阅读说明：本技术 一种生物质热解炭化窑优化控制方法 (Optimized control method for biomass pyrolysis carbonization kiln ) 是由 徐向纮 王光益 于 2019-10-22 设计创作，主要内容包括：本发明涉及一种生物质热解炭化窑优化控制方法。本发明专利是利用BP神经网络自适应控制热解炭化窑和工况参数优化的一种算法。解炭化窑是一个非线性、大滞后、多耦合的温度控制系统,采用机理建模难以得出准确的数学模型。自适应控制是采集炭化窑与燃烧炉的工况数据,使用燃烧炉工况数据模拟炭化窑窑尾温度的输出,再根据温度偏差产生自适应调节参数,减小炭化窑温度的波动。对于工况参数的优化,采集工况参数准确模拟炭化窑窑尾温度的输出后,改变某一工况参数,改变后的某一工况参数对炭化窑温度会在一定区间内呈现正相关或者负相关。得炭化窑窑尾平均温度为最大值时对应的设定工况范围。然后将该最佳工况参数传递给执行机执行。有利于提高炭化窑窑内的温度。(The invention relates to an optimal control method for a biomass pyrolysis carbonization kiln. The invention discloses an algorithm for adaptively controlling a pyrolysis carbonization kiln and optimizing working condition parameters by utilizing a BP neural network. The carbonization furnace is a nonlinear, large-lag and multi-coupling temperature control system, and an accurate mathematical model is difficult to obtain by mechanism modeling. The self-adaptive control is to collect the working condition data of the carbonization kiln and the combustion furnace, simulate the output of the kiln tail temperature of the carbonization kiln by using the working condition data of the combustion furnace, and generate self-adaptive adjustment parameters according to the temperature deviation to reduce the fluctuation of the temperature of the carbonization kiln. For the optimization of working condition parameters, after collecting the working condition parameters and accurately simulating the output of the kiln tail temperature of the carbonization kiln, a certain working condition parameter is changed, and the changed certain working condition parameter can show positive correlation or negative correlation to the temperature of the carbonization kiln in a certain interval. And obtaining the corresponding set working condition range when the average temperature of the kiln tail of the carbonization kiln is the maximum value. And then the optimal working condition parameters are transmitted to an execution machine for execution. Is favorable for improving the temperature in the carbonization kiln.)

一种生物质热解炭化窑优化控制方法

技术领域

本发发明专利属于控制科学领域，提出了利用BP神经网络自适应控制生物质热解炭化窑和工况参数优化的一种算法。

背景技术

当今社会的发展面临着能源的枯竭和环境的恶化。面对每天产生的大量可腐烂垃圾。传统生物质垃圾处理方法有填埋、焚烧、堆肥，但是这三种处理方法都有很多弊端。填埋和焚烧都会造成严重的二次污染，堆肥方式每天的处理量十分有限。生物质热解炭化技术就能很好的实现生物质垃圾减量化、无害化、资源化、可持续化的发展。

生物质热解炭化技术是利用生物质在高温缺氧或者无氧条件下热分解为生物质炭和热解可燃气的过程。生物质炭可以进行深加工，变成农业肥料或者工业金属吸附剂，热解可燃气可以用于生物质热解炭化过程的热源补充。其工艺流程图如图1所示。目前热解炭化窑温度控制难以实现炭化窑产生的可燃气供给达到能量自平衡，需要外加热源辅助供热。

生物质炭化窑控制系统具有多变量、大滞后、强耦合以及时变非线性等特性。生物质炭化窑与燃烧炉内工况始终处于动态变化之中，难以建立精确的数学模型，而常规的PID控制方法对热解炭化窑这样复杂的温度控制系统难以达到良好的控制效果，容易使窑尾温度波动大。严重的影响了出炭质量与热解可燃气的产生，造成了大量化石燃料的燃烧，加大了热解炭化装置的运营成本。神经网络自适应控制在多变量、大滞后、强耦合、时变非线性系统中能达到良好的控制效果。

神经网络最早由心理学家W·Mcculloch和数理逻辑学家W·Pitts 提出，神经网络具有模拟人思维的特点，可以看作一个非线性的动力学系统，非常适用于复杂环境。它具有以任意精度逼近任意非线性函数的特性。可以用于函数逼近：使用输入向量和输出向量训练可以逼近被控对象的数学模型。所述神经网络可用于数据分类、数据压缩、被控对象模型辨识。用于生物质炭化窑温度控制可以很好的解决控制领域难以解决的三大难题：(1)可以使用神经网络回归分析模拟出炭化窑窑尾温度输出，不必通过复杂机理建模，通过输入输出关系实时地得出被控对象的数学模型或者传递函数；(2)可以实现对热解炭化窑的自适应控制，减小人工干预，提高热解炭化窑智能控制水平；(3) 可以优化热解炭化工况参数，使所述生物质热解炭化窑工况设备工作在最佳的运行条件下。

传统的PID控制方法在非线性、大滞后、强耦合的控制系统中难以达到良好的控制效果。所述BP神经网络自适应控制是为了减小炭化窑温度的波动、稳定地保持炭化窑产生大量的可燃气以及保障冷却出炭品质。优化工况运行参数可以使热解炭化过程中产生更多的热解可燃气，产生的热解可燃气能够充分燃烧，减少化石燃料的燃烧、小企业运营成本、设备稳定运行等优点。

发明内容

本发明根据上述提出的生物质热解炭化窑温度控制波动大、工况运行参数不合适的问题。提出了生物质炭化窑自适应控制方法与优化工况运行参数方法。所述自适应控制能够减小窑体内温度的波动，稳定热解可燃气的产生和保障炭的品质，所述优化工况运行参数主要是在当前炭化窑温度下，调节鼓风机、窑传动电机、可燃气引风机的频率参数。达到所述炭化窑产生更多的热解可燃气进入燃烧炉里面充分燃烧，在不增加燃料甚至减小燃烧油的情况下，最终使炭化窑的窑尾温度达到极大值，使整个系统温度能够升高。

对于传统PID控制是按照偏差信号(e)进行比例(P)、积分(I)、微分(D)运算。计算公式如下。

其中，u为PID控制器的输出，T_i为积分常数、T_d为微分常数、k为比例放大系数、m为偏差为零时的调整值，当e为零时，使u的输出非零。保证控制器一直在调节。这里用到的PID控制是基于误差信号的闭环控制系统进行调节。PID控制的好处就是可以不知道控制系统的数学模型，只要检测到偏差信号，就可以对系统进行输出调节，经过反馈调节后，减小系统误差输出，达到控制精度要求。

上面公式为连续式的PID控制过程，但对于计算机控制系统，则需要将信号进行离散化后变成数字量才能被计算机识别。如果控制系统的采样周期为T，积分初值为0，则离散化后的式子如下。

u(k)为控制器第k时刻的输出、e(k)为第k时刻的误差、e(k-1)为第k-1时刻的误差、T为系统的采样时间、T_i为积分时间，越小积分作用越强，、T_d为微分时间，越大微分作用越强，微分具有***误差变化趋势，对误差变化有一定抑制作用、m为e(k)为零时的调节值、k为比列放大系数。为了简化公式，令

得出下列公式。

要使PID控制取得良好的控制效果、关键在于三个参数的选取。对于实际运用并不需要比例、积分、微分全部都用，某些情况只需要其中一项或者两项即可。传统的PID控制是需要工程师根据现场的情况选择k_p、k_i、k_d三个控制参数。所述生物质炭化窑中很多时候控制参数的选择很难难以到达理想的效果。使实际温度控制波动非常大。

神经网络自适应控制结构图如图2所示，神经网络自适应控制与优化工况参数两部分。传统的闭环控制系统，既PID控制器与广义被控对象，所述的控制参数K_p，K_i，K_d由神经网络NNC输出。NNT为预测神经网络，通过采集燃烧炉和炭化窑的温度压力等数据，模拟炭化窑窑尾温度输出。能够根据历史输入和当前的输入数据准确的预测窑尾的温度输出。同时NNT的输出传递到NNC，为NNC自适应控制提供实时数据。

所述NNC为自适应控制神经网络，输入为窑尾设定温度、炭化窑实际窑尾温度、当前温度偏差e(k)与[e(k)-e(k-1)]/T。输出为 PID调节参数的K_p，K_i，K_d。所述自适应控制网络能根据当前的温度偏差合理的输出体调节工况参数。可以根据不同时候的数据输入，得出最佳的控制参数，以期望达到炭化窑温度的控制精度。然后将控制参数K_p，K_i，K_d与优化后的x₈、x₉、x₁₀运行的参数传递到WINCC,WINCC 再传递给PLC进行实际控制。其自适应控制与优化调参如图3所示。对于热解炭化窑工况测量点，如图1所示，其每个测量点含义如下。 x₁＝炭化窑进口压力、x₂＝窑进口温度、x₃＝燃烧炉压力、 x₄＝燃烧炉1温度、x₅＝燃烧炉5温度、x₆＝鼓风机进口温度、 x₇＝炭化窑前端温度、x₈＝鼓风机工作频率、x₉＝热解可燃气引风机工作频率、x₁₀＝窑传动电机工作频率。

NNT温度预测神经网络的工作流程如下：

(1)在工控机WINCC软件上每10S记录一次燃烧炉、炭化窑温度、压力等数据。

(2)对采集的数据进行筛选，筛选过程中将十分相近的数据都删除掉，选取每5min/一次数据，这样有利于减少重复数据的训练，保证训练数据样本的广泛性，有利于得出较好的训练结果。

(3)将采集的数据分为训练集、测试集；将训练集和测试集的数据进行归一化，归一化公式为x′＝(x-x_i)/(x_max-x_min)

(4)构建一个三层的BP神经网络、输入节点为11个、隐含层的节点数为k、输出层的节点数为1。输入层、隐含层、输出层的节点函数均用双S型激活函数。

(5)初始化输入层、隐含层、输出层的连接权系数w_ij，设置BP神经网络训练参数等。

(6)将归一化后的训练集分为输入和输出，将输入进行训练；计算隐含层与输出层的输出值。

(7)在训练次数小于迭代次数的前提下，通过模拟输出与实际输出值进行比较，如果误差小于设定误差，那么就结束训练。如果迭代次数达到了允许的最大迭代次后，模拟输出与实际输出的误差没有达到设定误差，那么就停止训练。通过重新设置训练参数继续训练，直到在设定的迭代次数范围达到误差要求。

(8)将验证集数据使用上面所述模型进行测试，当验证集的误差也小于设定误差时，则所述NNT神经网络可以直接用后续采集的输入数据(x1-x10)来模拟窑尾温度(y)的输出。

(8)将模拟窑尾温度输出值(y)传递给NNC自适应神经控制网络。

所述NNT网络结构如图4所示。神经网络自适应控制部分，可用G(.)来描述PID的输出。G(.)为其中变量的函数。

u(k)＝G[r(k-1)，y(k-1)，e(k-1)，K_p，K_i，K_d，]

其中r(k-1)，y(k-1)，e(k-1)为输入，可以通过所述NNC神经网络的训练来找到最佳的K_p，K_i，K_d控制参数。在根据u(k)的计算式计算出每个时刻的u(k)值。y(k)＝u(k)*g(z)。通过u(k)计算出y(k)的输出。

所述NNC也是一个三层的神经网络，有3个输入节点，j个隐含节点、3个输出节点。每个节点的输出函数使sigmoid函数。通过训练集的的输入和输出数据，可以调整节点之间的连接权值。所述NNC 神经网络的输入向量为N1、N2、N3。通过BP神经网络误差反馈，输入层通过不断的调整连接权系数最终能以5度的误差模拟实际温度的输出。对于所述的被控对象模型辨识，使用u(k)与y(k)的输入输入关系，可以辨识出被控对象的数学模型G(S)，再对G(S)进行离散化，得出G(Z)。离散后的z对应系统的每个采样时刻k得出u(k)＝ u(z)，y(k)＝y(z)，最终可以得出

可以编写y(z)关于 G(Z)，u(z)的函数关系式。

N1＝窑尾设定温度；N2＝窑尾实际温度；N3＝N2-N1。

NNC神经网络自适应控制算法流程图如下。

(1)采集u(k)、y(k)的部分历史数据值，辨识出被控对象的数学模型。

(2)NCC上取样每个时刻的y(k-1)(窑尾温度值)，r(k-1)为窑尾温度设定值，一般不变，k＝1，2，n。

(3)e(k-1)＝r(k-1)-y(k-1)，然后对e(k-1)进行归一化处理

(4)e(k-1)，r(k-1)，y(k-1)等作为输入，计算NNC各层神经元的输入与输出，得出控制参数K_p，K_i，K_d。

(5)将制参数K_p，K_i，K_d带入PID计算公式中，计算u(k)的值，将计算的 u(k)值代入到神经网络NNT中，作为第次k的输入。

(6)将NNT第K次的数据输入数据输入，通过NNT神经网络回归分析后，输出窑尾预测温度值将窑尾预测温度值与窑尾实际温度值做比计算出

(7)计算窑尾的设定温度值与窑尾的实际温度温度值的偏差，e(k)＝ r(k)-y(k)，

(8)根据E(k)的误差反向传播，调整NNT网络各连接节点的权值w_ij

(9)根据e(k)的误差方向传播，调整NNC网络各连接节点的权值w_ij

(10)令k-1＝k，r(k-1)＝r(k)，E(k-1)＝E(k)，采样下一时刻的输入和输出值，重复以上步骤。

神经网络优化工况参数

工况参数优化使用NNT预测网络，在满足E(K)小于设定值时。其它变量保持不变时，取训练组样本量为n组。别改变每组样本里面 x₈、x₉、x₁₀三个电机的工作频率数据，得出分别改变运行参数x₈、 x₉、x₁₀时，窑尾预测温度

与没有改变之前的

做比较，得出改变后x₈、x₉、x₁₀对窑尾的正负相关性。实际系统中，三个变量x₈、x₉、x₁₀可能存在耦合情况，可以将三个参数同时改变后，根据预测的窑尾温度变化情况。

得出最佳的运行调节参数。将最佳的x₈、x₉、x₁₀调控范围传递给WINCC软件，验证神经网络优化后的x₈、x₉、x₁₀是否是实际的最佳优化工况参数，优化后的x₈、x₉、x₁₀运行参数要有利于燃烧炉或者炭化窑温度的升高。将x₈、x₉、x₁₀数据设置在一定范围内，其他数据保持不变，分别得出炭化窑窑尾预测温度

在分别对

求取平均，

分别得出与x₈、x₉、x₁₀变化时的正负相关性。得出最佳工况参数使得窑尾温度达到

将最佳的调节工况参数训练后传递给WINCC，WINCC传递给PLC进行实际控制。验证优化后的调节参数是否与实际的预测相符合。图 5自适应控制神经网络NNC结构图。

本发明专利的优点在于

(1)使用NNT神经网络能准确的预测炭化窑窑尾的温度输出，

(2)可根据炭化窑和燃烧炉的运行情况，实现对热解炭化过程的智能控制，减小人工的干预

(3)使用神经网络自适应控制有利于减小热解炭化过程温度波动，温度控制精度更高，提炭化窑运行过程的稳定性。

(4)通过优化工况参数、提高燃烧炉的温度，可以增加热解炭化过程热解可燃气的产生，减少企业运行过程中化石燃料的燃烧，降低企业在热解炭化过程的运营成本。

(5)本技术与生物质热解炭化窑相结合，提高生物质热解炭化窑温度控制效果，有利于可腐垃圾减量化和资源化处理，增加生物质热解炭化装置的推广使用。

附图说明

图1生物质热解炭化窑工艺流程及其测量点标识图，

图2神经网络自适应控制系统结构图，

图3自适应控制与工况参数优化结构图

图4预测神经网络NNT结构图，

图5自适应控制神经网络NNC结构图，

图6神经网络窑尾温度预测数据，

图7工况参数数据变化范围与窑尾预测平均温度数据表，

图8优化参数后对应的窑尾预测平均温度曲线图，

图9改进的BP神经网络自适应控制响应图，

具体实施方式

结合生物质热解炭化窑工况实际数据，对本发明进行详细的介绍。表1为x₁-x₁₀的数据，表1中的数据已经把异常数据删除了。将图6 的数据随机分为训练集和验证集，采用离线方式进行训练。对图6的数据进行归一化处理。处理后的数据使用NNT神经网络对表1的数据进行训练，当训练结束后，使用验证集数据进行验证。得出窑尾温度预测与窑尾实际的温度误差。

神经网络优化工况参数

将向量x₈、x₉、x₁₀改变的10组变化范围内每个向量随机产生 500个数据，用于训练改变后的数据。将预测窑尾数据求取平均

i为1-10，j＝1-500。图7为工况参数数据变化范围与窑尾预测平均温度数据。由图7可知，对于x₈鼓风机工作频率选择在[33HZ-36HZ]比较合适；对于x₉热解可燃气引风机工作频率选择在[18HZ-20HZ]之间；对于x₁₀(窑传动电机频率)选择在[5HZ-6HZ]比较合适。

NNC神经网络自适应控制实现步骤如下。使用u(k)，y(k)辨识出炭化窑被控对象系统模型为

对被控对象G(S)进行离散化，得出

y(k)＝0.8763*y(k-1)+ 0.128*u(k-1)。设置NNC网络的初始值，r(0)、y(0)、w_ij各层之间的连接权值、训练参数。设定窑尾温度为r(k)＝430度，计算每个时刻的y(k)，在计算误差e(k)，根据误差调节各层之间的连接权w_ij，根据连接权值的调整从而调整K_p，K_i，K_d。最终输出窑尾温度y(k)随时间的响应曲线。图9为改进的BP神经网络自适应控制响应图。