鍋爐氧含量在線測量的研究

孫博海，仲亞

（廣西大學電氣工程學院，廣西 南寧 530004）

鍋爐氧含量在線測量的研究

孫博海，仲亞

（廣西大學電氣工程學院，廣西 南寧 530004）

鍋爐尾部煙氣氧含量的測量精確度對提高鍋爐燃燒經(jīng)濟性有重要意義，但目前市面上的氧含量檢測儀表如氧化鋯測量探頭可靠性差，壽命短，制造成本高等問題，使得氧含量在線測量成為各行業(yè)難以解決的問題。本文主要闡述了如何把軟測量技術應用于鍋爐的尾部煙氣氧含量測量中。對于氧含量，我們可選擇其他較易測量，又與氧含量有聯(lián)系的變量進行測量，再尋找它們之間的函數(shù)關系，從而算出或估測出氧含量。通過多元回歸和神經(jīng)網(wǎng)絡的方法分別建立氧含量的軟測量模型，并進行分析對比，仿真結果表明，神經(jīng)網(wǎng)絡所建軟測量模型的測量數(shù)值變化可更好的反映氧含量變化。

多元回歸；神經(jīng)網(wǎng)絡；氧含量；軟測量

隨著人們對環(huán)境保護這一理念更加重視，許多廢氣排放多的企業(yè)如水泥廠、石油煉廠、火力發(fā)電廠等單位，已經(jīng)著眼于如何提高燃燒率，減少尾氣排放，節(jié)省能源，綠色生產(chǎn)等問題，力求做到高效低排，為企業(yè)謀求更長遠、更健康的發(fā)展。如何做到實現(xiàn)在線監(jiān)測燃燒煙氣中的氧含量，調(diào)節(jié)助燃空氣和燃料的比例，確定最佳的空氣消耗系數(shù)，及時的調(diào)整燃燒過程中的空燃比，從而提高鍋爐整體的燃燒效率成為了當務之急。鍋爐一直都是能源消耗大戶，合理調(diào)控鍋爐中的各個參數(shù)，實現(xiàn)優(yōu)化燃燒是提高燃燒率、減少污染物的排放，保護環(huán)境最有效的手段之一。

1　軟測量

1.1軟測量技術

軟測量的基本思想就是將自動控制理論與生產(chǎn)過程當中的各種知識有機的結合在一起。在實際生產(chǎn)過程中，那些關鍵變量我們往往不能通過儀器直接測出，或者測量成本太大，這時候我們就可以選擇其他較易測量，又與關鍵變量有聯(lián)系的變量進行測量，再通過尋找這些變量與關鍵變量之間的函數(shù)關系，從而達到測量這些變量就能算出或估測出關鍵變量的目的。應用軟測量技術去實現(xiàn)各元素含量的在線檢測不僅可靠經(jīng)濟，而且響應迅速，可連續(xù)給出萃取過程中元素成分的含量,更容易控制產(chǎn)品質(zhì)量。

1.2鍋爐氧含量軟測量模型的建立

在軟測量技術運用過程中，軟測量模型的建立才是重中之重。它區(qū)別于一般意義下的數(shù)學模型，它的側(cè)重點是通過二次變量來獲得對主導變量的最優(yōu)估計。下面就介紹幾種常見的軟測量模型的建立方法。

基于回歸分析的建模方法：采用統(tǒng)計回歸方法可建立以下軟測量模型

使用PCR法將上式改寫為矩陣形式：Y=MTX。

對上式進行奇異值分解，得到：

如果是線性系統(tǒng)，無論是采用PCR還是PLS，它的效果完全一樣，但如果是非線性系統(tǒng)，那么后者的效果要更好一些（如果PLS考慮了所有的方向，則還原為標準最小二乘法問題）。在工業(yè)生產(chǎn)過程中，常常通過對生產(chǎn)過程的歷史數(shù)據(jù)進行回歸分析，從而建立起質(zhì)量指標的軟測量模型，進而在線估計其產(chǎn)品的質(zhì)量。

2　多元回歸分析

經(jīng)典的回歸分析是一種基本的建模方法，也是應用最廣泛的初等建模方法。建立在最小二乘法原理之上的一元或多元線性回歸技術已經(jīng)發(fā)展的相當成熟，多用于線性系統(tǒng)和簡單的控制系統(tǒng)。當自變量不多時，可以采用多元線性回歸的逐步回歸技術，從而得出較為理想的軟測量模型。而當自變量較多時，往往處理起來就比較復雜，先通過機理法或經(jīng)驗法獲得對象的各變量大致框架，然后再利用逐步回歸法得出軟測量模型。為了彌補此時系統(tǒng)的誤差，往往需要大量的實驗數(shù)據(jù)，以及對測量誤差進行有效的處理。一般這種情況，多元回歸并不是一個很好的選擇。

2.1基于多元回歸分析方法的軟測量模型建立

在鍋爐的運行過程中，煙氣氧含量一直是監(jiān)測燃燒標準的一個重要參數(shù)。我們本次實驗是利用鍋爐燃燒過程中容易測取的部分參數(shù)擋板開度、燃料量、空氣量、過熱蒸汽流量、真空度、爐膛溫度等，再按照這些參數(shù)與煙氣含氧量之間存在的某種函數(shù)關系模型對煙氣含氧量進行預測。以下是實驗儀器通過仿真模擬生成的數(shù)據(jù)，建立煙氣含氧量的軟測量模型。在實驗平臺SMPT1000選取相關參數(shù)與用儀器測量的煙氣含氧量作為實驗數(shù)據(jù)導入所建模型，并利用MATLAB得出回歸方程，再對方程中的各項系數(shù)進行分析。最后得出的含氧量回歸方程為：

y=4.5023-0.075x1-6.5268x2+0.4583x3+0.0387x4-0.0014x6-0.0015x6（3）

式中x1……x6分別對應著擋板開度、燃料量、空氣量、過熱蒸汽流量、真空度、爐膛溫度。利用建立的分析回歸模型對煙氣含氧量的預測進行檢驗，檢驗結果表明，分析回歸模型對煙氣含氧量的預測誤差較大，因子回歸后與實際模型比較的誤差如圖1-a。

在這次仿真實驗中，我們總共測取了1818組數(shù)據(jù)，選取2/3為訓練樣本，1/3為測試樣本。從圖中可以看出，部分區(qū)域誤差較大，分析實驗數(shù)據(jù)可以發(fā)現(xiàn)較多壞數(shù)據(jù)，剔除掉壞數(shù)據(jù)后，再次進行擬合，得到修改后的曲線對比如下圖1-b所示。從數(shù)據(jù)圖中我們可以看到曲線較之前者有了些許改善，但整體來說誤差依然很明顯。從數(shù)據(jù)上分析，第一，數(shù)據(jù)是從實驗儀器上仿真得來，與實際值有較大出入，在部分數(shù)據(jù)中存在不符合實際的突變，這些突變導致擬合曲線在部分位置與實際值出入較大；第二，數(shù)據(jù)本身不具備線性，用多元回歸分析非線性的數(shù)據(jù)始終不如線性系統(tǒng)的擬合來的優(yōu)秀。

3　人工神經(jīng)網(wǎng)絡

基于對人腦神經(jīng)網(wǎng)絡的系統(tǒng)研究上，用數(shù)理方法從信息處理的角度對人腦神經(jīng)網(wǎng)絡進行抽象，并建立某種簡化模型，按不同的連接方式組成不同的網(wǎng)絡就稱為人工神經(jīng)網(wǎng)絡，它只是對生物的神經(jīng)網(wǎng)絡進行了簡化、抽象與模擬。因此，人工神經(jīng)網(wǎng)絡是一種以人腦結構及其功能為基礎之上建立的信息處理系統(tǒng)。

3.1基于多元回歸分析方法的軟測量模型建立

BP（Back-Propagation）神經(jīng)網(wǎng)絡是目前研究最為全面、系統(tǒng)、也是使用最多的人工神經(jīng)網(wǎng)絡模型之一。神經(jīng)網(wǎng)絡的結構并不復雜，對于其他方法無法處理的棘手問題非線性系統(tǒng)，它也能輕松駕馭。人工神經(jīng)網(wǎng)絡包含了許多最基本的組成單位——神經(jīng)元。對于不同的神經(jīng)網(wǎng)絡，其神經(jīng)元的激勵函數(shù)、網(wǎng)絡的拓撲結構以及學習算法是不同的。探究燃油鍋爐的燃燒過程，結合實際鍋爐的運行特點，煙氣氧含量與燃油量、鼓風量、油氣壓差（燃油與霧化蒸汽的壓差）、燃油溫度、煙氣溫度等相關，據(jù)此，確立其輸入輸出模式的映射關系，如圖2-a所示。上述的映射關系，用三層BP神經(jīng)元網(wǎng)絡來實現(xiàn)，網(wǎng)絡結構如圖2-b所示。

3.2數(shù)據(jù)的處理

數(shù)據(jù)處理的方法選用了歸一化的方法，取2/3樣本為訓練樣本，剩余1/3為測試樣本，得出的仿真結果如圖3-a；從圖中我們不難發(fā)現(xiàn)，數(shù)據(jù)的誤差在不斷增大，仔細觀察數(shù)據(jù)可以發(fā)現(xiàn)，部分數(shù)據(jù)隨著時間的遞增呈規(guī)律變化，因此，我們可以采取MATLAB中滑動窗函數(shù)對數(shù)據(jù)進行處理，使其做到定期更新。數(shù)據(jù)處理后得出的仿真圖如圖3-b；從圖中可以看出，處理后得出的曲線精確度有了大大的提高。擬合后的曲線與實際值基本吻合，也就是說明，用神經(jīng)網(wǎng)絡作為軟測量的方法，利用大量相關變量做數(shù)據(jù)樣本，可以基本做到對氧含量的估測。

4　結語

測量尾部煙氣氧含量，從而判斷當前鍋爐燃燒情況，是提高鍋爐燃燒效率最直接也是最有效的方法。而通過軟測量的方法有很多，本文主要通過使用多元回歸分析法和神經(jīng)網(wǎng)絡法這兩種軟測量的方法對鍋爐氧含量進行分析處理，我們發(fā)現(xiàn)這種軟測量的方法還是實際可行的。從多元回歸的仿真圖可以看出，結果雖不盡人意，但是總體趨勢是正確的，在處理非線性系統(tǒng)時，多元回歸并不是很優(yōu)秀。與之不同的是神經(jīng)網(wǎng)絡在處理復雜非線性系統(tǒng)的時候有著不可替代的優(yōu)勢。雖然沒有經(jīng)過實際生產(chǎn)的考驗，但是單單從實驗結果我們可以看出，模型是十分成功的，這也為日后的研究提出了一種新的思路與方向。

[1] 王建.軟測量輔助變量選擇方法研究[J].電力科學與工程，2011,37~40.

[2] 馬銳編.人工神經(jīng)網(wǎng)絡原理[M].北京：機械工業(yè)出版社，2010:17~19.

[3] 谷廷華，等.改進的基于神經(jīng)網(wǎng)絡的非線性多元回歸分析[J].計算技術與自動化，2004(4)．

圖1　分析因子回歸與實際模型比較

圖3 神經(jīng)網(wǎng)絡擬合曲線與實際值

圖2　

TM621.2

A

1671-0711（2016）09（上）-0114-02