),
caracterizado porque, en un cuarto paso los datos de medida
(K_{m}(t)) como mínimo pueden ser sustituidos en un canal
de entrada por una distribución (K_{v}) según una curva de
distribución sobre un intervalo de valores cuartil (q_{j}) como
parte de la distribución (K_{v}) que corresponden a una fracción
superficial bajo la curva de distribución, y que en un quinto paso
con la distribución (K_{v}) para cada valor cuantil (q_{j}) de
nuevo calcula valores (S_{v}(t,q)) del canal de salida y
una desviación estándar \sigma_{v}(q_{j}) del valor
calculado (S_{v}(t,q_{j})) del canal de salida de los
correspondientes datos de medida (S_{m}(t)), con lo cual en
caso de un aumento de la desviación estándar calculada
\sigma_{v}(q_{j}) frente a la desviación estándar
pronosticada (\sigma_{p}) del canal de entrada (K) que es
significativo para la red neuronal en el primer paso aplicada y en
el segundo ejercitada.
2. Un método según la reivindicación 1,
caracterizado porque, un valor de poca cantidad (q_{10}),
que cubre la gama de los valores mas frecuentes de la distribución
(K_{v}), y un valor de cuantil grande (q_{90}), que cubre la
gama sin las colas de la distribución (K_{v}), se seleccionan como
los límites del intervalo.
3. Un método según una de las anteriores
reivindicaciones, caracterizado porque, en el cuarto paso, en
el caso de existir varios canales de entrada, para cada canal de
entrada los datos de medición (K_{m}(t)) se sustituyen por
una distribución (K_{v}) individual y alternativamente.
4. Método según una de las anteriores
reivindicaciones, caracterizado porque, en un último paso la
red neuronal se modificará de tal modo, que tan solo los canales de
entrada significativos se tendrá en cuenta.
5. Método según una de las anteriores
reivindicaciones, caracterizado porque, el modelo de
procedimiento se desarrolla en la base, mientras un modelo de
procedimiento usado actualmente sirve para regular el proceso de
combustión en la planta (1).
6. Método según la reivindicación 5,
caracterizado porque, el modelo de procedimiento desarrollado
sustituye el modelo de procedimiento empleado actualmente cuando la
calidad de las predicciones es mejor.
7. Método según una de las anteriores
reivindicaciones, caracterizado porque, las variables de
estado (K,S) se determinan empleando como mínimo un cuerpo de llama
(F) un dispositivo de supervisión (5)y otros sensores (7)
que son evaluados en un ordenador (11), tras lo cual en caso
necesario se seleccionaran las actuaciones idóneas, para controlar
los dispositivos de mando (9)como mínimo en lo relativo a la
aportación de la carga (G) y/o del aire (L).
8. Circuito de regulación para el ajuste del
proceso de combustión en la instalación (1), concretamente una
central energética, una instalación para la incineración de basuras
o una planta cementera, con una línea (3) para la transformación de
la carga (G) por aportación de aire (L) mediante el proceso de
combustión, formando como mínimo un cuerpo de llama (F), y
disponiendo como mínimo de un dispositivo de supervisión
(5)que proporciona una imagen del cuerpo de la llama (F), y
otros sensores (7) para determinar las variables de estado (K,S) que
describe el estado del sistema en la planta (1), y de este modo un
ordenador (11) evalúa las variables de estado (K,S) y si fuese
necesario, seleccionaría las actuaciones idóneas, disponiendo de los
dispositivos de regulación (9) ajustables para actuaciones por lo
menos en lo relativo a la aportación de la carga (G) y/o del aire
(L), desarrollando en el ordenador (11) un modelo de procedimiento
empleando un método acorde con una de las anteriores
reivindicaciones.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP06017105A EP1890207B1 (de) | 2006-08-17 | 2006-08-17 | Verfahren zum Erstellen eines Prozessmodells |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2336351T3 true ES2336351T3 (es) | 2010-04-12 |
Family
ID=37775558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES06017105T Active ES2336351T3 (es) | 2006-08-17 | 2006-08-17 | Metodo para elaborar un modelo de procedimiento. |
Country Status (7)
Country | Link |
---|---|
US (1) | US7610252B2 (es) |
EP (1) | EP1890207B1 (es) |
KR (1) | KR101436057B1 (es) |
AT (1) | ATE453881T1 (es) |
DE (1) | DE502006005791D1 (es) |
ES (1) | ES2336351T3 (es) |
PL (1) | PL1890207T3 (es) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1967792B1 (de) * | 2007-03-01 | 2014-12-17 | STEAG Powitec GmbH | Regelkreis zur Regelung eines Verbrennungsprozesses |
EP2048553B1 (de) * | 2007-10-12 | 2010-10-27 | Powitec Intelligent Technologies GmbH | Regelkreis zur Regelung eines Prozesses, insbesondere Verbrennungsprozesses |
EP2080953B1 (de) * | 2008-01-15 | 2014-12-17 | STEAG Powitec GmbH | Regelkreis und Verfahren zum Erstellen eines Prozessmodells hierfür |
EP2246755A1 (de) * | 2009-04-22 | 2010-11-03 | Powitec Intelligent Technologies GmbH | Regelkreis |
JP6204204B2 (ja) * | 2014-01-20 | 2017-09-27 | 中国電力株式会社 | ボイラー燃料投入量決定装置 |
WO2019066104A1 (ko) * | 2017-09-29 | 2019-04-04 | 전자부품연구원 | 히스토리 데이터 기반 뉴럴 네트워크 학습을 통한 공정 제어 방법 및 시스템 |
IT201800010468A1 (it) | 2018-11-20 | 2020-05-20 | Aixprocess Gmbh | Metodo e dispositivo per controllare un processo all'interno di un sistema, in particolare un processo di combustione all'interno di una centrale elettrica |
DE202019000735U1 (de) * | 2019-02-17 | 2019-03-21 | Frank Gebhardt | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur Steuerung eines Müllkessels |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4974071A (en) * | 1987-04-28 | 1990-11-27 | Canon Kabushiki Kaisha | Color image data encoding apparatus having improved resolution/efficiency characteristics |
US5421337A (en) * | 1989-04-14 | 1995-06-06 | Massachusetts Institute Of Technology | Spectral diagnosis of diseased tissue |
US5481260A (en) * | 1994-03-28 | 1996-01-02 | Nordson Corporation | Monitor for fluid dispensing system |
US7149590B2 (en) * | 1996-05-06 | 2006-12-12 | Pavilion Technologies, Inc. | Kiln control and upset recovery using a model predictive control in series with forward chaining |
JP2860782B2 (ja) * | 1996-07-23 | 1999-02-24 | 川崎重工業株式会社 | カラー画像を利用した燃焼判定・制御方法および判定・制御装置 |
WO2002070953A1 (de) | 2001-03-02 | 2002-09-12 | Powitec Intelligent Technologies Gmbh | MEssVORRICHTUNG, INSBESONDERE ZUR FLAMMENBEOBACHTUNG WÄHREND EINES VERBRENNUNGSPROZESSES |
WO2002077527A1 (de) * | 2001-03-02 | 2002-10-03 | Powitec Intelligent Technologies Gmbh | Verfahren zur regelung eines thermodynamischen prozesses, insbesondere eines verbrennungsprozesses |
EP1391655A1 (de) * | 2002-08-16 | 2004-02-25 | Powitec Intelligent Technologies GmbH | Verfahren zur Überwachung eines thermodynamischen Prozesses |
DE50210420D1 (de) | 2002-08-16 | 2007-08-16 | Powitec Intelligent Tech Gmbh | Verfahren zur Regelung eines thermodynamischen Prozesses |
US20050137995A1 (en) * | 2002-08-16 | 2005-06-23 | Powitec Intelligent Technologies Gmbh | Method for regulating a thermodynamic process by means of neural networks |
EP1621813B1 (de) | 2004-07-27 | 2010-03-10 | Powitec Intelligent Technologies GmbH | Beobachtungsvorrichtung mit Freistosseinheit |
-
2006
- 2006-08-17 DE DE502006005791T patent/DE502006005791D1/de active Active
- 2006-08-17 PL PL06017105T patent/PL1890207T3/pl unknown
- 2006-08-17 EP EP06017105A patent/EP1890207B1/de not_active Not-in-force
- 2006-08-17 ES ES06017105T patent/ES2336351T3/es active Active
- 2006-08-17 AT AT06017105T patent/ATE453881T1/de active
-
2007
- 2007-08-13 US US11/837,950 patent/US7610252B2/en not_active Expired - Fee Related
- 2007-08-17 KR KR1020070082845A patent/KR101436057B1/ko not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
US20080046391A1 (en) | 2008-02-21 |
DE502006005791D1 (de) | 2010-02-11 |
EP1890207B1 (de) | 2009-12-30 |
EP1890207A1 (de) | 2008-02-20 |
PL1890207T3 (pl) | 2010-06-30 |
KR101436057B1 (ko) | 2014-08-29 |
KR20080016500A (ko) | 2008-02-21 |
ATE453881T1 (de) | 2010-01-15 |
US7610252B2 (en) | 2009-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2336351T3 (es) | Metodo para elaborar un modelo de procedimiento. | |
ES2352976T3 (es) | Circuito regulador, para la regulación de un proceso, en particular un proceso de combustión. | |
US20090182441A1 (en) | Control loop and method of creating a process model therefor | |
ES2304446T3 (es) | Metodo de control de un proceso termodinamico, en particular un proceso de combustion. | |
CN103759290A (zh) | 大型燃煤机组在线监测与优化控制系统及其实现方法 | |
CN108549792A (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
RU2523931C2 (ru) | Способ регулирования процесса горения, в частности, в топочном пространстве парогенератора, отапливаемого ископаемым топливом, и система сжигания | |
CN109579043A (zh) | 一种电站锅炉入炉煤质变化快速检测方法 | |
Vanderhaegen et al. | Predictive emissions monitoring using a continuously updating neural network | |
US8019446B2 (en) | Control loop for regulating a combustion process | |
US7637735B2 (en) | Procedure for regulating a combustion process | |
JP5452906B2 (ja) | 燃焼炉の燃焼制御システムおよびその燃焼制御方法 | |
TWI677771B (zh) | 模擬結果之評價裝置及方法 | |
JP2011214773A (ja) | 汚泥焼却炉の温度制御装置および汚泥焼却炉の温度制御方法 | |
Viganò | A practical method to calculate the R1 index of waste-to-energy facilities | |
Chong et al. | Prediction of gaseous emissions from a chain grate stoker boiler using neural networks of ARX structure | |
Koziol et al. | Determining operating characteristics of co-firing processes in grate furnaces | |
Ronquillo-Lomeli et al. | On-line flame signal time series analysis for oil-fired burner optimization | |
Wojcik et al. | Concept of application of signals from fiber optic system for flame monitoring to control separate pulverized coal burner | |
Adali et al. | NOx and CO prediction in fossil fuel plants by time delay neural networks | |
CN113167473B (zh) | 一种对系统内燃烧过程进行调控的方法及装置 | |
JP2014219113A (ja) | 燃焼炉内の温度計測システムおよび燃焼炉の燃焼制御システム | |
Kamas et al. | Predictive emissions monitoring systems: a low-cost alternative for emissions monitoring [in cement industry] | |
Romero et al. | Combustion Optimization of a Load-Following Boiler with Flue Gas Recirculation Capabilities | |
Valliappan et al. | The Monitoring and Control of Burners Co-Firing Coal and Biomass |