引用本文

孙剑, 蒙西, 乔俊飞. 城市固废焚烧过程烟气含氧量自适应预测控制. 自动化学报, 2023, 49(11): 2338−2349 doi: 10.16383/j.aas.c210935

Sun Jian, Meng Xi, Qiao Jun-Fei. Adaptive predictive control of oxygen content in flue gas for municipal solid waste incineration process. Acta Automatica Sinica, 2023, 49(11): 2338−2349 doi: 10.16383/j.aas.c210935

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210935

关键词

城市固体废物焚烧，烟气含氧量，自适应预测控制，径向基函数神经网络，梯度下降 

摘要

在城市固体废弃物焚烧(Municipal solid waste incineration, MSWI)过程中, 烟气含氧量是影响焚烧效果的重要工艺参数. 由于固废焚烧过程的复杂性, 在实际应用过程中, 难以实现烟气含氧量的有效控制. 面向城市固废焚烧过程烟气含氧量控制的实际需求, 提出一种基于数据驱动的烟气含氧量自适应预测控制方法. 首先, 采用自适应模糊C均值(Fuzzy C-means, FCM)算法辅助确定径向基函数(Radial basis function, RBF)神经网络隐含层神经元个数及初始中心, 建立基于FCM算法的径向基函数神经网络预测模型, 并在控制过程中通过自适应更新策略在线调节预测模型参数; 然后, 利用梯度下降算法求解控制律, 并基于李雅普诺夫理论分析了所提控制方法的稳定性; 最后, 基于城市固废焚烧厂实际数据, 验证了所提控制方法的有效性.

文章导读

随着人口增长、快速城市化和全球化, 全球每年约产生20亿吨城市固体废弃物(Municipal solid waste, MSW), 预计到2030年, 将达到25.9亿吨, 城市固体废弃物处理问题日益突出[1]. 目前, 对于不能直接资源回收的MSW, 一般采用卫生填埋、堆肥和焚烧等方式进行处理. 相比其他处理方法, 城市固体废弃物焚烧 (Municipal solid waste incineration, MSWI)技术具有无害化、减容化和资源化的优点, 代表了MSW处理技术的发展趋势. 截至2019年底, 中国已建有MSWI处理厂389座, 年无害化处理固体废弃物12174.2万吨[2]. 然而, MSW成分复杂且随季节天气变化, 其热值的稳定性难以保证. 因此, 高效、稳定的焚烧控制技术一直是MSWI过程控制的研究重点.

烟气含氧量是焚烧炉运行过程中的重要工艺参数之一, 与实际焚烧过程关系密切. 若烟气含氧量不足, 则说明炉内焚烧不充分, 不完全焚烧热损失就会增加, 飞灰含碳量也会增大; 若烟气含氧量过高, 则排烟损失就会增加, 不仅带走大量的热量, 还会增加排烟耗电量, 焚烧效率也会降低. 此外, 烟气含氧量不足还会使炉膛中产生还原性气体, 在这种气氛中, 灰中熔点较高的三氧化二铁 (Fe2O3)和一氧化碳(CO)等还原性气体反应生成熔点较低的氧化铁(FeO), 易造成炉膛结焦, 影响生产安全[3].

在传统工业燃烧过程控制中, 一般通过专家经验调节给风量和给料量, 进而控制烟气含氧量. 但是, 由于操作员的经验、专长与水平不同, 以及控制过程中经常出现的异常情况, 烟气含氧量的精准控制一直是燃烧过程控制的难题之一. 比例−积分−微分(Proportion-integration-differentiation, PID)控制器因具有操作简单、运行可靠和调节方便等优点, 已在工业过程控制中得到广泛应用[4-6]. 虽然PID控制方法原理简单, 工程实现容易, 但很容易产生超调或振荡, 且难以胜任多输入/多输出(Multi-input and multi-output, MIMO) 复杂系统的优化控制任务. 随着智能控制技术的发展应用[7-9], 自抗扰控制[10]、线性二次调节控制[11]、神经网络控制[12]等方法也已成功应用于各种燃烧过程的烟气含氧量控制. 其中, 模型预测控制(Model predictive control, MPC)是一种基于特定范围内目标函数优化的先进控制策略[13-15], 能够处理有约束、多变量、多目标的控制问题, 在普通燃煤锅炉、焦炭炉和流化床等燃烧过程烟气含氧量控制中已获得一些应用. 例如, 文献[3]建立基于最小二乘支持向量机的锅炉烟气含氧量预测模型, 并在此基础上结合粒子群算法求解预测控制中的非线性优化问题, 实现锅炉烟气含氧量控制. 文献[16]提出一种基于混合数据驱动建模和预测函数控制策略的工业焦炉氧量调节方法. 文献[17]采用数据驱动的模糊C均值(Fuzzy C-means, FCM)聚类和子空间辨识方法对模型参数进行识别, 将模型预测控制与模糊多模型相结合以控制烟气含氧量.

上述研究方法主要集中于解决MPC应用中存在的两个关键问题, 即非线性系统的预测模型建模和MPC的非线性优化问题求解. 然而, 在实际工业过程中, 由于设备老化、结焦污垢和外部干扰等变化, 过程模型往往也会随时间发生变化, 使用离线训练的机器学习模型在干扰出现后可能无法正确预测系统未来动态, 最终影响模型预测控制性能[18−19]. 近年来, 使用过程数据在线更新预测模型是处理MPC模型失配的一种可行方案. 文献[20]提出一种基于在线支持向量回归的非线性模型预测控制方法, 利用在线支持向量回归的在线学习能力, 实现模型在线自校正. 文献[21]针对具有外部扰动和参数不确定性的非线性系统, 通过多层感知机的在线训练, 提出一种基于多层感知机的非线性自适应模型预测控制方法. 文献[22]利用在线更新递归神经网络模型的方法, 捕获过程模型存在的不确定性, 并建立基于递归神经网络的预测控制方案.

针对MSWI过程烟气含氧量难以有效控制的问题, 本文提出一种数据驱动的烟气含氧量自适应预测控制方法. 该方法采用自适应FCM算法确定径向基函数(Radial basis function, RBF)神经网络隐含层神经元个数及初始中心, 辅助建立准确的RBF神经网络预测模型, 并且在实时控制过程中, 根据预测误差自适应调节模型参数. 另外, 借助梯度下降算法在滚动优化周期内优化控制目标函数, 在线求解控制律, 并基于李雅普诺夫稳定性理论分析控制系统的稳定性. 最后, 通过MSWI厂实际数据, 验证了本文方法在烟气含氧量预测建模和控制方面的可行性.

图 1  MSWI炉排炉工艺流程

图 2  烟气含氧量自适应FCM-RBF-MPC策略

图 3  RBF神经网络结构图

面向MSWI过程烟气含氧量精准控制需求, 本文提出一种自适应模型预测控制方法. 首先, 为降低随机初始RBF隐含层神经元个数及初始中心带来的不确定性, 建立基于数据驱动的自适应FCM-RBF神经网络烟气含氧量预测模型; 其次, 在控制过程中采用模型参数自适应调节策略, 提高了预测模型的动态自适应性; 接着, 利用梯度下降方法方便快速地求解MPC控制律, 并基于李雅普诺夫稳定性理论证明了控制系统的稳定性; 最后, 基于MSWI厂实际数据建模和控制实验, 表明本文自适应FCM-RBF网络建模方法具有较高的预测精度, 本文自适应FCM-RBF-MPC方法相对于其他RBF神经网络预测控制器, 具有更好的设定值跟踪性能, 验证了该方法在干扰存在情况下, 仍然具有很好的自适应控制能力. 后续将进一步研究该方法的节能应用效果和预测模型结构在线自适应调整机制捕获更多未知工况.

作者简介

孙剑

北京工业大学信息学部博士研究生. 主要研究方向为复杂工业过程数据驱动建模与智能控制. E-mail: sun8927@163.com

蒙西

北京工业大学信息学部副教授. 主要研究方向为神经网络, 学习系统和工

业过程建模与控制. E-mail: mengxi@bjut.edu.cn

乔俊飞

北京工业大学信息学部教授. 主要研究方向为神经网络, 智能系统和复杂工业过程建模与优化控制. 本文通信作者. E-mail: adqiao@bjut.edu.cn