生物质气化炉智能控制论文范文

本站小编为你精心准备了生物质气化炉智能控制论文参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1工艺分析及控制结构

生物质气化过程的本质是生物质碳与气体之间的非均相反应和气体之间的均相反应。该过程十分复杂，随着气化设备的不同、气化工艺过程的差异及反应条件(如气化反应剂的种类、气化反应温度、反应时间、有无催化剂的添加、气化原料种类、原料的含水率等)的不同，其反应过程也大不相同;但一般会经历干燥、热解、氧化、还原4个过程。在上述反应过程中，只有氧化反应是放热反应，释放出的热量为生物质干燥、热解和还原阶段提供热量。在实际气化过程中，上述4个过程并没有明确的边界，是相互渗透和交错的。气化炉是进行生物质气化过程的技术设备。在气化炉中，生物质完成了气化反应过程并转化为生物质燃气。气化炉能量转化效率的高低是整个气化系统的关键所在，故气化炉型式的选择及其控制运行参数是气化系统非常重要的制约条件。针对其运行方式的不同，可将气化炉分为固定床式和流化床式两大类型。其中，固定床式气化炉主要有上吸式、下吸式、横吸式及开心式4种;流化床式气化炉主要有鼓泡床式、循环流化式、双床式及携带床式4种。据统计，目前商业运行的生物质气化设备中，75%采用下吸式固定床，20%采用流化床，2．5%采用上吸式气化炉，另外2．5%采用其他形式气化系统。本文以使用最为广泛的下吸式固定床作为研究对象，分析生物质气化炉的结构和工作过程，如图1所示。下吸式固定床气化炉的工作过程为:首先，粉碎处理后的生物质物料由炉子顶部混合空气后，经由上料口投入下吸式固定床气化炉;其次，气化炉底部燃气出口处设置有引风机，正常工作时，引风机输出抽力，在炉内形成负压，使反应产生的气体在炉内流动，同时设置在喉管区的鼓风机，负责向氧化层输入一次风，为气化过程提供充分的氧气，实现对生物质物料的充分氧化;最后经过还原反应区，生成可燃气体。物料和空气在炉内由上至下、随着温度的变化按照干燥、热解、氧化、还原4个反应层依次地进行气化反应，形成有少量杂质的可燃气体，该气体经过净化工艺处理，最终形成可以直接使用的可燃气体。气化过程是一个复杂的物理化学过程，其处理的植物燃料来源众多，物理、化学特性差异较大;同时，气化过程中炉温受到一次风量、物料含水量等诸多因素的共同影响。这些因素对于气化过程的影响相对较小，气化过程主要受到空气当量比和气化反应温度的影响。生物质气化炉的控制目标是将生物质能的转换效率最大化，提高并保证可燃气体的质量。影响气化炉转换效率的因素有很多，但主要取决于气化炉4个处理过程的温度区间;气化炉生成的可燃气体质量主要反映在其含氧量高低。因此，生物质气化炉系统控制所要解决的问题主要在于如何将炉内温度稳定在最佳区间及怎样降低最终可燃气体的含氧量。为稳定气化炉炉顶温度和降低出口处可燃气体的含氧量，本文选取双闭环控制结构，对生物质燃料与一次风的投放量分别进行控制，如图2所示。

1．1温度控制环温度控制环采用主、副控制结构。根据工艺分析，生物质气化炉炉温主要虽然受到多种因素影响，但主要取决于物料物理、化学反应的放热和吸热。由于该过程的非线性、大滞后特性，无法用准确的数学模型来描述，因此采用BP预测方法建立物料和温度的BP神经网络模型。主控制器根据当前温度和温度设定值，预测最优的生物质物料添加量;副控制PID根据该添加量，对上料机构的送料速度进行跟随控制，达到精确上料和稳定炉温的目的。

1．2含氧量控制环为达到稳定炉顶温度、降低可燃气体含氧量的目的，本文以一次风进风量作为主要调节手段。因为一次风不仅影响着可燃气体含氧量，还影响着气化炉温度，所以本文引入温度和含氧量两个反馈。主控制器采用免疫PID控制，它能根据炉内含氧量偏差和炉温偏差推算出鼓风机的最优转速;副控制PID则根据推算出的最优转速对鼓风机速度进行跟随控制，确保鼓风机转速。

2基于BP算法的温度控制

气化过程的温度变化具有大滞后的特点，给控制带来了很大的困难。通过对温度变化的预估，能够有效地抑制滞后，提升控制效果。生物质气化过程是一个复杂的、非线性工业生产过程。由于气化炉温度受到一次风量、物料分布及物料含水量等因素的影响，气化炉温度变化毫无规律而言。神经网络是由大量简单的神经元纵横交错而形成的复杂网络系统。它能以实验数据为基础，经过有限次迭带计算，获得实验数据的内在规律，并且无需预先给定公式，非常适合于研究非线性系统。因此，气化炉的温度可以采用BP人工神经网络对其进行预测［9］。BP网络是一种多层网络，其基本理念是将W－H学习规则一般化，对非线性的可微分函数训练权值。目前，BP网络主要用在函数逼近、模式识别、分类和数据压缩方面。BP算法由两部分构成:信息的正向传递和偏差的反向传播。在其正向传播过程中，输入的数据信息会被逐步运算，从输入层经隐含层直到传给输出层;输出的信息又会影响下一层神经元。如果在输出层没有获得期望的输出，则会在计算输出层的偏差变化值后进行转向传播，通过网络将偏差信号沿原来的连接通路进行反向传回，之后各层神经元的权值会被修改直至达到期望目标。设P为输入变量，r为输入神经元，s1为隐含层内的神经元个数，f1为其对应的激活函数，s2为输出层的神经元个数，f2为对应的激活函数，A为输出，T为目标矢量，b1i表示第i个隐层神经元的阈值，w1ij表示第j个输入变量到第i个隐层神经元的权值，b2k为隐层中第k个神经元的阈值，w2ki为隐层中第i个神经元到输出层第k个神经元的权值，则BP算法的正向传递信息。

2．1样本的批处理对于一般的BP算法，各连接权的调整量分别正比于各个学习样本的代价函数E，而全局偏差意义上的梯度算法就是调整全局偏差函数E的连接权。在逐个训练样本时对权值的修正可能会出现振荡，为了避免这一问题，应该在m个学习模式全部提供给网络之后对它统一进行调整;而成批训练的方法就是将一批样本生成的修正值累计后统一进行一次批处理。因此，修改权值的增量为。减少每个连接权及阈值的校正次数，从而改进了学习速度。应用该方法时，稳定网络的训练过程及限制每次迭代网络偏差增量是学习率增长的前提。

2．2基于变学习率的BP算法在基本的BP算法中，学习率必须是一个固定的常数。通过分析基本的BP算法的偏差曲面得知:在其平坦区域，学习率太小会造成迭代次数增加;而在变化剧烈区域，学习率太大又可能修正过头，引起振荡及发散，进一步影响学习收敛的速度。所以，合理调节学习率从而加快收敛速度是基本BP算法的常用改进方法之一。

2．3气化炉温度的BP神经网络预测基于生物质气化过程的机理分析及实际经验，为降低神经网络的输入，影响焦炉集气管压力的可测量因素初步确定为一次风量、物料分布及物料含水量，将其作为BP神经网络的输入，气化炉温度的预测值为输出，此时BP神经网络就变成为一个4输入单输出的模型。其中，启停次数为BP神经网络的输入节点，特征参数值为输出节点，建立一个隐含层有5个神经元的3层神经网络。理论上已经证明:如果一个网络具有偏差和至少一个S型隐含层加上一个线性输出层，那它就能够逼近任意有理函数。训练算法采用梯度下降法，学习速率为0．15，网络的初始权值为0～1中的随机数。

3基于模糊免疫PID的含氧量控制

可燃气体含氧量是生物质气化炉生产质量的重要指标之一，也关系到气化产物的安全使用问题。在本文设计的生物质气化炉控制系统中，采用温度和可燃气体含氧量双闭环结构，对气化过程进行自动控制。可燃气体含氧量控制需要利用对一次风的控制，解决含氧量控制和炉温控制之间的矛盾，在稳定炉温的同时降低可燃气体含氧。

3．1生物免疫机理生物免疫机理是抗击病源入侵的首要防御系统，它通过对病原物质的特殊提取、识别、刺激响应、自适应调节、学习和记忆等功能杀死抗原。B细胞和T细胞是生物免疫机理主要构成部分;而在免疫系统中，除了淋巴细胞外，还有一些其它种类的免疫细胞拥有着不可忽视的作用。T细胞和B细胞从不活跃、未成熟经自体耐受发展为成熟的免疫细胞，一旦人体受到有关攻击时，迅速产生免疫应答。所谓的免疫应答就是一个识别、效应和记忆的过程。抗原是一类能被胸腺中的T细胞及骨髓中的B细胞识别并刺激T细胞及B细胞进行特异性应答的病原体。巨噬细胞等将特异抗原递呈细胞吸取消化病原体，分解后展示在细胞表面，形成MHC分子。成熟的T细胞会被MHC分子激活，然后接受并识别病原体抗原。T细胞识别特异抗原后会复制并激活杀伤T细胞，令其杀死任何受到特异抗原感染的细胞，并通过辅助T细胞将B细胞激活，使其识别特异抗原，并进一步扩增分化产生抗体。这些抗体会与抗原结合，通过与补体系统形成复合物或直接被吞噬细胞吞噬来杀死抗原。B细胞、T细胞在走向成熟过程中会经历自体耐受，在接受、识别、杀死抗原后会形成免疫记忆，产生免疫反馈。免疫反馈原理为:抗原进入机体后，将信息传递给TH细胞和抑制TH细胞产生的TS细胞，接受到信息的TH、TS细胞会共同刺激B细胞使其增殖分化产生抗体消除抗原。为使免疫反馈系统趋于平衡［10］，当抗原较多时，机体中TH细胞会较多于TS细胞，产生较多B细胞;反之，抗原被消灭减少后，TS细胞又会增多并抑制TH细胞的产生，从而导致B细胞也随之减少。

3．2模糊免疫PID算法为满足不同的控制要求，让被控对象有良好的性能，温度模糊免疫PID控制器采用模糊控制原理对PID参数模型中的kp、ki、kd进行在线修改。其中，温度偏差e(e=T0－T1，T0代表检测的实际温度，T1代表设定温度)和加热能级u1作替换:u1→S，Δu1→ΔS，分别为控制器的输入/输出。

4仿真

在保证生物质气化炉运行状况基本相同的条件下，采用基于灰色遗传的组合预测算法，对从某厂气化炉现场采集到的2000组干燥层温度数据中选取的连续1500组训练样本数据，以及剩余500组与样本数据时间相近的实验样本数据进行学习，建立预测模型，对试验样本进行拟合。为了验证基于BP神经网络的生物质气化炉温度组合预测算法方法的有效性，采用神经网络算法对实验数据进行学习和拟合，结果如图3所示。从仿真结果可以看出:采用BP神经网络可以较好地预测气化炉温度实时值，平均误差为4．3%，且能良好地跟踪实际温度的相位变化，为气化炉温度控制和可燃气体含氧量控制奠定良好了基础。

5应用

针对某生物能源公司以生物质气化炉生产过程具有高度非线性、时变特性、强耦合性、扰动变化激烈且幅度大的特点，结合气化炉现场工艺状况，设计了一种新的控制系统应用于该公司生物质气化炉生产过程。该系统基于Honeywell集散控制系统运行环境和操作平台，可用于采集过程数据、实时监视及分析历史数据等;采用高级编程语言VisualC++6．0编写智能解耦与优化控制应用软件，通过OPC通信技术将应用软件和集散系统进行无缝连接，以确保所编写的应用软件能够通过集散系统对现场的执行设备进行控制，从而保证了多座气化炉生产过程的实时稳定优化控制。本文所研究的生物质气化炉生产过程控制系统在某生物能源公司入生产后，得到了有效应用，起到了稳定气化炉温度、降低可燃气体含氧量的作用，满足了生产过程的需要。将本文提出的控制方法应用于现场实际后，运行情况表明:生物质气化炉生产过程控制系统保证了化炉干燥层温度稳定在优化设定值±45℃范围内;当压力变化、投放物料、气温变化造成系统扰动时，该系统能在短时间内通过调节上料速度和一次风机转速，将炉温和可燃气体含氧量动态调整到正常波动范围内，满足了生产的要求。

6结论

针对生物质气化过程的复杂非线性特性，提出了一种基于BP神经网络和模糊免疫PID的生物质气化炉的智能控制算法。实践表明:该算法能较好地精确控制生物质气化炉的炉温及含氧量。仿真试验证明:该系统不仅能适应对象参数的变化、表现出良好的控制品质，而且有调节时间短、鲁棒性强和抗干扰能力强的优点。

作者：罗伟单位：湖南铁道职业技术学院