ES2896708T3 - Procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, y procedimiento para entrenar una red neuronal para controlar una caldera de una planta incineradora de residuos - Google Patents
Procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, y procedimiento para entrenar una red neuronal para controlar una caldera de una planta incineradora de residuos Download PDFInfo
- Publication number
- ES2896708T3 ES2896708T3 ES20157791T ES20157791T ES2896708T3 ES 2896708 T3 ES2896708 T3 ES 2896708T3 ES 20157791 T ES20157791 T ES 20157791T ES 20157791 T ES20157791 T ES 20157791T ES 2896708 T3 ES2896708 T3 ES 2896708T3
- Authority
- ES
- Spain
- Prior art keywords
- control
- value
- parameter
- neural network
- gradient
- 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
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N3/00—Regulating air supply or draught
- F23N3/002—Regulating air supply or draught using electronic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N3/00—Regulating air supply or draught
- F23N3/005—Regulating air supply or draught using electrical or electromechanical means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/003—Systems for controlling combustion using detectors sensitive to combustion gas properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/20—Waste supply
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/30—Oxidant supply
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2900/00—Special features of, or arrangements for controlling combustion
- F23N2900/05006—Controlling systems using neuronal networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Incineration Of Waste (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
Procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, que comprende: - introducir datos de entrada en la red neuronal entrenada, en donde los datos de entrada se basan en parámetros, que comprenden al menos una presión de tambor de caldera, una temperatura de cámara de combustión, un parámetro de un sistema de alimentación de residuos (1), un parámetro de un sistema de conductos de aire de combustión (HLA), un parámetro de un sistema de conductos de evacuación de gas de humo (HNA), y un parámetro de un sistema de tuberías de vapor vivo (LBA); y - calcular y emitir datos de salida a través de la red neuronal entrenada, en donde los datos de salida comprenden al menos datos de control para al menos un elemento de control, que contiene al menos una válvula de aire del sistema de conductos de aire de combustión (HLA).
Description
DESCRIPCIÓN
Procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, y procedimiento para entrenar una red neuronal para controlar una caldera de una planta incineradora de residuos
Campo técnico de la invención
La invención se refiere a un procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada. La invención se refiere además a un procedimiento para entrenar una red neuronal para controlar una caldera de una planta incineradora de residuos.
Antecedentes técnicos de la invención
Para el control y regulación de sistemas físicos, como por ejemplo una planta compleja, puede tomarse como base un modelo de sistema basado en ecuaciones diferenciales matemáticas para reproducir regularidades físicas. Con un modelo de sistema así pueden diseñarse estructuras de control y de regulación con reguladores de estado. Sin embargo, esto solo es posible hasta una cierta complejidad de un sistema y normalmente requiere un gran esfuerzo para la caracterización de sistema. Por lo tanto en la gestión del funcionamiento de plantas hay distintas áreas, que hasta el momento solo pueden controlarse por un personal operativo humano.
En el caso de plantas incineradoras es importante una buena combustión total de los residuos, a ser posible sin cenizas y libre de sustancias nocivas, así como un rendimiento alto para la obtención de energía térmica. Para lograr esto, se observan y se controlan calderas de plantas incineradoras convencionalmente mediante personal operativo humano. Sin embargo, este control es costoso y es propenso a averías debido a fallo humano.
En el documento EP 1890207 A1 se describe un procedimiento para crear un modelo de proceso para la regulación de un proceso de combustión. A este respecto en una primera etapa se fija una red neuronal. En una segunda etapa la red neuronal se entrena con datos de medición de las variables de estado, que comprenden datos de medición de canales de entrada y datos de medición al menos de un canal de salida. En una tercera etapa la red neuronal se prueba con datos de medición adicionales de los canales de entrada y datos de medición del canal de salida, en donde a partir de las desviaciones de los valores pronosticados del canal de salida con respecto a los datos de medición del canal de salida se averigua una desviación estándar pronosticada. En una cuarta etapa los datos de medición al menos de un canal de entrada se sustituyen por una repartición, y en una quinta etapa con la repartición o porcentajes de los mismos se calculan de nuevo valores del canal de salida y se averigua una desviación estándar de los valores calculados del canal de salida respecto a los datos de medición correspondientes.
En el documento DE 202017006632 U1 se describe un aprendizaje exitoso de un comportamiento del sistema de la combustión de una planta incineradora de residuos empleando puntos de medición de una estructura de red.
Para hacer posible una medición de la tasa de flujo del aire de combustión en una caja de aire debajo de una parrilla sin caudalímetro, el documento JP H11 6607 A propone estimar la tasa de flujo del aire de combustión de una parrilla en una planta incineradora de residuos. Un caudal volumétrico de aire de combustión, se determina basándose en al menos una medición de las cantidades de aire de combustión y en la medición de las aberturas de válvula de válvulas para la regulación de aire de combustión aportado.
Sumario de la invención
Un objetivo de la presente invención es indicar un procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, así como un procedimiento para el entrenamiento o aprendizaje de una red neuronal para el control de una caldera de una planta incineradora de residuos, por lo que se hace posible un control de automatizado o casi automatizado de una caldera de una planta incineradora de residuos. La presente invención indica un procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada o instruida, que comprende: introducir datos de entrada en la red neuronal entrenada, en donde los datos de entrada se basan en parámetros, que comprenden al menos una presión de tambor de caldera, una temperatura de cámara de combustión, un parámetro de un sistema de alimentación de residuos, un parámetro de un sistema de conductos de aire de combustión, un parámetro de un sistema de conductos de evacuación de gas de humo, y un parámetro de un sistema de tuberías de vapor vivo; y calcular y emitir datos de salida a través de la red neuronal, en donde los datos de salida comprenden al menos datos de control para al menos un elemento de control, que contiene al menos una válvula de aire del sistema de conductos de aire de combustión. Los datos de salida o pueden indicarse a un usuario para controlar la caldera, o se conducen a una unidad de control de la caldera. La unidad de control de la caldera puede controlar los elementos de control basándose en los datos de salida de manera correspondiente. La red neuronal entrenada puede ser una red neuronal entrenada mediante un procedimiento de acuerdo con una de las formas de realización descritas más adelante.
La presente divulgación indica un procedimiento para el entrenamiento o aprendizaje de una red neuronal para el control de una caldera de una planta incineradora de residuos, que comprende: introducir datos de entrada en la red neuronal, en donde los datos de entrada se basan en parámetros, que comprenden al menos una presión de tambor de caldera, una temperatura de cámara de combustión, un parámetro de un sistema de alimentación de residuos, un parámetro de un sistema de conductos de aire de combustión, un parámetro de un sistema de conductos de evacuación de gas de humo, y un parámetro de un sistema de tuberías de vapor vivo; introducir datos de salida en la red neuronal, en donde los datos de salida comprenden al menos datos de control para al menos un elemento de control, que contiene al menos una válvula de aire del sistema de conductos de aire de combustión; e instruir la red neuronal basándose en los datos de entrada y los datos de salida. La presente divulgación indica además un uso de la red neuronal entrenada para controlar la caldera de la planta incineradora de residuos. La etapa de la instrucción puede comprender: calcular datos de salida calculados basándose en los datos de entrada, y comparar los datos de salida calculados con los datos de salida introducidos.
Los datos de entrada pueden comprender un vector de estado para cada parámetro. El vector de estado comprende varias variables de estado del parámetro, por ejemplo al menos una de un valor paramétrico, un gradiente del valor paramétrico, una modificación del gradiente del valor paramétrico, un valor promedio de dos o más valores paramétricos consecutivos, un valor promedio de gradientes de dos o más valores paramétricos consecutivos, un valor promedio de modificaciones del gradiente de dos o más valores paramétricos consecutivos, un valor paramétrico que precede a un tiempo inactivo predeterminado, un gradiente del valor paramétrico precedente, y una modificación del gradiente del valor paramétrico precedente. La consideración de valores paramétricos previos puede no realizarse con métodos de control convencionales y hace posible un control especialmente preciso y rápido. Preferentemente los vectores de estado de todos los parámetro tienen la misma longitud, es decir, se componen de las mismas variables de estado. El vector de estado de un parámetro puede comprender por ejemplo al menos tres de las siguientes variables de estado del parámetro, preferentemente las 21 de las siguientes variables de estado:
- un primer valor paramétrico PW1, es decir, en un primer momento,
- diferencia entre el primer valor paramétrico y un segundo valor paramétrico PW2, es decir, un valor paramétrico en un segundo momento (con un intervalo predeterminado en el primer momento, |PW1-PW2| ("gradiente del primer valor paramétrico"),
- diferencia de la diferencia entre el primer valor paramétrico y el segundo valor paramétrico y de la diferencia entre el segundo valor paramétrico y un tercer valor paramétrico, | |PW1-PW2| - |PW2-PW3| | ("modificación gradiente del primer valor paramétrico"),
- valor promedio de dos valores paramétricos o valor promedio del primer y segundo valor paramétrico, es decir, valor promedio (PW1, PW2),
- valor promedio de cuatro valores de paramétricos o valor promedio del primer, segundo, tercer y un cuarto valor paramétrico, es decir, valor promedio (PW1, PW2, PW3, PW4),
- valor promedio de ocho valores paramétricos, es decir, valor promedio (PW1, ..., PW8),
- valor promedio de dieciséis valores paramétricos, es decir, valor promedio (PW1, ..., PW16),
- valor promedio del gradiente del primer valor paramétrico y del gradiente del segundo valor paramétrico o valor promedio de las diferencias entre tres valores paramétricos consecutivos o valor promedio de las diferencias entre el primer valor paramétrico y el segundo valor paramétrico y entre el segundo valor paramétrico y el tercer valor paramétrico, es decir, valor promedio (|PW1-pW2|, |PW2-pW3|),
- valor promedio de los gradientes de los primeros a cuartos valores paramétricos o valor promedio de las diferencias entre cinco valores paramétricos consecutivos o valor promedio de la diferencia entre el primer valor paramétrico y el segundo valor paramétrico y la diferencia entre el segundo valor paramétrico y el tercer valor de control y la diferencia entre el tercer valor paramétrico y el cuarto valor paramétrico y la diferencia entre el cuarto valor paramétrico y el quinto valor paramétrico, es decir, valor promedio (|PW1-pW2|, |PW2-PW3|,|PW3-PW4|, |PW4-PW5|),
- valor promedio de los gradientes de los primeros a octavos valores paramétricos o valor promedio de las diferencias entre nueve valores paramétricos consecutivos o valor promedio de la diferencia entre el primer valor paramétrico y el segundo valor paramétrico y la diferencia entre el segundo valor paramétrico y el tercer valor paramétrico y la diferencia entre el tercer valor paramétrico y el cuarto valor paramétrico y la diferencia entre el cuarto valor paramétrico y el quinto valor paramétrico y la diferencia entre el quinto valor paramétrico y el sexto valor paramétrico y la diferencia entre el sexto valor paramétrico y el séptimo valor paramétrico y la diferencia entre el séptimo valor paramétrico y el octavo valor paramétrico y la diferencia entre el octavo valor paramétrico y el noveno valor paramétrico, es decir, valor promedio (|PW1-Pw 2|, |PW2-PW3|,|PW3-PW4|, ..., |PW8-PW9|), - valor promedio de la modificación del gradiente del primer valor paramétrico y de la modificación del gradiente del segundo valor paramétrico o valor promedio de la diferencia de la diferencia entre el primer valor paramétrico y el segundo valor paramétrico y de la diferencia entre el segundo valor paramétrico y el tercer valor paramétrico, y de la diferencia de la diferencia entre el segundo valor paramétrico y el tercer valor paramétrico y de la diferencia entre el tercer valor paramétrico y el cuarto valor paramétrico, es decir, valor promedio (| |PW1-PW2| -|PW2-PW3| |, | |PW2-PW3| - |PW3-PW4| |),
- valor promedio de la modificación del gradiente del primer valor paramétrico, de la modificación del gradiente del segundo valor paramétrico, de la modificación del gradiente del tercer valor paramétrico y de la modificación del
gradiente del cuarto valor paramétrico o valor promedio de la diferencia de la diferencia entre el primer valor paramétrico y el segundo valor paramétrico y de la diferencia entre el segundo valor paramétrico y el tercer valor paramétrico, de la diferencia de la diferencia entre el segundo valor paramétrico y el tercer valor paramétrico y de la diferencia entre el tercer valor paramétrico y el cuarto valor paramétrico, y de la diferencia de la diferencia entre el tercer valor paramétrico y el cuarto valor paramétrico y de la diferencia entre el cuarto valor paramétrico y el quinto valor paramétrico, y de la diferencia de la diferencia entre el cuarto valor paramétrico y el quinto valor paramétrico y de la diferencia entre el quinto valor paramétrico y el sexto valor paramétrico, es decir, valor promedio de (||PW1-PW2| - |PW2-PW3||, ||PW2-PW3| - |PW3- PW4|| ||PW3-PW4| - |PW4-PW5||, ||PW4-PW5| -|PW5-PW6||),
valor promedio de la modificación del gradiente del primer valor paramétrico, de la modificación del gradiente del segundo valor paramétrico, de la modificación del gradiente del tercer valor paramétrico, de la modificación del gradiente del cuarto valor paramétrico, de la modificación del gradiente del quinto valor paramétrico, de la modificación del gradiente del sexto valor paramétrico, de la modificación del gradiente del séptimo valor paramétrico, y de la modificación del gradiente del octavo valor paramétrico, es decir, valor promedio de (| |PW1-PW2| - |PW2-PW3| |, | |PW2-PW3| - |PW3-PW4| | | |PW3-PW4| - |PW4-PW5| |, | |PW4-PW5| - |PW5-PW6| | | |PW5-PW6| - |PW6-PW7| |, | |PW6-PW7| - |PW7-PW8| |, | |PW7-PW8| - |PW8-PW9| |, | |PW8-PW9| - |PW9-PW10| |),
valor paramétrico del tiempo inactivo 1, es decir, valor paramétrico, que precede al tiempo inactivo 1; cuando el tiempo inactivo 1 se corresponde por ejemplo con el intervalo predeterminado entre dos valores paramétricos consecutivos, por ejemplo 5 minutos, entonces: segundo valor paramétrico PW2,
gradiente del valor paramétrico del tiempo inactivo 1 o gradiente del segundo valor paramétrico |PW2-PW3, modificación del gradiente del valor paramétrico del tiempo inactivo 1 o modificación del gradiente del segundo valor paramétrico | |PW2-PW3| - |PW3-PW4| |,
valor paramétrico del tiempo inactivo 3 (tiempo inactivo 3 se corresponde con preferentemente tres intervalos, por ejemplo 15 minutos) o cuarto valor paramétrico PW4,
gradiente del valor paramétrico del tiempo inactivo 3 o gradiente del cuarto valor paramétrico |PW4-PW5|, modificación del gradiente del valor paramétrico del tiempo inactivo 3 o modificación del gradiente del cuarto valor paramétrico | |PW4-PW5| - |PW5-PW6| |,
valor paramétrico del tiempo inactivo 5 (tiempo inactivo 5 se corresponde con preferentemente cinco intervalos, por ejemplo 25 minutos) o sexto valor paramétrico PW6,
gradiente del valor paramétrico del tiempo inactivo 5 o gradiente del sexto valor paramétrico |PW6-PW71.
Los dieciséis valores de control son consecutivos preferentemente con un intervalo predeterminado, constante. En este sentido cabe observar que los dieciséis valores paramétricos se cuentan hacia atrás en el tiempo, es decir, el orden temporal es PW16, PW15, ..., PW1. En un ejemplo, en el que el intervalo entre dos valores paramétricos consecutivos asciende a cinco minutos, el vector de estado considera valores paramétricos durante 5 minutos por dieciséis, es decir 80 minutos. Un vector de estado adicional del parámetro puede determinarse según el principio de la ventana deslizante ("sliding-windoW'), es decir, los valores paramétricos dos a dieciséis se vuelven a emplear como valores paramétricos uno a quince, adicionalmente a una nueva medición para el nuevo valor paramétrico décimo sexto. Por consiguiente en cada caso, después de transcurrir un intervalo de tiempo (por ejemplo 5 minutos) puede determinarse un vector de estado de un parámetro para los datos de entrada. Dado que el vector de estado considera variables de estado, sus derivaciones y acumulaciones, así como valores paramétricos anteriores en el tiempo (valor paramétrico del tiempo inactivo x), es posible un control exacto y (casi)continuo.
Cuando el parámetro es una magnitud medida, por ejemplo presión, temperatura, caudal volumétrico, presión de retención, contenido o concentración de oxígeno o de monóxido de carbono, etc., el valor paramétrico puede denominarse valor de medición (en un momento determinado). Un valor de medición puede ser un valor de medición individual o un valor calculado a partir de varios valores de medición, por ejemplo un valor promedio a partir de varios valores de medición. Cuando el parámetro comprende una especificación para un control o un regulador, entonces el valor paramétrico puede denominarse valor predeterminado (en un momento determinado).
En el entrenamiento los datos de salida pueden comprender un vector de estado de los datos de control para cada elemento de control. El vector de estado de los datos de control para un elemento de control comprende varias variables de estado de los datos de control de un elemento de control, por ejemplo al menos uno de los siguientes valores un valor de control, un gradiente del valor de control, una modificación del gradiente del valor de control, un valor promedio de dos o más valores de control consecutivos, un valor promedio de gradientes de dos o más valores de control consecutivos, un valor promedio de modificaciones del gradiente de dos o más valores de control consecutivos, un valor de control que precede a un tiempo inactivo predeterminado, un gradiente del valor de control precedente, y una modificación del gradiente del valor de control precedente. La consideración de valores de control previos puede no realizarse con métodos de control convencionales y hace posible una instrucción o entrenamiento especialmente preciso y rápido. El vector de estado para los datos de control de un elemento de control puede comprender variables de estado correspondientes como el vector de estado de un parámetro o un subgrupo de estos. Preferentemente los vectores de estado de los datos de control para todos los elementos de control tienen la misma longitud, es decir, se componen de las mismas variables de estado. El vector de estado para los datos de control de un elemento de control puede comprender, por ejemplo, al menos tres de las siguientes variables de estado, preferentemente las 21 de las siguientes variables de estado:
- un primer valor de control SW1, es decir, en un primer momento,
- diferencia entre el primer valor de control y un segundo valor de control SW2, es decir, un valor de control después de un intervalo predeterminado en un segundo momento, |SW1-SW2| ("gradiente del primer valor de control"),
- diferencia de la diferencia entre el primer valor de control y el segundo valor de control y de la diferencia entre el segundo valor de control y un tercer valor de control, ||SW1-SW2| - |SW2-SW3|| ("modificación gradiente del primer valor de control"),
- valor promedio de dos valores de control o valor promedio del primer y segundo valor de control, es decir, valor promedio (SW1, SW2),
- valor promedio de cuatro valores de control o valor promedio del primer, segundo, tercer y un cuarto valor de control, es decir, valor promedio (SW1, SW2, SW3, sW4),
- valor promedio de ocho valores de control, es decir, valor promedio (SW1, ..., SW8),
- valor promedio de dieciséis valores de control, es decir, valor promedio (SW1, ..., SW16),
- valor promedio del gradiente del primer valor de control y del gradiente del segundo valor de control o valor promedio de las diferencias entre tres valores de control consecutivos o valor promedio de las diferencias entre el primer valor de control y el segundo valor de control y entre el segundo valor de control y el tercer valor de control, es decir, valor promedio (|SW1-SW2|, |SW2-SW3|),
- valor promedio de los gradientes de los primeros a cuartos valores de control o valor promedio de las diferencias entre cinco valores de control consecutivos o valor promedio de la diferencia entre el primer valor de control y el segundo valor de control y la diferencia entre el segundo valor de control y el tercer valor de control y la diferencia entre el tercer valor de control y el cuarto valor de control y la diferencia entre el cuarto valor de control y el quinto valor de control, es decir, valor promedio (|SW1-SW2|, |SW2-SW3|, |SW3-SW4|, |SW4-SW5|), - valor promedio de los gradientes de los primeros a octavos valores de control o valor promedio de las diferencias entre nueve valores de control consecutivos o valor promedio de la diferencia entre el primer valor de control y el segundo valor de control y la diferencia entre el segundo valor de control y el tercer valor de control y la diferencia entre el tercer valor de control y el cuarto valor de control y la diferencia entre el cuarto valor de control y el quinto valor de control y la diferencia entre el quinto valor de control y el sexto valor de control y la diferencia entre el sexto valor de control y el séptimo valor de control y la diferencia entre el séptimo valor de control y el octavo valor de control y la diferencia entre el octavo valor de control y el noveno valor de control, es decir, valor promedio (|SW1-SW2|, |SW2-SW3|,|SW3-SW4|, .., |SW8-SW9|),
- valor promedio de la modificación del gradiente del primer valor de control y de la modificación del gradiente del segundo valor de control o valor promedio de la diferencia de la diferencia entre el primer valor de control y el segundo valor de control y de la diferencia entre el segundo valor de control y el tercer valor de control, y de la diferencia de la diferencia entre el segundo valor de control y el tercer valor de control y de la diferencia entre el tercer valor de control y el cuarto valor de control, es decir, valor promedio (| |SW1-Sw 2| - |SW2-SW3| |, | |SW2-SW3| - |SW3-SW4| |),
- valor promedio de la modificación del gradiente del primer valor de control, de la modificación del gradiente del segundo valor de control, de la modificación del gradiente del tercer valor de control y de la modificación del gradiente del cuarto valor de control o valor promedio de la diferencia de la diferencia entre el primer valor de control y el segundo valor de control y de la diferencia entre el segundo valor de control y el tercer valor de control, de la diferencia de la diferencia entre el segundo valor de control y el tercer valor de control y de la diferencia entre el tercer valor de control y el cuarto valor de control, y de la diferencia de la diferencia entre el tercer valor de control y el cuarto valor de control y de la diferencia entre el cuarto valor de control y el quinto valor de control, y de la diferencia de la diferencia entre el cuarto valor de control y el quinto valor de control y de la diferencia entre el quinto valor de control y el sexto valor de control, es decir, valor promedio de (| |SW1-SW2| -
|SW2-SW3| |, | SW2-SW3| - |SW3-SW4| |, | |SW3-SW4| - |SW4-SW5| |, | | SW4-SW5| - |SW5-SW6| |),
- valor promedio de la modificación del gradiente del primer valor de control, de la modificación del gradiente del segundo valor de control, de la modificación del gradiente del tercer valor de control, de la modificación del gradiente del cuarto valor de control, de la modificación del gradiente del quinto valor de control, de la modificación del gradiente del sexto valor de control, de la modificación del gradiente del séptimo valor de control, de la modificación del gradiente del octavo valor de control, y de la modificación del gradiente del noveno valor de control, es decir, valor promedio de (| |SW1-SW2| - |SW2-SW3| |, | |SW2-SW3| - |SW3-SW4| |, | |SW3-SW4| - |SW4-SW5| |, | |SW4-SW5| - |SW5- SW6| |, | |SW5-SW6| - ISW6-SW71 |, | |SW6-SW7| - |SW7-SW8| |, | ISW7-SW81 - |SW8-SW9| |, | |SW8-SW9| - |SW9-SW10| |),
- valor de control del tiempo inactivo 1, es decir, valor de control, que precede al tiempo inactivo 1, cuando el tiempo inactivo 1 se corresponde preferentemente con el intervalo predeterminado entre dos valores de control consecutivos, por ejemplo 5 minutos, entonces segundo valor de control SW2,
- gradiente del valor de control de tiempo inactivo 1 o gradiente del segundo valor de control |SW2-SW31, - modificación del gradiente del valor de control de tiempo inactivo 1 o modificación del gradiente del segundo valor de control ||SW2-SW3| - SW3-SW411,
- valor de control del tiempo inactivo 3 (tiempo inactivo 3 se corresponde con preferentemente tres intervalos, por ejemplo 15 minutos) o cuarto valor de control SW4,
- gradiente del valor de control de tiempo inactivo 3 o gradiente del cuarto valor de control |SW4-SW5|,
- modificación del gradiente del valor de control del tiempo inactivo 3 o modificación del gradiente del cuarto valor de control ||SW4-SW5| - |SW5-SW6||,
- valor de control de tiempo inactivo 5 (tiempo inactivo 5 se corresponde con preferentemente cinco intervalos, por ejemplo 25 minutos) o sexto valor de control SW6,
- gradiente del valor de control de tiempo inactivo 5 o gradiente del sexto valor de control |SW6-SW7|.
Los dieciséis valores de control son consecutivos preferentemente con un intervalo predeterminado. En este sentido cabe observar que los dieciséis valores de control se cuentan hacia atrás en el tiempo, es decir, el orden temporal es SW16, SW15, ..., SW1. Un vector de estado adicional para los datos de control de un elemento de control puede determinarse según el principio de la ventana deslizante ("sliding-window"). Por consiguiente en cada caso, después de transcurrir un intervalo de tiempo (por ejemplo 5 minutos) puede determinarse un vector de estado para los datos de control de un elemento de control para los datos de entrada para instruir o entrenar la red.
Durante el control a través de la red neuronal entrenada los datos de salida pueden comprender un vector de estado con tres variables de estado para los datos de control para cada elemento de control. El vector de estado para los datos de control de un elemento de control comprende preferentemente las siguientes variables de estado:
- un valor de control o un primer valor de control SW1,
- gradiente del valor de control o diferencia entre el primer valor de control y un segundo valor de control que precede a este SW2, |SW1-SW2|, y
- modificación del gradiente del valor de control o diferencia de la diferencia entre el primer valor de control y el segundo valor de control que precede a este y de la diferencia entre el segundo valor de control y un tercer valor de control que precede al segundo valor de control, | |SW1-SW2| - |SW2-SW3| |.
Los datos de salida calculados pueden interpolarse, para hacer posible un control casi continuo. Aunque los datos de entrada solo pueden determinarse en un intervalo de tiempo predeterminado (de acuerdo con el intervalo de tiempo entre valores paramétricos consecutivos, por ejemplo 5 minutos), por ello la emisión de los datos de salida puede realizarse con más frecuencia, por ejemplo cada 30 segundos.
El parámetro del sistema de alimentación de residuos puede comprender una especificación de valor teórico de potencia para un control del sistema de alimentación de residuos y/o una presión de una oleohidráulica del sistema de alimentación de residuos. Por ello puede fijarse una cantidad de residuos, por ejemplo una cantidad de residuos por unidad de tiempo.
El parámetro del sistema de conductos de aire de combustión puede comprender al menos uno de los siguientes parámetros: presión de aire primario, caudal volumétrico de aire primario, caudal volumétrico de aire hacia una zona de una parrilla (zona de parrilla), presión del aire bajo una zona de parrilla, caudal volumétrico de aire hacia un rodillo de una parrilla de rodillos, presión del aire bajo un rodillo de una parrilla de rodillos, presión de retención bajo una zona de parrilla, presión de retención bajo un rodillo de una parrilla de rodillos, presión de aire secundario y caudal volumétrico de aire secundario. Las zonas de parrilla pueden ser zonas colindantes entre sí de una parrilla, en particular de una parrilla de alimentación o de una parrilla de rodillos.
El parámetro del sistema de conductos de evacuación de gas de humo puede comprender al menos un valor de medición de una concentración de oxígeno y/o un valor de medición de una concentración de monóxido de carbono. El parámetro del sistema de tuberías de vapor vivo puede comprender al menos uno de los siguientes parámetros: presión en el sistema de tuberías de vapor vivo, caudal volumétrico de vapor vivo y temperatura de vapor vivo. Los elementos de control pueden comprender al menos uno de los siguientes elementos: al menos una válvula de aire del sistema de conductos de aire de combustión, un regulador de carga del sistema de alimentación de residuos, y un regulador de oxígeno. La al menos una válvula de aire del sistema de conductos de aire de combustión puede comprender en cada caso una válvula de aire para el aporte de aire primario hacia una zona de varias zonas de la parrilla y/o hacia un rodillo de varios rodillos de una parrilla de rodillos. En el caso de una parrilla de rodillos con cinco rodillos los datos de salida por ejemplo pueden comprender datos de control para las válvulas de aire para el aporte de aire primario al cuarto rodillo y para la válvula de aire para el aporte de aire primario al quinto rodillo, o datos de control para válvulas de aire para el aporte de aire primario a todos los rodillos. La al menos una válvula de aire del sistema de conductos de aire de combustión puede comprender al menos una válvula de aire primario, es decir, una válvula, en particular una válvula de turbulencia, para controlar un aporte de aire primario total al sistema de conductos de aire de combustión. La al menos una válvula de aire del sistema de conductos de aire de combustión puede comprender al menos una válvula de aire secundario, es decir, una válvula para controlar un aporte de aire secundario. Por ejemplo una primera válvula de aire secundario puede estar dispuesta en un primer lado o lado delantero de la cámara de combustión y una segunda válvula de aire secundario puede estar dispuesta en un segundo lado o lado trasero o posterior de la cámara de combustión. El lado "delantero" o "trasero" de la cámara de combustión ha de verse en este sentido en la dirección de movimiento de parrilla. En este sentido, el aire procedente de la nave de caldera se denomina aire primario y/o aire secundario. Preferentemente los datos de salida comprenden al menos datos de control para al menos una válvula de aire para el aporte de aire primario hacia una zona de parrilla y/o hacia un rodillo de una parrilla de rodillos, así como datos de control para al menos una válvula de aire secundario.
Los datos de salida pueden comprender además datos de control para un regulador de carga del sistema de alimentación de residuos, por ejemplo un desplazamiento en curva o desplazamiento de un punto de trabajo del sistema de alimentación de residuos, y/o una especificación de potencia para el regulador de carga o para el sistema de alimentación de residuos, es decir, una cantidad de residuos por unidad de tiempo (en tonelada/hora, t/h). Los datos de salida pueden comprender además datos de control para un regulador de oxígeno para regular una concentración de oxígeno en la cámara de combustión. Este regulador de oxígeno, también llamado regulador de oxígeno secundario, puede estar preparado para controlar las válvulas de aire secundario y primario.
Para la instrucción puede emplearse un procesador de vector, por ejemplo GK110 o Turing 102. Preferentemente durante la instrucción los núcleos se llaman en sucesión secuencial. En este sentido pueden iniciarse simultáneamente por ejemplo hasta 1024 bloques con hasta 1024 hilos. La red neuronal es preferentemente una red de tres capas con una capa de neuronas de entrada, una capa de neuronas ocultas y una capa de neuronas de salida. El número de las neuronas de entrada puede corresponderse con el producto del número de los parámetros y de la dimensión de los vectores de estado de los parámetros, por ejemplo 504. Asimismo el número de las neuronas de salida puede corresponderse con el producto del número de los elementos de control y un vector de estado de los datos de salida, 252. El número de las neuronas ocultas asciende preferentemente a 1024. Preferentemente se emplea un algoritmo de retropropagación, en particular con multiplicación matriz-vector paralela, y/o un algoritmo de aprendizaje profundo ("deep-learning") para instruir o entrenar la red neuronal. Preferentemente se emplea multiplicación matriz-vector en serie para controlar a través de la red neuronal entrenada. La red neuronal instruida puede estar integrada en una unidad de control de la caldera y/o en una unidad computacional o un controlador.
La caldera que va a controlarse de la planta incineradora de residuos, que también puede denominarse instalación de tratamiento térmico de materiales, presenta por consiguiente un sistema de alimentación de residuos, una cámara de combustión, un descorificador y una parrilla (dispuesta preferentemente entre sistema de alimentación de residuos y descorificador en la cámara de combustión). La parrilla puede ser una parrilla de alimentación, de movimiento alternativo, vibratoria, escalonada, móvil o de rodillos. La caldera puede comprender además una nave de caldera, en la que al menos está dispuesta la cámara de combustión con la rejilla. Preferentemente la caldera comprende además una unidad de control, por ejemplo un sistema de control de procesos o "distributed control system, DCS", para controlar la caldera, en particular para controlar los elementos de control. Por ejemplo los residuos del sistema de alimentación de residuos se cargan sobre la parrilla en la cámara de combustión y se mueven a través de la parrilla en la dirección del descorificador y mientras tanto se queman. El aire de combustión, es decir, aire primario y secundario, se conduce a través del sistema de conductos de aire de combustión de la caldera hacia la cámara de combustión. Se aporta aire primario en este sentido preferentemente desde abajo a la cámara de combustión o a la parrilla, mientras que se aporta aire secundario a la cámara de combustión o a la parrilla preferentemente desde arriba. El gas de humo formado en la combustión de los residuos en la cámara de combustión se conduce a través del sistema de conductos de evacuación de gas de humo de la caldera a una planta de depuración de gas de humo (estándar en Europa Oriental) o hacia una chimenea. Además, la caldera comprende los elementos de control, así como un tambor de caldera y un sistema de tuberías de vapor vivo, para generar vapor vivo para la obtención de energía. Además la caldera puede comprender sensores correspondientes, para medir valores paramétricos o de medición de uno o de varios de los parámetros, por ejemplo sensores de presión, sensores de temperatura, caudalímetros, etc.
En la red neuronal puede llevarse a cabo una multiplicación paralela matriz-vector con el siguiente código:
//CUDA - Code - Kernel -1-1 hidden layer 1024,1024
__global__void dot_l_l) {
xxx
if (threadldx.x < neuronas de entrada{
cache[threadldx.x] = A[ blockldx.x * 1025 threadldx.x] * b[p * 1024 threadldx.x ];
}
__syncthreadsO;
if(threadldx.x < 512) {
cache[threadldx.x] = cache[threadldx.x 512]; //512, 256, ...2, 1: mit ¡DESGLOSE!
__syncthreads();
il'(threadldx.x < 256)
cache[threadldx.x] = cache[threadldx.x 256];
__syncthreadsO;
if(threadldx.x <128)
cache[threadldx.x] = cache[threadldx.x 128],
__syncthreadsO;
if(threadldx.x < 64)
cache[threadldx.x] = cache[threadldx.x 64];
__syncthreadsO;
if( threadldx.x < 32)
cache[threadldx.x] = cache [threadldx.x 32];
__syncthreadsQ;
if(threadldx.x < 16)
cache [threadldx. x] = cache [threadldx.x 16];
__syncthreads();
if(threadldx.x < 8)
cache[threadldx.x] = cache [threadldx.x 8];
_syncthreads();
if(threadldx.x < 4)
cache[threadldx.x] = cache [threadldx.x 4];
_syncthreads();
if(threadldx.x < 2)
cache[threadldx,x] = cache[threadldx.x 2];
__syncthreadsQ;
xxx
Preferentemente el orden de las llamadas al núcleo puede realizarse de la siguiente manera:
/* ............................. CUDA - Code - MAIN - 2 */
El código de programa para poner en práctica el procedimiento puede estar diseñado de la siguiente manera: El programa principal CUDA con llamadas al núcleo:
- batchnet_short_MVA_CUDA-I-624-O-234. cu (CUDA-C - programa con núcleos)
Núcleos:
CUDA - código- núcleo -1 (multiplicación de altamente paralela de matriz-vector) _global_void dot_1_1( float *A, float *b, int p, float *c, int líneas, int columnas)
- CUDA - código- núcleo -2 (cálculo de la diferencia de modelo con modelo predeterminado) _global_ void delta_output( float *target, float *out2, int p, float *delta2)
- CUDA - código- núcleo -3 a núcleo -6 _global_ void delta_hidden(float *w2, float *delta2, int p, float *out1, float *delta1) _global_void_adapt_weights_hidden_output(float *delta2, int nPatterns, float eta, float alpha, float *out1, float *delw2, float *w2) _global_void adapt_weights_input_hidden(float *deltal, int nPatterns, float eta, float alpha, float *out0, float *delw1, float *w1) _global_ void Sum_Squared_Error(float ErrorLevel, float *target, float *out2, float *error_sum)
Breve descripción de los dibujos
A continuación, mediante las figuras se explican con más detalle la invención o formas de realización adicionales y ventajas de la invención, en donde las figuras describen únicamente ejemplos de realización de la invención. Los mismos componentes en las figuras se proveen de las mismas referencias. Las figuras no han de considerarse como reproducidas a escala, los elementos individuales de las figuras pueden representarse exageradamente grandes o exageradamente simplificados.
Fig. 1 muestra un esbozo simplificado de una parrilla de una caldera de una planta incineradora de residuos; Fig. 2a muestra un primer ejemplo de realización de un esquema de aire-gas de humo de una caldera de una planta incineradora de residuos;
Fig. 2b muestra un segundo ejemplo de realización de un esquema de aire-gas de humo de una caldera de una planta incineradora de residuos;
Fig. 3 muestra una parte de un esquema de vapor vivo de una caldera de una planta incineradora de residuos; Fig. 4 muestra una estructura a modo de ejemplo de una red neuronal de tres capas;
Fig. 5 muestra un ejemplo de realización de un diagrama de flujo de procedimiento para un procedimiento de acuerdo con la invención para controlar una caldera de una planta incineradora de residuos; y
Fig. 6 muestra un ejemplo de realización de un diagrama de flujo de procedimiento para un procedimiento de acuerdo con la invención para el entrenamiento de una red neuronal.
Descripción detallada de los dibujos
Para el control y regulación de sistemas físicos, como por ejemplo una planta compleja, se tomar como base un modelo de sistema basado en ecuaciones diferenciales matemáticas para reproducir regularidades físicas. Con un modelo de sistema así pueden diseñarse estructuras de control y de regulación con reguladores de estado.
De acuerdo con la invención se entrena una red neuronal, para instruir este modelo de sistema para el control y regulación de sistemas físicos. De acuerdo con la invención además la red neuronal entrenada se emplea para el control de una planta. Se describe a continuación tanto el entrenamiento (=instrucción) de una red neuronal para un control de planta como el control de la planta mediante la red neuronal instruida.
Esta red neuronal aprende a través de la ejecución de operaciones sencillas, como multiplicación escalar con función de activación subsiguiente. Estas operaciones sencillas pueden ejecutarse en buena medida en paralelo. Para ello se emplean preferentemente ordenadores paralelos (computación paralela). Un ordenador paralelo es un ordenador o un sistema computacional, en el que pueden llevarse a cabo al mismo tiempo entre otros en varios procesadores principales y/o secundarios. Únicamente, como ilustración de la dimensión de una potencia de proceso - como un ejemplo no restrictivo- cabe mencionado el procesador gráfico (vectorial) GK110 de la empresa NVIDIA, que puede ejecutar simultáneamente hasta 30720 operaciones de cálculo (=hilos).
Un entrenamiento de la red neuronal y también un control de una planta mediante una red neuronal entrenada puede mejorarse mediante una arquitectura de ordenador especial, por ejemplo la arquitectura unificada de dispositivos de cómputo "Compute Unified Device Architecture", abreviado CUDA. A este respecto pueden ejecutarse simultáneamente partes de un programa mediante desarrollos de programa paralelos en alto grado. Por consiguiente, mediante el empleo de esta arquitectura de ordenador especial, puede utilizarse una potencia de proceso de un sistema informático con gran eficiencia para la instrucción de la red neuronal de una planta compleja, por lo que el programa en comparación con un ordenador convencional o sistema de ordenadores se ejecuta de manera significativamente más rápida. Se emplea preferentemente un procesador (o varios) vectorial (o gráfico). Mediante esta arquitectura, en primer lugar, la red neuronal puede entrenarse con un tiempo necesario justificable, y en segundo lugar puede utilizarse la red instruida para el control de sistemas físicos complejos, control de una caldera de una MVA.
Como alternativa el entrenamiento de la red neuronal y el control de un sistema físico complejo mediante una red neuronal entrenada también puede realizarse mediante otras arquitecturas u otras técnicas de programación, por ejemplo el sistema basado en el lenguaje de programación Python.
Una propagación hacia atrás de errores, también llamada retropropagación o " backpropagation of error', se emplea como procedimiento a modo de ejemplo para entrenar la red neuronal. Para el entrenamiento se toma como base un modelo de datos. Este modelo de datos comprende datos de entrada. Estos pueden ser datos medidos realmente de
la planta que va a controlarse, que se facilitan para el entrenamiento.
Los datos de entrada pueden comprender un vector de estado para un parámetro. El vector de estado comprende varias variables de estado del parámetro, por ejemplo al menos una de un valor paramétrico, un gradiente del valor paramétrico, una modificación del gradiente del valor paramétrico, un valor promedio de dos o más valores paramétricos consecutivos, un valor promedio de gradientes de dos o más valores paramétricos consecutivos, un valor promedio de modificaciones del gradiente de dos o más valores paramétricos consecutivos, un valor paramétrico que precede a un tiempo inactivo predeterminado, un gradiente del valor paramétrico precedente, y una modificación del gradiente del valor paramétrico precedente. La consideración de valores paramétricos previos puede no realizarse con métodos de control convencionales y hace posible un control especialmente preciso y rápido de la planta. Preferentemente los vectores de estado de todos los parámetro tienen la misma longitud, es decir, se componen preferentemente de las mismas variables de estado.
La red neuronal calcula datos de salida y los emite. Estos datos de salida son, por ejemplo, datos de control para elementos de control de la planta.
Durante el control a través de la red neuronal entrenada los datos de salida pueden comprender un vector de estado con tres variables de estado para los datos de control para cada elemento de control, concretamente un valor de control, una diferencia entre el valor de control y un segundo valor de control precedente; y una diferencia entre la diferencia entre el valor de control y el segundo valor de control que precede a este y la diferencia entre el segundo valor de control y un tercer valor de control que precede al segundo valor de control.
Los datos de salida calculados pueden interpolarse, para hacer posible un control casi continuo. Aunque los datos de entrada solo pueden determinarse en un intervalo de tiempo predeterminado, por ejemplo 5 minutos, la emisión de los datos de salida puede realizarse con más frecuencia, por ejemplo cada 30 segundos. Sin embargo, estos intervalos indicados son típicos para el control de caldera de una MBA. La determinación de los datos de entrada puede realizarse como alternativa también en intervalos de tiempo mucho mayores, por ejemplo cada 10 minutos o más minutos. La determinación de los datos de entrada puede realizarse como alternativa también en intervalos de tiempo mucho más cortos, por ejemplo cada minuto o cada 30 segundos o en intervalos de tiempo aún más cortos (en este caso cabe observar procesos de transición transitorios). La emisión de los datos de salida puede realizarse como alternativa en intervalos de tiempo mayores que la determinación de los datos de entrada, por ejemplo cada 5 minutos, cada 10 minutos o en intervalos de tiempo más largos. La emisión de los datos de salida puede realizarse como alternativa en intervalos más cortos, por ejemplo cada 10 segundos o en intervalos de tiempo aún más cortos (en este caso cabe observar procesos de transición transitorios).
A continuación se explica el entrenamiento de una red neuronal para un control de planta y también el control de la planta mediante la red neuronal instruida a modo de ejemplo en el control de un proceso de combustión en una caldera de una planta incineradora de residuos, brevemente MVA. En este sentido para el control de la MVA mediante una red neuronal entrenada se calculan y se emite datos de salida en función de parámetros, para controlar un proceso de combustión en una caldera de una MVA.
En la gestión del funcionamiento de una hay distintas zonas, que hasta el momento en circunstancias determinadas se controlan mediante personal operativo humano. Un ejemplo para una zona así es la parrilla 4 mostrada en la Fig.
1 (parrilla de combustión) de una MVA.
La parrilla 4 indicada en la Fig. 1 comprende una parrilla de rodillos. En esta parrilla de rodillos la superficie de parrilla consta de cinco rodillos w1, ..., w5 (tambores de rodillos) dispuestos unos detrás de otro, en rotación, que están equipados preferentemente al menos parcialmente con topes de arrastre, para arrastrar residuos 1a mediante la rotación de los rodillos. Pueden utilizarse también parrillas de rodillos con menos de cinco rodillos, por ejemplo 3 o 4 rodillos. Pueden utilizarse también parrillas de rodillos con más de cinco rodillos, por ejemplo de 6 a 10 rodillos. Con una parrilla de rodillos se logra una circulación y atizado especialmente intensos. Una in parrilla de rodillos se utiliza sobre todo en las MVA para residuos 1a muy problemáticos, no tratados, no homogéneos, que con gran tendencia a la adhesión o escorificación.
La invención no está limitada a un tipo de parrilla especial. La parrilla puede comprender como alternativa también una parrilla vibratoria, en particular una parrilla de alimentación o una parrilla de movimiento alternativo, una parrilla móvil, una parrilla horizontal o una parrilla de alimentación inferior. El aire primario 11 aportado por debajo de la parrilla 4 y el aire secundario 22 aportado por encima de la parrilla 4 pueden influir de manera esencial en la combustión y la formación de productos de reacción. Con el aire primario 11 se inicia una combustión incompleta sobre la parrilla 4. La cantidad de aire debería dosificarse de tal modo que se alcance una combustión completa con una escasa formación de óxido de nitrógeno. La postcombustión de los radicales, como monóxido de carbono o hidrocarburo puede tener lugar en la zona de postcombustión mediante aporte del aire secundario 22.
En las Fig. 2a y Fig. 2b se muestra en cada caso un esquema de control de aire-gas de humo para una caldera en una MVA. La función de la caldera se explica brevemente a continuación.
La caldera tiene un sistema de alimentación de residuos 1. En este caso los residuos se introducen en la caldera de la MVA. Los residuos pueden tratarse previamente, para hacer posible una continuidad mejorada del poder calorífico de los residuos. Los residuos llegan a través del sistema de alimentación de residuos 1 a una cámara de combustión 2 de la caldera.
En las Fig. 2a y Fig. 2b se representa en cada caso un hogar de parrilla. Este hogar de parrilla sigue por ejemplo el principio explicado en la Fig. 1, pero no está restringido a este. En particular pueden preverse también parrillas de alimentación como hogar de parrilla en la caldera de la MVA. Mediante el empleo de un hogar de parrilla en un MVA una preparación de los residuos puede ser menos costosa o incluso puede omitirse completamente. Para la carga de la parrilla 4 pueden utilizarse cintas transportadoras o correderas de alimentación de residuos, cuyos sistemas de oleohidráulica pueden ser una parte de los datos de entrada para la red neuronal. A través del sistema de alimentación de residuos 1, los residuos se transportan dosificados sobre la parrilla 4 hacia la cámara de combustión 2. La parrilla 4 transporta los residuos alimentados durante las fases de combustión.
En la cámara de combustión 2 se queman los residuos. Las cenizas de la combustión caen en el extremo de la parrilla 4 hacia un descorificador 3. Desde el descorificador 3 estas cenizas de combustión pueden retirarse a través de empujadores o rascadores de cadena (no representados).
El gas de humo 33 formado mediante la combustión se aspira desde la cámara de combustión 2 por ejemplo mediante un ventilador de tiro por aspiración 6 y se evacua a través de una chimenea K a la atmósfera y/o se aporta a una planta de depuración de gas de humo rR. Adicionalmente entre la cámara de combustión 2 y el ventilador de tiro por aspiración 6 puede estar dispuesto un filtro 5, preferentemente un electrofiltro o filtro electrónico.
En la estructura esquemática de la caldera de la Fig. 2a y Fig. 2b no está representado un generador de vapor opcional, en el que mediante el gas de humo 33 (caliente) se genera vapor vivo desde la cámara de combustión 2. Este vapor vivo puede accionar un generador a través de una turbina para generar corriente eléctrica. Este vapor vivo puede utilizarse como alternativa o adicionalmente como calefacción urbana para el calentamiento de hogares o como calor de proceso para procesos de producción industriales.
Para el control de una caldera, por ejemplo con un esquema de aire-humo de gas mostrado en las Fig. 2a o Fig. 2b y con un esquema de vapor vivo mostrado en parte en la Fig. 3, puede emplearse una red neuronal entrenada. En este caso están previstos un sistema de conductos de aire de combustión HLA, un sistema de conductos de evacuación de gas de humo HNA y un sistema de tuberías de vapor vivo (Fig. 3)como esquema de control común. Los esquemas de aire-gas de humo mostrados en las Fig. 2a y Fig. 2b se diferencian únicamente con respecto al canal de sistema para el aporte de aire secundario 22, de modo que todos los demás elementos mostrados en las Fig. 2a o Fig. 2b son idénticos. Las explicaciones siguientes de acuerdo con la Fig. 2a son válidas también para estos elementos idénticos de la Fig. 2b y se remite únicamente en los lugares correspondientes de la descripción a las diferencias entre la Fig.2a y Fig. 2b. Los elementos mostrados en la Fig. 2a, Fig. 2b y en la Fig. 3 están clasificados mediante un sistema de identificación de centrales eléctricas, KKS. Estas características KKS están reglamentadas en las directrices VGB VGB-B 105 y VGB-B 106, de acuerdo con la versión vigente en el momento de la solicitud VGB-S-811-01-2018-01-DE.
A continuación se explican brevemente los parámetros empleados para el control de la caldera por la red neuronal de acuerdo con la Fig. 2a y la Fig. 3. Estos parámetros son la base para los datos de entrada para la red neuronal. Por el sistema de conductos de aire de combustión HLA pueden registrarse por ejemplo parámetros del aire primario 11. El aire primario es preferentemente aire procedente de la nave de caldera. A este respecto pueden registrarse todo el caudal volumétrico de aire primario (elemento KKS HLA10CF001) y la presión de aire primario (elemento KKS HLA20CP001) en el sistema de conductos de la admisión de aire primario. Además para cada uno de los, por ejemplo, cinco rodillos w1, w2, w3, w4, w5 puede registrarse la presión de retención (elementos KKS HLA31CP001, HLA32CP001, HLA33CP001, HLA34CP001, HLA35CP001) en el sistema de conductos de la admisión de aire primario bajo el rodillo w1, w2, w3, w4, w5 respectivo. Además, puede registrarse la presión del aire (elemento KKS HLA31FP901) en el sistema de conductos de la admisión de aire primario en la zona debajo del primer rodillo w1. Por el sistema de conductos de aire de combustión HLA pueden registrarse por ejemplo parámetros del aire secundario 22. El aire secundario 22 es preferentemente aire procedente de la nave de caldera Kh. El aporte de aire secundario representado en la Fig. 2a se forma a través de un sistema de conductos con dos ramales de conducto. El aire secundario 22 se introduce en zonas enfrentadas de la cámara de combustión 2, por ejemplo de la pared delantera y de la pared trasera de la cámara de combustión 2. En la Fig. 2a todo el caudal volumétrico de aire secundario (elemento KKS HLA50CF001) y/o la presión de aire secundario (elemento KKS HLA50CP001) pueden registrarse antes de la división de los ramales de conducto, así como el caudal volumétrico de aire secundario (elemento KKS HLA71CF001) en el primer ramal de conducto (por ejemplo para el aporte de aire secundario hacia la pared delantera de la cámara de combustión 2) y/o el caudal volumétrico de aire secundario (elemento KKS HLA61CF001) en el segundo ramal de conducto (por ejemplo para el aporte de aire secundario hacia la pared trasera de la cámara de combustión 1).
Además, la temperatura de cámara de combustión (elemento KKS HBK10FT901) puede registrarse como parámetro.
En el sistema de conductos de evacuación de gas de humo HNA puede registrarse por ejemplo la concentración de oxígeno (elemento KKS HNA10CQ001) en el gas de humo 33 en el primer canal de tiro del sistema de conductos de evacuación de gas de humo HNA como parámetro.
Se denomina canal de tiro en este sentido a una sección del trayecto de gas de humo en el sistema de conductos de evacuación de gas de humo HNA, por la que circula el gas de humo 33 sin modificación de dirección esencial. En el sistema de conductos de evacuación de gas de humo HNA puede registrarse como parámetro además la concentración de oxígeno (elemento KKS HNA20CQ001) y/o la concentración de monóxido de carbono (elemento KKS HNA20CQ003) en el gas de humo 33 en el extremo de la caldera. El registro se realiza preferentemente después del filtro 5 y antes del ventilador de tiro por aspiración 6.
En el sistema de conductos de evacuación de gas de humo HNA como parámetro puede registrarse además la concentración de monóxido de carbono (elemento KKS HNA70CQ005) en el gas de humo 33 antes de o en la chimenea K o antes de la planta de depuración de gas de humo RR.
En el sistema de vapor vivo LBA (Fig. 3) puede registrarse por ejemplo la presión (elemento KKS LBA10CP001) en el sistema de tuberías de vapor vivo y/o el caudal volumétrico de vapor vivo (elemento KKS LBA10FF901) y/o la temperatura de vapor vivo (elemento KKS LBA10FT901).
En el sistema de vaporizador HAD (Fig. 3), la presión de tambor de caldera (elemento KKS HAD10CP001) del generador de vapor puede registrarse como parámetro.
Además puede registrarse una especificación de valor teórico de potencia (elemento KKS HHC00AS001) o una primera presión (HHC21CP001) o una segunda presión (HHC22CP001) de una oleohidráulica del sistema de alimentación de residuos 1 como parámetro (no representado).
En la Fig. 2b a diferencia de la Fig. 2a se representa una variante para el aporte de aire secundario. Los demás elementos Fig. 2b se corresponden con los elementos respectivos de la Fig. 2a y se remite a la descripción correspondiente. En la Fig. 2b el aporte de aire secundario 22 se realiza a través de dos sistemas de conductos independientes. Además uno de los canales de uno de los sistemas de conductos se divide en dos ramales. El aire secundario 22 se introduce en zonas enfrentadas de la cámara de combustión 2, por ejemplo en la pared delantera y la pared trasera de la cámara de combustión 2. (Todo) el caudal volumétrico de aire secundario (elemento KKS HLA50CF001), la presión de aire secundario (elemento KKS HLA50CP001) antes de la división del primer sistema de conductos en dos ramales de conducto, el caudal volumétrico de aire secundario (elemento KKS HLA71CF001) en la pared delantera y/o el caudal volumétrico de aire secundario (elemento KKS HLA61CF001) en la pared trasera en el segundo sistema de conductos pueden registrarse como parámetros del aire secundario 22.
La tabla 1 enumera posibles parámetros de entrada posibles para el control de una caldera de acuerdo con la Fig.
2a, Fig. 2b y Fig.3 a través de la red neuronal entrenada o para el entrenamiento de una red neuronal:
T l 1 - P r m r nr n i l r l r n r n l
continuación
A continuación se controlan los elementos de control, que se controlan para el control de la caldera mediante los datos de salida generados por la red neuronal de acuerdo con las Fig. 2a, Fig.2b y la Fig. 3.
El elemento de control puede ser, por ejemplo, al menos una válvula de aire del sistema de conductos de aire de combustión HLA. La al menos una válvula de aire del sistema de conductos de aire de combustión HLA puede ser una válvula de aire (elemento KKS HLB10AS001), en particular, una válvula de turbulencia para controlar de un aporte de aire primario total al sistema de conductos de aire de combustión HLA y/o una válvula de aire en cada caso (elementos KKS HLA31AA001, HLA32AA001, HLA33AA001, HLA34AA001, HLA35AA001) hacia un rodillo w1, w2, w3, w4, w5 de la parrilla de rodillos. En el caso de una parrilla de rodillos con los cinco rodillos w1, w2, w3, w4, w5 los datos de salida de la red neuronal pueden comprender, por ejemplo, datos de control para las válvulas de aire (elementos KKS HLA34AA001 HLA35AA001) para el aporte de aire primario 11 al cuarto rodillo w4 y al quinto rodillo w5, o ser datos de control para todas las válvulas de aire (elementos KKS HLA31AA001, h La 32AA001, HLA33AA001, HLA34AA001 HLA35AA001) para el aporte de aire primario a todos los rodillos w1, w2, w3, w4, w5. La al menos una válvula de aire del sistema de conductos de aire de combustión HLA puede comprender al menos una válvula de aire secundario (elemento KKS HLA61DF001, HLA71DF001), por ejemplo, una válvula para controlar un aporte de aire secundario, de acuerdo con la Fig. 2a. Por ejemplo una primera válvula de aire secundario (elemento KKS HLA71DF001) puede estar dispuesta en un primer lado o lado delantero de la cámara de combustión 1, y una segunda válvula de aire secundario (elemento KKS HLA61DF001) puede estar dispuesta en un segundo lado o lado trasero o posterior de la cámara de combustión 2. Lado "Delantero" o "trasero" de la cámara de combustión 2 ha de verse en la dirección de movimiento de parrilla. En este sentido puede denominarse aire primario al aire procedente de nave de caldera KH y aire secundario 22 al aire procedente de la nave de caldera KH. Como alternativa la al menos una válvula de aire del sistema de conductos de aire de combustión HLA puede comprender una válvula de aire secundario (elementos KKS HLA61DF001, HLA62DF001, HLA71DF001), es decir, una válvula para controlar un aporte de aire secundario, por ejemplo de acuerdo con la Fig. 2b. Por ejemplo una primera válvula de aire secundario (elemento KKS HLA71DF001) puede estar dispuesta en un primer lado o lado delantero de la cámara de combustión 2 y dos segundas válvulas de aire secundario (elemento KKS HLA61DF001, HLA62DF001) pueden estar dispuestas en un segundo lado o lado trasero o posterior de la cámara de combustión 2. Los datos de salida pueden comprender además datos de control para un regulador de oxígeno para regular una concentración de oxígeno en la cámara de combustión 2. Este regulador de oxígeno, también llamado regulador de oxígeno secundario, puede estar preparado para controlar las válvulas de aire secundario y primario (elementos KKS HLB10AS001, HLA31AA001, HLA32AA001, HLA33AA001, HLA34AA001, HLA35AA001, HLA61DF001, HLA62 DF001, HLA71DF001).
Los elementos de control pueden comprender un regulador de carga (elemento KKS LBA10DF001) del sistema de
alimentación de residuos 1 (no representado). Los datos de salida facilitados por la red neuronal pueden comprender por tanto datos de control para el regulador de carga (elemento KKS HHC00DU001) del sistema de alimentación de residuos 1, para provocar por ejemplo un desplazamiento en curva o desplazamiento de un punto de trabajo del sistema de alimentación de residuos 1, es decir cargar la parrilla 4 con más o menos residuos. Los datos de salida facilitados por la red neuronal pueden comprender también una especificación de potencia para el regulador de carga (elemento KKS LBA10DF00) o para el sistema de alimentación de residuos 1, es decir, una cantidad de residuos por unidad de tiempo (en tonelada/hora, t/h).
Los elementos de control pueden comprender también al menos un regulador de carga (elemento KKS LBA10DF001) del sistema de vaporizador (no mostrado) o un regulador de oxígeno (elemento KKS HNA10DQ901) del sistema de evacuación de gas de humo HNA (no representado).
La tabla 2 enumera posibles elementos de control para controlar la caldera de acuerdo con las Fig. 2a y Fig. 3 con una red neuronal entrenada:
T l 2 - El m n nr l n i l mini r n li l r n r n l
Para controlar la red neuronal los datos de entrada pueden comprender un vector de estado para cada uno de los parámetros mostrados en la tabla 1. El vector de estado comprende varias variables de estado del parámetro, por ejemplo al menos una de un valor paramétrico, un gradiente del valor paramétrico, una modificación del gradiente del valor paramétrico, un valor promedio de dos o más valores paramétricos consecutivos, un valor promedio de gradientes de dos o más valores paramétricos consecutivos, un valor promedio de modificaciones del gradiente de dos o más valores paramétricos consecutivos, un valor paramétrico que precede a un tiempo inactivo predeterminado, un gradiente del valor paramétrico precedente, y una modificación del gradiente del valor paramétrico precedente. La consideración de valores paramétricos previos puede no realizarse con métodos de control convencionales y hace posible un control especialmente preciso y rápido. El vector de estado de un parámetro puede contener por ejemplo 21 variables de estado de acuerdo con la tabla 3:
l - v r r nr l r n r n l
continuación
Los dieciséis valores paramétricos PW son consecutivos con un intervalo predeterminado. En este sentido cabe observar que los dieciséis valores paramétricos se cuentan hacia atrás en el tiempo, es decir, el orden temporal es PW16, PW15, ..., PW1. En un ejemplo, en el que el intervalo entre dos valores paramétricos consecutivos asciende a cinco minutos, el vector de estado considera valores paramétricos durante 5 minutos por dieciséis, es decir 80 minutos. Este tiempo también se considera como tiempo de arranque de la planta, dado que solo a partir de este momento (80 minutos) están presentes todos los elementos del vector de estado de la tabla 3.
Un vector de estado adicional del parámetro puede determinarse según el principio de la ventana deslizante ("slidingwindow"), es decir, los valores paramétricos dos a dieciséis se vuelven a emplear como valores paramétricos uno a quince, adicionalmente a una nueva medición para el nuevo valor paramétrico décimo sexto. Por consiguiente en cada caso, después de transcurrir un intervalo de tiempo (por ejemplo 5 minutos) puede determinarse un vector de estado de un parámetro para los datos de entrada.
Cuando es uno de los parámetros de la tabla 1 (por ejemplo una magnitud medida es, por ejemplo presión, temperatura, caudal volumétrico, presión de retención, contenido o concentración de oxígeno o monóxido de carbono, etc.), entonces un valor paramétrico PW es un valor de medición en un momento determinado. Cuando el parámetro comprende una especificación para un control o un regulador, entonces el valor paramétrico es un valor predeterminado en un momento determinado.
En la Fig. 4 se representa una topología de una red neuronal instruida o entrenada. La red neuronal instruida puede integrarse como módulo de software en una arquitectura de hardware descrita anteriormente (por ejemplo, empleando un procesador de vector de ejecución paralela GK110 en un entorno CUDA) de una central de control, sistema de control distribuido, DCS, de la planta que va a controlarse. Como alternativa la red neuronal puede estar incluida en un ordenador externo o controlador. La red neuronal de la Fig. 4 es una red de tres capas con una capa de neuronas de entrada IN, una capa de neuronas ocultas HN y una capa de neuronas de salida ON. En la red neuronal instruida se indican datos de entrada. Estos datos de entrada pueden corresponderse con una parte o con los 24 parámetros de la tabla 1 y comprenden para cada parámetro un vector de estado con longitud 21 de acuerdo con tabla 3, de modo que se emiten hasta 24 x 21 elementos a las neuronas de entrada IN de la red neuronal. El número de las neuronas de entrada IN puede corresponderse con el producto del número de los parámetros (en este caso como máximo 24 de acuerdo con tabla 1) y con la longitud o dimensión de los vectores de estado (en este caso como máximo 21 dimensiones de acuerdo con tabla 3) de los parámetros, es decir, 504. Asimismo, el número de las
neuronas de salida puede corresponderse con el producto del número de los elementos de control (en este caso como máximo 12 de acuerdo con tabla 2) y con la longitud de los vectores de estado de los datos de salida (en este caso como máximo 21 dimensiones de acuerdo con tabla 3), por ejemplo 252. El número de las neuronas ocultas HN asciende preferentemente a 1024.
Durante el entrenamiento los núcleos se llaman en sucesión secuencial. En este sentido pueden iniciarse simultáneamente por ejemplo hasta 1024 bloques con hasta 1024 hilos. La sucesión de las llamadas está adaptada para hacer posible un desarrollo de programa eficiente. Preferentemente, mediante la arquitectura de red se emplea una multiplicación paralela de matriz-vector para instruir o entrenar la red neuronal.
En la Fig. 5 se muestra un ejemplo de realización de un diagrama de flujo de procedimiento para un procedimiento de acuerdo con la invención 100 para controlar una caldera de una planta incineradora de residuos, MVA. El procedimiento 100 comprende en la etapa 101 la introducción de datos de entrada en la red neuronal entrenada, en donde los datos de entrada se basan en parámetros, que comprenden al menos una presión de tambor de caldera, una temperatura de cámara de combustión, un parámetro de un sistema de alimentación de residuos 1, un parámetro de un sistema de conductos de aire de combustión HLA, un parámetro de un sistema de conductos de evacuación de gas de humo HNA y un parámetro de un sistema de tuberías de vapor vivo LBA, véase para ello tabla 1. El procedimiento 100 comprende además en la etapa 102 el cálculo y emisión de datos de salida a través de la red neuronal entrenada, en donde los datos de salida comprenden al menos datos de control para al menos un elemento de control, que contiene al menos una válvula de aire del sistema de conductos de aire de combustión HLA, véase para ello tabla 2.
En la Fig. 6 se muestra un ejemplo de realización de un diagrama de flujo de procedimiento para un procedimiento de acuerdo con la invención 200 para el entrenamiento de una red neuronal. En una MVA, para el entrenamiento se recogen datos de entrenamiento, que se asocian a datos de entrada (tabla 1 con 3) así como a datos de salida (tabla 2 con 3). Dado que en esta aplicación se trata de un control, los datos de entrada comprenden esencialmente mediciones procedentes de la planta de las Fig. 2a, Fig. 2b y Fig. 3 y los datos de salida comprenden instrucciones de mando a la planta (tabla 2). El procedimiento 200 para el entrenamiento de una red neuronal comprende las siguientes etapas: En la etapa 201, introducir datos de entrada en la red neuronal, en donde los datos de entrada se basan en parámetros, que comprenden al menos una presión de tambor de caldera, una temperatura de cámara de combustión, un parámetro de un sistema de alimentación de residuos 1, un parámetro de un sistema de conductos de aire de combustión HLA, un parámetro de un sistema de conductos de evacuación de gas de humo HNA, y un parámetro de un sistema de tuberías de vapor vivo LBA, véase para ello tabla 1. En la etapa 202, introducir datos de salida en la red neuronal, en donde los datos de salida comprenden al menos datos de control para al menos un elemento de control, que contiene al menos una válvula de aire del sistema de conductos de aire de combustión HLA, véase para ello tabla 2; y en la etapa 203, entrenar la red neuronal basándose en los datos de entrada y los datos de salida, para obtener la red neuronal entrenada. En el entrenamiento de la red neuronal los datos de entrada o datos de salida introducidos en la red comprenden en cada caso vectores de estado de los parámetros o de los datos de control para cada elemento de control, por ejemplo de acuerdo con la tabla 3. Los vectores de estado comprenden preferentemente en cada caso las 21 variables de estado mostradas en la tabla 3.
El sistema para entrenar la red neuronal y/o para controlar una planta con la red neuronal entrenada puede comprender un ordenador anfitrión, por ejemplo un PC, y/o medios de entrada, como ratón, teclado, pantalla, pantalla táctil, memoria principal y disco dura. El ordenador anfitrión inicia núcleos individuales del procesador vectorial- arquitectura de hardware para entrenar la red neuronal mediante un orden explicado a continuación predeterminado de manera fija, para hacer posible un entrenamiento eficiente en el tiempo.
Además está previsto un software de procesamiento de datos, por ejemplo escrito en el lenguaje de programación C, para poder entrenar el modelo físico del proceso de combustión, así como las intervenciones de control de una planta incineradora de residuos con ayuda de la red neuronal. Los programas para ello consisten en:
FILE_Bearbeitung-MVA-xxx.c
FILE_Output.c
FILE_O ufcput_Bearbeitung_M VA_
La adaptación de software al hardware del procesador de vector (por ejemplo GK 110) hace posible, procesar rápidamente una matriz con 1024 columnas y un vector con 21 dimensiones, dado que solo se permiten 1024 hilos por cada bloque, para poder llevar a cabo de una vez la multiplicación de matriz-vector. Asimismo se calculan las diferencias entre vector de datos de salida calculado y un vector de modelo predeterminado paralelamente de forma similar.
El programa principal con llamada del núcleo reza:
- batchnet_short_MVA_CUDA-I-624-O-234.cu (programa con núcleos)
Los núcleos se llaman de la manera siguiente:
núcleo -1 (multiplicación de matriz-vector altamente paralela)
_global_void dot_1_1(float *A, float *b, int p, float *c, int líneas, int columnas)
núcleo -2 (cálculo de la diferencia de modelo con modelo predeterminado)
_global_void delta_output(float *target, float *out2, int p, float *delta2)
núcleo -3 a núcleo -6
_global_ void delta_hidden (float *w2, float *delta2, int p, float *out1, float *deltal) _global_void adapt_weights_hidden_output(float *delta2, int nPatterns, float eta, float alpha, float *out1, float *delw2, float *w2) _global_void adapt_weights_input_hidden(float *deltal, int nPatterns, float eta, float alpha, float *out0, float *delw1, float *w1)
_global void Sum_Squared_Error(float ErrorLevel, float *target, float *out2, float *error_sum)
Se llama a estos núcleos en sucesión secuencial desde el ordenador anfitrión. A este respecto se inician simultáneamente hasta 1024 bloques con hasta 1024 hilos. Los 1048576 hilos resultantes no pueden ejecutarse simultáneamente con el procesador vectorial dado que "solo" son posibles 30720 hilos simultáneamente, se realiza un orden especial. Los 34 de los 30720 hilos que van a ejecutarse secuencialmente requieren una coordinación, de la que se encarga el hardware del procesador vectorial.
A continuación se representa la arquitectura de software adaptada de forma óptima en CUDA-C como ejemplo para una técnica de programación correspondiente. Se emplea la siguiente programación paralela en CUDA-C:
Para la multiplicación matriz X vector - paralela:
j j s|c j { í ^ ; ^ £ 5 ) : í ( í í | ¡ j { í í | c ^ í s f í j { í í | í ^ í s f : ^ í i í í j j í ^ ! ^ C 5 ( : í { í 4 ; ^ C 5 ( : í { í ^ ; % 4 : í ( í í f í j { í 4 í ^ í s { í ^ í 4 í ^ £ 5 f : ^ í 4 í 5 j í ^ £ ^ c ^ : í { í ^ ; 5 j í ^ ; í { í ^ í ^ £ ^ ; ^ í 4 ; ^ í i í í j j í 5 { í
//CUDA - Code - Kernel -1-1 hidden layer 1024,1024
_global void dot_ 1 _ 1) {
XXX
if (threadldx.x < neuronas de entrada ){
cachefthreadldx.x] = A[ blockldx.x * 1025 threadldx x] * b[p * 1024 threadldx.x ];
!
_syncthreads();
if(threadldx.x < 512) {
cache [threadldx.x] = cachefthreadldx.x 512]; //512, 256, ...2, 1: mit ¡DESGLOSE!
_syncthreads{);
if(threadldx.x < 256)
cachefthreadldx.x] = cache[threadldx.x 256];
_syncthreads();
if(threadldx.x < 128)
cachefthreadldx.x] = cache[threadldx.x 128];
_syncthreads();
if(thrcadldx.x < 64)
cache[threadldx.x] = cache[threadldx.x 64],
_syncthreads{);
if(threadldx.x < 32)
cachefthreadldx.x] = cachefthreadldx.x 32],
_syncthreads{),
if(threadldx.x < 16)
cachefthreadldx.x] = cachefthreadldx.x 16];
_syncthreads();
if(threadldx.x < 8)
cachefthreadldx.x] = cachefthreadldx.x 8];
__syncthreads();
if(threadldx.x < 4)
cache[threadldx.x] = cache[threadldx.x 4],
__syncthreadsO;
if(threadldx.x < 2)
cache[threadldx.x] = cache[threadldx.x 2], _syncthreads();
XXX
}
}
Para el orden de las llamadas al núcleo:
delta_hidden«<NEUROÑAS OCULTAS, 1024 » > ()
j
y * s|c:¡í:je5Íe3{í3fc;3e3Íí5lc5¿¡3|c53c3f:5lc5ílí5tt s 3C53c3i:5 lc5íí5 tt s 5£3{í 5 lc3íí5 lcSiC5Íí : Sí5 !c!íí3 lc s lc3{s5!£5íí3 Íc S lt3fí5 !c3íe;íC3lc5í15ít53£5íC3lc5ií15fs5lc ;Se5lc ,lí S Ít3!:5lCJíí 5 lc5'Íc
/*----------------------Fin CUDA - Code - MATN-3 */
/*--------------------- adapt weights inputh idden-------------------*/
/*..............................CUDA - Code - MAIN - 5 */
j
je 3$: 3^C s{c S$£ 3ÍC s|c sfc s{c 3f£ 3}c s{c sjc 3{e s}c s{c s{c 3^C s]c ?{c 3ÍC sfc s{e s}c sfs sfc s{c s{c 3fc 3{c s{c s}c 3^ s{c >{c S$C 3{c s}c 3^ s$c
adapt_weights_input_hidden«<1024,1024»>()
/*---------------------- IFin CUDA - Code - MAIN-5 */
/*------------ --------- CUDA - Code - MAIN - 6 */
Sum_Squared_Error<« 1024,1024> »();
Lista con ejemplos
Sigue una lista con ejemplos
Ejemplo 1: Aprendizaje exitoso (red neuronal) del control de la combustión de una MVA,
caracterizado por que se emplean las siguientes entradas de medición y saldas de control empleando la estructura de red (Fig. 4 topología de red de la red neuronal):
E: entrada ►medición, A: salida ►control,
KKS: sistema de identificación de central eléctrica,
x: seleccionado, /: no seleccionado
continuación
Los esquemas de planta correspondientes están fijados como Fig. 1 suministro de aire primario 3 y suministro de aire secundario 4. Ejemplo 2: Modelo de datos según el ejemplo 1, caracterizado por que se emplea el siguiente vector con 21 variables de estado:
continuación
Ejemplo 3: Topología de la red neuronal según el ejemplo 1 y 2, caracterizado por que se emplea la siguiente topología de la red neuronal:
504 neuronas de entrada (Fig. 4 ), 1024 neuronas ocultas (Fig. 4) así como 252 neuronas de salida (Fig. 4).
Ejemplo 4: Arquitectura de software adaptada de manera óptima en CUDA-C según los ejemplos 1, 2 y 3, caracterizada por que se emplea la siguiente programación paralela en CUDA-C:
a) multiplicación matriz X vector - paralela
//CUDA - Code - Kernel -1-1 hidden layer 1024,1024
_global__void dot_l_l) {
XXX
i f (threadldx.x < neuronas de entrada ){
cache[threadldx.x] = A[ blockldx.x * 1025 threadldx.x] * b[p * 1024 threadldx.x ];
i
_syncthreadsO;
if(threadldx.x < 512) {
cache [threadldx.x] = cachefthreadldx.x 512]; //512, 256, ...2, 1: mit ¡DESGLOSE!
_syncthreads();
if(threadldx.x < 256)
cachefthreadldx.x] = cache[threadldx.x 256];
_syncthreads();
if(threadldx.x < 128)
cachefthreadldx.x] = cache[threadldx.x 128];
_syncthreadsO;
if(thrcadldx.x < 64)
cachefthreadldx.x] = cache[threadldx.x 64];
_syncthreadsO;
if(threadldx.x < 32)
cachefthreadldx.x] = cachefthreadldx.x 32],
_syncthreadsO;
if(threadldx.x < 16)
cachefthreadldx.x] = cachefthreadldx.x 16];
_syncthreadsO;
if(threadldx.x < 8)
cachefthreadldx.x] = cachefthreadldx.x 8];
_syncthreadsO;
if(threadldx.x < 4)
cache[threadldx.x] = cache[threadldx.x 4];
__syncthreads();
if(threadldx.x < 2)
cache[threadldx.x] = cache[threadldx.x 2];
__syncthreads();
XXX
}
}
b) Orden de las llamadas al núcleo GK110
del ta_hidden<«N EURO ÑAS OCULTAS, 1024 > » ()
d e ltah i dden<«HIDDEN_NEURONEN, 1024 » > ()
/*---------------------- Ende CUDA - Code - MAIN-3 */
/*-------------- adapt weights hidden:output----------------------- */
adapt_weights_hidden_output«<OUTPUT_NEURONEN, 1024»> ();
/*---------------------- Ende CUDA - Code - MAIN-4 */
/*--------------------- adapt weights input:hidden-------------------*/
/*---------------------- CUDA - Code - MAIN - 5 */
/*---------------------- Ende CUDA - Code - MAIN-5 */
/*---------------------- CUDA - Code - MAIN - 6 */
Sum_Squared_Error«< 1024,1024»> ();
Lista de referencias:
1 sistema de alimentación de residuos
1a residuos sobre parrilla
2 cámara de combustión
3 descorificador
4 parrilla
5 filtro, filtro electrónico
6 ventilador de tiro por aspiración
11 aire primario
22 aire secundario
33 gas de humo
KH nave de caldera
KT tambor de caldera
K chimenea
RR planta de depuración de gas de humo
HLA sistema de conductos de aire de combustión
HNA sistema de conductos de evacuación de gas de humo
LBA sistema de tuberías de vapor vivo
W1, ..., W5 rodillos
IN neuronas de entrada HN neuronas ocultas ON neuronas de salida
Claims (15)
1. Procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, que comprende:
- introducir datos de entrada en la red neuronal entrenada, en donde los datos de entrada se basan en parámetros, que comprenden al menos una presión de tambor de caldera, una temperatura de cámara de combustión, un parámetro de un sistema de alimentación de residuos (1), un parámetro de un sistema de conductos de aire de combustión (HLA), un parámetro de un sistema de conductos de evacuación de gas de humo (HNA), y un parámetro de un sistema de tuberías de vapor vivo (LBA); y
- calcular y emitir datos de salida a través de la red neuronal entrenada, en donde los datos de salida comprenden al menos datos de control para al menos un elemento de control, que contiene al menos una válvula de aire del sistema de conductos de aire de combustión (HLA).
2. Procedimiento según la reivindicación 1, en donde los datos de salida se conducen a una unidad de control de la caldera, que controla el al menos un elemento de control basándose en los datos de salida, o en donde los datos de salida se conducen a un dispositivo de visualización de una unidad de control de la caldera, para mostrarse a un usuario para el control de la caldera.
3. Procedimiento de acuerdo con la reivindicación 1 o 2, en donde los datos de entrada comprenden un vector de estado para cada parámetro, y cada vector de estado comprende varias variables de estado del parámetro respectivo, que contienen al menos uno de los siguientes valores un valor paramétrico, un gradiente del valor paramétrico, una modificación del gradiente del valor paramétrico, un valor promedio de dos o más valores paramétricos consecutivos, un valor promedio de gradientes de dos o más valores paramétricos consecutivos, un valor promedio de modificaciones del gradiente de dos o más valores paramétricos consecutivos, un valor paramétrico que precede a un tiempo inactivo predeterminado, un gradiente del valor paramétrico precedente, y una modificación del gradiente del valor paramétrico precedente.
4. Procedimiento según una de las reivindicaciones anteriores, en donde los datos de salida comprenden un vector de estado con tres variables de estado para los datos de control para cada elemento de control, en donde las variables de estado comprenden un primer valor de control, una diferencia entre el primer valor de control y un segundo valor de control que precede a este, y una diferencia de la diferencia entre el primer valor de control y el segundo valor de control que precede a este y de la diferencia entre el segundo valor de control y un tercer valor de control que precede al segundo valor de control.
5. Procedimiento según una de las reivindicaciones anteriores, en donde los datos de salida calculados se interpolan para una salida casi continua.
6. Procedimiento según una de las reivindicaciones anteriores, en donde el al menos un parámetro del sistema de alimentación de residuos (1) comprende una especificación de valor teórico de potencia para un control del sistema de alimentación de residuos (1) y/o una presión de una oleohidráulica del sistema de alimentación de residuos (1).
7. Procedimiento según una de las reivindicaciones anteriores, en donde el al menos un parámetro del sistema de conductos de aire de combustión (HLA) comprende al menos uno de los siguientes parámetros: presión de aire primario, caudal volumétrico de aire primario, caudal volumétrico de aire hacia una zona de parrilla de una parrilla (4), caudal volumétrico de aire hacia un rodillo (w1, ..., w5) de una parrilla de rodillos (4), presión de retención bajo una zona de parrilla de una parrilla (4), presión de retención bajo un rodillo (w1, ..., w5) de una parrilla de rodillos (4), presión de aire secundario y caudal volumétrico de aire secundario.
8. Procedimiento según una de las reivindicaciones anteriores, en donde el al menos un parámetro del sistema de conductos de evacuación de gas de humo (HNA) comprende al menos un valor de medición de una concentración de oxígeno y/o un valor de medición de una concentración de monóxido de carbono, y/o en donde el al menos un parámetro del sistema de tuberías de vapor vivo (LBA) comprende al menos uno de los siguientes parámetros: presión en el sistema de tuberías de vapor vivo (LBA), caudal volumétrico de vapor vivo y temperatura de vapor vivo.
9. Procedimiento según una de las reivindicaciones anteriores, en donde el al menos un elemento de control comprende al menos uno de los siguientes elementos: al menos una válvula de aire del sistema de conductos de aire de combustión (HLA), un regulador de carga del sistema de alimentación de residuos (1), y un regulador de oxígeno.
10. Procedimiento según la reivindicación 9, en donde la al menos una válvula de aire del sistema de conductos de aire de combustión (HLA) comprende una válvula de aire para el aporte de aire primario hacia una zona de varias zonas de una o de la parrilla (4) y/o hacia un rodillo (w1, ..., w5) de varios rodillos de una o de la parrilla de rodillos (4).
11. Procedimiento según una de las reivindicaciones anteriores, en donde los datos de salida comprenden datos de control para un o el regulador de carga del sistema de alimentación de residuos (1) y/o datos de control para un o el regulador de oxígeno para regular un contenido de oxígeno en una cámara de combustión (2).
12. Procedimiento según una de las reivindicaciones anteriores, en donde la red neuronal es una red de tres capas con una capa de neuronas de entrada, una capa de neuronas ocultas y una capa de neuronas de salida.
13. Procedimiento según una de las reivindicaciones anteriores, en donde el procedimiento comprende además las etapas siguientes para el entrenamiento de una red neuronal:
- introducir datos de entrada en la red neuronal, en donde los datos de entrada se basan en parámetros, que comprenden al menos una presión de tambor de caldera, una temperatura de cámara de combustión, un parámetro de un sistema de alimentación de residuos (1), un parámetro de un sistema de conductos de aire de combustión (HLA), un parámetro de un sistema de conductos de evacuación de gas de humo (HNA), y un parámetro de un sistema de tuberías de vapor vivo (LBA);
- introducir datos de salida en la red neuronal, en donde los datos de salida comprenden al menos datos de control para al menos un elemento de control, que contiene al menos una válvula de aire del sistema de conductos de aire de combustión (HLA); y
- entrenar la red neuronal basándose en los datos de entrada y los datos de salida, para obtener la red neuronal entrenada.
14. Procedimiento según la reivindicación 13, en donde la etapa del entrenamiento comprende:
- calcular datos de salida calculados basándose en los datos de entrada, y
- comparar los datos de salida calculados con los datos de salida introducidos.
15. Procedimiento de acuerdo con la reivindicación 13 o 14, en donde los datos de salida introducidos comprenden un vector de estado de los datos de control para cada elemento de control, y el vector de estado de los datos de control para un elemento de control comprende varias variables de estado de los datos de control de un elemento de control, incluyendo al menos uno de los siguientes valores un valor de control, un gradiente del valor de control, una modificación del gradiente del valor de control, un valor promedio de dos o más valores de control consecutivos, un valor promedio de gradientes de dos o más valores de control consecutivos, un valor promedio de modificaciones del gradiente de dos o más valores de control consecutivos, un valor de control que precede a un tiempo inactivo predeterminado, un gradiente del valor de control precedente, y una modificación del gradiente del valor de control precedente.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE202019000735.0U DE202019000735U1 (de) | 2019-02-17 | 2019-02-17 | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur Steuerung eines Müllkessels |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2896708T3 true ES2896708T3 (es) | 2022-02-25 |
Family
ID=66138170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES20157791T Active ES2896708T3 (es) | 2019-02-17 | 2020-02-17 | Procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, y procedimiento para entrenar una red neuronal para controlar una caldera de una planta incineradora de residuos |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP3696462B1 (es) |
| DE (1) | DE202019000735U1 (es) |
| DK (1) | DK3696462T3 (es) |
| ES (1) | ES2896708T3 (es) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111457393B (zh) * | 2020-03-11 | 2022-03-11 | 常州大学 | 一种危废物废热预热节能器 |
| DE102022106628A1 (de) | 2022-03-22 | 2023-09-28 | Uniper Technologies GmbH | Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3491126B2 (ja) * | 1997-06-16 | 2004-01-26 | Ｊｆｅエンジニアリング株式会社 | ごみ焼却炉の火格子燃焼空気流量推定方法及びその推定装置 |
| ES2336351T3 (es) * | 2006-08-17 | 2010-04-12 | Powitec Intelligent Technologies Gmbh | Metodo para elaborar un modelo de procedimiento. |
| DE202017006632U1 (de) * | 2017-12-28 | 2018-08-28 | Frank Gebhardt | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage |
-
2019
- 2019-02-17 DE DE202019000735.0U patent/DE202019000735U1/de active Active
-
2020
- 2020-02-17 DK DK20157791.3T patent/DK3696462T3/da active
- 2020-02-17 EP EP20157791.3A patent/EP3696462B1/de active Active
- 2020-02-17 ES ES20157791T patent/ES2896708T3/es active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3696462A1 (de) | 2020-08-19 |
| EP3696462B1 (de) | 2021-08-11 |
| DK3696462T3 (da) | 2021-11-15 |
| DE202019000735U1 (de) | 2019-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2896708T3 (es) | Procedimiento para controlar una caldera de una planta incineradora de residuos mediante una red neuronal entrenada, y procedimiento para entrenar una red neuronal para controlar una caldera de una planta incineradora de residuos | |
| CN101221415B (zh) | 火力设备控制装置 | |
| Yang et al. | Mathematical modelling of straw combustion in a 38 MWe power plant furnace and effect of operating conditions | |
| US7277777B2 (en) | Method and system for real time reporting of boiler adjustment using emission sensor data mapping | |
| CN101939589B (zh) | 具有闭路火焰温度控制的氧气燃料燃烧系统 | |
| US8755940B2 (en) | Modeling and control optimization system for integrated fluidized bed combustion process and air pollution control system | |
| CN101799661B (zh) | 锅炉设备的控制装置及锅炉设备的操作员训练用装置 | |
| CN101201591A (zh) | 锅炉设备的控制装置以及气体浓度推断装置 | |
| Taha et al. | CFD modeling of ash deposition for co-combustion of MBM with coal in a tangentially fired utility boiler | |
| Rusinowski et al. | Hybrid model of steam boiler | |
| Mayr et al. | Modelling of high temperature furnaces under air-fuel and oxygen enriched conditions | |
| CN101275748B (zh) | 锅炉的控制装置以及控制方法 | |
| Szega et al. | Problems of calculation the energy efficiency of a dual-fuel steam boiler fired with industrial waste gases | |
| Bujak | Heat recovery from thermal treatment of medical waste | |
| Patronelli et al. | Combustion of wood-chips in a small-scale fixed-bed boiler: Validation of the numerical model through in-flame measurements | |
| JP3712329B2 (ja) | プロセスの制御装置 | |
| CN101859102B (zh) | 燃煤锅炉的气体浓度推断方法以及气体浓度推断装置 | |
| WO2019235377A1 (ja) | 燃焼設備の状態量推定方法、燃焼制御方法、及び燃焼制御装置 | |
| Lukáč et al. | Defining the Mathematical Dependencies of NO and CO Emission Generation after Biomass Combustion in Low-Power Boiler | |
| Yang et al. | CFD modelling for control of hazardous waste incinerator | |
| CN101713533B (zh) | 火力发电设备的控制装置以及控制方法 | |
| ES2293168T3 (es) | Metodos y sistemas para medir y controlar el porcentaje estequiometrico de oxidante en un incinerador. | |
| Viganò | A practical method to calculate the R1 index of waste-to-energy facilities | |
| Więckowski et al. | Numerical investigation of temperature distribution in the furnace of a coal fired grate boiler in part load conditions | |
| CN111433694A (zh) | 运转条件评价装置、运转条件评价方法及发电设备的控制系统 |