引用本文

丁海旭, 汤健, 乔俊飞. 城市固废焚烧过程数据驱动建模与自组织控制. 自动化学报, 2023, 49(3): 550−566 doi: 10.16383/j.aas.c220570

Ding Hai-Xu, Tang Jian, Qiao Jun-Fei. Data-driven modeling and self-organizing control of municipal solid waste incineration process. Acta Automatica Sinica, 2023, 49(3): 550−566 doi: 10.16383/j.aas.c220570

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220570

关键词

城市固废焚烧，多任务学习，自组织控制，数据驱动建模，模糊神经网络 

摘要

城市固废焚烧(Municipal solid waste incineration, MSWI)是处置城市固废(Municipal solid waste, MSW) 的主要手段之一. 中国MSW来源范围广、组分复杂、热值波动大, 其焚烧过程通常依靠人工干预, 这导致MSWI过程智能化水平较低且难以满足日益提升的控制需求. MSWI具有多变量耦合、工况漂移等诸多不确定性特征, 因而难以建立其被控对象模型并设计在线控制器. 针对以上问题, 提出了一种面向MSWI过程的数据驱动建模与自组织控制方法. 首先, 构建了基于多输入多输出Takagi Sugeno 模糊神经网络(Multi-input multi-output Takagi Sugeno fuzzy neural network, MIMO-TSFNN) 的被控对象模型; 然后, 设计了基于多任务学习的自组织模糊神经网络控制器(Multi-task learning self-organizing fuzzy neural network controller, MTL-SOFNNC)用于同步控制炉膛温度与烟气含氧量, 其通过计算神经元的相似度与多任务学习(Multi-task learning, MTL)能力对控制器结构进行自组织调整; 接着, 通过Lyapunov定理对MTL-SOFNNC稳定性进行了证明; 最后, 通过北京市某MSWI厂的过程数据验证了模型与控制器的有效性.

文章导读

随着我国工业化和城镇化建设的推进, 截至2019年底, 中国设市城市已达到684个, 城镇常住人口已占据总人口数的60.6%, 城市发展已从大规模增量建设转为存量提质改造和增量结构调整并重的新阶段[1]. 伴随着城市人口的增长, 城市固体废弃物(Municipal solid waste, MSW)也在急剧增加. 截至2018年, 全世界MSW年产生量已达到20.1亿吨, 其中33%没有得到妥善处理. 预计到2050年, 其年产生量将达到34亿吨[2-3]. 目前, 我国多数城市已没有足够的垃圾填埋场用于处理体量如此庞大的MSW, 如何合理处置MSW已成为当前中国城市发展面临的主要问题之一[4-5]. 城市固废焚烧(Municipal solid waste incineration, MSWI)法具有减容效果好、消毒彻底、资源利用率高、占地面积小等优势[6-8], 已逐渐成为中国大中型城市处理MSW的主要技术手段[9-10]. 国家发改委、住建部在《“十四五”全国城镇生活垃圾无害化处理设施建设规划》 中明确提出: 到2025年底, 全国城市生活垃圾资源化利用率达到60%左右, 全国城镇生活垃圾焚烧处理能力达到80万吨/日左右, 城市生活垃圾焚烧处理能力占比65%左右[11].

我国MSWI技术发展始于20世纪80年代, 受制于部分发达国家的技术封锁, 其发展经历了将火力发电厂改造为MSWI发电厂、引进国外焚烧炉并聘请外籍专家、自主研发国产焚烧设备三个阶段[12]. 中国MSW处理行业经历了数十年的发展, 整体发展迅速, 实现了跨跃式发展. 但仍有许多城市的MSW处理率处于低水平状态, 缺乏有效的处理处置手段, 先进技术与落后技术共存, MSW处理的区域发展很不平衡. 众多内地城市也开始引进国内外先进的焚烧工艺和设备处理MSW. 整体来说, 中国MSWI技术正向着多功能、资源化、智能化、环保高标准化方向发展, 但是中国垃圾分类正在起步阶段, 且存在垃圾清运能力增速不足、城乡发展不均衡等诸多问题. 此外, 国内尚未掌握成熟的MSWI技术, 在建设与运行中均缺乏可靠的技术支撑, 这都为我国MSWI技术发展带来了挑战. 同时, 针对我国国情, MSWI在实际运行过程中仍面临着以下问题: 其一, 不同地域的居民生活水平与生活习惯不同, 导致MSW的热值差异较大; 其二, 不同地域、气候存在差异, 导致MSW的含水率波动较大[13]. 因此, 即便焚烧炉通常配备有自动燃烧控制(Automatic combustion control, ACC)系统, 然而其在实际运行过程中也难以直接投入使用, 且ACC的控制策略相对单一且缺乏智能, 难以满足组分复杂的MSWI控制需求[14]. 当前MSWI的运行过程仍需要人工干预以应对复杂多变的焚烧工况, 然而依靠专家经验的控制过程存在主观性和随意性, 其控制精度较低、波动范围大, 耗费大量人工成本的同时, 也会导致污染物排放超标、焚烧效率低下等问题[15]. 工业自动化与信息技术的发展为MSWI的优化运行提供了思路与方案[16-18], 其中, 研究MSWI过程的建模与控制方法是亟待解决的关键问题.

构建MSWI被控对象模型是研究其优化控制的基础, 数据驱动的建模方法能够在不需要先验知识的情况下, 对复杂工业过程进行快速模拟. 根据之前的研究工作[19], 本文以多输入多输出Takagi Sugeno型模糊神经网络 (Multi-input multi-output Takagi Sugeno fuzzy neural network, MIMO-TSFNN) 为基础, 建立了MSWI被控对象模型, 其由共享神经元与多后件子网络组成, 能够针对同一系统的多输出任务进行学习, 计算速度快, 能够良好地用于构建MSWI的被控对象模型.

在MIMO-TSFNN被控对象模型的基础上, 需要进一步研究其控制方法以实现多变量控制. 传统的工业控制多使用比例−积分−微分(Proportional-integral-derivative, PID)控制器, 其具有结构简单、参数整定技术成熟等优点[20-21]. 针对多变量控制问题, 一些学者在PID控制的基础上, 构建了多回路PID控制器[22]. 文献[23] 设计了一种多回路PID控制器用于同步控制地热发电厂的流量、压力和不凝性气体的含量, 保证了系统在不确定性扰动和环境温度变化时的稳定性. 文献[24]针对流化催化裂化装置的多输入多输出(Multi-input multi-output, MIMO)过程, 设计了具有多个独立回路的多变量控制系统, 同时计算了各个闭环的局部损失函数与全局成本函数, 实现了对多变量的协同控制. 多回路PID控制器满足了系统的多变量控制需求, 然而随着回路的增加, 多个控制器需要整定的参数也随之增加, 这将导致多变量间的耦合关系难以协调.

人工神经网络控制器(Artificial neural network controller, ANNC)在解决多变量耦合的控制问题时具有明显的优势. ANNC作为一种基于黑箱模型的控制器, 其内部神经元能够在多个输入变量与多个输出变量之间建立连接通道, 具有强大的解耦能力. 文献[25-26]构建了一种自适应模糊神经网络控制器实现了污水处理中的NO3-N和DO浓度的多变量控制. 文献[27]构建了基于级联神经网络和规则推理两层递阶结构的控制器, 实现了对赤铁矿磨矿过程的优化控制. 虽然ANNC能较好地解决复杂系统的多变量控制问题, 然而, 当出现外界扰动或操作条件改变时, 固定结构的ANNC会出现信息表征不足或结构冗余现象, 进而导致控制性能下降.

ANNC中神经元的活跃性是影响控制效果的关键因素, 构建具有自组织能力的控制器是提升其鲁棒性的关键. 文献[28]构建了一种基于自适应神经模糊推理, 通过模糊聚类和主成分分析法以调整控制器规则, 实现了在不同温度下溶解氧和回流量控制. 文献[29]针对一类不确定非线性MIMO系统, 设计了一种鲁棒自组织模糊神经网络控制器, 通过计算匹配度对神经元进行自适应增长与删减, 其在外部干扰的情况下取得了良好的控制效果. 然而, 现有自组织机制通常难以平衡多个任务之间的协调性, 且在避免结构阈值的同时, 又引入了其他阈值条件. 根据以上分析, 本文提出了一种基于多任务学习的自组织模糊神经网络控制器(Multi-task learning self-organizingfuzzy neural network controller, MTL-SOFNNC), 其通过计算神经元的相关性与多任务学习(Multi-task learning, MTL)能力, 对网络结构进行自适应调整, 实现对多变量的在线跟踪控制.

综上所述, 本文提出了一种面向MSWI过程的数据驱动建模与自组织控制方法, 主要工作如下:

1) 在数据驱动模型的基础上构建了MSWI多变量控制系统, 其通过构建共享神经元与多后件子网络对MSWI的多变量进行在线跟踪控制;

2) 设计了基于多任务学习的自组织机制, 通过计算神经元间的点互信息(Pointwise mutual information, PMI)与欧氏距离(Euclidean distance, ED) 对神经元相似性与贡献度进行评价, 并以此对网络结构进行自适应调整;

3) 设计了控制器在线参数学习策略, 分别对控制器的共享参数与多任务学习参数进行在线更新;

4) 通过Lyapunov定理对控制系统的稳定性进行证明, 并给出了一般性的稳定收敛条件.

图 1  MSWI的工艺流程

图 2  MIMO-TSFNN模型

图 3  基于MTL-SOFNNC的MSWI控制系统

MSWI是高度复杂的MIMO过程, 其具有强耦合和强非线性特征, 难以建立精准的被控对象模型并施加在线精准控制. 针对以上问题, 本文提出了一种MSWI的数据驱动建模与自组织控制方法, 主要研究结论总结如下.

1) 建立了基于MIMO-TSFNN的被控对象模型. 网络模型具有共享隶属函数层与共享规则层, 实现了同时对多个被控量的精准拟合, 为多变量在线控制奠定了模型基础.

2) 建立了基于MTL-SOFNNC的控制系统. 控制器由增长机制、删减机制和恒定机制组成, 通过衡量规则层神经元的相似度与多任务学习能力以自适应调整规则数量, 实现了在线多变量跟踪控制.

3) 证明了控制器的稳定性. 基于Lyapunov定理对控制系统的稳定性进行分析, 确保了MTL-SOFNNC在实际应用中的可行性.

综上所述, 本文所提出的方法对MSWI过程具有良好的建模能力与在线控制性能. 然而其设定值是基于MSWI的实际运行过程给出的, 此外, 控制器采用的连续控制机制会导致资源消耗等问题. 因此, 未来的研究将从以下几个方面展开: 1) 设计多目标优化算法, 通过优化目标函数得到最优设定值, 提升MSWI的控制品质; 2) 针对MIMO系统构建协同事件触发机制, 降低计算负担并提高更新效率.

作者简介

丁海旭

北京工业大学信息学部博士研究生. 主要研究方向为城市固废焚烧过程特征建模与智能控制. E-mail: dinghaixu@emails.bjut.edu.cn

汤健

北京工业大学信息学部教授. 主要研究方向为小样本数据建模, 城市固废处理过程智能控制. E-mail: freeflytang@bjut.edu.cn

乔俊飞

北京工业大学信息学部教授. 主要研究方向为智能控制与智能信息处理, 环境感知和保护自动化技术. 本文通信作者. E-mail: adqiao@bjut.edu.cn