生物质气化炉智能控制系统

2015年10月农机化研究第10期生物质气化炉智能控制系统罗伟(湖南铁道职业技术学院，湖南株洲412001)摘要:针对生物质气化过程具有的非线性、不稳定性、大时滞和强干扰等特点,提出了-.种生物质气化炉的智能控制方法控制方法,包括温度控制环和可燃气体含氧量控制环的生物质气化炉双闭环智能集成控制方法。温度控制环采用主、副控制结构:主控制器采用基于BP神经网络模型,建立温度的BP神经网络模型;副控制器根据温度预测结果实现跟随控制。可燃气体含氧量控制环引入温度和含氧量两个反馈,主控制器采用模糊免疫PID控制，推算最优鼓风机转速;副控制器实现对鼓风机速度进行跟随控制。仿真结果表明了该方法的有效性和优越性。关键词:生物质气化炉;炉温;智能控制中图分类号: S216. 2;TP212文献标识码: A文章编号: 1003-188X(2015)10- 0263 -0620世纪70年代,Gahly等首次提出了将气化技术0引言用于生物质这种含有密度的燃料531 ,使气化技术成为我国生物质能资源(如稻壳、秸秆、薪柴)十分丰生物质转化过程最重要的技术之- -。目前,生物质气富,但这些资源硅含量高,不易被细菌分解,且堆积密化技术在发达国家已受到广泛重视。奥地利、丹麦、度小,废弃后将破坏环境。生物质能的综合利用不仅芬兰、法国、挪威、瑞典和美国等国家的生物质能在总能降低污染、净化环境,而且还能回收资源和能源,创能源消耗中所占的比例增加相当迅速。生物质的造经济效益,符合国家节能减排、废弃物资源化利用热解、气化焚烧是强非线性热力学过程,其间的化学及可持续发展的基本国策。生物质发电不但减少了反应进程与温度等参数间呈现出复杂的非线性关直接焚烧对环境造成的危害、减少了温室气体和有害系‘”。因此,建立生物质气化过程特性模型是实现整气体排放,而且对带动新农村建设无疑将起到重要的个生物质气化发电过程优化控制的关键。阴秀丽等促进作用。从某种意义上说,生物能源是解决地球能提出了基于动力学的生物质气化模型61 ;陈平建立了源危机、实现能源可持续发展和改善生态环境的唯一前馈BP神经网络模型' 7-81出路。在我国推广实施生物质燃料发电技术，将对节生物质气化过程是--类具有非线性、时变及强耦能减排起到重要的促进作用1-21。合的复杂工业过程,如果仅仅采用经典控制理论和现生物质气化炉外形与传统的煤球炉相比，其特别代控制理论,难以达到理想的控制效果。随着工业技之处是多了一根长管子,原理是以茅草、秸秆、树叶、术和过程控制技术的不断发展,工业过程越加复杂,废菌棒等农业生产和自然生长的可再生资源和农业控制的目标越来越多样化,控制精度的需求也越来越有机废弃物为原料,在缺氧、高温条件下,通过发生热高，智能优化的控制思想的提出极大地满足了这些需化学反应将原料热裂解生成可燃性混合气体并产生求,并在很多工业过程控制中实施应用，产生了很好热量。这些能量可直接用于农民朋友生产、生活之的效果。如果将这一思想应用于生物质气化过程,利中,为农民生活提供极大的便利。生物质气化炉的使用智能集成控制方法可以综合多种智能控制策略的用在变废物为资源的同时，又可改善广大农民朋友的优点,较好地把握生物质气化炉气化过程的本质规生活环境,特别是可在改善农村炊事条件和降低环境律,提高控制精度,实现多目标优化控制。污染等方面做出重大贡献,价值极高。中国煤化工收稿日期: 2014-10-11:CHCNMHG生物质气化过程的个庾足生物质碳与气体之间基金项目:湖南省教育厅科学研究项目(13C591)作者简介:罗伟(1979-),男,湖南株洲人,副教授 ,硕士,(E-mai)的非均相反应和气体之间的均相反应。该过程十分734 192664@ yahoo. com. cn。复杂,随着气化设备的不同、气化工艺过程的差异及●263.2015年10月农机化研究第10期反应条件(如气化反应剂的种类、气化反应温度、反应同时设置在喉管区的鼓风机,负责向氧化层输人-~次时间、有无催化剂的添加、气化原料种类、原料的含水风,为气化过程提供充分的氧气,实现对生物质物料率等)的不同,其反应过程也大不相同;但-般会经历的充分氧化;最后经过还原反应区,生成可燃气体。干燥、热解、氧化、还原4个过程。在上述反应过程物料和空气在炉内由上至下、随着温度的变化按照干中,只有氧化反应是放热反应,释放出的热量为生物燥、热解、氧化、还原4个反应层依次地进行气化反.质干燥、热解和还原阶段提供热量。在实际气化过程应,形成有少量杂质的可燃气体,该气体经过净化工中，上述4个过程并没有明确的边界,是相互渗透和艺处理,最终形成可以直接使用的可燃气体。交错的。气化过程是-个复杂的物理化学过程,其处理的气化炉是进行生物质气化过程的技术设备。在植物燃料来源众多,物理、化学特性差异较大;同时,气化炉中,生物质完成了气化反应过程并转化为生物气化过程中炉温 受到一次风量物料含水量等诸多因质燃气。气化炉能量转化效率的高低是整个气化系素的共同影响。这些因素对于气化过程的影响相对较统的关键所在,故气化炉型式的选择及其控制运行参小，气化过程主要受到空气当量比和气化反应温度的数是气化系统非常重要的制约条件。针对其运行方影响,式的不同,可将气化炉分为固定床式和流化床式两大生物质气化炉的控制目标是将生物质能的转换类型。其中,固定床式气化炉主要有上吸式、下吸式、效率最大化,提高并保证可燃气体的质量。影响气化横吸式及开心式4种;流化床式气化炉主要有鼓泡床炉转换效率的因素有很多，但主要取决于气化炉4个式、循环流化式、双床式及携带床式4种。据统计,目处理过程的温度区间;气化炉生成的可燃气体质量主前商业运行的生物质气化设备中,75%采用下吸式固要反映在其含氧量高低。因此,生物质气化炉系统控定床,20%采用流化床,2.5%采用上吸式气化炉，另制所要解决的问题主要在于如何将炉内温度稳定在外2.5%采用其他形式气化系统。最佳区间及怎样降低最终可燃气体的含氧量。本文以使用最为广泛的下吸式固定床作为研究为稳定气化炉炉顶温度和降低出口处可燃气体对象,分析生物质气化炉的结构和工作过程,如图1的含氧量,本文选取双闭环控制结构,对生物质燃料所示。与一次风的投放量分别进行控制,如图2所示。最优最优温度设定值IP| 原料最送料速度PID|上料控制一执行算法器机构l礼构干燥层一送料速度反饲热分解层含氧量设定值文+免疫|| PID鼓风机PID+-控制控制to化-次风| 机构炉氧化层-鼓风机可燃气体一风机转速反馈含氧量反馈还原层| 引风机图2生物质气化炉控制系统框图灰室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,图1下吸式固定床气化炉原理图但主要取决于物料物理、化学反应的放热和吸热。由下吸式固定床气化炉的工作过程为:首先，粉碎于该过中国煤化工,无法用准确的数学处理后的生物质物料由炉子顶部混合空气后,经由上模型来YHCNMHG方法建立物料和温度料口投人下吸式固定床气化炉;其次,气化炉底部燃的BP神经网络模型。主控制器根据当前温度和温度气出口处设置有引风机,正常工作时,引风机输出抽设定值,预测最优的生物质物料添加量;副控制PID力,在炉内形成负压,使反应产生的气体在炉内流动;.根据该添加量,对.上料机构的送料速度进行跟随控●264.2015年10月农机化研究第10期制,达到精确上料和稳定炉温的目的。ai=f( ZWivP; +61) (i=1,2,s) (1)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输出层第k个神经元的输出表示为的,本文以一次风进风量作为主要调节手段。因为一-a2s=f&( 2 W2z:ani +b2n) (h= 1,.,s) (2)次风不仅影响着可燃气体含氧量，还影响着气化炉温度,所以本文引人温度和含氧量两个反馈。主控制器定义偏差函数为采用免疫PID控制,它能根据炉内含氧量偏差和炉温E=2 (n-an)(3)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,确保鼓其中,采用梯度下降法获得BP算法的权值变化及偏差的反向传播:风机转速。1)输出层的权值和阈值。2基于BP算法的温度控制从第i个输人到第k个输出的权值表示为气化过程的温度变化具有大滞后的特点,给控制Ov2si =-η;E=-ηEd=η(te - az)fz'an;W2xidazk 8n2ki带来了很大的困难。通过对温度变化的预估,能够有(4)效地抑制滞后,提升控制效果。生物质气化过程是- -第k:个输出神经元阈值表示为个复杂的、非线性工业生产过程。由于气化炉温度受0E0E da2h到一次风量、物料分布及物料含水量等因素的影响,Obrs=-ηab=_ηga =η(t; -a2s)f'2 (5)气化炉温度变化毫无规律而言。神经网络是由大量2)隐含层的权值和阈值。简单的神经元纵横交错而形成的复杂网络系统。它从第j个输入到第i个输出的权值表示为能以实验数据为基础,经过有限次迭带计算,获得实_a0E 0a2k 8a001j =-η ;验数据的内在规律,并且无需预先给定公式,非常适?w1ij' a2k dani 0nij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]=η2 (1; -a2x)f 2102f'P(6)BP网络是- -种多层网络,其基本理念是将W-H第i个隐层神经元的阈值表示为学习规则一般化,对非线性的可微分函数训练权值。EJE a2k dani△b1; =-η目前，BP网络主要用在函数逼近、模式识别、分类和ab; ;0a2k oai 8b;数据压缩方面。BP算法由两部分构成:信息的正向=η2 (tx -a2:)f '2W0xf'1(7)传递和偏差的反向传播。在其正向传播过程中,输人的数据信息会被逐步运算,从输人层经隐含层直到传为了使模型具有更高的精度,本文采用基于样本给输出层;输出的信息又会影响下一层神经元。如果的批处理和变学习率的BP算法作为BP神经网络算法在输出层没有获得期望的输出,则会在计算输出层的2.1样本 的批处理的改进。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对于--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,而全局偏差意义上值会被修改直至达到期望目标。设P为输人变量,r为输人神经元,s1为隐含层内的梯度算法就是调整全局偏差丽数E的连接权。在的神经元个数, f为其对应的激活函数,82为输出层的逐个训练样本时对权值的修正可能会出现振荡,为了神经元个数, fz为对应的激活函数,A为输出,T为目避免这一-问题,应该在m个学习模式全部提供给网络标矢量, bi表示第i个隐层神经元的阈值, w1i 表示第之后对它统--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--次批处理。j个输入变量到第i个隐层神经元的权值, b2k 为隐层因此，中国煤化工中第k个神经元的阈值，IV2xi 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YHCNMHG_ dE:向iw;(t)递信息:批处理即累积偏差法,能使E向减小的方向变化。第i个隐层神经元的输出表示为BP算法之所以能被改进的关键在于采用批处理可以●265.2015年10月农机化研究第10期减少每个连接权及阈值的校正次数,从而改进了学习胞是生物免疫机理主要构成部分;而在免疫系统中,速度。应用该方法时,稳定网络的训练过程及限制每除了淋巴细胞外,还有一些其它种类的免疫细胞拥有次迭代网络偏差增量是学习率增长的前提。着不可忽视的作用。T细胞和B细胞从不活跃未成2.2 基于变学习率的BP算法熟经自体耐受发展为成熟的免疫细胞,一旦人体受到在基本的BP算法中，学习率必须是-一个固定的有关攻击时,迅速产生免疫应答。所谓的免疫应答就常数。通过分析基本的BP算法的偏差曲面得知:在是一个识别、效应和记忆的过程。其平坦区域,学习率太小会造成迭代次数增加;而在抗原是--类能被胸腺中的T细胞及骨髓中的B变化剧烈区域,学习率太大又可能修正过头，引起振细胞识别并刺激T细胞及B细胞进行特异性应答的荡及发散,进- .步影响学习收敛的速度。所以,合理病原体。巨噬细胞等将特异抗原递呈细胞吸取消化调节学习率从而加快收敛速度是基本BP算法的常用病原体,分解后展示在细胞表面,形成MHC分子。成改进方法之- _[9) 。熟的T细胞会被MHC分子激活,然后接受并识别病基于自适应变学习率的BP算法表示为原体抗原。T细胞识别特异抗原后会复制并激活杀伤[(1 +β)m(h) SSE(k + 1) < SSE(k) .T细胞,令其杀死任何受到特异抗原感染的细胞,并通η(h+ 1) =个(1 -β)n(k) SSE(h + 1) > 1.04SSE(k) (9)过辅助T细胞将B细胞激活,使其识别特异抗原,并η(k)进一步扩增分化产生抗体。这些抗体会与抗原结合,其中,β为某一小的正数,一般取值为0.01 ~通过与补体系统形成复合物或直接被吞噬细胞吞噬0.03。式(9)表示偏差增大时应减小学习率,偏差减小来杀死抗原。B细胞、T细胞在走向成熟过程中会经.时应加大学习率。这种方法在实际应用中很有效。历自体耐受,在接受、识别、杀死抗原后会形成免疫记2.3气化炉温 度的BP神经网络预测忆，产生免疫反馈。免疫反馈原理为:抗原进人机体基于生物质气化过程的机理分析及实际经验,为后,将信息传递给TH细胞和抑制TH细胞产生的TS降低神经网络的输人,影响焦炉集气管压力的可测量细胞,接受到信息的TH、TS细胞会共同刺激B细胞使因素初步确定为一次风量、物料分布及物料含水量,其增殖分化产生抗体消除抗原。为使免疫反馈系统将其作为BP神经网络的输人,气化炉温度的预测值趋于平衡[10],当抗原较多时,机体中TH细胞会较多为输出,此时BP神经网络就变成为-一个4输人单输于TS细胞,产生较多B细胞;反之,抗原被消灭减少出的模型。其中,启停次数为BP神经网络的输人节后,TS细胞又会增多并抑制TH细胞的产生,从而导点,特征参数值为输出节点,建立一个隐含层有5个致B细胞也随之减少。神经元的3层神经网络。理论上已经证明:如果- - 个3.2 模糊免疫PID算法网络具有偏差和至少一个S型隐含层加上一个线性为满足不同的控制要求,让被控对象有良好的性输出层，那它就能够逼近任意有理函数。训练算法采能,温度模糊免疫PID控制器采用模糊控制原理对用梯度下降法,学习速率为0.15,网络的初始权值为PID参数模型中的hp、ki、k.进行在线修改。其中,温0~1中的随机数。度偏差e(e=To-T,T。代表检测的实际温度,T代表设定温度)和加热能级u作替换:u-→S, Ou-→AS,分3基 于模糊免疫PID的含氧量控制别为控制器的输人/输出，则可燃气体含氧量是生物质气化炉生产质量的重u(h)=h;e(h) - k:2f(S(k) ,AS(h))e(h)(10)要指标之一,也关系到气化产物的安全使用问题。在=K[1 - f(u(h) , Ou(h))]e(k)= hipe(h)本文设计的生物质气化炉控制系统中,采用温度和可其中,hp为控制反应速度; φ = k:2/k;为控制稳定燃气体含氧量双闭环结构,对气化过程进行自动控效果, φ=0时为常规比例控制器;f(u(h),Au(k))制。可燃气体含氧量控制需要利用对一次风的控制，为采用模糊控制方法确定的非线性函数。解决含氧量控制和炉温控制之间的矛盾,在稳定炉温式(10)构成了一个模糊自整定P控制器,比例系的同时降低可燃气体含氧。数为中国煤化工3.1生 物免疫机理.MHCN MH G,0u()](11)生物免疫机理是抗击病源人侵的首要防御系统,其中,h。为u(k)和Qu(k:)的函数,随控制器输出它通过对病原物质的特殊提取、识别、刺激响应、自适变化;K为增益常数。应调节、学习和记忆等功能杀死抗原。B细胞和T细采用模糊控制可以增强系统鲁棒性。当加入常规●266.2015年10月农机化研究第10期微分积分控制作用后,即组成模糊免疫PID控制器。好地预测气化炉温度实时值，平均误差为4.3% ,且能模糊化过程:输入语言变量为用免疫算法修正环良好地跟踪实际温度的相位变化,为气化炉温度控制节的输出u(k)与输出变化Au(k),输出语言变量和可燃气体含氧量控制奠定良好了基础。为f(●),各语言变量的论域为5应用u(k)={-1,-0.7,-0.4,0,0.4,0.7,1} (12)针对某生物能源公司以生物质气化炉生产过程Au(k)=1-1,-0.7.-0.4,0,0.4,0.7,1 (13)具有高度非线性、时变特性、强構合性扰动变化激烈f(●)=1-0.7,-0.5,-0.2,0,0.2,0.5,0.71(14)且幅度大的特点，结合气化炉现场工艺状况,设计了输入语言变量u(h)和Au(k)与输出语言变量-种新的控制系统应用于该公司生物质气化炉生产(●)的论域取值均为“负大"(NB)、“负中"(NM)、过程。 该系统基于Honeywell集散控制系统运行环境“负小"(NS).“零"(Z0)、“正小"(PS)“正中"(PM)、和操作平台, 可用于采集过程数据.实时监视及分析“正大”(PB)。模糊控制规则表如根据现场经验设计。历史数据等;采用高级编程语言Visual C++ 6. 0编写通过免疫环节修正PID参数后,得到的烟气含氧智能解耦与优化控制应用软件,通过0PC通信技术将量模糊免疫PID输出为应用软件和集散系统进行无缝连接,以确保所编写的u(k)=hipe(k) - 1 +h[Qe(k) +应用软件能够通过集散系统对现场的执行设备进行hune(k) + kuS'e(h)](15)控制，从而保证了多座气化炉生产过程的实时稳定优其中，ha =k:/Nk, ,ha =k/k, Ae(k)=e(k)-e(k_化控制。1) ,4'e(k)=e(k) -2e(h- 1) +e(k-2)。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人生产后,得到了有效应用,起到4仿真了稳定气化炉温度、降低可燃气体含氧量的作用,满在保证生物质气化炉运行状况基本相同的条件足了生产过程的需要。下,采用基于灰色遗传的组合预测算法,对从某厂气将本文提出的控制方法应用于现场实际后,运行化炉现场采集到的2000组干燥层温度数据中选取的情况表明:生物质气化炉生产过程控制系统保证了化连续1500组训练样本数据,以及剩余500组与样本炉干燥层温度稳定在优化设定值+45C范围内;当压数据时间相近的实验样本数据进行学习,建立预测模力变化投放物料、气温变化造成系统扰动时,该系统型,对试验样本进行拟合。能在短时间内通过调节上料速度和一一次风机转速,将为了验证基于BP神经网络的生物质气化炉温度炉温;和可燃气体含氧量动态调整到正常波动范围内，组合预测算法方法的有效性,采用神经网络算法对实满足了生产的要求。验数据进行学习和拟合,结果如图3所示。6结论1 1001 000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900炉的智能控制算法。实践表明:该算法能较好地精确800控制生物质气化炉的炉温及含氧量。仿真试验证明:700该系统不仅能适应对象参数的变化、表现出良好的控00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。参考文献:[1]王中贤 ,张红.陈兴元，等热管生物质气化炉的模拟与试50100150200250300350400450500中国煤化工学版, 2008 ,29(6):512-采样点MYHCNM HG一实际值..... BP神经网络[2]周中仁，吴文良. 生物质能研究现状及展望[J].农业工程图3仿真结果学报,2005 ,21(12):12-15.从仿真结果可以看出:采用BP神经网络可以较.[3] Gahly M, Piskor J. The Hydro gaifcaion of wood[J]. Ind.267.2015年10月农机化研究第10期Eng Chem Res, 1988 ,27( 18) :256- -264.研究[J].太阳能学报,2007, 28(1):86- _90.4]吴创之,马隆龙,陈勇.生物质气化发电技术发展现状[8]陈平. 生物质流化床气化机理与工业应用研究[D].合肥:[J].中国科技产业,2006(2):76-79.中国科学技术大学,2003.[5] 田成民.我国生物质气化技术研究概况[J].化工时刊，[9]唐松涛，李定凯，吕子安.硫化床中生物质热解过程的混2004,18(5):19-21.沌神经网络模拟[J].化工学报, 2003, 54(6): 783-789.6]阴秀丽,徐冰燕,吴创之,等.生物质循环流化床气化炉的[10] 莫宏伟. 人工免疫系统原理与应用[ M].哈尔滨:哈尔滨数学模型研究[J].太阳能学报, 2003,17(1);1-8.工业大学出版社,2002.[7] 谢军,吴创之,陈平,等.中型流化床中的生物质气化实验Intelligent Control of Biomass GasifierLuo Wei( Hunan Railway Professional Technology College，Zhuzhou 4 12001，China )Abstract : According to the biomass gasification process is unstable，nonlinear ，large time delay and multiple interferencecharacteristics of intelligent control method，puts forward a control method of biomass gasification furnace . Put forward in-cluding biomass gasification furnace temperature control loop and combustible gas oxygen control loop of the double loopintelligent integrated control method . The temperature control loop adopts principal ，vice control structure, the main con-troller based on BP neural network model based on BP neural network model is established ， the temperature. Deputycontroller according to the temperature prediction results achieve the following control . Combustible gas oxygen controlloop introduction of temperature and oxygen content of two feedback，the main controller using fuzzy immune PID control,according to the oxygen content in furnace temperature deviation and deviation ，calculated the optimal rotation speed.Deputy controller according to the speed of the blower speed tracking control . Simulation results demonstrate the effective -ness and superiority of the method .Key words : biomass gasified ; temperature ; intelligent control中国煤化工MHCNMHG●268●