引用本文

汤健, 田昊, 余文, 乔俊飞. 城市固废焚烧过程神经网络控制研究综述. 自动化学报, 2025, 51(9): 1951−1973 doi: 10.16383/j.aas.c240604

Tang Jian, Tian Hao, Yu Wen, Qiao Jun-Fei. A review of neural network control in municipal solid waste incineration processes. Acta Automatica Sinica, 2025, 51(9): 1951−1973 doi: 10.16383/j.aas.c240604

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c240604

关键词

城市固废焚烧，先进过程控制，神经网络控制，参数在线更新，结构自组织，事件驱动控制

摘要

城市固废焚烧(MSWI)已成为解决城市环境问题并实现可再生能源循环利用的主流技术, 其对应系统具有参数多、耦合性强、非线性显著等特性, 需采用先进过程控制技术以确保平稳高效的运行. 鉴于此, 进行面向MSWI过程神经网络控制(NNC)综述以弥补该领域的缺失和促进深入研究. 首先, 描述典型MSWI过程工艺, 分析其控制问题与控制目标, 明确控制复杂性, 概述NNC及其在管理此类复杂系统方面的优势; 其次, 综述面向控制的机理与数据驱动焚烧炉模型; 随后, 简要分析和介绍非NNC控制器设计在MSWI过程的研究现状; 接着, 详细综述面向NNC的浅层和模糊控制器设计、网络参数、网络结构和事件触发在线更新算法以及稳定性分析的研究现状, 并进行控制性能分析; 然后, 展望未来研究方向; 最后, 总结了本文在促进NNC向MSWI过程控制具身智能化发展中的贡献.

文章导读

污染防治直接影响着世界经济与生态环境的可持续发展, 以及居民的生命健康乃至人类的繁衍生存, 已成为世界各国关注的焦点问题[1−2]. 统计表明, 城市固废(Municipal solid waste, MSW)的全球年增长率已达到8% ~ 10%, 我国面临着“垃圾围城”　风险的城市日趋增多[3], 导致的环境问题也日趋突出[4]. 我国已经将“打好污染防治攻坚战”提升至国家战略高度, 在面向2035的远景目标纲要中明确提出要打好“蓝天、碧水、净土”保卫战, 在党的二十大报告中进一步强调要“持续深入地继续贯彻执行”该目标.

城市固废焚烧(MSW incineration, MSWI)是能够实现废物到能源(Waste-to-Energy, WTE)转变的复杂动态系统[5−6], 已经成为解决城市环境问题并实现可再生能源循环利用的重要技术[7−8]. 在积极倡导MSW“零填埋”目标的背景下, 我国经过近30余年的着力推广, 截至2024年11月, 已运行MSWI电厂达1000余座, 其中, 2023年的增量为137座[9]. 虽然MSWI是目前为止最科学的MSW处理方式, 但该过程所产生的废气、废水和废渣却使得该行业被列入国家污染源排放名单, 这导致焚烧建厂长期受困于“邻避效应”[10].

从运行机理上讲, MSWI过程的固废燃烧阶段是产生包括NOx、CO、HCl、SO2

等在内的易检测污染物和包括二噁英(Dioxin, DXN)等在内的难测污染物等环保指标(Environmental indicators, EIs)的“来源”, 后续烟气净化阶段只是将污染物通过吸附/催化等物理/化学反应后再转移至危险废物飞灰中进而减少其排放浓度. 因此, 固废燃烧阶段的控制是目前研究的主要关注点[4]. 发达国家炉排炉型MSWI电厂的运行经验表明, 采用“3T+E”原则, 即炉膛温度(Temperature)大于850 ℃、烟气停留时间(Time)大于2 s、足够的烟气湍流(Turbulence)强度以及适当的过量空气系数(Excess air), 能够有效保证烟气中有害物质的充分分解和燃烧[11]. 在该原则下, 研究学者将固废燃烧阶段的主要操纵变量(Manipulated variable, MV)确定为进料量、炉排速度和一/二次风量和风温等, 主要被控变量(Controlled variable, CV)确定为燃烧线位置、炉膛温度、含氧量和蒸汽流量等, 主要辅助变量(Auxiliary variables, AV)确定为烟气停留时间、烟气湍流强度、过量空气系数和料层厚度等, 进而研发出自动燃烧控制(Automatic combustion control, ACC)系统, 该系统的核心是先进PID控制器、燃烧特性曲线和专家规则库. 实践表明, 在MSW成分和热值稳定的前提下, 该系统能够有效实现MSWI过程的长周期稳定运行[4]. 基于世界银行的统计[12]以及谷琳等[13]和Yamada等[14]提供的数据可知, 发达国家MSW源于分类后的热值波动范围较小的可燃物质. 相较而言, 我国的MSW分类政策和相应管理制度尚在逐步完善和推广中, 所收集MSW的组分具有不确定性强、热值低和波动性大等特点. 此外, 用于检测燃烧线长度和料层厚度等关键CV的高精度仪表易损且价格昂贵. 因此, 发达国家ACC系统难以直接用于发展中国家. 目前, 我国MSWI电厂主要采用领域专家(即知识型工作者)自身智能频繁强干预下的手动控制模式, 其本质上是基于领域专家具身智能的“感知预测−认知执行”模式[4]. 显然, 该模式下MSWI电厂对领域工程师具有高度依赖性, 已经难以适应现代智慧化焚烧的需求[4], 导致其整体运营水平难以长时期稳定地达到环保部门日益严格的污染排放的监管要求. 因此, 在人工智能(Artificial intelligence, AI)技术赋能复杂工业过程的时代背景下, 研制具有甚至超越优秀领域专家水平的先进智能控制技术, 已成为确保MSWI行业可持续发展的关键.

作为先进过程控制(Advanced process control, APC)技术之一, 神经网络控制(Neural network control, NNC)因其良好的自适应和自学习能力已经在学术界获得广泛关注[15−16], 并广泛应用于实际生产过程[17−18]. NNC采用人工神经网络(Artificial NN, ANN)作为控制器, 通过最小化损失函数进行训练, 产生控制信号并作用于控制系统的执行机构. 近年来, NNC在MSWI过程中得到越来越广泛的应用, 但相关综述缺失. 值得注意的是, 截至目前已有文献综述与本文研究主题相关. 文献[4]全面深入地探讨MSWI过程的智能优化控制技术, 分析MSWI的基本工艺流程和控制特性, 强调其在环保背景下的重要性, 探讨实现MSWI智能优化控制所面临的难点, 详细回顾被控对象建模、现场控制与非现场控制等智能控制方面的研究进展, 并对未来的研究方向进行多维度展望. 受限于文献篇幅与撰写年限, 其未对已有NNC方法进行详细讨论, 也未对当前的NNC算法进行报道. 在此基础上, 文献[19]探讨AI技术在MSWI过程优化控制中的应用, 详细回顾目前该领域的研究进展, 并对AI建模、AI控制、AI优化和AI运维等方面的应用进行分类和总结, 但其同样未对NNC算法进行深入分析.

由上可知, 面向MSWI过程智能控制, 现有文献综述未围绕NNC这一主题进行深入探讨. 因此, 本文旨在系统地回顾面向MSWI过程NNC的现有研究, 围绕MSWI工艺及其控制难点与复杂性分析、NNC方法及其优势、面向控制的焚烧炉建模、非NNC控制器设计、NNC控制器及其在线更新等多视角进行分析以填补这一空白. 本文所检索的数据库包括Web of Science (WoS)、IEEE Xplore ScienceDirect、SpringerLink与中国知网, 采用的关键词为(“Waste-to-energy” OR “WTE” OR “MSWI” OR “Municipal solid waste incineration” OR “MSWC” OR “Municipal solid waste combustion”) AND (“Control”) AND (“Neural network”).

本文的其余部分组织如下: 第1节介绍城市固废焚烧过程及神经网络控制方法; 第2节分析MSWI过程的建模与控制现状; 第3节详细讨论NNC设计与在线更新现状; 第4节探讨面向MSWI过程的NNC的未来发展方向; 最后, 第5节全面总结本文. 附录部分列出了文中用到的大部分缩略词及含义.

图1  MSWI工艺流程图

图2  经典的NNC结构

图3  NNC设计与在线更新流程图

发达国家和发展中国家在MSWI过程稳定控制研究中的关注点具有不同的阶段性和地域性特征. 发达国家在20年前已解决固废热值稳定情况下的焚烧过程的高效自动化控制问题. 然而, 面对发展中国家的MSWI过程固有的固废成分高度不确定、设备运维预警能力弱等特性, NNC研究才刚刚起步. 鉴于其重要性, 本文对MSWI过程现有NNC研究进行系统综述, 主要贡献体现在: 1) 在详细描述工艺流程的基础上, 深入探讨MSWI过程的控制问题与控制目标, 指出控制的难点和复杂性; 2) 概述面向控制的机理模型和数据驱动模型, 简要分析非NNC控制器的研究现状; 3) 系统综述NNC设计现状, 指出需根据具体控制任务选择合适的NNC, 需对其参数和结构进行合理初始化, 特别深入地综述了网络参数、网络结构与事件触发的在线更新和稳定性分析现状, 并进行控制性能分析; 4) 展望NNC在促进MSWI控制具身智能化过程中的未来发展, 指出了未来可能的方向及潜在的研究重点.

作者简介

汤健

北京工业大学信息科学技术学院教授. 主要研究方向为小样本数据建模, 固废处理过程智能控制. 本文通信作者. E-mail: freeflytang@bjut.edu.cn

田昊

北京工业大学信息科学技术学院硕士研究生. 主要研究方向为城市固废焚烧过程的机器学习与智能控制.E-mail: tianh@emails.bjut.edu.cn

余文

墨西哥国立理工大学高级研究中心(CINVESTAV-IPN)教授. 主要研究方向为复杂工业过程建模与控制, 机器学习. E-mail: yuw@ctrl.cinvestav.mx

乔俊飞

北京工业大学信息科学技术学院教授. 主要研究方向为污水处理过程智能控制, 神经网络结构设计与优化. E-mail: junfeiq@bjut.edu.cn