焦炉火道温度的神经网络软测量模型

作者：中南大学信息科学与工程学院 陈洋 赖旭芝

欢迎访问e展厅 展厅 8 炉窑相关设备展厅 喷煤机, 煤气发生炉, 节能装置, 点火器, 烧嘴, ... 1 引言 焦炉生产过程中，火道温度是非常重要的工艺参数，它直接影响产品质量的稳定与能耗的高低。为了准确测量和预报焦炉的火道温度，建立合理的温度模型是非常必要的。目前检测焦炉火道温度的主要方法是在焦炉适当地方安装热电偶，以热电偶实测温度间接反映焦炉的火道温度。建立准确的温度模型可以避免直接测量火道的高温，如果模型足够准确，还可以减少热电偶的安装数目，大大降低投资，更重要的是为温度控制提供参考依据，从而实现焦炉燃烧加热的自动控制。 对炼焦工艺分析可以建立火道燃烧机理数学模型[1]，机理模型在理想前提下对火道燃烧过程与热传导机理有较准确的分析与推导，但是工业实践中环境复杂多变，理论公式很难付诸实施。有些文献提出运用线性回归方法建立火道温度模型[2]，这种方法不仅需要安装较多的热电偶测量高温，造成成本太高，而且线性模型难以逼近对象本身的非线性过程，不能保证在工况复杂多变的情况下得到可靠的精度。 随着人工智能的发展，神经网络与软测量技术的出现为火道温度检测提供了全新的方法和手段。本文在分析火道燃烧机理的基础上提出神经网络软测量模型，并设计模糊组合器对多支火道温度的预报进行有效组合，为焦炉火道温度检测提供了一种新的思路。 2 火道温度检测的机理分析 2．1 影响火道温度的各种因素 (1)温度检测点 焦炉炉体一般由若干个炭化室燃烧室交替组成，某焦化厂新2号焦炉就由55个炭化室和56个燃烧室组成，图1表示了焦炉结构特点。为了了解火道温度的整体状况，最直接的做法是在每个火道中插入热电偶检测温度，但是由于火道的温度可能高达1300℃，插入的热电偶寿命很短，这样会造成检测和维护的成本过高。目前可行的方法是在部分蓄热室的顶部安装专用热电偶，建立蓄顶温度与火道温度的模型，通过模型预报火道温度。由于每个炭化室、燃烧室、蓄热室的工况复杂，选取的蓄热室要能较好的反应炉况，热电偶最终的插入点根据焦炉的实际工况和现场测温工的经验，同时考虑推焦串序的要求确定，它们的编号为8、14、27、35、47、51。 (2)煤气的换向操作 煤气在焦炉内总是从一侧蓄热室上升从两侧蓄热室下降，如图1所示。以8号燃烧室为例，煤气首先进入7号蓄热室预热，预热后进入燃烧室燃烧，从燃烧室的单号火道上升，燃烧结束后的废气从双号火道下降，随后从8号燃烧室出来，进入8号蓄热室，将热量传给蓄热室的炉墙，之后进入烟道作为废气排出。气体从一侧蓄热室进入，到从相邻蓄热室排出，这一个过程为30分钟，称为换向周期。下一换向周期时，煤气从8号蓄热室进入，从7号蓄热室排出。从以上分析可以看出，由于换向操作的原因，蓄顶温度存在周期性的波动。当上升煤气经过蓄热室时，气体被预热，该阶段蓄顶的温度持续下降。由于刚进入蓄热室的煤气温度最低，煤气从炉墙吸收大量的热，蓄顶温度下降剧烈，随着时间增加，煤气的温度升高，炉墙释放热量的速度下降，蓄顶温度下降速度也随之减慢。实测数据表明，在换向后的前半个周期内，蓄顶温度下降量占整个下降量的2／3左右。这表明在换向操作后15分钟左右时，蓄顶温度的变化基本平稳。 如果用蓄顶温度反映与之相联通的火道的温度，一定要检测气流下降时的温度。这是因为下降气流是火道燃烧结束后的废气，这些废气在数秒之内会运动到达蓄热室，因此下降气流到达蓄热室时的温度与气体在火道内燃烧时的温度具有最大的相关性。与之相反，上升气流到达蓄热室是为了预热，并没有参与燃烧，那时的蓄顶温度仅代表煤气燃烧前的初始温度，与火道燃烧时的温度关联不大。 (3) 荒煤气温度 荒煤气是从炭化室中逸出的混合性气体，其温度反映了炭化室内的温度状况，也反映了火道加热对炭化室内结焦状况的影响。本文对焦炉火道温度的预报以检测蓄顶温度为主，检测荒煤气温度为辅。荒煤气温度在结焦时间内波动不是非常剧烈，从温度曲线看，该温度从装煤结束后，保持上升趋势，温度波动范围为65075012，如图2所示。到达结焦末期的火落时刻，炭化室处于焖炉时间，焦炭放热而焦炉储热，荒煤气温度急剧下降而火道温度上升。 2．2 火道温度在结焦时间内的变化特点 焦炉加热时，煤气在燃烧室燃烧产生的热量传递给炉墙，炉墙将热量以多种方式传递给炭化室内的煤料。煤料在炭化室内密闭加热，直至结焦成熟。合理的推焦计划要使相邻炭化室的结焦时间相差半个周期左右。炭化室在结焦前半期，特别是装煤初期，煤料从炉墙吸收大量的热，因此炉墙温度下降；而在结焦的后半期，从炉墙吸热较少，火道温度有上升趋势。当相邻炭化室结焦时间相差一半时，燃烧室两侧的炭化室分别处于结焦的前半期和后半期，使燃烧室的供热和温度比较稳定，减轻了因炭化室周期性装煤、推焦所造成的燃烧室温度大幅度波动。在供给燃烧室热量一定的情况下，燃烧室放热给炉墙的热量增大或减少，就会导致火道温度下降或上升。如图3，炭化室推焦后，相邻的燃烧室火道温度急剧下降(A)。一般而言，结焦3～5h后，随着燃烧室传给炉墙热量减少，燃烧室温度开始上升(B)。当一侧炭化室处于结焦末期，火道温度上升到最高值(C)，推焦、装煤后火道温度又开始下降，经3～5h后又逐渐上升(D)，至另一侧炭化室的结焦末期又达到最高值(E)，所以火道温度在一个周转时间内将出现两次降落和上升，故温度呈双抛物线形状。两个抛物线的间隔时间取决于推焦串序、循环检修计划和周转时间。 以新2号焦炉8号燃烧室为例，其两侧为7号和8号炭化室。推焦相隔时间为10．8h，故两个抛物线的峰温间距为10．8h和7．2h，经计算其它五个燃烧室的峰温间距与此相同。 3 焦炉火道温度的软测量模型 3．1 火道温度的软测量 焦炉火道温度检测系统运用软测量技术对中间变量——12支火道温度进行预报，这12支火道分别是与选定的蓄热室相邻的燃烧室的火道。模糊组合器以软测量模型的输出作为输入，并引入检测变量作为校正输入，对全炉所有火道温度的均值进行预报，如图4所示。 软测量模型的关键是选取合理的辅助变量进行采集。根据前文分析，相邻两个蓄顶温度分别代表煤气燃烧前和燃烧后的温度，与气体燃烧时的温度具有最好的相关性，选作模型的输入量，再引入相邻的两个荒煤气温度，这四个温度量分布在目标燃烧室的四周。合理的预报策略是以上述四个温度值为自变量，以燃烧室的火道温度为因变量建立模型。从而建立了8、9、14、15、27、28、35、36、47、48、51、52号燃烧室的火道温度模型。 对数据分析发现相邻两蓄顶温度具有显著相关性，相邻两荒煤气温度也有类似现象。所以蓄顶温度和荒煤气温度各检测一个已足够，模型的性能基本保持不变，但建模代价却降低一半。因此可根据输入量在空间的分布不同和推焦的影响将模型分为4种结构。 (1)利用偶数号荒煤气温度与蓄顶温度预报偶数号燃烧室的火道温度，在空间上，燃烧室在炭化室的左侧，如图5(a)。8号和14号燃烧室使用此类模型。 (2)利用偶数号荒煤气温度与蓄顶温度预报奇数号燃烧室火道温度，燃烧室在炭化室的右侧，如图5(b)所示。9号和15号燃烧室使用此类模型。 (3)荒煤气温度在燃烧室的左侧，蓄顶温度在右侧，燃烧室在中间，如图5(c)所示，27，35，47，51号燃烧室使用此类模型。 (4)荒煤气温度在燃烧室的右侧，蓄顶温度在左侧，燃烧室在中间，如图5(d)所示。28，36，48，52号燃烧室使用此类模型。 上述分类符合工艺特点，考虑了推焦串序对燃烧室的影响，可大大降低建立模型的开销，在不影响模型精度的前提下提高模型运算效率。 3．2 软测量模型的实现与在线修正 神经网络不需具备对象的先验知识，而根据对象的输入输出直接建模，避免了对尚不清楚燃烧机理的建模。通过对大量样本的学习，神经网络可以记忆大量数据的模式特点，当新数据出现时自动调用模式特点进行准确预报。 以图5(a)的模型为例，通过实测8号、14号燃烧室火道温度和蓄顶温度获得样本数据。由于温度大滞后的特点，实时温度总是受到过去时刻温度的影响，神经网络采用递阶输入量，其结构选用三层 BP网络，如图6所示。神经网络采用随机数初始化权值与阈值，用实测的历史数据对网络进行离线训练。训练时采用已广泛应用的反向传播算法，训练结束时网络的权值和阈值作为在线预报时模型的初始参数。 模糊组合器利用荒煤气温度检测值确定各火道预报值对目标输出值的影响。由于各预报值会受到推焦操作的影响，当推焦操作到达某一炉孔时，该孔的荒煤气温度急剧下降(图2)，此时火道的温度也出现波动，该火道的预报值会对全炉均值带来偏差。首先选择统一的语言变量和不同的量化系数 焦炉因长期生产其参数必然随着时间而变化，离线训练获得的模型只可能在一段时间内对火道温度准确预报，工作点的偏移也会导致模型预报出现偏差，所以模型必须可以在线自动修正。在线自动修正就是指神经网络持续从新产生的样本中抽取模式特点，储存新的信息，并利用新信息对火道温度进行预报。焦炉测温工每天对火道温度实时测量正好提供了用于实时学习的新数据。 虽然神经网络擅长从大量数据中抽取模式特点，但测温工对火道温度的监测数据却十分有限，所以神经网络在线学习是有一定周期的。测温工每周的监测数据足以让网络实现一次可靠的修正，所以模型的修正周期大约为一周左右。工业生产数据表明，焦炉参数在一周内的变化是非常小的，将周期定为一周是可行的。 4 结束语 本文对焦炉火道燃烧机理进行了分析，对影响火道温度的多种因素作了深入探讨，最后提出了焦炉火道温度检测的软测量模型。为简化模型的计算，本文结合焦炉工艺特点提出将模型分类四类结构。以软测量结果作为模糊组合器的输入，根据荒煤气温度建立各预报值对目标均值的隶属函数，模糊组合器的输出为最终的预报值。该模型对火道温度分析全面，运用了人工智能技术，为进一步研究焦炉加热燃烧机理，提高焦炉燃烧自动控制水平打下了坚实的基础。 参考文献 [1] 骆光强，温治，陈鸿复等．焦炉燃烧室一炭化室传热过程数学模型[J]．燃料与化工．1998，(3)：78～82． [2] 严文福，郑明东，宁方青等焦炉加热优化串级调控制数学模型的研究与应用[J]．安徽工业大学学报，2003，(10)：299～302． [3] 支晓明．宝钢5．6号焦炉加热自动控制系统[J]．燃料与化工，2001，(9)：233-238． [4] 郑明东，宁方青．焦炉立火道温度控制研究[J]．大连理工大学学报，2001。(7)：442～445． [5] Chunhua Yang, Min Wu, Deyao Shen, et al. Hybrid intelligent control of gas collectors of coke oven [J]. Control engineering practice 2001, (9) : 725～733. [6] 金敏，沈德耀．变焦混沌优化焦炉燃烧控制专家控制系统[J]．中国有色金属学报1999，(9)：631-635． [7]姚昭章．炼焦学[M]．北京：冶金工业出版社，1995．(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (1/14/2006)