城市固废焚烧过程风量智能优化设定方法

城市固体废物焚烧(municipal solid wastes incineration,MSWI)技术由于其高效的减容效果逐渐成为了生活垃圾处理的主要方式.MSWI过程产生的氮氧化物(nitrogen oxides,NOx)是大气中的主要污染物之一.为了在控制NOx排放的同时保证燃烧效率,提出一种基于多目标粒子群算法的MSWI过程风量智能优化设定方法.首先,结合最大相关最小冗余算法及前馈神经网络,建立燃烧效率和氮氧化物排放浓度预测模型;然后,提出分阶段多目标粒子群优化算法(staged multi-objective particle swarm optimization,SMOPSO),获得一次风流量和二次风流量的Pareto优化解集;此外,设计效用函数,确定一次风流量和二次风流量的最优设定值;最后,基于国内某城市固废焚烧厂的实际运行数据,验证所提方法的有效性.     

复杂工业过程运行的混合智能优化控制方法

工业过程运行的优化控制的目标是将反应产品在加工过程中的质量、效率、消耗的工艺指标控制在目标值范围内. 由于复杂工业过程的工艺指标难于在线测量且与控制回路输出之间的动态特性具有强非线性、强耦合、难以用精确模型描述、随生产边界条件变化而变化的综合复杂性,因此, 难以采用已有优化控制方法, 运行控制只能采用人工设定的控制方式. 由于人工控制不能及时准确地随运行工况调整设定值, 难以将工艺指标控制在目标值范围内, 甚至造成故障工况.本文提出了根据运行工况实时调整控制回路设定值, 通过控制系统跟踪调整后的设定值, 将工艺指标控制在目标值范围内的过程优化运行的混合智能控制方法. 该方法由控制回路预设定模型、前馈补偿与反馈补偿器、工艺指标预报模型、故障工况诊断和容错控制器组成. 在某选矿厂22台竖炉组成的焙烧过程的应用案例, 证明了所提出方法的有效性.     

水泥生料预分解过程智能优化设定控制

在生料预分解过程中,由于生料边界条件频繁变化,致使产品的质量指标生料分解率过低或过高,从而增加了回转窑的负荷或导致最低一级旋风筒下料管堵塞.为了解决上述问题,本文提出了一个智能优化设定方法,由回路预设定模块、分解率预报模块、前馈补偿模块、反馈补偿模块组成.这个方法能够根据生料边界条件的变化在线调整控制回路的设定值.所提出的方法已经成功应用于酒钢宏达水泥生料预分解过程,取得了显著的应用效果.工业应用表明所提出的智能优化设定方法能够将生料分解率稳定在工艺范围内.     

城市生活垃圾焚烧炉温控制的多目标优化设定方法

为实现城市生活垃圾焚烧(MSWI)过程的炉温稳定并避免炉排温度过高的控制目标,本文提出一种通过炉排温度和一次风温间接控制炉温的多目标优化设定方法.通过融合分解与竞争策略,将WS变换、双向学习、随机交叉、动态高斯变异引入到多目标海鸥优化算法(MOSOA)中,得到一种改进的MOSOA(IMOSOA),根据炉温的设定值、误差等信息对炉排温度和一次风温的设定值进行寻优.实验结果表明IMOSOA的寻优能力显著增强,在干扰影响下,基于IMOSOA的多目标优化设定方法可实现MSWI过程炉温的控制目标,能有效促进垃圾焚烧过程的平稳运行.     

基于隐性记忆的非平稳时变污水处理过程多目标运行优化

针对污水处理过程中运行能耗大和水质超标严重等问题,基于隐性记忆策略,提出一种适用于无规律且非平稳时变过程的多目标运行优化方法.首先,采用集成即时学习在线建模算法建立运行指标模型,实现时变工况下运行优化目标的准确描述;然后,提出基于隐性记忆的多目标优化算法,通过充分考虑复杂时变工况,挖掘埋藏在历史优化信息中的结构化知识,引导进化搜索过程,并结合平均距离聚类指标进行均匀随机局部搜索,提高算法收敛性、多样性和分布性;最后,利用基于集成即时学习的智能决策方法,获取操作变量溶解氧浓度和硝态氮浓度的优化设定值并进行跟踪控制.数据实验表明:所提出方法能够实现污水处理过程的稳定运行,在满足操作限制的情况下,提高污染物去除性能,降低运行成本.     

转炉煤气回收系统优化控制策略应用

分析了转炉煤气回收工艺特点以及影响回收效果的重要因素,阐述了实现回收过程运行优化控制的相关工艺参数指标, 提出了一种基于提高CO浓度的 优化控制方案,利用模糊径向基函数(Radical basis function, RBF)神经网络在线辨识出炉口压差与CO浓度之间的数学模型,根据辨识模型实时调整压差控制回路设定值,通过控制系统跟踪调整 后的设定值,在辨识的过程中改进了网络学习算法,使辨识网络对学习参数变化具有较好的鲁棒性,并易于收敛.在应用 此优化控制方法对煤气回收系 统进行仿真分析的基础上,投入现场应用,结果表明,此优化控制策略能明显提高煤气回收的质量和品质,达到了良好的实 际应用效果.     

基于案例推理增强学习的磨矿过程设定值优化

磨矿粒度和循环负荷是磨矿过程产品质量与生产效率的关键运行指标,相对于底层控制偏差,回路设定值对其影响要严重的多.然而,磨矿过程受矿石成分与性质、设备状态等变化因素影响,运行工况动态时变,难以建立模型,因此难以通过传统的模型方法优化回路设定值.本文将增强学习与案例推理相结合,提出一种数据驱动的磨矿过程设定值优化方法.首先根据当前运行工况,采用基于Prey-Predator优化的案例推理方法,决策出可行的基于Elman神经网络的Q函数网络模型;然后利用实际运行数据,在增强学习的框架下,根据Q函数网络模型优化回路设定值.在基于METSIM的磨矿流程模拟系统上进行实验研究,结果表明所提方法可根据工况变化在线优化回路设定值,实现磨矿运行指标的优化控制.     

城市污水处理过程优化设定方法研究进展

城市污水处理过程优化运行的目标是保证出水水质达标, 降低运行成本. 为了实现该目标, 需要动态更新污水处理过程操作变量的最优设定值. 由于城市污水处理过程具有多变量、多冲突、多目标、多约束、动态、时变等特点, 如何设计精确的污水处理过程运行指标模型, 如何优化过程操作变量的最优设定值, 是实现城市污水处理过程优化运行亟待解决的难题. 本文梳理了城市污水处理过程优化设定方法的研究进展. 首先, 介绍了城市污水处理过程特性和过程优化设定问题; 其次, 分别概述了基于机理和基于数据驱动的城市污水处理过程运行指标建模方法; 然后, 分别讨论了城市污水处理过程单运行指标和多运行指标的操作变量设定值寻优算法; 最后, 展望了城市污水处理过程优化设定问题的未来研究方向.     

基于自适应变异SAPSO-LSSVM的磨煤机一次风量预测

针对磨煤机一次风量的预测问题,建立了以磨煤机系统运行中与一次风量主要相关的参数作为输入变量的最小二乘支持向量机(LSSVM)模型。采用自适应变异的模拟退火粒子群算法(AMSAPSO)对建立的LSSVM模型的参数进行优化,建立了基于自适应变异的模拟退火粒子群优化算法的最小二乘支持向量机(AMSAPSO-LSSVM)预测模型。利用某600 MW机组磨煤机一次风系统运行数据对该模型进行了验证。结果表明,采用自适应变异模拟退火粒子群算法对LSSVM进行寻优,有效避免了搜索盲目性和早熟收敛的问题,提高了模型的泛化能力。采用AMSAPSO-LSSVM预测模型可以对磨煤机一次风量进行较高精度的预测。     

工业过程运行的解耦内模控制方法

工业过程运行控制的目的是实现反映过程整体运行性能的工艺指标. 将常规解耦内模控制(Internal model control, IMC)进行推广, 提出了优化过程运行的解耦IMC方法. 通过对广义解耦内模控制器的设计获得了具有高维解耦能力、鲁棒稳定性和抗干扰能力强的回路设定模型. 该模型能够响应系统的各种不确定性和干扰, 对回路设定值进行调整, 通过控制回路的输出跟踪调整后的设定值, 从而实现期望的工艺指标. 磨矿回路运行的解耦IMC设计实例及仿真验证了所提方法的有效性.     

基于宽度混合森林回归的城市固废焚烧过程二噁英排放软测量

二噁英是城市固废焚烧过程排放的痕量有机污染物.受限于相关技术的复杂度和高成本,二噁英排放浓度检测的大时滞已成为制约城市固废焚烧过程优化控制的关键因素之一.虽然具有低成本、快响应、高精度等特点的数据驱动软测量模型能够有效解决上述问题,但二噁英建模方法必须要契合数据的小样本、高维度特性.对此,提出了由特征映射层、潜在特征提取层、特征增强层和增量学习层组成的宽度混合森林回归软测量方法.首先,构建由随机森林和完全随机森林构成的混合森林组进行高维特征映射;其次,依据贡献率对全联接混合矩阵进行潜在特征提取,采用信息度量准则保证潜在有价值信息的最大化传递和最小化冗余,降低模型的复杂度和计算消耗;然后,基于所提取潜在信息训练特征增强层以增强特征表征能力;最后,通过增量式学习策略构建增量学习层后采用Moore-Penrose伪逆获得权重矩阵.在基准数据集和城市固废焚烧过程二噁英数据集上的实验结果表明了方法的有效性和优越性.     

生活垃圾焚烧炉燃烧过程温度的仿人智能控制

针对城市垃圾焚烧排放污染物含量高,探讨了一种焚烧系统温度控制的仿人智能算法。剖析了垃圾不完全燃烧、烟气排放污染与导致二次污染等产生的原由,讨论了焚烧稳定性控制的条件,总结了焚烧过程的控制论特性,研究了焚烧过程的智能控制策略,构建了一种基于仿人智能的控制算法。以二阶滞后模型为例,仿真实验验证了仿人智能控制算法的强抗干扰能力与过程控制的良好品质。仿真研究结果表明,提出的控制算法对焚烧炉过程温度控制是可行与有效的。     

基于数据的湿法冶金全流程操作量优化设定补偿方法

湿法冶金过程具有反应机理复杂、工艺流程长、工序众多等特点,由于模型误差等因素,基于模型得到的生产过程最优工作点不是实际生产过程的最优工作点.如何保持湿法冶金生产流程运行在经济效益最优的状态成为生产优化控制的难点.本文提出了一种基于数据的湿法冶金过程操作量优化设定补偿方法.该方法在基于模型得到的最优工作点基础上,采用即时学习（Just-in-time learning,JITL）的思想,在当前工作点附近利用历史数据建立操作量补偿值和经济效益增量的相关模型,优化求解在当前工作点下,使经济效益增量最大化的操作量补偿值,施加到生产流程,并在新工作点进行迭代补偿.将所提出的方法仿真应用于某精炼厂的湿法冶金生产流程,仿真结果验证了所提出方法的有效性.     

基于潜在特征选择性集成建模的二噁英排放浓度软测量

二噁英(Dioxin,DXN)是导致城市固废焚烧(Municipal solid waste incineration,MSWI)建厂存在"邻避现象"的主要原因之一.工业现场多采用离线化验手段检测DXN浓度,难以满足污染物减排控制的需求.针对上述问题,本文提出了基于潜在特征选择性集成(Selective ensembl...     

面向城市固废焚烧过程的二噁英排放浓度检测方法综述

焚烧在城市固体废物(Municipal solid wastes, MSW)的无害化、减量化和资源化处理方面优势显著. MSW焚烧(MSW incineration, MSWI)过程副产品之一的剧毒持久性污染物二噁英(Dioxins, DXN)是造成焚烧建厂“邻避效应”的主要原因. DXN排放浓度难以在线实时检测的工业现状已成为制约MSWI过程运行优化与城市环境污染控制的瓶颈. 首先, 结合典型MSWI过程分析DXN的生成特性与排放控制策略; 接着, 将DXN排放浓度检测方法从测量原理、复杂度和时间尺度等视角分为离线直接检测法、指示物/关联物在线间接检测法和软测量法并进行综述; 然后, 对不同方法的发展阶段和关联性进行分析, 指出各自的优劣性和相互间的互补性, 结合MSWI过程特点归纳基于过程数据进行DXN排放浓度软测量的难点, 并将其提炼为一类面向小样本高维稀疏标记数据的智能建模问题; 最后, 指出进行DXN排放浓度智能软测量的未来研究方向和发展前景.     

基于最优定权组合法的大气污染物SO2预测

为了提高对大气污染物SO₂的预测准确率,基于多个空气质量预测模式（WRF-CHEM、CMAQ、CAMx）,以过去一段时间内各单项空气质量预测模式的组合预测误差平方和最小为原则,构建出针对大气污染物SO₂的最优定权组合预测模型.选取2018年云南省楚雄、昭通、蒙自三个站点1至5月份的实际观测数据和前述三个空气质量模式的预测数据作为实验样本,然后分别采用多元线性回归法和动态权重更新法在相同的实验条件下与所提的最优定权组合预测法进行预测对比实验.实验结果表明,所提方法的预测值相较其他两种方法更加贴近实际观测值,其两项误差评估指标值均最小.总体而言,最优定权组合预测模型很好地综合了各单项空气质量预测模式的优势,提高了SO₂的预测精度.     

联合样本输出与特征空间的半监督概念漂移检测法及其应用

城市固废焚烧(Municipal solid waste incineration, MSWI)过程受垃圾成分波动、设备磨损与维修、季节交替变化等因素的影响而存在概念漂移现象, 这导致用于污染物排放浓度的建模数据具有时变性. 为此, 需要识别能够表征概念漂移的新样本对污染物测量模型进行更新, 但现有漂移检测方法难以有效应用于建模样本真值获取困难的工业过程. 针对上述问题, 提出一种联合样本输出与特征空间的半监督概念漂移检测方法. 首先, 采用基于主成分分析(Principal component analysis, PCA)的无监督机制识别特征空间内的概念漂移样本; 然后, 在样本输出空间采用基于时间差分(Temporal-difference, TD)学习的半监督机制对上述概念漂移样本进行伪真值标注后, 再用Page-Hinkley检测法确认能够表征概念漂移的样本; 最后, 采用上述步骤获得的新样本结合历史样本对模型进行更新. 基于合成和真实工业过程数据集的仿真结果表明所提方法具有优于已有方法的性能, 能够在加强模型漂移适应性的同时有效缩减样本标注成本.     

支持向量机应用于大气污染物时间序列预测

阐述了支持向量机应用于大气污染物时间序列预测的具体方法,建立了大气污染物时间序列的支持向量机预测模型.该方法将支持向量杌应用于大气污染物浓度预测:首先通过选择合适的信息量准则来确定模型阶数:而后通过实验的方法选择参数从而形成支持向量机的训练样本集,在此基础上建立了基于支持向量机的时间序列大气污染预测模型.实例表明,无论是在仿真过程还是在预测过程,支持向量机都具有很高的预测精度.因此.采用支持向量机方法对大气污染物时间序列进行预测分析是可行的.