PL200961B1 - Sposób sterowania procesem termodynamicznym a zwłaszcza procesem spalania - Google Patents
Sposób sterowania procesem termodynamicznym a zwłaszcza procesem spalaniaInfo
- Publication number
- PL200961B1 PL200961B1 PL363043A PL36304302A PL200961B1 PL 200961 B1 PL200961 B1 PL 200961B1 PL 363043 A PL363043 A PL 363043A PL 36304302 A PL36304302 A PL 36304302A PL 200961 B1 PL200961 B1 PL 200961B1
- Authority
- PL
- Poland
- Prior art keywords
- state
- boiler
- optimal
- process model
- actions
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000008569 process Effects 0.000 title claims abstract description 50
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 23
- 230000001105 regulatory effect Effects 0.000 title 1
- 230000009471 action Effects 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004886 process control Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 2
- 239000003245 coal Substances 0.000 description 15
- 238000005070 sampling Methods 0.000 description 10
- 239000003344 environmental pollutant Substances 0.000 description 8
- 239000000446 fuel Substances 0.000 description 8
- 231100000719 pollutant Toxicity 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/20—Systems for controlling combustion with a time programme acting through electrical means, e.g. using time-delay relays
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
- F23N1/002—Regulating fuel supply using electronic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1406—Introducing closed-loop corrections characterised by the control or regulation method with use of a optimisation method, e.g. iteration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D2041/1413—Controller structures or design
- F02D2041/1415—Controller structures or design using a state feedback or a state space representation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1404—Fuzzy logic control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/44—Optimum control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/52—Fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Regulation And Control Of Combustion (AREA)
- Feedback Control In General (AREA)
Abstract
1. Sposób sterowania procesem termodynamicz- nym a zw laszcza procesem spalania, w którym mie- rzony jest stan systemu (s t ) porównywany nast epnie z optymalnymi celami (r j ), gdzie do sterowania podej- mowane s a dzia lania nastawcze (a i ), znamienny tym, ze wyznacza si e model procesu (PM), który jest nie- zale zny od optymalnych celów (r j ) i opisuje skutki dzia- la n (a t ) na stan systemu (s t ) równaniem s t+1 =f(s t , a t ) przy czym poprzez niezale zn a od modelu procesu (PM) ocen e sytuacyjn a (SB) szacuje si e stan systemu (s t ) za pomoc a funkcji jako sciowych (u t ) z uwzgl ednie- niem optymalnych celów (r j ) zgodnie z równaniem; u t = S u(r, s t ) PL PL PL PL
Description
Opis wynalazku
Wynalazek dotyczy sposobu sterowania procesem termodynamicznym a zwłaszcza procesem spalania w kotle.
W sposobie według amerykańskiego patentu nr 5559690 podczas sterowania systemem za pośrednictwem sieci kontrolnej pobiera się dane wejściowe i dostarcza dane na wyjściu. W uzyskanym modelu systemu, sieć podaje na wyjściu dane przewidywane, które kojarzone są z danymi oczekiwanymi generując pewien błąd. Błąd ten jest z powrotem przesyłany przez odwróconą sieć kontrolną. Sieć podaje kontrolny sygnał błędu na wejście roboczej sieci kontrolnej by wejściowy sygnał kontrolny uległ zmianie. Celem jest taka zmiana sygnału na wyjściu systemu by odpowiadał on sygnałowi oczekiwanemu.
W innym znanym sposobie, jakość procesu jest wypadkową zmiennych stanu, sumy możliwych działań nastawczych i optymalnych celów. W oparciu o metodę Monte Carlo podejmuje się działania nastawcze z użyciem danych o stanie wcześniejszym by później móc wyznaczyć nowy stan. Wynikająca z tego zmiana jakości jest miarą przydatności działań nastawczych podejmowanych w celu osiągnięcia optymalnego celu. Według tego sposobu system adaptuje się do następnego, najbliższego extremum nawet wtedy, gdy zmiany optymalnych celów są częste. Sposób ten jest wciąż otwarty na wprowadzanie ulepszeń.
W sposobie sterowania procesem opartym na modelu, gdzie ocena sytuacji za pomocą niezależnej od modelu procesu funkcji jakości pozwala na ocenę stanu systemu z uwzględnieniem optymalnych celów, uzyskuje się możliwość ciągłego stosowania minionej informacji zarówno do oceny systemu jak i także po ważniejszych zmianach w stanie systemu. W znanym sposobie, prawie wszystkie informacje muszą być tymczasem uzyskiwane na bieżąco co znaczy, że wcześniejsza informacja nie jest zapamiętywana kiedy system przechodzi w nowy stan.
W sposobie według wynalazku wyznacza się model procesu PM, który jest niezależny od optymalnych celów r i opisuje skutki działań at na stan systemu st równaniem st+1=f(sb at) przy czym poprzez niezależną od modelu procesu PM ocenę sytuacyjną SB szacuje się stan systemu st za pomocą funkcji jakościowych ut z uwzględnieniem optymalnych celów r zgodnie z równaniem ut = Σ u(r, st).
Przed faktycznym podjęciem działań nastawczych a' w systemie, skutki różnych działań nastawczych a' względem stanu systemu st są obliczane numerycznie przy pomocy modelu procesu PM i oceniane indywidualnie z wykorzystaniem oceny sytuacyjnej (SB) umożliwiając dokonanie optymalnych działań nastawczych.
Skutki różnych działań nastawczych (a1) względem stanu systemu (st) są obliczane z góry w kilku etapach czasowych (t) oraz wyznaczana jest pewna ogólna jakość (Q).
Model procesu (PM) jest na bieżąco precyzyjnie dostrajany w oparciu o bieżące dane pomiarowe dotyczące stanu systemu (st). Bieżące dane pomiarowe przed dostarczeniem ich do modelu procesu (PM) przepuszczane są przez filtr szumów. Model procesu (PM) przechowywany jest w stale uczącej się sieci neuronowej
Przed rozpoczęciem ciągłego stosowania systemu, w celu zainicjowania modelu procesu (PM) dokonuje się rozpoznania pewnej wybranej liczby stanów systemu (st). W rozpoznaniu bierze się pod uwagę najbardziej wyrównane i wyważone zachowywania się w czasie systemu podczas działania nastawczego (a)
Funkcje jakości (ut) są dobierane według reguł fuzzy logic zaś do sterowania procesem spalania w kotle opalanym paliwem stałym jako zmienne nastawne są wykorzystane uruchamianie dmuchawy kotła i rozmiary cząstek paliw.
W celu lepszego gospodarowania mocą komputera, kierowanie procesem według wynalazku może dotyczyć korzystnie obliczeń stanu w przyszłości jak i wykonywania tylko stosownych działań nastawczych dla osiągnięcia optymalnego celu. Stąd, by w przyszłości osiągać optymalny cel coraz oszczędniej, model procesu jest wciąż ulepszany. Preferowanym sposobem stosowania modelu procesu w sieciach neuronowych jest podejmowanie wstępnych działań z wybranymi stanami oraz z wyrównanymi i wyważonymi zachowaniami systemu w czasie w celu uniknięcia przypadkowych działań nastawczych w przyszłości.
Przez zaliczenie aktywacji dmuchawy kotła (dmuchawy sadzy) do działań nastawczych oraz/lub przyjęcie, że rozmiar ziarna paliwa jest zmienną nastawną, zwiększa się liczba zmiennych nastawnych wykorzystywanych w sterowaniu procesem. Jednocześnie nowe zmienne nastawne nie są dłużej źródłem zakłóceń, które mogłyby wymagać wzmożonej wydajności sterowania procesem w fazie jego uruchamiania. Zamiast kombinacji obu zmiennych nastawnych, możliwe jest także włączenie dla potrzeb sterowania tylko jednej ze zmiennych. Aby to rozpocząć, mierzony jest w pewnej początkowej fazie wpływ nowych zmiennych nastawnych w celu nauczenia się sterowania procesem; robi się tak, przykłaPL 200 961 B1 dowo, za pomocą sieci neuronowych. Przyjęcie wspomnianych zmiennych według wynalazku może znaleźć zastosowanie w procesach spalania jak i innych procesach termodynamicznych.
W przypadku dmuchawy kotła, decyzja o jej załączeniu jest podejmowana korzystnie na podstawie wyważenia nakładów i efektów na przykład przez przyjęcie fikcyjnych kosztów i scalanie ich w określonym czasie tak, by decyzja mogła być w pełni zautomatyzowana. Kiedy brane są pod uwagę rozmiary ziaren paliwa, można dodatkowo uwzględniać zużycie określonego młyna dla udoskonalenia procesu sterowania. Oddziaływanie różnych rozmiarów ziaren paliwa korzystnie oceniane jest na podstawie fluktuacji obrazu płomieni ognia.
W oparciu o gromadzone informacje o efekcie uruchomienia dmuchawy kotła, rozmiarze ziaren paliwa i zużyciu młyna, możliwe jest także niezależne sterowanie dmuchawy kotła i/lub młyna bez konieczności nadzoru procesu spalania w tym celu.
Jeśli w systemach z urządzeniami próbkującymi, komputer połączony z czujnikami wyznacza moment uruchomienia urządzenia próbkującego to z jednej strony oszczędza pracę systemu, gdyż tylko niezbędna liczba próbek ma być wtedy brana pod uwagę zaś z drugiej strony do dyspozycji w sytuacjach krytycznych w procesie decyzyjnym dla komputera jest większa ilość danych co na przykład optymalizuje proces sterowania. Próbkowanie jest wtedy zintegrowane z monitorowaniem procesu a korzystnie ze sterowaniem tym procesem. Można sobie wyobrazić, odnosząc się do urządzenia próbkującego, czujniki nie podłączone na stałe czyli typu „off-line” dostarczające dane do komputera łącznie z czujnikami podłączonymi typu „on-line”. Uruchamianie urządzenia próbkującego może następować ręcznie bądź automatycznie.
Poniższy rysunek ujawnia szczegóły wynalazku odnosząc się do jego przykładowej realizacji i przykładów zastosowań.
Figura 1 przedstawia schemat przykładowej realizacji sposobu według wynalazku; fig. 2 jest czasowym wykresem przykładowych parametrów procesu z kilkunastoma sekwencjami czyszczenia; fig. 3 jest czasowym wykresem kosztów dla modelów brudzenia i czyszczenia, zaś fig. 4 przedstawia schematycznie inny przykład zastosowania.
Przykładowy proces zachodzi jako proces spalania w kotle elektrowni węglowej i ma być sterowany tak, by pokazać z jednej strony określoną stabilność oraz z drugiej strony określoną elastyczność jak np., że adaptuje się do zadanej sytuacji. Stan w kotle jest opisany przez (czasowo zależne) zmienne stanu st, jak na przykład temperatura w różnych miejscach wewnątrz kotła, struktura płomienia i/lub koncentracja różnych zanieczyszczeń w spalinach co wyznacza się przez odpowiednie czujniki. W formalnym opisie procesu spalania, parametry i zmienne, takie jak st rozpatruje się jak wielowymiarowy wektor. Stan st procesu spalania może być zmieniany przez różne działania at, w szczególności przez zmianę zmiennych nastawnych jak na przykład dostawa węgla, powietrze rzeczywiste lub powietrze wylotowe a i także jakość węgla. Wśród optymalnych celów Η dla procesu spalania wymienić można przykładowo uzyskanie takich koncentracji tlenku azotu NOx i tlenku węgla CO które są poniżej założonych limitów lub osiągają minima.
W celu monitorowania i sterowania on-line oraz przewidywania przyszłych stanów kotła za pomocą sieci neuronowych według wynalazku, z jednej strony definiuje się model procesu PM uwzględniający zmiany w stanie st procesu spalania jako reakcję na działania at. Model procesu PM jest niezależny od optymalnych celów Η i działa w pewnych ramach czasowych wcześniejszych stanów procesu w celu zintegrowania kontekstu czasowego. Wzajemne powiązanie zmiennych zawiera informację o specyficznych własnościach kotła. Z drugiej strony, definiuje się jakość ut dla sytuacyjnej oceny SB, w której oceniany jest specyficzny bieżący stan st przez branie pod uwagę optymalnych celów j Ta definicja jest formułowana z punktu widzenia uprzednio wyznaczonych charakterystycznych krzywych i podejścia fuzzy-logic co oznacza, że w najprostszym przypadku jakość przy pewnej koncentracji zanieczyszczeń wynosi przykładowo ut = 1 dla minimalnej koncentracji zanieczyszczeń i ut = 0 kiedy osiągnięty jest górny próg koncentracji zanieczyszczeń, przy liniowej zależności pomiędzy tymi dwiema wartościami. Ocena sytuacyjna SB jest zależna od działań at. Dla oceny w momencie czasu t i kroku w kierunku momentu czasu t+1 stosuje się następujące równania:
ut = Σ u(r, st) s+i = f^s^ aO (SB) (PM)
W przeciwieństwie do znanej funkcji jakości, która sumuje stan systemu, działania oraz optymalne cele w ten sposób, że całkowita funkcja jakości musi być ponownie wyznaczana w przypadku zmian w statucie, w sposobie według wynalazku brak jest takiego oddziaływania na model procesu PM. W numerycznej realizacji za pomocą sieci neuronowej oznacza to, że nie jest potrzebne przystosowywanie sieci
PL 200 961 B1 neuronowej do każdego działania co łączy się z utratą informacji z przeszłości jak i mocy obliczeniowej i czasu lecz informacja o modelu procesu jest podtrzymywana. W pewnej wyimaginowanej reprezentacji przestrzeni stanów, gdzie każdy stan st symbolizowany jest przez punkt na mapie, liczba punktów na mapie wzrasta bez straty punktów.
Zaoszczędzona moc komputera może być użyta do obliczania przyszłych stanów systemów by zamiast optymalizacji lokalnej uzyskiwać optymalizację całkowitą. W tym celu definiuje się całkowitą jakość Q, w której dla kilkunastu z góry obliczonych sytuacyjnych ocen pod uwagę brane są jakości st. Dla liczby N z góry obliczonych kroków czasowych, stosuje się następujące równanie:
N qn(sw at) = Σ ut+n n=1
Na gruncie wstępnych obliczeń nie jest więcej potrzebne, by kocioł miał inicjować różne stany za pomocą modelu przypadkowego ruchu (random walk) w celu odnalezienia warunków dla optymalnego procesu spalania.
W celu stworzenia modelu procesu PM określa się najpierw zmienne nastawy dla architektury sieci i dostępne zmienne stanu razem z ich technicznie osiągalnymi i rozsądnie użytecznymi wartościami progowymi; są rozważane korzystnie rozwinięte opcje. Funkcja filtra szumów stosowana na wejściu sieci neuronowej zdefiniowana zostanie dla zmiennych stanu, które będą mierzone. Przez użycie metody planowania optymalnego testu zaplanowany jest plan poszukiwań, który wyłoni pewną liczbę stanów (w przybliżeniu 500) uznanych za możliwe do przyjęcia w zestawieniu z wartościami progowymi. Za pomocą określonych działań nastawczych, stany te są co najmniej w przybliżeniu sukcesywnie tworzone w kotle i następnie zapamiętywane w sieci neuronowej. W poszukiwaniu tym pożyteczne jest śledzenie działań nastawczych za pomocą zapamiętanych minionych, wyrównanych i wyważonych zmiennych stanu (relacje zmiennych stanu przed, podczas i po działaniach nastawczych) aby dochodzić do wielokanałowej funkcji czasu, która może być zastosowana do systematycznego tworzenia zmian w stanie.
W oparciu o tak zainicjowany model procesu PM, kocioł podczas ruchu jest sterowany optymalnie poprzez sieć neuronową w zależności od optymalnych celów r* w oparciu o stan obecny, wychodząc z numerycznego poszukiwania całkowitego (globalnego) optimum systemu i optymalnych działań nastawczych dla osiągnięcia założonego celu. Optymalne działania nastawcze mogą być osiągnięte następująco: w oparciu o aktualny stan st wyznaczany jest efekt różnych działań a1 w szczególności zmiany znaczących zmiennych nastawnych tj. liczone są stany s't+i za pomocą modelu procesu PM a także obliczana jest jakość u't+i poprzez ocenę sytuacyjną SM, jeśli stosowana kilkanaście kroków czasowych z góry. Jakość u't+i i/lub następnie całkowita jakość Q' wyznacza automatycznie, która ze zmiennych nastawnych ma być zmieniona.
111 1 St —— a —— s t+i —— u t+1 —Q' a ' —— st+1 —— u't+i —— Q
Kiedy optymalne działania nastawcze ai zostały wyznaczone, elektroniczne sterowanie kotła kontynuuje wymienione działania nastawcze ai automatycznie, np. przez zmianę zasilania różnymi paliwami co traktowane jest jako zmienna nastawna. Tak działając, zmienne dane stanu są ciągle zbierane i uwiarygodniane w kotle w celu zwiększenia gęstości znanych stanów st na mapie przestrzeni stanów przez uczenie sieci neuronowej.
Jeśli po uzyskaniu optimum, będą miały miejsce działania at tj. zamierzone działania nastawcze lub nieprzewidziane zakłócenia to będzie potrzebne odnowienie optymalizacji przy użyciu opisanych kroków. Podczas uczenia modelu procesu PM może także być użyteczne bądź potrzebne rozszerzenie architektury sieci, np. poza progowe wartości uważane za użyteczne dla technicznie możliwych wartości progowych jeśli podczas poszukiwania optimum sieć neuronowa często osiąga graniczne wartości uważane za użyteczne. Odpowiednie testowanie ciągle monitoruje, które zmienne nastawne mają największy wpływ na stan systemu tak, że ich zmiany będą korzystnie brane pod uwagę podczas poszukiwania optimum w szczególności, gdy potrzebna jest znacząca zmiana stanu.
Mówiąc ogólnie, dla sterowania kotła byłoby wystarczające wzięcie pod uwagę (zazwyczaj) zmiennych nastawnych z działań nastawczych i pewną ilość charakterystycznych parametrów procesu ze zmienPL 200 961 B1 nych stanu. Jednakże, jeśli w tym przypadku, zakłócenia jak zmiany w jakości węgla lub zużycie kotła K mają być także użyte jako dane wejściowe do modelu procesu, to byłoby potrzebne monitorowanie wnętrza kotła na przykład przez obserwację płomieni. Poniżej opisane będzie kilka przykładów zastosowań.
W przykładzie pierwszym sterowanie procesem spalania zachodzi w systemie kotła parowego 1 elektrowni węglowej. Znajdujący się przy kotle 1 młyn węglowy 3 miażdży węgiel do spalania, który podawany jest do kotła 1. Kocioł 1 otrzymuje także powietrze rzeczywiste oraz powietrze wydmuchowe. Spaliny są usuwane z kotła. Pewna liczba czujników 5 na linii zasilającej kocioł, na linii ewakuacyjnej i na wewnętrznych ścianach kotła mierzy stosowne parametry procesu, na przykład powietrza zasilającego i węgla, koncentracji zanieczyszczeń w spalinach, temperatury w kotle 1, charakterystyki płomienia itd.
Zadaniem tzw. dmuchawy 6 kotła jest oczyszczanie ścian wewnętrznych kotła przez wymuszanie spalania znajdujących się tam pozostałości.
Czujniki 7, podobnie jak różne urządzenia nastawcze 13 są połączone z komputerem 9 tworząc pętlę sprzężenia zwrotnego lub pętlę sterowania. Proces spalania poddany jest oddziaływaniom zmian zmiennych nastawnych jak np. strumienia węgla czy strumienia powietrza co oznacza, że parametry procesu zmieniają się. Uaktywnienie urządzenia nastawczego 13 takiego przykładowo jak zawór na linii powietrza zasilającego będzie działaniem przywoływanym dalej. Omówiona wyżej samokalibrująca się i ucząca się, periodyczna lub z opóźnieniem czasowym sieć neuronowa jest zastosowana w komputerze 9. System znaczy komputer 9 ocenia otrzymywane sygnały wejściowe, a następnie odpowiednio dostosowuje urządzenia nastawcze 13.
Uruchomienie dmuchawy 6 kotła będzie traktowane jako pewne przykładowe działanie. W tym celu sprawdzi się w fazie wstępnej jak szybko kocioł 1 zostanie zabrudzony przez różne odmiany i ilości węgla oraz jak skuteczne jest czyszczenie po uruchomieniu dmuchawy 6 kotła w zależności od różnych interwałów czasowych At między dwoma uruchomieniami dmuchawy 6 kotła. Efekt czyszczenia może być definiowany przez skutki różnych działań takich jak zmiana koncentracji zanieczyszczeń C w powietrzu wydalanym odniesiona do strumienia powietrza lub przez zmianę w wydajności.
Sieć neuronowa uczy się takich technicznych aspektów modeli brudzenia i czyszczenia, to znaczy skutków dwóch możliwych akcji czyli działania dmuchawy 6 kotła i braku działania. Dodatkowo sieć neuronowa rozpoznaje stronę finansową stosowania modeli - brudzenia i czyszczenia czyli koszty użycia dmuchawy 6 kotła jak na przykład przez pomiar strat energii lub czasy przestojów w ten sam sposób jak były one wyznaczane dla małej wydajności lub dla przekroczeń progów dopuszczalnych zanieczyszczeń w (spalinach) powietrzu wylotowym.
Kiedy sieć neuronowa nauczy się obu modeli - brudzenia i czyszczenia, dmuchawa 6 kotła może być użyta do sterowania procesem spalania. Stosując bieżące parametry procesu, sieć neuronowa szacuje efekt działania bądź spoczynku dmuchawy 6 kotła na parametry procesu i koszty jakie wynikają z obu przypadków. Koszty K dla obu sytuacji są sumowane w zależności od uprzednio wyznaczonych planowanych odcinków czasowych At. Na fig. 3 koszt całkowity z działającą dmuchawą 6 kotła symbolizuje wykres z kreskami ukośnymi zaś koszt całkowity przy nie działającej dmuchawie 6 ilustruje wykres zakreskowany pionowo. Komputer 9 zadecyduje w oparciu o taką estymację czy dmuchawa 6 ma być załączona czy też nie.
Rozmiar ziarna rozdrobnionego węgla traktowany jest jako kolejna zmienna nastawna; regulacja takiej zmiennej należy do grupy innych działań nastawczych w kontrolowanym młynie węglowym 3, który ma wpływ na miałkość mielonego węgla poprzez prędkość obrotu walców, kąt nachylenia klap, docisk walców czy temperaturę uchodzącego powietrza. Odnośne urządzenia nastawne przyłączone są do tego samego komputera 9, w którym jest sieć neuronowa.
W fazie rozruchowej bada się odpowiednio zmiany parametrów procesu w zależności od rozmiaru ziarna węgla. Na przykład można dokonać analizy częstotliwości w miejscowej czaso-przestrzeni mierząc w kotle 1 czasową (i przestrzenną) odpowiedź promieniowania płomienia na przykład za pomocą czasu opóźnienia sieci neuronowej lub tak zwanego „w-flat”. Kształt, wysokość, szerokość i ewentualnie przesunięcie szczytu, mogą dostarczyć informacji na temat fluktuacji jak i rozmiaru ziarna paliwa, które powodują wspomniane fluktuacje w obrazie płomienia.
Sieć neuronowa uczy się modelu młyna pozyskanego z fazy wstępnej i poprawia go podczas działania kotła 1 za pomocą danych dostarczanych przez czujniki 7. W młynie 3 węglowym zainstalowane jest urządzenie pomiarowe jako dalsze źródło informacji, na przykład (specjalna) kamera wideo typu CCD, urządzenie dotykowego pomiaru głębokości lub urządzenie do pomiaru budowy próbek do kalibracji, które przy każdym zatrzymaniu młyna węglowego 3, na przykład podczas konserwacji, dostarcza raportu o stanie co jest następnie przedmiotem analizy w komputerze 9, która dotyczy w szczególności zużycia.
PL 200 961 B1
Informacja osiągnięta tą drogą jest skorelowana z inną informacją o procesie spalania i udostępniana dla procesu uczenia się sieci neuronowej. Stąd model młyna jest także stosowany do sterowania procesem spalania.
W formie zmodyfikowanej, sterowanie może uwzględniać - dodatkowo poza zwykłymi zmiennymi nastawnymi - modele brudzenia i czyszczenia z dmuchawą 6 kotła ale bez uwzględniania rozmiaru ziarna węgla lub model młyna bez dmuchawy 6 kotła.
W innym przykładzie zastosowania proces spalania w kotle 1 spalarki śmieci jest stale nadzorowany przez kilka czujników 5, na przykład z kamerą 7, która utrwala obraz płomieni oraz przez czujniki spalin 8, które monitorują gazowe produkty spalania. Inne czujniki 5 są załączone do komputera 9, w którym funkcjonuje sieć neuronowa o postaci opisanej wcześniej, wyznaczająca stan kotła 1 spalarki śmieci za pomocą sygnałów pochodzących z czujników 5. Wspomniany stan, na przykład, jest prezentowany na monitorze 11 na żywo oprócz innych danych.
Aby sterować procesem spalania, na przykład mając na uwadze uzyskanie możliwie najniższej koncentracji zanieczyszczeń w produktach spalania, komputer 9 może sprawdzać różne urządzenia nastawcze 13 dotyczące, na przykład, dostarczania powietrza lub doprowadzania dodatkowego paliwa. Stan w kotle 1 zmienia się wtedy przez zmianę wspomnianych zmiennych nastawnych co jest obliczane przez komputer 9.
Oprócz wspomnianych czujników 5 „on-line” istnieje urządzenie próbkujące 15 z urządzeniem oceniającym próbki 17 dołączonym do niego i pracujące razem jako tzw. czujnik „of-line”. Kiedy komputer 9 wykryje, że stan w kotle 1 sięga poziom krytyczny i dodatkowe dane będą użyteczne dla strategii sterowania, komputer 9 w momencie czasu, który zostanie przez niego wybrany wyemituje sygnał uruchamiający urządzenie próbkujące 15.
W najprostszym przypadku, urządzenie próbkujące jest uruchamiane ręcznie, kiedy polecenie próbkowania pojawi się na monitorze 11 i pobrana próbka kierowana jest do urządzenia oceniającego próbki 17. W wersji automatycznej, urządzenie próbkujące 15 wybrane przez komputer 9 jest uruchamiane mechanicznie a pobrana próbka skierowana automatycznie do urządzenia oceniającego próbki 17. We wszystkich przypadkach to ostatnie urządzenie wysyła wyniki analizy, korzystnie analizy chemicznej, do komputera 9, który uwzględnia te dane w procesie sterowania.
Claims (10)
1. Sposób sterowa nia procesem a zwłaszcza procesem spalania, w którym mierzony jest stan systemu (st) porównywany następnie z optymalnymi celami (r1), gdzie do sterowania podejmowane są działania nastawcze (a1), znamienny tym, że wyznacza się model procesu (PM), który jest niezależny od optymalnych celów (rj i opisuje skutki działań (at) na stan systemu (st) równaniem st+1= (st, at) przy czym poprzez niezależną od modelu procesu (PM) ocenę sytuacyjną (SB) szacuje się stan systemu (st) za pomocą funkcji jakościowych (ut) z uwzględnieniem optymalnych celów (rj zgodnie z równaniem;
ut = Σ u(r, st)
2. Sposób według zastrz. 1, znamienny tym, że przed faktycznym podjęciem działań nastawczych (a1) w systemie, skutki różnych działań nastawczych (a1) względem stanu systemu (st) są obliczane numerycznie przy pomocy modelu procesu (PM) i oceniane indywidualnie z wykorzystaniem oceny sytuacyjnej (SB) umożliwiając dokonanie optymalnych działań nastawczych.
3. Sposób według zastrz. 2, znamienny tym, że skutki różnych działań nastawczych (a1) względem stanu systemu (st) są obliczane z góry w kilku etapach czasowych (t) oraz wyznaczana jest pewna ogólna jakość (Q).
4. Sposób według zastrz. 1 albo 2, albo 3, znamienny tym, że model procesu (PM) jest na bieżąco precyzyjnie dostrajany w oparciu o bieżące dane pomiarowe dotyczące stanu systemu (st).
5. Sposób według zastrz. 4, znamienny tym, że bieżące dane pomiarowe przed dostarczeniem ich do modelu procesu (PM) przepuszczane są przez filtr szumów.
6. Sposób według zastrz. 5, znamienny tym, że model procesu (PM) przechowywany jest w stale uczącej się sieci neuronowej.
PL 200 961 B1
7. Sposób według zastrz. 6, znamienny tym, że przed rozpoczęciem ciągłego stosowania systemu, w zdlg asinizjzwsnis mzddlg poczdog (PM) dckcngjg oię ozaocansnis pewnej wybranej lizaby orsnbw oystdmg (ót).
8. Sposób według zasOrz. 7, znamien ny tym, że w rozpoznaniu bi^r^oz<^ się pod uwagę najbair daidj wyobwnsnd i wywsżcnd aszhcwywsnis oię w zasoid oyotdmg ocdzaso daisUsnis nsotswzadoc (s1).
9. Sposóbwedłuu zantrz. 8, z namiennytym. że fugkkjerankSci(uU s o ddCieranewedłuu oedoł fgaay Icgiz.
10. Sposóbwedłuu za^rZag. z namiennytym. że dd steroweniaproczeóm sóolaniaw kktle (0 coslsnym osliwdm otsUym, gogzhsmisnid dmgzhswy (6) kctUs (1) i/lgb ocamisoy zagotdk psliw og wykcoayotsnd jskc amidnnd nsotswnd.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10110184A DE10110184A1 (de) | 2001-03-02 | 2001-03-02 | Verfahren zur Regelung eines Verbrennungsprozesses |
DE10112160A DE10112160A1 (de) | 2001-03-14 | 2001-03-14 | Verfahren und Vorrichtung zur Regelung eines Verbrennungsprozesses |
DE10160412A DE10160412A1 (de) | 2001-12-10 | 2001-12-10 | Verfahren zur Überwachung eines Verbrennungsprozesses und Vorrichtung hierzu |
PCT/EP2002/002136 WO2002077527A1 (de) | 2001-03-02 | 2002-02-28 | Verfahren zur regelung eines thermodynamischen prozesses, insbesondere eines verbrennungsprozesses |
Publications (2)
Publication Number | Publication Date |
---|---|
PL363043A1 PL363043A1 (pl) | 2004-11-15 |
PL200961B1 true PL200961B1 (pl) | 2009-02-27 |
Family
ID=27214324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PL363043A PL200961B1 (pl) | 2001-03-02 | 2002-02-28 | Sposób sterowania procesem termodynamicznym a zwłaszcza procesem spalania |
Country Status (14)
Country | Link |
---|---|
US (1) | US7035717B2 (pl) |
EP (1) | EP1364163B1 (pl) |
KR (1) | KR100812491B1 (pl) |
AT (1) | ATE393360T1 (pl) |
BR (1) | BR0207733A (pl) |
CA (1) | CA2438046A1 (pl) |
CZ (1) | CZ20032262A3 (pl) |
DE (1) | DE50212144D1 (pl) |
ES (1) | ES2304446T3 (pl) |
HU (1) | HUP0303894A3 (pl) |
MX (1) | MXPA03007505A (pl) |
PL (1) | PL200961B1 (pl) |
SK (1) | SK10812003A3 (pl) |
WO (1) | WO2002077527A1 (pl) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6505475B1 (en) | 1999-08-20 | 2003-01-14 | Hudson Technologies Inc. | Method and apparatus for measuring and improving efficiency in refrigeration systems |
US20050137995A1 (en) * | 2002-08-16 | 2005-06-23 | Powitec Intelligent Technologies Gmbh | Method for regulating a thermodynamic process by means of neural networks |
EP1391655A1 (de) * | 2002-08-16 | 2004-02-25 | Powitec Intelligent Technologies GmbH | Verfahren zur Überwachung eines thermodynamischen Prozesses |
US8463441B2 (en) * | 2002-12-09 | 2013-06-11 | Hudson Technologies, Inc. | Method and apparatus for optimizing refrigeration systems |
EA200500945A1 (ru) * | 2002-12-09 | 2005-12-29 | Хадсон Текнолоджиз, Инк | Способ и устройство для оптимизации холодильных систем |
GB0304306D0 (en) * | 2003-02-26 | 2003-04-02 | Evans Thomas H | Furnace |
US7536232B2 (en) * | 2004-08-27 | 2009-05-19 | Alstom Technology Ltd | Model predictive control of air pollution control processes |
US20060047607A1 (en) * | 2004-08-27 | 2006-03-02 | Boyden Scott A | Maximizing profit and minimizing losses in controlling air pollution |
US7293388B2 (en) * | 2005-05-13 | 2007-11-13 | Armatron International, Inc. | Adaptive control system |
PL1850069T3 (pl) | 2006-04-25 | 2009-01-30 | Powitec Intelligent Tech Gmbh | Sposób i układ regulacji procesu spalania |
EP1890207B1 (de) | 2006-08-17 | 2009-12-30 | Powitec Intelligent Technologies GmbH | Verfahren zum Erstellen eines Prozessmodells |
ES2473592T3 (es) | 2006-09-30 | 2014-07-07 | Steag Powitec Gmbh | Procedimiento para la regulaci�n de un proceso de combustión |
EP1967792B1 (de) | 2007-03-01 | 2014-12-17 | STEAG Powitec GmbH | Regelkreis zur Regelung eines Verbrennungsprozesses |
WO2009021954A1 (de) * | 2007-08-14 | 2009-02-19 | Siemens Aktiengesellschaft | Verfahren zur steuerung für ein prozessleitsystem und leitsystem zur steuerung eines industrieprozesses |
DE502007005484D1 (de) * | 2007-10-12 | 2010-12-09 | Powitec Intelligent Tech Gmbh | Regelkreis zur Regelung eines Prozesses, insbesondere Verbrennungsprozesses |
EP2080953B1 (de) | 2008-01-15 | 2014-12-17 | STEAG Powitec GmbH | Regelkreis und Verfahren zum Erstellen eines Prozessmodells hierfür |
DE102008056674A1 (de) * | 2008-11-11 | 2010-05-12 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Überwachen der Verbrennung eines Kraftwerks auf der Grundlage einer realen Konzentrationsverteilung eines Stoffes |
EP2246755A1 (de) * | 2009-04-22 | 2010-11-03 | Powitec Intelligent Technologies GmbH | Regelkreis |
US8219247B2 (en) * | 2009-11-19 | 2012-07-10 | Air Products And Chemicals, Inc. | Method of operating a furnace |
US8538963B2 (en) * | 2010-11-16 | 2013-09-17 | International Business Machines Corporation | Optimal persistence of a business process |
CZ304253B6 (cs) * | 2011-09-27 | 2014-01-29 | I & C Energo A. S. | Způsob řízení spalování s využitím pravděpodobnostního modelování a zařízení k provádění tohoto způsobu |
DE102016204759A1 (de) * | 2016-03-22 | 2017-09-28 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, Vorrichtung und mobiles Anwendergerät zur Anpassung einer Kraftstoffversorgung zumindest eines Fahrzeugs |
CN107346353B (zh) * | 2017-06-05 | 2020-07-03 | 民政部一零一研究所 | 一种固体燃烧物燃烧过程仿真方法及服务器 |
US10746470B2 (en) * | 2017-06-29 | 2020-08-18 | Air Products & Chemicals, Inc. | Method of operating a furnace |
EP3474090A1 (de) | 2017-10-20 | 2019-04-24 | aixprocess GmbH | Verfahren zur regelung eines prozesses innerhalb eines systems, insbesondere eines verbrennungsprozesses in einem kessel oder ofen |
IT201800010468A1 (it) | 2018-11-20 | 2020-05-20 | Aixprocess Gmbh | Metodo e dispositivo per controllare un processo all'interno di un sistema, in particolare un processo di combustione all'interno di una centrale elettrica |
KR102106827B1 (ko) | 2018-11-30 | 2020-05-06 | 두산중공업 주식회사 | 보일러 연소의 최적화를 위한 시스템 및 방법 |
US12050441B2 (en) | 2019-04-10 | 2024-07-30 | Aixprocess Gmbh | Method for controlling a process within a system, particularly a combustion process in a boiler or furnace |
CN114729743B (zh) | 2019-09-03 | 2023-04-11 | Sl技术有限公司 | 具有优化烟道气体处理的生物质加热系统 |
EP4056899B1 (de) * | 2021-03-09 | 2023-07-05 | SL-Technik GmbH | Drehrost mit einer brennstoffunabhängigen reinigungseinrichtung für eine biomasse-heizanlage und verfahren zum abreinigen des drehrostes |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5353207A (en) * | 1992-06-10 | 1994-10-04 | Pavilion Technologies, Inc. | Residual activation neural network |
US5517424A (en) * | 1994-03-31 | 1996-05-14 | Electric Power Research Institute, Inc. | Steam turbine fuzzy logic cyclic control method and apparatus therefor |
US5933345A (en) * | 1996-05-06 | 1999-08-03 | Pavilion Technologies, Inc. | Method and apparatus for dynamic and steady state modeling over a desired path between two end points |
US6122557A (en) * | 1997-12-23 | 2000-09-19 | Montell North America Inc. | Non-linear model predictive control method for controlling a gas-phase reactor including a rapid noise filter and method therefor |
US6505475B1 (en) * | 1999-08-20 | 2003-01-14 | Hudson Technologies Inc. | Method and apparatus for measuring and improving efficiency in refrigeration systems |
-
2002
- 2002-02-28 KR KR1020037011526A patent/KR100812491B1/ko not_active IP Right Cessation
- 2002-02-28 CA CA002438046A patent/CA2438046A1/en not_active Abandoned
- 2002-02-28 ES ES02753707T patent/ES2304446T3/es not_active Expired - Lifetime
- 2002-02-28 AT AT02753707T patent/ATE393360T1/de not_active IP Right Cessation
- 2002-02-28 CZ CZ20032262A patent/CZ20032262A3/cs unknown
- 2002-02-28 MX MXPA03007505A patent/MXPA03007505A/es unknown
- 2002-02-28 SK SK1081-2003A patent/SK10812003A3/sk unknown
- 2002-02-28 HU HU0303894A patent/HUP0303894A3/hu unknown
- 2002-02-28 EP EP02753707A patent/EP1364163B1/de not_active Expired - Lifetime
- 2002-02-28 PL PL363043A patent/PL200961B1/pl unknown
- 2002-02-28 DE DE50212144T patent/DE50212144D1/de not_active Expired - Lifetime
- 2002-02-28 BR BR0207733-7A patent/BR0207733A/pt not_active IP Right Cessation
- 2002-02-28 WO PCT/EP2002/002136 patent/WO2002077527A1/de active IP Right Grant
-
2003
- 2003-09-02 US US10/653,475 patent/US7035717B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CZ20032262A3 (cs) | 2003-12-17 |
MXPA03007505A (es) | 2003-12-04 |
KR20030077662A (ko) | 2003-10-01 |
SK10812003A3 (sk) | 2004-01-08 |
CA2438046A1 (en) | 2002-10-03 |
PL363043A1 (pl) | 2004-11-15 |
WO2002077527A1 (de) | 2002-10-03 |
ES2304446T3 (es) | 2008-10-16 |
ATE393360T1 (de) | 2008-05-15 |
BR0207733A (pt) | 2004-03-23 |
HUP0303894A3 (en) | 2004-08-30 |
US7035717B2 (en) | 2006-04-25 |
DE50212144D1 (de) | 2008-06-05 |
KR100812491B1 (ko) | 2008-03-11 |
HUP0303894A2 (hu) | 2004-03-01 |
EP1364163B1 (de) | 2008-04-23 |
EP1364163A1 (de) | 2003-11-26 |
US20040044423A1 (en) | 2004-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
PL200961B1 (pl) | Sposób sterowania procesem termodynamicznym a zwłaszcza procesem spalania | |
DE102004052433B4 (de) | Gasturbinen-Regelungsvorrichtung, Gasturbinensystem und Gasturbinen-Regelungsverfahren | |
US8509924B2 (en) | Process control and optimization technique using immunological concepts | |
JP7443683B2 (ja) | 自動燃焼制御方法および監視センタ | |
KR20090037829A (ko) | 프로세스, 특히 연소 프로세스를 조절하기 위한 제어 루프 | |
US5890444A (en) | Method for determining the average radiation of a burning bed in combustion installations and for controlling the combustion process | |
US8340789B2 (en) | System for monitoring and optimizing controllers for process performance | |
US7610252B2 (en) | Method for developing a process model | |
US20090182441A1 (en) | Control loop and method of creating a process model therefor | |
KR100422962B1 (ko) | 증기발전설비에서연소를제어하기위한방법및장치 | |
US8019446B2 (en) | Control loop for regulating a combustion process | |
US7637735B2 (en) | Procedure for regulating a combustion process | |
JPH1068514A (ja) | ごみ焼却炉の燃焼制御方法 | |
JP2021173497A (ja) | 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置 | |
JP2007519089A5 (pl) | ||
JP2007519089A (ja) | 固形廃棄物焼却施設のための熱負荷の予測的評価の方法及び装置 | |
CN113167473B (zh) | 一种对系统内燃烧过程进行调控的方法及装置 | |
US20080015826A1 (en) | Method And Device Of Predictive Assessment Of Thermal Load For Solid Waste Incineration Plants | |
JP2000234717A (ja) | 燃焼炉の炉内圧力制御方法とその制御装置 | |
Stephan et al. | Application of action dependent heuristic dynamic programming to control an industrial waste incineration plant | |
JP2021173495A (ja) | 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置 | |
JP2965142B2 (ja) | 燃焼炉の適応・予測制御方法および適応・予測制御装置 | |
JP2021173496A (ja) | 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置 | |
CN117870763A (zh) | 一种烘干异常检测方法 | |
Jarc et al. | USING CLOSED-LOOP DYNAMIC OPTIMIZATION TO IMPROVE BOILER EFFICIENCY AT CHEMOPETROL’S LITVINOV PLANT |