智能控制策略在燃?xì)忮仩t燃燒優(yōu)化中的應(yīng)用

楊 凱 薛美盛

（1.中國空空導(dǎo)彈研究院；2.中國科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院）

在燃燒控制系統(tǒng)中，空氣調(diào)節(jié)系統(tǒng)的任務(wù)是保證進(jìn)入燃燒系統(tǒng)的燃料充分燃燒，使其達(dá)到最高的燃燒效率［1］。由于鍋爐燃燒系統(tǒng)具有強(qiáng)耦合、非線性等特點(diǎn)，導(dǎo)致燃燒過程的燃燒效率受諸多因素的影響，其中空燃比就是一個(gè)重要指標(biāo)。 空燃?xì)獗戎苯記Q定煙氣中的氧含量值，而煙氣的氧含量值能夠反映系統(tǒng)的燃燒效率，因此人們不斷尋找空燃比的優(yōu)化方法，以提高燃燒效率，實(shí)現(xiàn)經(jīng)濟(jì)燃燒。

燃?xì)忮仩t燃燒系統(tǒng)中能反映燃燒狀態(tài)的參數(shù)除了煙氣氧含量之外，還有一個(gè)重要參數(shù)就是爐膛溫度［2，3］。對爐膛溫度起決定性的因素是煤氣燃燒后它的產(chǎn)物所能達(dá)到的溫度，確保爐膛溫度始終處在最高值的附近，實(shí)質(zhì)上就是在實(shí)現(xiàn)經(jīng)濟(jì)燃燒。 筆者針對某現(xiàn)場燃?xì)忮仩t控制系統(tǒng)，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)用于描述影響爐膛溫度各因素之間的關(guān)系，運(yùn)用粒子群優(yōu)化算法和模糊控制算法設(shè)計(jì)并實(shí)現(xiàn)了一套可用于鍋爐燃燒系統(tǒng)的智能控制策略， 成功改造了原有的燃燒控制系統(tǒng)，在現(xiàn)場取得了良好的應(yīng)用效果。

1 構(gòu)建燃燒系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型

由于燃燒系統(tǒng)具有非線性、 強(qiáng)耦合的特點(diǎn)，若采用建立精確數(shù)學(xué)模型的方式來模擬復(fù)雜多變的燃燒過程， 將導(dǎo)致構(gòu)建出的模型異常復(fù)雜，難以應(yīng)用［4，5］。然而人工神經(jīng)網(wǎng)絡(luò)在非線性擬合方面有著良好的性能，能夠滿足對該過程的建模需求，故采用BP神經(jīng)網(wǎng)絡(luò)對燃燒過程建模，然后利用構(gòu)建出的模型設(shè)計(jì)相應(yīng)的控制器［6］。

構(gòu)建神經(jīng)網(wǎng)絡(luò)模型， 首先要選取合適的數(shù)據(jù)。 通過采集某燃燒系統(tǒng)的輸入輸出數(shù)據(jù)，經(jīng)過對數(shù)據(jù)的反復(fù)篩選，選出能夠反映燃燒系統(tǒng)運(yùn)行過程中的一些關(guān)鍵參數(shù)，并進(jìn)行預(yù)處理。 經(jīng)過預(yù)處理后共選出5 000組樣本數(shù)據(jù)，其中每組數(shù)據(jù)包含爐膛溫度、上層空氣閥開度、上層煤氣閥開度、下層空氣閥開度、下層煤氣閥開度、煤氣和空氣總管流量，共7個(gè)變量。 圖1是均值濾波處理后的爐膛溫度數(shù)據(jù)。

圖1 均值濾波處理后的爐膛溫度曲線

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型用于描述影響爐膛溫度各變量之間的關(guān)系。 數(shù)據(jù)劃分采用隨機(jī)抽取的方式，抽取樣本數(shù)據(jù)的90%用于模型訓(xùn)練，余下的10%用來驗(yàn)證模型的實(shí)際效果， 模型的評價(jià)方式以準(zhǔn)確度為評估標(biāo)準(zhǔn)，用MSE（均方誤差）進(jìn)行度量。 考慮到采樣數(shù)據(jù)中有些變量存在相關(guān)性，因此對部分變量進(jìn)行處理，即把同層的空氣閥和煤氣閥開度的比值作為一個(gè)變量， 減少變量個(gè)數(shù)，給模型構(gòu)建帶來方便，并對各變量進(jìn)行歸一化處理。 最終選取上層空氣和煤氣閥比值、下層空氣和煤氣閥比值、煤氣總管流量、空氣總管流量這4個(gè)變量作為網(wǎng)絡(luò)的輸入變量，爐膛溫度作為網(wǎng)絡(luò)的輸出變量，構(gòu)建一個(gè)4輸入1輸出的空燃比神經(jīng)網(wǎng)絡(luò)模型。

由于網(wǎng)絡(luò)的輸入變量不多，考慮采用單隱含層結(jié)構(gòu)，通過線下試驗(yàn)得知隱含層節(jié)點(diǎn)數(shù)為9時(shí)，均方誤差最小。 在MATLAB環(huán)境下進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練，取迭代次數(shù)200、學(xué)習(xí)速率0.03、目標(biāo)誤差0.000 02，學(xué)習(xí)算法采用L-M算法，最終網(wǎng)絡(luò)的預(yù)測結(jié)果和預(yù)測誤差如圖2、3所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

圖3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差

從圖3可以看出，預(yù)測誤差大都集中在［-3，3］之間，只有極少部分不在該范圍內(nèi)，評價(jià)標(biāo)準(zhǔn)MSE為0.68。因此利用神經(jīng)網(wǎng)絡(luò)構(gòu)建出的空燃比模型，其預(yù)測結(jié)果是令人滿意的。

2 粒子群算法優(yōu)化空燃比

通過BP神經(jīng)網(wǎng)絡(luò)對爐膛溫度等變量進(jìn)行建模，利用具有全局搜索能力的粒子群優(yōu)化算法求解模型的最優(yōu)解，即找出燃燒系統(tǒng)中存在的最佳空燃比，整個(gè)求解空燃比的算法流程如圖4所示［7，8］。

采用基本粒子群算法進(jìn)行全局搜索時(shí)，只需對算法中的參數(shù)進(jìn)行設(shè)置即可。 算法中的優(yōu)化目標(biāo)是找到最佳空燃比使得此時(shí)爐溫最高，可將其變成求解極小值的過程。 因此目標(biāo)函數(shù)選用BP網(wǎng)絡(luò)中爐溫模型輸出值的倒數(shù)， 并將它作為適應(yīng)度函數(shù)，其取值越小，表明結(jié)果越好。在粒子群優(yōu)化算法的作用下， 得到適應(yīng)度變化如圖5所示。 可以看出，經(jīng)過29次迭代進(jìn)化后，目標(biāo)函數(shù)最小值為0.001 251，將其轉(zhuǎn)換為實(shí)際的爐膛溫度即799.36℃， 得到上層空燃比和下層空燃比分別是為2.15和1.62。

以上完成了BP神經(jīng)網(wǎng)絡(luò)建模-粒子群算法優(yōu)化空燃比的過程，將得到的結(jié)果作為上下層的空燃比基準(zhǔn)值，應(yīng)用到自適應(yīng)模糊控制中，實(shí)現(xiàn)對煙氣氧含量的控制。

圖5 適應(yīng)度變化曲線

3 設(shè)計(jì)自適應(yīng)模糊控制器

對于燃燒系統(tǒng)中煙氣氧含量的控制，以氧含量誤差e和誤差變化率ec為輸入變量，以空氣調(diào)節(jié)閥增量u為輸出變量， 采用雙輸入單輸出的控制器結(jié)構(gòu)。 為簡化模糊推理的計(jì)算過程，采用單點(diǎn)模糊法進(jìn)行模糊化，選擇重心法進(jìn)行精確化計(jì)算［9，10］。 輸入和輸出量均選用三角形隸屬度函數(shù)，如圖6所示。

(5)刊載情報(bào)信息機(jī)構(gòu)知識(shí)服務(wù)研究成果的期刊主要有《圖書情報(bào)工作》、《情報(bào)理論與實(shí)踐》和《情報(bào)雜志》等，為我國知識(shí)服務(wù)理論的導(dǎo)入和實(shí)踐經(jīng)驗(yàn)的推廣發(fā)揮了重要的作用。廣大科技服務(wù)工作者應(yīng)將其作為重點(diǎn)關(guān)注對象，了解本領(lǐng)域的發(fā)展動(dòng)向和態(tài)勢，提高自身的理論水平和實(shí)踐能力，更好地服務(wù)于國家創(chuàng)新創(chuàng)業(yè)工作。

圖6 e、ec和u的隸屬度函數(shù)

根據(jù)實(shí)際工藝工程和操作經(jīng)驗(yàn)，構(gòu)建的模糊控制規(guī)則見表1。

表1 模糊控制規(guī)則

a. 如果-2.5≤e＜-1或3＜e≤5，|ec|≥0.35，則Ke=0.4、Kec=2.5、Ku=2；

b. 如果-1≤e＜0或2＜e≤3，|ec|≥0.25， 則Ke=0.6、Kec=3.5、Ku=1.8；

c. 如果1＜e≤2，|ec|≤0.2， 則Ke=0.7、Kec=4.5、Ku=1.4；

d. 如果0＜e≤1，|ec|≤0.1， 則Ke=0.8、Kec=5.5、Ku=1.2；

e. 其他情況， 則量化因子Ke=0.8、Kec=6、Ku=1.7。

4 空燃比優(yōu)化策略應(yīng)用

通過前面構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)爐膛溫度模型，利用粒子群優(yōu)化算法求出上下層空氣煤氣調(diào)節(jié)閥開度的比值；以此作為空燃比基準(zhǔn)值，當(dāng)每次調(diào)整煤氣閥開度時(shí)，將該開度值乘以對應(yīng)的空燃比基準(zhǔn)值作為此刻的空氣調(diào)節(jié)閥開度；最后根據(jù)實(shí)際燃燒過程中氧含量設(shè)定值和實(shí)際值之間的偏差情況，結(jié)合自適應(yīng)模糊控制計(jì)算出空氣調(diào)節(jié)閥需要的微調(diào)量， 作為最終的空氣調(diào)節(jié)閥開度值。 算法框圖如圖7所示。

圖7 空燃比優(yōu)化-氧含量控制算法框圖

圖8 先進(jìn)控制系統(tǒng)投運(yùn)前后煙氣氧含量對比

5 結(jié)束語

為提高某鋼鐵廠燃?xì)怆娬惧仩t燃燒系統(tǒng)的燃燒效率， 筆者選取燃燒過程的輸入輸出數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)， 通過對樣本數(shù)據(jù)的學(xué)習(xí)，建立了燃燒系統(tǒng)的數(shù)學(xué)模型，以粒子群算法求解的最佳空燃比為基準(zhǔn)，采用自適應(yīng)模糊控制與神經(jīng)網(wǎng)絡(luò)建模相結(jié)合的方式，設(shè)計(jì)了一套智能控制策略，實(shí)現(xiàn)了對燃燒系統(tǒng)的空燃比優(yōu)化。 實(shí)際投運(yùn)結(jié)果表明，煙氣氧含量回路的控制效果明顯改善，波動(dòng)范圍大幅降低，從而提高了燃燒效率。