混煤煤灰软化温度的实验研究与预测

第21卷第2期热能动力工程Vol.21 ,No.22006年3月JOURNAL OF ENGINEERING FOR THERMAL ENERGY AND POWERMar. ,2006文章编号:1001 - 2060( 2006 )2 - 0179 -04混煤煤灰软化温度的实验研究与预测伍昌鸿，马晓茜(华南理工大学电力学院广东广州510640)摘要:从某电厂700MW机组锅炉取混煤灰样,在智能灰测定,以探究混煤软化温度与掺混比之间的关系进熔点测定仪上采用角锥法对其进行软化温度测定。实验结而从已知实验数据寻找一般规律,利用径向基神经果表明混煤煤灰软化温度与掺混比呈非线性规律。采用径网络建立混煤煤灰软化温度的预测模型。向基神经网络(RBFNN)在MATLAB环境下建立了混煤软化温度的智能预测模型。为检验模型的预测效果,以实验的82混煤煤灰软化温度测定实验个混煤煤灰作为受验样本应用该网络模型对其软化温度进行预测。预测表明:RBFNN模型的预测结果与实验结果吻2.1实验 装置合良好二者的最大相对误差为3.79% ,平 均相对误差为.主要实验装置包括:灰化炉(马弗炉) ;灰锥模与1.56%预测效果远远优于线性预测模型。灰锥拖板;烘箱;ZRC2000 智能灰熔点测定仪(河南关.键词:混煤软化温度预测径向基神经网络非线性省鹤壁市智胜科技有限公司生产)。中图分类号:TQ534.3文献标识码:A表1煤灰化学成份(% )1引言灰样SiO2 Al2O3 Fe2O3 CaO MgO TiO2 K20+ Na2OA 35.43 11.72 9.59 28.93 2.14 0.571.93由于燃煤供应紧张,电厂很难保证只燃用设计B 55.38 26.68 9.6 1.56 1.28 0.95 1 .83 .煤种,也很难保证只燃用单一煤种通常需燃用2种44.5216.25 19.48 8.96 1.36 1 .030.97或2种以上组成的混煤或进行多煤种掺烧。混煤虽然具有掺混单煤的某些特征,但其综合性能已改变2.2实验方法实际上是人为加工而成的一个新的煤种"。因此,试样为8种混煤煤灰,取自某电厂700 MW机对混煤煤质特性进行研究很有必要。组锅炉。此8种混煤煤灰是该电厂采用神华煤、贵煤灰软化温度是衡量动力用煤的一个重要煤质州原煤和天津港煤按不同掺混比配制成的8种混煤特性指标对锅炉结渣特性有直接影响。对煤灰软燃烧得到的煤灰(标记为1号~8号)。神华煤、贵化温度已有较多的研究,但目前多以单一煤种为研州原煤和天津港煤3种单-煤种的煤灰(标记为A.究对象。譬如,文献[1~2]探讨了煤灰成份和煤灰B、C)的化学成份如表1所示,由厂家直接提供。软化温度的关系;文献[3~4 ]提出了一些提高煤灰按GB/T219-1996中规定的角锥法将混煤煤灰软化温度的方法。对混煤煤灰软化温度的研究也有制成灰样进行软化温度测定。其方法要点是:将煤一些报道研究的关键问题是混煤煤灰软化温度与灰制成一定尺寸的锥体试样在弱还原性气氛下，以单煤煤灰软化温度及掺混比之间的关系,但目前研-定升温速度加热并观察试样在受热过程中的形究得到的结论有所不同。譬如,文献5通过实验方态变化,当锥顶弯至锥底或萎缩成球形时，认为此时法发现混煤软化温度与掺混单煤的软化温度及掺对应中国煤化工复。图1为实验过程中混比不呈线性关系而文献6则认为可视为线性关ZRCMHCNMHG的CCD摄像头所拍摄系并通过数学方法推倒出了一个线性结构关系式。的相片,此时对应的温度可认为是最左边煤灰灰样因此采用以下实验方法，对混煤煤灰进行软化温度的软化温度(图中共4个灰样)。收稿日期2005-06-01;修订日期2005-11-22作者简介伍鲁想插_ )男湖南邵阳人华南理工大学硕士研究生.180●热能动力工程2006年测模型。目前对煤灰软化温度的非线性预测模型通常是利用人工神经网络映射出煤灰成份与软化温度之间的关系,从而建立煤灰软化温度的预测模型。譬如文献7~8份别采用BP神经网络和广义回归神经网络建立了煤灰软化温度预测模型,取得了较好的预测效果。而本文采用径向基神经网络(RBFNN)建立混煤煤灰软化温度的预测模型。3.1 RBFNN&9]R;(x)图1CCD摄像头拍摄的灰样相片输入Wik输出x12.3实验结果及分析单煤灰样及8个混煤灰样软化温度的实验结果见表2。可看出,在软化温度低的灰样中掺入软化x2温度高的灰样,可使混合灰样的软化温度升高并随掺混比的变化而变化,但软化温度与掺混比呈非线'n性规律。表2灰样软化温度的实验结果(C)图2径向基神经网络(RBFNN)灰样软化温度掺混比.A1 16(-BP网络用于函数逼近时权值调节采用负梯度B1 460下降法，这种调节权值的方法存在收敛慢和局部极220小等缺点。而RBFNN是-种在逼近能力、分类能力1号1 26030%A- 70% B和学习速度方面均优于BP网络的神经网络。本文2号1 22040%A~ 60% B选用其建立混煤煤灰软化温度的预测模型。3号1400.30%C~ 70% B .RBFINN由3层组成其结构如图2所示。输入4号1 38040%C ~ 60%B层节点只传递输入信号到隐层,隐层节点由像高斯5号1 32520%A~ 20%C~ 60%B核那样的辐射状作用函数构成通常采用高斯函数:6号1 36510%A~ 30%C~ 60% BR(x)=exp(-11x- c;112一)i=123...m7号1 25(30%A~ 20%C~ 50% B2σ?.8号127020%A~ 30%C ~ 50% B(1 )其中:x-n维输入量;一第i个基函数的中心;1...1- -欧氏范数σ;-第i个隐层节点的变量,它决3混煤煤灰软化温度的智能预测定了基函数围绕中心点的宽度,为可自由选择参数;m- -隐节点个数。电厂燃用混煤越来越多,而对所有混煤煤灰软输入层实现从x+R(x)的非线性映射而输出化温度进行实验测定显然不可能。因此,通过对一层节点通常是简单的线性函数,输出层实现从R;些混煤煤灰软化温度进行实验测定找出-般规律( x)→yh的线性映射,即:建立混煤煤灰软化温度的计算或预测模型将具有重中国煤化工(2)要的工程实用价值。其中JMYHCNMHG.1-删山公1爪双。混煤煤灰软化温度与掺混比的非线性关系决定网络的隐节点数、基函数中心及输出层权值需，了目前采用的取单煤煤灰软化温度的加权平均值或通过对样本的学习来确定。目前，设计RBF网络最采用线性回归公式计算混煤煤灰软化温度精度不常用的算法是正交最小二乘法( OLS) ,其详细数学高。因此两混煤软化温度的预测需要建立新的预第2期伍昌鸿等:混煤煤灰软化温度的实验研究与预测.181.描述可参考文献[ 10]本文即采用OLS算法来设计y=0.719axl + 1.056a2x2 + 0.848azx3(5)和训练网络模型。y =0.582aμx1 + 1.11a2x2+ 0.881 a3x3(6)y=0.685a1x1 + 1.088a2x2 + 0.980a3x3(7 )3.2混煤煤灰软化温度的RBF网络预测模型本模型中,网络的输入层为混煤煤灰成份,即混式4)由灰样6号、7号、8号的实验数据推导煤煤灰中的各氧化物含量。因此输入层有7个神经出,可用来预测灰样5号的软化温度;式(5)~式7)元节点,分别表示混煤煤灰中SiO2、 Al2O3、Fe2O3、按同样的方法由3组灰样的实验数据推导出,分别CaO、MgO、TiO2和K20+Na2O的含量。这些氧化物用来预测灰样6号、7号和8号的软化温度。的含量可通过实验测定,但考虑到模型以后的推广1550和实际工程应用,建模中直接取为相应单煤及掺混815001450比的加权平均值。网络的输出层为混煤煤灰软化温警1400度。模型选用52个已知实验数据作为网络的训练席13501300样本,训练样本数据取自文献[11],作为网络的输入1250训练样本时数据采用一步归一化方法进行预处理。1200受验样本1150450直线3.3模型验证105011001 150 12001250 1300 13501400 14501500 15503.3.1模型预测效果验证软化温度实验测定值1心为检验模型的预测效果,以本文实验的8个混煤灰样作为网络的受验样本应用该网络模型对其图3RBFNN模型的预测效果软化温度进行预测预测结果见表3预测结果与实验结果相比较的预测效果见图3。通过误差统计分对RBFNN预测模型、线性回归公式预测模型以析8个受验样本的软化温度预测值和实测值的最及加权平均预测模型进行比较,3种模型的预测结.大相对误差为3.79%平均相对误差为1.56%。可果比较见表4。对8个灰样软化温度进行预测见模型具有很好的准确性和较高的精度。RBFNN预测模型的最大相对误差为3.79%平均相对误差为1.56%;加权平均预测模型相应为9.84%表3混煤煤灰软化温 度的RBFNN模型预测结果和4.18%。对5号~8号灰样3种模型的平均相对|灰样 Si02 A2O3 Fe2O3 Ga0 Mg0 TiO2 K20+ Na20 预测结果误差分别为0.73%、2.33%和3.22%。显然,RBFNN1号49.39522.1929.5979.771 1.538 0.8361.861 289.2预测模型的预测效果远远优于其它2种模型。2号47.4 20.696 9.59612.5081.624 0.7981.871226.6表4混煤煤灰软化温度的3种预测模型比较3号52.1223.5512.5643.781.3040.974 1.572 1453.14号51.03622.50813.5524.521.3120.982 1.486 1419.7|灰样实验结果/CST(相对误差/% )STL 相对误差/% )ST(相对误差/% )|5号49.218 21.602 11.574 8.5141.468 0.89 1.6781 317.911 2601 289.<2.32)1 370(8.73)6号50.127 22.055 12.563 6.5171.39 0.936 1.5821 374.72号 1 2201 226.60.54)1 340(9.84)7号47.223 20.106 11.573 11.251 1.554 0.852 1.688 1246.63号 1 400.1 453.1(3.79)1 388( 0.86)8号48.132 20.559 12.5629.2541.4760.898 1.592 1287.8 .4号 1 3801 419.X2.88).1 364(1.16)注氧化物含量为质量百分比( % )采用掺混单煤的加权平均值软化温度单5号13251 317.90.54)1 352(2.04)1 345(1.51)位为心。6号1 3651 374.X0.71)1 358( 0.51)1 318.72.89)7号 1 2501 246.6(0.27)1 322(5.76)1 230[1.6)3.3.2 模型比较8号1 2701 287.81.40).1 328(4.57)1 311.93.30)文献6 ]提出线性回归公式预测模型。以3种单一煤种配制混煤为例文献[ 6的线性回归公式可注:STI为混煤煤灰软化温度的RBFNN预测模型预测值;ST2为加权平均预测h线性同白公式预测槽刑预测值相对误差指与实验结果比表示为“下述形式:较而中国煤化工y=f(x)=c1a1x1 +C2a2x2 +c3a3X3(3)YHCNMHG其中:y-混煤煤灰软化温度;a;一第i种单一煤种的煤灰软化温度ix一掺混比;c;一待定常数。( 1)对8个混煤灰样的软化温度的测定结果表据此方法,可得出下列回归公式:y= 05应敞据+ 1. 154a2x2 + 0.766a3x3. (4)明不同软化温度的单煤掺混混煤煤灰软化温度随182●热能动力工程2006年.掺混比的变化而变化,但二者之间呈非线性关系。(2)混煤煤灰软化温度与掺混比的非线性关blended coal aslC J ]. Energy Fuels 2000 ,14(2)316 - 325.系决定了采用单一煤种的软化温度及掺混比的线[4] PATTERSON J H ,HURST H J. Ash and slag qualities of australian bi-tuminous coals for use in slagging gasifiers[J]. Fuel ,2000 ,79( 13):性回归公式对混煤煤灰软化温度进行预测精度不高。采用径向基人工神经网络,可建立新的混煤煤[5]李帆,邱建荣郑楚光.混煤煤灰中矿物行为对煤灰熔融特性灰软化温度预测模型,该模型对混煤煤灰软化的预的影响[ J].华中理工大学学报,1997(4)41-43.测有很好的准确性和较高的精度。[6] 刘泽常卢宗华陈怀珍等.动力配煤的煤质指标与各单煤配比的结构关系[J]煤炭科学技术2004(7)62 - 64.(3)对混煤煤灰软化温度预测的3种模型的比[7]殷春根周俊虎骆仲泱等.人工神经网络在优化动力配煤中.较表明,RBFNN 预测模型的预测效果远远优于其它的应用研究[J].煤炭学报,19974)343 - 348.2种模型从而为混煤煤灰软化温度预测提供了新[8]周昊郑立刚樊建人等.广义回归神经网络在煤灰熔点预测的精度更高的预测模型。中的应用[ J].浙江大学学报(工学版) 2004 11 ):1479 - 1482.[9]闻新,周露,李翔,等.MATLAB神经网络仿真与应用参考文献:[M].北京科学出版社2003.[1]陈文敏姜宁.煤灰成份和煤灰熔融性的关系[J].洁净煤技[10] CHEN S ,COWAN C F N ,GRANT P M. Orthogonal least squareslearning algorithms for radial basis function network[ J ]. IEEE Trans术19962)34- 37.Neutral Networks ,1991 X2) 302 - 309[2]张德祥龙永华高晋升等.煤灰中矿物成份组成与灰熔融性[11] 殷春根.非线性理论在洁净煤技术研究中的应用[ D].杭州:的关系[J].华东理工大学学报2003( 6) 590- 594. .浙江大学,1998.[3] BRYANT G W ,BROWNING G J ,EMANUEL H. The fusibility of(丹编辑)中新技术常和壮兴兴兴兴学新颖的空气膜减振器据《ASME Journal of Turbomachinery>2005年7月号报道美国GE航空发动机公司、俄亥俄州立大学燃气轮机试验室和俄罗斯GE-ETEC的研究人员正在共同开发新颖的用于燃气轮机的空气膜减振器。鉴于它们不受环境限制能控制振型的效果空气膜减振系统已在燃气轮机工业中吸引了相当大的兴趣。尽管它仍然处在早期的开发阶段空气膜减振器有希望用于改进燃气轮机实心叶片的高周疲劳特性。这-研究使用试验方法,以便实心平板的振动响应与结合有空气膜减振器的相同尺寸平板的振动响应相比较。也研究了提高压力对空气膜减振效果的影响、减振器对各种振型的影响、以及空气膜盖板相对于实心支架的应变值。提供的结果证明,空气膜减振系统对于控制叶片振动的潜力在控制双类型振型方面是十分有效的。减振器可被设计成完全消除某些振型并且可使其它振动中的宽带减少。增加周围空气的压力使减振器更有效并使共振频率移向更低值。(吉桂明供稿)中国煤化工MYHCNMHG