煉焦過程煤調(diào)濕工藝的選擇

煉焦過程煤調(diào)濕工藝的選擇

#煤調(diào)節(jié)技術(shù)（cmc）是一種用于處理焦煤的預(yù)處理技術(shù)。這是“煤水加工工藝”的簡稱。通過直接或間接加熱，降低并穩(wěn)定控制進(jìn)入爐的煤水，使?fàn)t內(nèi)的煤水分解在規(guī)定的目標(biāo)值的5%7%之間，保證焦?fàn)t在裝載量穩(wěn)定的條件下生產(chǎn)，降低焦?fàn)t生產(chǎn)能力，提高焦?fàn)t生產(chǎn)能力，提高焦?fàn)t質(zhì)量，穩(wěn)定焦?fàn)t操作。對于煤調(diào)濕的建模問題,Ergun1工藝過程和模型選擇1.1煤調(diào)濕自動在線控制的建立及分析研究對象選擇寶鋼煉鐵廠煤調(diào)濕工藝系統(tǒng),設(shè)備包括蒸汽管式間接加熱轉(zhuǎn)筒干燥器,布袋式除塵器,儲液罐,儲煤倉,閃蒸罐,風(fēng)機(jī),輸氣管,蒸汽管,傳送帶等。其工藝流程如圖1。煤料水分控制系統(tǒng)本身為一個多參數(shù),強(qiáng)耦合,非線性大時滯系統(tǒng),其控制模型采用機(jī)理的建模方法通常較難;同時,煤粉干燥出口濕度在線監(jiān)測因水汽、粉塵等干擾,很難獲得穩(wěn)定、可靠的數(shù)據(jù);在日常生活中,因化驗(yàn)室對干燥機(jī)出口煤水分化驗(yàn)的結(jié)果滯后生產(chǎn)約15h,通常難以及時指導(dǎo)生產(chǎn)操作;在干燥機(jī)入口煤水分穩(wěn)定時,這種時間上的滯后還能維持干燥機(jī)出口煤水分的穩(wěn)定,而當(dāng)江南地區(qū)梅雨天氣造成露天煤場水分較大波動時,通常會導(dǎo)致出口煤濕度較大波動,從而影響煤調(diào)濕系統(tǒng)的運(yùn)行效果。因此,對現(xiàn)有煤料水分控制系統(tǒng)進(jìn)行建模和理論分析,給出不同切出量條件下,蒸汽消耗量與煙道氣溫度,入口煤濕度、出口煤濕度等物理量之間的關(guān)系模型,實(shí)現(xiàn)煤調(diào)濕的自動在線控制具有十分重要的現(xiàn)實(shí)意義。從煤調(diào)濕的熱平衡看,煤調(diào)濕過程的熱平衡關(guān)系見圖2,其中,熱收入=蒸汽放熱+煙道氣放熱;蒸汽放熱=過熱蒸汽降溫放出顯熱+飽和蒸汽變相放出潛熱+冷凝水降溫放出顯熱;熱支出=干煤升溫消耗熱量+煤中剩余水分升溫消耗熱量+煤中水分蒸發(fā)消耗熱量+空氣升溫消耗熱量+蒸汽排空熱損失計(jì)算+不可計(jì)算熱損失。從煤調(diào)濕工藝過程看,在煤調(diào)濕過程中,直接和間接影響干燥后煤料水分的因素有切出量,蒸汽壓力,凝液罐壓力,蒸汽溫度,蒸汽實(shí)際流量,蒸汽管網(wǎng)流量,主電機(jī)電流,進(jìn)料螺旋電流,排料螺旋電流,引風(fēng)機(jī)電流,引風(fēng)機(jī)輸出,煙道氣CO濃度,循環(huán)氣加熱蒸汽流量,循環(huán)氣溫度,出口氣體流量,循環(huán)氣流量,鼓風(fēng)風(fēng)量,干燥機(jī)入口壓力,鼓風(fēng)溫度,除塵器壓差,干燥機(jī)出口氣體溫度,入口氣體溫度,出口氣體溫度,入口氣體壓力,出口氣體壓力,袋室溫度,灰斗溫度,反吹氮?dú)鉁囟?反吹氮?dú)鈮毫?干燥機(jī)氧含量,入口煤濕度等30多個。通過對煤調(diào)濕熱平衡機(jī)理模型和工藝參數(shù)數(shù)理統(tǒng)計(jì)的相關(guān)性理論分析,從現(xiàn)場提供的煤調(diào)濕數(shù)據(jù)時報中,分析各個變量之間的相關(guān)性,考慮節(jié)能降耗與精確控制目標(biāo),最后確定出與蒸汽用量相關(guān)性最高的獨(dú)立變量煤處理量,干燥機(jī)出口尾氣溫度,入口煤濕度,出口煤濕度為煤料水分控制系統(tǒng)模型的輸入和輸出量。1.2煤調(diào)濕系統(tǒng)方案設(shè)計(jì)針對煤調(diào)濕的非線性、多輸入、強(qiáng)耦合,以及不能直接在線精確測量出口煤濕度等特點(diǎn),研究選擇用RBF神經(jīng)網(wǎng)絡(luò)來對煤料水分控制系統(tǒng)進(jìn)行建模。其結(jié)構(gòu)如圖3。圖3中輸入層節(jié)點(diǎn)數(shù):依據(jù)煤調(diào)濕工藝特性,輸入層是接受外部輸入數(shù)據(jù)的緩沖存儲器,以及一般節(jié)點(diǎn)數(shù)取決于輸入矢量的維數(shù)等特點(diǎn),本研究選輸入層節(jié)點(diǎn)數(shù)3。輸出層節(jié)點(diǎn)數(shù):依據(jù)煤調(diào)濕工藝特性,在設(shè)計(jì)輸入層和輸出層時,應(yīng)盡可能減小系統(tǒng)規(guī)模,使系統(tǒng)的學(xué)習(xí)實(shí)踐和復(fù)雜性減小,本設(shè)計(jì)的目的是預(yù)測蒸汽用量大小,故設(shè)定輸出層節(jié)點(diǎn)數(shù)為1。隱層節(jié)點(diǎn)數(shù):經(jīng)過100組數(shù)據(jù)進(jìn)行訓(xùn)練比較,選取隱層節(jié)點(diǎn)數(shù)為8。2煤樣檢測實(shí)驗(yàn)對煤調(diào)濕控制系統(tǒng)的環(huán)境參數(shù)、操作參數(shù)和運(yùn)行參數(shù)以及煤料在回轉(zhuǎn)窯內(nèi)停留的時間進(jìn)行現(xiàn)場的測試記錄,采集煤樣帶回實(shí)驗(yàn)室進(jìn)行檢測和實(shí)驗(yàn),監(jiān)測過程示意見圖4。在寶鋼現(xiàn)場通過4班工人,測量獲得1006組數(shù)據(jù),為了使數(shù)據(jù)覆蓋所有的樣本空間,采用了基于拉丁超立方的試驗(yàn)設(shè)計(jì)方法,選擇3個輸入變量的若干論域邊界值及每個子區(qū)間中的隨機(jī)點(diǎn)作為訓(xùn)練樣本庫。共計(jì)542組數(shù)據(jù)。見表1。3迭代次數(shù)對穩(wěn)定性的影響為了得到更加精確的模型,分別用GA、PSO、固定步長分別為0.1和0.5的BFOSTEP1:利用RBF算法完成每一個體對應(yīng)的神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化訓(xùn)練;STEP2:計(jì)算每一個網(wǎng)絡(luò)的J=100∑︳e(i)︳作為網(wǎng)絡(luò)的適應(yīng)值(用J是為了獲得滿意的精度,采用誤差絕對值指標(biāo)作為參數(shù)選擇的最小目標(biāo)函數(shù));STEP3:用5種算法對J適應(yīng)值進(jìn)行尋優(yōu),使得J的值最小,而后此網(wǎng)絡(luò)對應(yīng)的權(quán)值,即為最優(yōu)值。見圖5。由圖5中PSO優(yōu)化RBF網(wǎng)絡(luò)參數(shù)的曲線可見,隨著迭代次數(shù)的增加,其J逐漸減小,PSO可以最好的找出RBF網(wǎng)絡(luò)的權(quán)值。GA優(yōu)化RBF網(wǎng)絡(luò)參數(shù)時,收斂速度很快,但是隨著迭代次數(shù)的增加,J并沒有減少,精度低。固定步長為0.1的BFO優(yōu)化RBF網(wǎng)絡(luò)參數(shù)時,其收斂速度較ABFO較慢,最終效果沒有PSO好。而固定步長為0.5的BFO優(yōu)化RBF網(wǎng)絡(luò)參數(shù)時,收斂速度比0.1步長的BFO曲線收斂速度快,而且較0.1步長的BFO擁有更小的適應(yīng)值J,但在對高維度的參數(shù)優(yōu)化(所優(yōu)化的RBF網(wǎng)絡(luò)參數(shù)為40維)時,0.1步長的BFO有時會陷入了局部最優(yōu)。ABFO(自適應(yīng)步長BFO)優(yōu)化RBF網(wǎng)絡(luò)參數(shù)時,收斂速度介于0.1步長BFO和0.5步長BFO之間。綜合分析可知,PSO的優(yōu)化效果精度最高,效果最好。4實(shí)際應(yīng)用結(jié)果在實(shí)際生產(chǎn)中采集550組數(shù)據(jù)用于預(yù)測模型的檢驗(yàn),得到如下結(jié)果。分別使用無優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)和經(jīng)過智能算法優(yōu)化過的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)煤切出量進(jìn)行比較。圖6到圖11分別為常規(guī)RBF神經(jīng)網(wǎng)絡(luò)模型和經(jīng)智能算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測值與實(shí)際的蒸汽流量值的相對誤差?？梢悦黠@看出在整體550組預(yù)測數(shù)據(jù)中,經(jīng)過智能算法優(yōu)化過的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測輸出與實(shí)際誤差較小,而沒有經(jīng)過優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測輸出的誤差則較大。從整體誤差的趨勢來看,常規(guī)的RBF網(wǎng)絡(luò)其誤差較大為20%以上,經(jīng)過智能算法優(yōu)化以后,GA優(yōu)化后的誤差小于17%以內(nèi),0.1步長的BFO小于12%,(0.1步長的BFO易陷入局部最優(yōu)點(diǎn)),ABFO的誤差小于8%,0.5步長的BFO優(yōu)化后的誤差小于7%,PSO優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)誤差小于4%。圖12到圖18對應(yīng)550組數(shù)據(jù),是原有實(shí)際運(yùn)行的蒸汽流量和本研究所建立的RBF神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的控制輸出的對比。從運(yùn)行結(jié)果的圖12~圖18可知,原有蒸汽流量波動遠(yuǎn)遠(yuǎn)大于2.0kg/h×105種方法優(yōu)缺點(diǎn)通過對現(xiàn)有煤料水分控制系統(tǒng)進(jìn)行分析和建模,提出了實(shí)現(xiàn)煤調(diào)濕過程智能建模與控制的有效方法。通過研究表明,依據(jù)煤調(diào)濕過程特性確定模型類型后,基于智能方法的煤調(diào)濕建模與優(yōu)化具有以下特點(diǎn):(1)GA算法收斂過早,但是對應(yīng)的J較大,不符合精度的要求。(2)BFO優(yōu)化RBF網(wǎng)絡(luò)的精度較高,建立得模型也較精確,但對于高維度(優(yōu)化的RBF參數(shù)為40維以上時)的優(yōu)化問題容易陷入局部最優(yōu)點(diǎn)。(3)三種BFO優(yōu)