燃?xì)鉄嶂禂?shù)值模擬與預(yù)測優(yōu)化控制

李 陽， 劉丕亮， 崔桂梅

（內(nèi)蒙古科技大學(xué)信息工程學(xué)院，內(nèi)蒙古包頭014010）

0 引 言

高爐熱風(fēng)爐燃燒過程能耗占鋼鐵工業(yè)總能耗40%，因高爐爐況不穩(wěn)定、高爐煤氣熱值波動頻繁，此外熱風(fēng)爐固定空燃比燃燒導(dǎo)致無法根據(jù)波動的高爐煤氣熱值去匹配最佳助燃空氣。上述兩種情況均影響熱風(fēng)爐的高效燃燒，導(dǎo)致生產(chǎn)過程能耗偏高。減少燃燒過程能耗的關(guān)鍵是：空燃比及時調(diào)整、準(zhǔn)確有效檢測出燃?xì)鉄嶂岛图皶r做出合理供氣方案?，F(xiàn)階段為了改善以上問題，在熱風(fēng)爐煙道閥安裝氧化鋯殘氧分析儀存在很多問題，例如：氧化鋯殘氧分析儀前期投資成本大、后期維護(hù)費用高、在實際生產(chǎn)過程中使用壽命短的緣故被擱置。針對以上問題，本文設(shè)計了燃?xì)鉄嶂捣治隹刂葡到y(tǒng)，該系統(tǒng)和熱風(fēng)爐控制系統(tǒng)并行作為熱風(fēng)爐控制系統(tǒng)的并行前饋控制環(huán)節(jié)［1-3］。

如圖1 所示，高爐煤氣和空氣混合后，提前在燃?xì)鉄嶂捣治鱿到y(tǒng)內(nèi)進(jìn)行小規(guī)模燃燒，通過1% ～2%殘氧含量、廢氣溫度和廢氣CO 含量綜合調(diào)整該小系統(tǒng)空燃比即是熱風(fēng)爐控制系統(tǒng)的空燃比，由于在本系統(tǒng)中高爐煤氣流量和熱風(fēng)爐控制系統(tǒng)相比要小很多，參與檢測燃燒氣體流量相應(yīng)較小，使得氧化鋯使用率降低，延長系統(tǒng)使用壽命。本文還提出利用改進(jìn)粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)（Particle Swarm Optimization-Radial basis function，PSO-RBF）在燃?xì)鉄嶂捣治鱿到y(tǒng)殘氧含量穩(wěn)定在1% ～2%時即熱風(fēng)爐控制系統(tǒng)穩(wěn)定運(yùn)行的情況下，將改進(jìn)PSO-RBF神經(jīng)網(wǎng)絡(luò)算法預(yù)測的燃?xì)鉄嶂底鳛橛嬃扛郀t煤氣熱值并輔助本系統(tǒng)優(yōu)化空燃比的重要參考依據(jù)。

圖1 殘氧燃?xì)鉄嶂捣治鰴z測系統(tǒng)結(jié)構(gòu)圖

1 熱值儀系統(tǒng)

1.1 系統(tǒng)簡介

殘氧燃?xì)鉄嶂捣治鰴z測系統(tǒng)其結(jié)構(gòu)如圖2 所示［4］，由PLC控制、燃燒控制、組態(tài)顯示和燃?xì)鉄嶂涤嬎愕认到y(tǒng)構(gòu)成。PLC控制系統(tǒng)主要控制空氣與煤氣管道的通斷、流量的給進(jìn)和數(shù)據(jù)傳輸功能。煤氣流量經(jīng)過兩級穩(wěn)壓裝置進(jìn)入燃燒器內(nèi)抑制煤氣壓力波動，穩(wěn)定入爐煤氣量。燃燒控制環(huán)節(jié)通過修正空燃比，調(diào)節(jié)空氣流量，將殘氧穩(wěn)定在1% ～2%內(nèi)，當(dāng)殘氧量超出1% ～2%時，通過控制器調(diào)節(jié)助燃空氣的流量修正空燃比，將煙道殘氧量限定在1% ～2%內(nèi)。

圖2 熱值儀系統(tǒng)結(jié)構(gòu)圖

1.2 CO控制策略

CO濃度是否超標(biāo)對整個殘氧燃?xì)鉄嶂迪到y(tǒng)運(yùn)行環(huán)節(jié)有重要意義，由于CO 危害人體健康，CO 濃度大于100 ×10-6時，人體出現(xiàn)頭暈癥狀，CO濃度大于600×10-6時，人體就會有中毒反應(yīng)；在實驗過程中為了避免此類現(xiàn)象，熱值儀系統(tǒng)點火之前對煙氣管道的CO濃度進(jìn)行檢測，判斷CO 濃度是否超出200 ×10-6，若超出，則調(diào)節(jié)空氣調(diào)節(jié)閥讓過量空氣給入燃燒室中稀釋CO濃度，若小于200 ×10-6，則進(jìn)行點火操作，此時要時刻注意煙道中的殘氧含量是否在1%-2%內(nèi)，殘氧含量超出2%和不足1%都要經(jīng)過調(diào)節(jié)空氣調(diào)節(jié)閥對空燃比例進(jìn)行糾正，將殘氧含量濃度重新控制在1%-2%，CO控制策略的結(jié)構(gòu)圖如圖3 所示。

圖3 CO控制策略圖

1.3 空氣調(diào)節(jié)閥控制

本次設(shè)計對燃?xì)鈿堁鯔z測儀空氣調(diào)節(jié)閥進(jìn)行更換，并將PI控制改為模糊PI控制，將空氣調(diào)節(jié)閥等效為一階系統(tǒng)，模糊控制器輸入為空氣流量偏差e、偏差變化量ec，模糊控制器輸出為調(diào)節(jié)閥空氣輸出量。空氣調(diào)節(jié)閥模糊PI 控制框圖如圖4 所示，系統(tǒng)Simlink仿真如圖5 所示，模糊PI控制器和PI控制器在Matlab上仿真結(jié)果相比響應(yīng)更快，可滿足控制空氣流量調(diào)節(jié)閥快速響應(yīng)需求，如圖6 所示。

圖4 空氣調(diào)節(jié)閥模糊PI控制框圖

圖5 Simlink系統(tǒng)搭建

圖6 系統(tǒng)仿真對比

1.4 燃?xì)鉄嶂蹬c殘氧含量相關(guān)性實驗探究

高爐煤氣含量復(fù)雜，CO 是主要可燃?xì)怏w，約占33%。為了論證殘氧含量和高爐煤氣熱值之間關(guān)系。在實驗室中選取煤氣作為實驗對象，為了證明實驗結(jié)果可靠性，另選取天然氣進(jìn)行對比。

定空燃比條件下，根據(jù)CO燃燒的化學(xué)方程式：

可知一方煤氣充分燃燒理論上需要0.5 方氧氣，而空氣中含氧量是21%，所以一方煤氣大約需要2.4方空氣，因此煤氣充分燃燒時理論空燃比大概是2.4∶1。天然氣的主要成分是CH4，根據(jù)燃燒的化學(xué)方程式：

可知一方天然氣要2 方氧氣，所以一方天然氣大約需要9.5 方空氣，因此天然氣充分燃燒時的理論空燃比是9.5∶1。實驗過程中通過調(diào)節(jié)空氣管道中電動調(diào)節(jié)閥，使煤氣與空氣保持在理論上的大概空燃比，殘氧分析儀通過采集煙道內(nèi)殘氧含量，得到空燃比、殘氧含量的數(shù)據(jù)。

燃?xì)鉄嶂涤扇缦陆?jīng)驗計算：

式（1）～（3）中：H 為燃?xì)獍l(fā)熱量，kJ／m3；Fg為燃?xì)饬髁?，m3／h；Fa為空氣流量，m3／h；CPs 為混合氣體燃燒后的定壓比熱，kJ／（m3·℃）；r 為燃?xì)猓諝猓?.02 ～0.005；h為華白，燃?xì)鉄嶂抵笖?shù)；g 為燃?xì)庀鄬γ芏龋籥為空氣相對密度；pa為空氣壓力；pg為燃?xì)鈮毫?；Q 為熱值；W為比重，燃?xì)庀鄬γ芏龋ǜ稍锟諝饷芏龋?.239mg／cm3）。

燃?xì)鉄嶂怠⒖杖急取堁鹾康臄?shù)據(jù)見表1、2。

表1 煤氣熱值

表2 天然氣熱值

由表中數(shù)據(jù)可得，當(dāng)殘氧含量控制在1% ～2%內(nèi)，天然氣和煤氣熱值均與殘氧含量基本上成線性的關(guān)系。殘氧含量與熱值線性關(guān)系如圖7、8 所示。

圖7 煤氣熱值殘氧關(guān)系圖

圖8 天然氣熱值與殘氧關(guān)系圖

對燃?xì)饬髁?、燃?xì)鈮毫Α⒖諝饬髁?、空氣壓力、殘?含量、溫度做相關(guān)性分析，見表3。

表3 相關(guān)性分析

由表3 可知溫度與燃?xì)鉄嶂迪嚓P(guān)性最小，故將燃?xì)饬髁俊⑷細(xì)鈮毫?、空氣流量和空氣壓力和殘氧含量作為燃?xì)鉄嶂殿A(yù)測輸入節(jié)點。

2 RBF神經(jīng)網(wǎng)絡(luò)

2.1 燃?xì)鉄嶂殿A(yù)測神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是3 層前饋神經(jīng)網(wǎng)絡(luò)［5-9］，通過非線性基函數(shù)的線性組合實現(xiàn)映射關(guān)系，具體如圖9所示。

圖9 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

燃?xì)鉄嶂殿A(yù)測的RBF神經(jīng)網(wǎng)絡(luò)有5 個輸入節(jié)點、一個輸出節(jié)點，通過式（4）以及適湊法對構(gòu)造的神經(jīng)網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練誤差對比：

式中：k為隱含層節(jié)點數(shù)目；m為輸入層節(jié)點數(shù)目；n為輸出層節(jié)點數(shù)目。得到神經(jīng)絡(luò)有6 個隱層節(jié)點時預(yù)測結(jié)果誤差最小，用高斯函數(shù)做隱含層神經(jīng)元激活函數(shù)：

式中：ci為第i個隱含結(jié)點中心；δi為隱含結(jié)點寬度。

線性函數(shù)作為輸出層神經(jīng)元激活函數(shù)：

式中：wi為隱含層中第i個結(jié)點到輸出節(jié)點的權(quán)值；m為隱含層結(jié)點個數(shù)。

2.2 基于改進(jìn)粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)

選取適當(dāng)?shù)妮敵鰴?quán)重wi，隱含層單元中心ci，以及寬度δi，但一般找到合適的wi，ci，δi很難，利用PSO搜索能力快和全局尋優(yōu)能力強(qiáng)的特點對隱含層中高斯函數(shù)的3 個重要參數(shù)進(jìn)行優(yōu)化，為了避免PSO在提高收斂速度的前提下，不易陷入局部極小值的情況，對原有PSO算法進(jìn)行改進(jìn)［10］。

假設(shè)在K 維的解向量中有n 個粒子，第i 個粒子的位置向量為：為速度向量；是第i個粒子的最優(yōu)位置；Pi是群最優(yōu)位

每個粒子在迭代過程中更新自己的速度和位置：

式中：w 為慣性權(quán)重；c1、c2為學(xué)習(xí)因子；η 為［0，1］的隨機(jī)數(shù)。

采用線性遞減權(quán)值策略求解權(quán)值：

式中：Gk為最大迭代次數(shù)；wini為初始慣性權(quán)值；wend為迭代至最大凈化代數(shù)時的慣性權(quán)值；l 為Gk的調(diào)節(jié)參數(shù)。取Gk＝1 000，wini＝0.10，wend＝0.90。

結(jié)合線性遞減權(quán)值策略，在原粒子更新速度式中加入收縮因子

式中：φ ＝c1＋c2，（φ ＞4）；根據(jù)多次試驗驗證，當(dāng)φ ＝4.1 時，收斂因子α ＝0.729。

改進(jìn)后新粒子速度及位置：

在收斂因子α和權(quán)重系數(shù)w 共同作用下，對傳統(tǒng)PSO優(yōu)化算法進(jìn)行改進(jìn)，提高粒子在全局搜索精度及速度。

3 仿真實驗研究

為了驗證改進(jìn)PSO-RBF模型性能，在某鋼廠實驗平臺采集數(shù)據(jù)進(jìn)行仿真實驗，選取800 個數(shù)據(jù)訓(xùn)練集構(gòu)建燃?xì)鉄嶂殿A(yù)測模型，200 個做數(shù)據(jù)作為測試集，在訓(xùn)練前對燃?xì)鉄嶂禂?shù)據(jù)進(jìn)行歸一化處理：

將歸一之后的訓(xùn)練樣本輸入到模型中進(jìn)行訓(xùn)練，分別對型參數(shù)進(jìn)行優(yōu)化。對預(yù)測結(jié)果進(jìn)行反歸一化處理：

式中：x′為歸一化后的燃?xì)鉄嶂?；xmax和xmin分別為燃?xì)鉄嶂档淖畲笾岛妥钚≈怠?/p>

經(jīng)過反復(fù)訓(xùn)練測試BP、RBF 和TS-FNN 3 種算法［11-14］，得到預(yù)測曲線并做相應(yīng)對比，如圖10 所示。圖中給出了實際燃?xì)鉄嶂蹬c各預(yù)測模型預(yù)測曲線。由圖10 可見，RBF神經(jīng)網(wǎng)絡(luò)相對于BP 和TS-FNN 神經(jīng)網(wǎng)絡(luò)，預(yù)測準(zhǔn)確性高，燃?xì)鉄嶂殿A(yù)測效果較好，說明RBF在燃?xì)鉄嶂殿A(yù)測上比其他神經(jīng)網(wǎng)絡(luò)更準(zhǔn)確。

圖10 BP、RBF和T-SFNN神經(jīng)網(wǎng)絡(luò)燃?xì)忸A(yù)測曲線對比圖

將預(yù)測模型權(quán)值分別通過GA 和PSO 優(yōu)化，對仿真結(jié)果進(jìn)行分析比較，如圖11 所示?？梢园l(fā)現(xiàn)GARBF預(yù)測模型對于燃?xì)鉄釟鉄嶂殿A(yù)測有所改善，但改進(jìn)PSO-RBF模型預(yù)測精度效果更準(zhǔn)確；改進(jìn)PSO-RBF和GA-RBF預(yù)測誤差曲線如圖12 所示，由圖可見GARBF建模方法產(chǎn)生的誤差波動較大尤其是在60 ～80 min階段出現(xiàn)跳變，PSO-RBF 誤差曲線波動幅度明顯較小。

圖11 改進(jìn)GA-RBF、PSO-RBF神經(jīng)網(wǎng)絡(luò)燃?xì)忸A(yù)測對比圖

圖12 GA-RBF、改進(jìn)PSO-RBF誤差曲線圖

兩種方法的性能評價指標(biāo)對比，見表4。

表4 RBF、GA-RBF、改進(jìn)PSO-RBF神經(jīng)網(wǎng)絡(luò)性能評價表

由表4 可見，改進(jìn)PSO-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型優(yōu)于GA-RBF預(yù)測模型，具體體現(xiàn)在：

（1）預(yù)測精度。改進(jìn)PSO-RBF 神經(jīng)網(wǎng)絡(luò)平均相對誤差在8.85%左右，低于RBF（0.119 5）、GA-RBF神經(jīng)網(wǎng)絡(luò)（9.59%）。

（2）泛化能力。改進(jìn)PSO-RBF 神經(jīng)網(wǎng)絡(luò)泛化能力優(yōu)于對比模型。

（3）命中率。改進(jìn)PSO-RBF 神經(jīng)網(wǎng)絡(luò)命中率在95%，明顯高于GA-RBF神經(jīng)網(wǎng)絡(luò)命中率89%。

由此可見，改進(jìn)PSO-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測精度要明顯優(yōu)于其他神經(jīng)網(wǎng)絡(luò)，有更好的辨識度。本文提出的算法可以較準(zhǔn)確的計量高爐煤氣熱值。

4 結(jié) 語

綜上，針對實際現(xiàn)場固定空燃比燃燒導(dǎo)致無法根據(jù)波動燃?xì)鉄嶂灯ヅ渥罴阎伎諝猓约把趸啔堁醴治鱿到y(tǒng)費用高，高爐煤氣熱值高低未知、煤氣計費標(biāo)準(zhǔn)單一等問題，新型殘氧熱值分析檢測系統(tǒng)并行于熱風(fēng)爐控制系統(tǒng)，有效的改善以上窘境，并提出了在工業(yè)應(yīng)用領(lǐng)域上，高爐煤氣熱值檢測新方法，對評價高爐煤氣質(zhì)量、熱風(fēng)爐燃燒狀態(tài)、優(yōu)化熱風(fēng)爐空燃比、計量高爐煤氣費用均有重大意義，上述結(jié)果表明新型燃?xì)鉄嶂捣治鰴z測系統(tǒng)有實際應(yīng)用價值，可將其用于今后工業(yè)燃?xì)鈾z測和空燃比優(yōu)化與設(shè)定場景中，有利于提高經(jīng)濟(jì)效益、減少廢氣排放。