基于DSLPSO的中速磨煤機(jī)動(dòng)態(tài)特性研究

陳立志，董云山，司風(fēng)琪

(東南大學(xué) 能源熱轉(zhuǎn)換及其過(guò)程測(cè)控教育部重點(diǎn)實(shí)驗(yàn)室，南京 210096)

磨煤機(jī)是燃煤電站制粉系統(tǒng)的核心設(shè)備之一，所以磨煤機(jī)的運(yùn)行狀態(tài)會(huì)對(duì)發(fā)電機(jī)組的安全運(yùn)行起到至關(guān)重要的作用。磨煤機(jī)的作用是將原煤破碎成符合細(xì)度要求的煤粉，并將煤粉輸送到鍋爐中進(jìn)行燃燒，從而實(shí)現(xiàn)電力生產(chǎn)過(guò)程中的燃料供給。原煤在磨煤機(jī)中經(jīng)歷了破碎、研磨、一次分離、二次分離、傳熱等多種復(fù)雜過(guò)程。磨煤機(jī)容易發(fā)生各種各樣的故障，不僅會(huì)直接影響機(jī)組的安全性和經(jīng)濟(jì)性，甚至?xí)o現(xiàn)場(chǎng)運(yùn)行人員的安全帶來(lái)重大的隱患。傳統(tǒng)的檢修方式無(wú)法對(duì)磨煤機(jī)實(shí)現(xiàn)全面的狀態(tài)監(jiān)測(cè)，所以無(wú)法響應(yīng)現(xiàn)代化的電力生產(chǎn)需求。通過(guò)分析磨煤機(jī)的歷史運(yùn)行數(shù)據(jù)，可以預(yù)測(cè)磨煤機(jī)的性能狀態(tài)變化特征，實(shí)現(xiàn)磨煤機(jī)故障預(yù)警。因此，準(zhǔn)確快速建立反映磨煤機(jī)內(nèi)部水分變化的磨煤機(jī)狀態(tài)監(jiān)測(cè)模型，對(duì)保證火電廠的安全運(yùn)行具有十分重要的意義。

FAN G Q等[1]利用能量平衡方程建立了一種比較通用的磨煤機(jī)人工智能專家系統(tǒng)模型。WEI J L等[2-4]通過(guò)機(jī)理分析建立了多階段磨煤機(jī)模型，并利用遺傳算法對(duì)模型進(jìn)行尋優(yōu)。GUO S等[5]在WEI J L等研究的基礎(chǔ)上重新整合了多階段磨煤機(jī)模型。張小桃等[6]采用以單變量為目標(biāo)的控制方式，提高了磨煤機(jī)運(yùn)行調(diào)控的速度和精度。張文濤等[7-10]提出一種基于核極限學(xué)習(xí)機(jī)的磨煤機(jī)故障診斷方法，采用核函數(shù)代替極限學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)的特征映射，不需要設(shè)置隱含層節(jié)點(diǎn)數(shù)。孫栓柱等[11-12]采用數(shù)據(jù)與機(jī)理相結(jié)合的方法建立了磨煤機(jī)模型，該建模方法克服了純機(jī)理建模具有復(fù)雜性、高耦合性、耗時(shí)長(zhǎng)等問(wèn)題。費(fèi)樹(shù)岷等[13]在針對(duì)故障與征兆對(duì)應(yīng)關(guān)系復(fù)雜及過(guò)程信息不確定的問(wèn)題，提出了基于粗糙集概率神經(jīng)網(wǎng)絡(luò)的制粉系統(tǒng)故障診斷方法，以改善傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)初始值敏感、易使學(xué)習(xí)過(guò)程陷入局部極小值及樣本數(shù)據(jù)過(guò)大時(shí)訓(xùn)練速度慢等問(wèn)題。曾德良等[14]提出了基于D-S組合規(guī)則的灰色關(guān)聯(lián)分析方法，能有效處理故障征兆與故障類型之間的不確定性，并且具有很好的分辨力。

上述研究缺乏對(duì)于磨煤機(jī)模型收斂速度的研究，導(dǎo)致模型不能及時(shí)更新數(shù)據(jù)以適應(yīng)磨煤機(jī)工況變化的需求。因此，筆者對(duì)磨煤機(jī)動(dòng)態(tài)特性進(jìn)行研究。首先，根據(jù)中速磨煤機(jī)的運(yùn)行機(jī)理建立了中速磨煤機(jī)動(dòng)態(tài)特性的灰箱模型；其次，采用動(dòng)態(tài)自學(xué)習(xí)粒子群尋優(yōu)(DSLPSO)算法對(duì)灰箱模型中的未知參數(shù)進(jìn)行辨識(shí)，并對(duì)模型進(jìn)行驗(yàn)證；最后，利用該模型對(duì)中速磨煤機(jī)的動(dòng)態(tài)特性進(jìn)行分析，為中速磨煤機(jī)安全運(yùn)行提供參考。

1 建立灰箱模型

中速磨煤機(jī)直吹式制粉系統(tǒng)包括磨煤機(jī)、煤粉分離器、給煤機(jī)等，圖1為某火電廠MPS型中速磨煤機(jī)結(jié)構(gòu)。原煤由中心落煤管進(jìn)入磨輥和磨碗之間，在液壓裝置的作用下受到擠壓和碾磨而被粉碎成煤粉。一次風(fēng)通過(guò)風(fēng)環(huán)進(jìn)入中速磨煤機(jī)，對(duì)煤粉進(jìn)行干燥之后，通過(guò)擋板進(jìn)行初步分離，然后向上通過(guò)旋轉(zhuǎn)分離器進(jìn)一步進(jìn)行分離，合格的煤粉被一次風(fēng)送入到鍋爐中燃燒，不合格的煤粉返回到磨碗后繼續(xù)被碾磨。

圖1 MPS型中速磨煤機(jī)結(jié)構(gòu)

磨煤機(jī)出口溫度是中速磨煤機(jī)運(yùn)行過(guò)程中的重要控制指標(biāo)，出口溫度過(guò)高容易引起磨煤機(jī)爆炸，溫度過(guò)低會(huì)導(dǎo)致出口煤粉攜帶較多的水分，進(jìn)而降低鍋爐效率。因此，監(jiān)控煤粉中的水分含量至關(guān)重要。

1.1 灰箱模型

中速磨煤機(jī)的運(yùn)行受熱風(fēng)和原煤質(zhì)量流量的影響，所以模型采用一次風(fēng)進(jìn)口質(zhì)量流量、一次風(fēng)進(jìn)口溫度、原煤質(zhì)量流量及原煤水分質(zhì)量分?jǐn)?shù)作為輸入?yún)?shù)。模型的輸出參數(shù)包括磨煤機(jī)電流、磨煤機(jī)進(jìn)出口壓差、煤粉水分質(zhì)量分?jǐn)?shù)、磨煤機(jī)出口溫度。所建立的灰箱模型包含煤與煤粉質(zhì)量平衡方程、煤中水分質(zhì)量平衡方程、壓差關(guān)系方程及能量平衡方程。對(duì)于灰箱模型中的未知參數(shù)，提出采用DSLPSO算法對(duì)所建立的多個(gè)模型的參數(shù)進(jìn)行辨識(shí)，圖2為所建立的灰箱模型。

圖2 灰箱模型

1.2 灰箱模型假設(shè)

磨煤機(jī)灰箱模型的構(gòu)建過(guò)程基于以下3個(gè)假設(shè)：

(1)簡(jiǎn)化了原煤的研磨過(guò)程，不考慮分離器對(duì)于煤與煤粉的分離作用，認(rèn)為煤與煤粉是分開(kāi)的狀態(tài)。

(2)磨煤機(jī)內(nèi)部只有原煤和煤粉兩種狀態(tài)的煤，不考慮煤的其他存在形式。

(3)忽略磨煤機(jī)與外界環(huán)境之間的熱量交換。

1.2.1 煤與煤粉質(zhì)量平衡方程

(1)原煤質(zhì)量平衡方程。

原煤進(jìn)入磨煤機(jī)后，部分原煤受到擠壓而成為煤粉。原煤質(zhì)量平衡方程為：

(1)

(2)煤粉質(zhì)量平衡方程。

磨煤機(jī)內(nèi)煤粉質(zhì)量不僅受原煤轉(zhuǎn)化為煤粉的影響，還受出口煤粉質(zhì)量流量的影響。煤粉質(zhì)量平衡方程為：

(2)

式中：mpf為磨煤機(jī)內(nèi)煤粉質(zhì)量，kg；qm,pf為出口煤粉質(zhì)量流量，kg/s。

1.2.2 煤中水分質(zhì)量平衡方程

磨煤機(jī)內(nèi)部的煤與煤粉的水分含量除了受原煤質(zhì)量流量和原煤水分含量的影響外，還受出口煤粉質(zhì)量流量及原煤水分蒸發(fā)量的影響，并滿足以下方程：

(3)

式中：γcm為原煤水分質(zhì)量分?jǐn)?shù)；γres為煤粉水分質(zhì)量分?jǐn)?shù)；qm,free為原煤水分蒸發(fā)質(zhì)量流量，kg/s。

根據(jù)文獻(xiàn)[15]得到原煤水分蒸發(fā)質(zhì)量流量為：

(4)

式中：Tout為磨煤機(jī)出口溫度，℃；qm,air為一次風(fēng)進(jìn)口質(zhì)量流量，kg/s；K5、K6均為待辨識(shí)參數(shù)。

由式(4)可得：原煤水分蒸發(fā)質(zhì)量與原煤質(zhì)量流量、原煤水分質(zhì)量分?jǐn)?shù)、磨煤機(jī)出口溫度、一次風(fēng)進(jìn)口質(zhì)量流量呈正相關(guān)性。

1.2.3 壓差關(guān)系方程

磨煤機(jī)出口煤粉質(zhì)量流量與磨煤機(jī)進(jìn)出口壓差成正比，并滿足以下方程：

qm,pf=K2·Δp·mpf

(5)

式中：Δp為磨煤機(jī)進(jìn)出口壓差，kPa；K2為待辨識(shí)參數(shù)。

磨煤機(jī)進(jìn)出口壓差還與一次風(fēng)進(jìn)口質(zhì)量流量的平方成正比[16]，并滿足以下方程：

Δp=(K3+K4mcoal)(qm,air/10)2

(6)

式中：mcoal為磨煤機(jī)內(nèi)存煤質(zhì)量，kg；K3、K4均為待辨識(shí)參數(shù)。

磨煤機(jī)內(nèi)存煤質(zhì)量為：

mcoal=mpf+mc

(7)

1.2.4 能量平衡方程

磨煤機(jī)出口溫度的變化不僅受進(jìn)入磨煤機(jī)內(nèi)熱量(包括一次風(fēng)帶入磨煤機(jī)的熱量、磨煤機(jī)研磨產(chǎn)生的熱量、原煤帶入磨煤機(jī)的熱量)的影響，還與煤中水分蒸發(fā)吸收的熱量進(jìn)口及出口風(fēng)粉混合物攜帶走的熱量有關(guān)。建立磨煤機(jī)出口溫度微分方程如下：

(qm,air+qm,c)(K10Tout+K11)+

K12I-K13mfree+K14Tout

(8)

式中：I為磨煤機(jī)電流，A；K7、K8、K9、K10、K11、K12、K13、K14均為待辨識(shí)參數(shù)；Tin為一次風(fēng)進(jìn)口溫度，℃。

磨煤機(jī)電流不僅受到筒內(nèi)原煤量和煤粉量的影響，還與磨煤機(jī)空載時(shí)消耗的部分能量有關(guān)。磨煤機(jī)電流的計(jì)算公式為：

I=K15mpf+K16mc+K17

(9)

式中：K15、K16、K17均為待辨識(shí)參數(shù)。

綜上所述，模型的輸入?yún)?shù)為：原煤質(zhì)量流量、一次風(fēng)進(jìn)口質(zhì)量流量、一次風(fēng)進(jìn)口溫度、原煤水分質(zhì)量分?jǐn)?shù)。輸出參數(shù)為：磨煤機(jī)出口溫度、磨煤機(jī)電流、磨煤機(jī)進(jìn)出口壓差。狀態(tài)參數(shù)為：磨煤機(jī)內(nèi)部原煤質(zhì)量、磨煤機(jī)內(nèi)部煤粉質(zhì)量、煤粉水分質(zhì)量分?jǐn)?shù)和17個(gè)待辨識(shí)參數(shù)。

2 辨識(shí)模型參數(shù)

2.1 適應(yīng)度函數(shù)

采用磨煤機(jī)的500組連續(xù)運(yùn)行歷史數(shù)據(jù)，辨識(shí)基于DSLPSO算法的磨煤機(jī)灰箱模型，采樣時(shí)間間隔為10 s，并且對(duì)模型中的17個(gè)待辨識(shí)參數(shù)進(jìn)行辨識(shí)。定義歸一化誤差為：

(10)

通過(guò)磨煤機(jī)出口溫度、電流及進(jìn)出口壓差的歸一化誤差建立適應(yīng)度函數(shù)，得到：

W3|e3(j)|]

(11)

式中：fFit為所建立的適應(yīng)度函數(shù)；W1、W2、W3為權(quán)重系數(shù)；J為辨識(shí)過(guò)程采集數(shù)據(jù)組數(shù)(在本文中為500)。

2.2 DSLPSO算法

粒子群尋優(yōu)(PSO)算法[17]是模擬飛鳥(niǎo)的捕食過(guò)程的智能算法，粒子群飛行速度和位置更新的方程為：

(12)

式中：vid(n)、xid(n)分別為第i個(gè)粒子在d維內(nèi)第n次迭代的飛行速度和位置；c1、c2為學(xué)習(xí)因子，取c1=c2=2；r1和r2是(0,1)內(nèi)的隨機(jī)數(shù)(為了保證群體的多樣性)；w為權(quán)重系數(shù)，取0.68；Pbest,id(n)為第i個(gè)粒子在d維內(nèi)第n次迭代的最優(yōu)位置；Gbest,d(n)為全局粒子在d維內(nèi)第n次迭代的最優(yōu)位置。

基本粒子群初始時(shí)的速度和位置都是隨機(jī)的，所以迭代過(guò)程中容易陷入局部最優(yōu)，這將影響最終的求解。因此，在PSO算法的基礎(chǔ)上，引入非線性多尺度學(xué)習(xí)方法提高收斂速度，引入動(dòng)態(tài)對(duì)立學(xué)習(xí)方法提高搜索性能，提出了DSLPSO算法，其原理見(jiàn)圖3。

圖3 DSLPSO算法原理

2.2.1 更新粒子信息

采用一種新的學(xué)習(xí)方法來(lái)更新粒子信息，使每個(gè)群體中的個(gè)體都能向個(gè)體最優(yōu)粒子ibest學(xué)習(xí)。此外，引入衡量參數(shù)Fi，選取的個(gè)體最優(yōu)粒子由衡量參數(shù)Fi決定，F(xiàn)i為：

(13)

式中：Si為在已有的粒子中第i個(gè)粒子根據(jù)適應(yīng)度升序排列的序號(hào)。

通過(guò)標(biāo)準(zhǔn)正態(tài)分布生成0～1的隨機(jī)數(shù)，并將其與Fi進(jìn)行比較，若該隨機(jī)數(shù)大于或等于Fi，則ibest=i；若該隨機(jī)數(shù)小于Fi，則ibest=[i+C·N(0，1)]([·]為取整函數(shù))，C為鄰域的范圍(表示第i個(gè)粒子向鄰域的歷史最優(yōu)粒子學(xué)習(xí))，N(0，1)為標(biāo)準(zhǔn)正態(tài)分布。

2.2.2 非線性多尺度學(xué)習(xí)方法

采用非線性多尺度學(xué)習(xí)方法加快個(gè)體最優(yōu)粒子的收斂速度，讓粒子在搜索過(guò)程中相互學(xué)習(xí)并交換彼此最優(yōu)搜索信息。這種相互式學(xué)習(xí)方法可以極大地?cái)U(kuò)大群體多樣性，并提高算法的收斂效率。學(xué)習(xí)方法的方程為：

(14)

式中：Pbest,id,opt(n)表示第i個(gè)粒子在d維內(nèi)n次迭代內(nèi)的最優(yōu)位置；α=[k·N(0,1)]([·]為取整函數(shù))，k為Pbest,id(n)；h(n)為一種非線性多尺度變異算子；λ為非線性變異系數(shù)，此處為2；u為均勻分布在(0,1)內(nèi)的隨機(jī)數(shù)；T為最大迭代次數(shù)。

2.2.3 動(dòng)態(tài)對(duì)立學(xué)習(xí)方法

采用動(dòng)態(tài)對(duì)立學(xué)習(xí)方法來(lái)提高對(duì)全局最優(yōu)粒子的搜索性能，以探索更好的搜索空間。基于正態(tài)分布的動(dòng)態(tài)對(duì)立學(xué)習(xí)方法的方程為：

Gbest,d,opt=N(μ,σ2)·[maxGbest,d(n)+

minGbest,d(n)]-Gbest,d(T)

(15)

式中：Gbest,d,opt為算法得到的最優(yōu)位置；N(μ，σ2)為正態(tài)分布，μ為均值(取0)，σ為均方差(0～1內(nèi)的隨機(jī)數(shù))。

為提高算法的收斂性能與快速定位全局最優(yōu)的能力，可得到：

σ=σmin+(1-n/T)·|σmax-σmin|

(16)

式中：σmax、σmin分別為σ的最大值、最小值。

2.2.4 辨識(shí)流程和結(jié)果

圖4為模型的辨識(shí)流程，將磨煤機(jī)模型的輸出結(jié)果與現(xiàn)場(chǎng)磨煤機(jī)實(shí)際數(shù)據(jù)輸入到適應(yīng)度函數(shù)進(jìn)行運(yùn)算，若不滿足精度要求，則將結(jié)果返回到模型中再次進(jìn)行辨識(shí)，直到滿足精度要求為止。表1為待辨識(shí)參數(shù)的辨識(shí)結(jié)果，表2為辨識(shí)過(guò)程所采用的部分樣本數(shù)據(jù)。

圖4 辨識(shí)過(guò)程

表1 待辨識(shí)參數(shù)的辨識(shí)結(jié)果

表2 辨識(shí)模型的部分樣本數(shù)據(jù)

2.2.5 DSLPSO算法與PSO算法收斂速度對(duì)比

圖5為DSLPSO算法與PSO算法收斂速度的對(duì)比。

圖5 DSLPSO算法與PSO算法收斂速度的對(duì)比

由圖5可得：DSLPSO算法在800次左右達(dá)到了精度要求，而PSO算法直到1 300次才滿足精度要求。從收斂速度看，DSLPSO算法明顯優(yōu)于PSO算法。

3 模型驗(yàn)證

對(duì)上述模型進(jìn)行驗(yàn)證，以判別所建立的模型的泛化性能，驗(yàn)證數(shù)據(jù)與辨識(shí)數(shù)據(jù)來(lái)自同臺(tái)機(jī)組的廠級(jí)監(jiān)控信息系統(tǒng)(SIS)歷史數(shù)據(jù)。圖6為驗(yàn)證數(shù)據(jù)輸入量，驗(yàn)證數(shù)據(jù)采樣周期為10 s，共有400組數(shù)據(jù)，模型的輸入數(shù)據(jù)有較明顯的動(dòng)態(tài)變化過(guò)程。

圖6 模型輸入數(shù)據(jù)

圖7為磨煤機(jī)的出口溫度、電流及進(jìn)出口壓差的模型輸出與實(shí)際輸出。由圖7可得：模型輸出能較好地跟隨磨煤機(jī)實(shí)際輸出變化，且誤差較小。

圖7 磨煤機(jī)運(yùn)行參數(shù)的實(shí)際輸出與模型輸出

4 模型分析

4.1 原煤質(zhì)量流量階躍變化的影響

將設(shè)定初始條件為：一次風(fēng)進(jìn)口溫度為220 ℃，一次風(fēng)進(jìn)口質(zhì)量流量為18 kg/s，原煤水分質(zhì)量分?jǐn)?shù)為10%。圖8為原煤質(zhì)量流量階躍擾動(dòng)對(duì)磨煤機(jī)電流、煤粉水分質(zhì)量分?jǐn)?shù)及磨煤機(jī)出口溫度的影響。

圖8 原煤質(zhì)量流量階躍變化對(duì)出口參數(shù)的影響

由圖8可得：在磨煤機(jī)原煤質(zhì)量流量增加后，需要研磨的煤量增大，磨煤機(jī)負(fù)載增大，最終導(dǎo)致磨煤機(jī)電流增大；原煤質(zhì)量流量增加會(huì)使磨煤機(jī)中的水分質(zhì)量分?jǐn)?shù)增加，部分一次風(fēng)用于干燥煤粉，導(dǎo)致磨煤機(jī)出口溫度降低；此外，原煤質(zhì)量流量增加也會(huì)導(dǎo)致出口煤粉水分質(zhì)量分?jǐn)?shù)稍有增加，煤粉水分質(zhì)量分?jǐn)?shù)對(duì)入口煤質(zhì)量流量的響應(yīng)時(shí)間較長(zhǎng)，且入口煤質(zhì)量流量與負(fù)荷有直接關(guān)聯(lián)。因此，不宜將原煤質(zhì)量流量作為輸入?yún)?shù)。

4.2 一次風(fēng)進(jìn)口質(zhì)量流量階躍變化的影響

將初始條件設(shè)定為：一次風(fēng)進(jìn)口溫度為220 ℃，原煤質(zhì)量流量為12 kg/s，原煤水分質(zhì)量分?jǐn)?shù)為10%。圖9為一次風(fēng)進(jìn)口質(zhì)量流量階躍擾動(dòng)對(duì)磨煤機(jī)電流、煤粉水分質(zhì)量分?jǐn)?shù)及磨煤機(jī)出口溫度的影響。

圖9 一次風(fēng)進(jìn)口質(zhì)量流量階躍變化對(duì)出口參數(shù)的影響

由圖9可得：當(dāng)磨煤機(jī)一次風(fēng)進(jìn)口質(zhì)量流量增加后，磨煤機(jī)進(jìn)出口壓差增大，磨煤機(jī)出口煤粉質(zhì)量流量增大，使磨煤機(jī)內(nèi)部煤粉變少，磨煤機(jī)碾磨出力減小，最終導(dǎo)致磨煤機(jī)電流下降；一次風(fēng)進(jìn)口質(zhì)量流量增加后，磨煤機(jī)出口溫度升高，出口溫度對(duì)一次風(fēng)進(jìn)口質(zhì)量流量的響應(yīng)較快，可以快速地升高或降低；一次風(fēng)進(jìn)口質(zhì)量流量增加會(huì)使帶入磨煤機(jī)內(nèi)的熱量增多，降低煤粉水分質(zhì)量分?jǐn)?shù)，煤粉水分質(zhì)量分?jǐn)?shù)對(duì)一次風(fēng)進(jìn)口質(zhì)量流量的響應(yīng)較快。因此，可通過(guò)適當(dāng)調(diào)節(jié)一次風(fēng)進(jìn)口質(zhì)量流量來(lái)控制出口溫度和煤粉水分質(zhì)量分?jǐn)?shù)。

4.3 一次風(fēng)進(jìn)口溫度階躍變化的影響

將初始條件設(shè)定為：一次風(fēng)進(jìn)口質(zhì)量流量為18 kg/s，原煤質(zhì)量流量為12 kg/s，原煤水分質(zhì)量分?jǐn)?shù)為10%。圖10為一次風(fēng)進(jìn)口溫度階躍擾動(dòng)對(duì)磨煤機(jī)電流、煤粉水分質(zhì)量分?jǐn)?shù)及磨煤機(jī)出口溫度的影響。

圖10 一次風(fēng)進(jìn)口溫度階躍變化對(duì)出口參數(shù)的影響

由圖10可得：磨煤機(jī)一次風(fēng)進(jìn)口溫度增加后，磨煤機(jī)出口溫度增大引起進(jìn)出口壓差增大，磨煤機(jī)出口煤粉量增多，磨煤機(jī)內(nèi)部的煤粉量下降，需要降低磨煤機(jī)出力，最終導(dǎo)致磨煤機(jī)電流減??；在其他條件不變的情況下，一次風(fēng)進(jìn)口溫度增加會(huì)使磨煤機(jī)出口煤粉的溫度也相應(yīng)升高，磨煤機(jī)出口溫度對(duì)一次風(fēng)進(jìn)口溫度的響應(yīng)較快，可較好地調(diào)節(jié)出口溫度；此外，一次風(fēng)進(jìn)口溫度升高導(dǎo)致煤粉水分質(zhì)量分?jǐn)?shù)降低。因此，可通過(guò)適當(dāng)調(diào)整一次風(fēng)進(jìn)口溫度來(lái)調(diào)節(jié)煤粉水分質(zhì)量分?jǐn)?shù)和磨煤機(jī)出口溫度。

5 結(jié)語(yǔ)

筆者通過(guò)將機(jī)理模型與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的方式建立了磨煤機(jī)灰箱模型，充分考慮煤粉水分質(zhì)量分?jǐn)?shù)對(duì)磨煤機(jī)運(yùn)行狀態(tài)影響。針對(duì)PSO算法收斂速度較慢、精度較差等問(wèn)題，提出了DSLPSO算法，提高了模型參數(shù)的收斂速度，并證明了模型的可靠性。通過(guò)調(diào)整一次風(fēng)進(jìn)口的質(zhì)量流量和溫度能有效調(diào)節(jié)煤粉水分質(zhì)量和磨煤機(jī)出口溫度。所建立的模型已經(jīng)得到了初步使用，并在磨煤機(jī)出口溫度控制與煤粉水分質(zhì)量分?jǐn)?shù)狀態(tài)監(jiān)測(cè)過(guò)程中取得了良好效果。