燃煤锅炉燃烧过程自动控制的应用研究

秦 虎 刘志红 黄宋魏

(贵州大学矿业学院1，贵州 贵阳 550003;贵州非金属矿产资源综合利用重点实验室2，贵州 贵阳 550003;昆明理工大学国土资源学院3，云南 昆明 650093)

0 引言

作为工业生产中的重要设备，燃煤锅炉被广泛地应用于化工、冶金和电力等行业。锅炉控制系统是一个十分复杂的控制过程，具有强耦合、大时滞和极大的非线性等特点，控制效果一直不理想。随着控制要求的不断提高，传统的控制方式已很难满足现有的要求。通过调查和分析发现，大约有95%的控制过程均采用传统的PID控制，控制效果较差。

近年来，一些先进的智能控制方式被引入到锅炉控制系统中，并已取得不错的控制效果。不少文献也有类似的应用［1－4］，如通过基于神经网络、模糊控制和可编程控制器相结合来对锅炉进行控制，控制效果都得到一定的改善。

根据相关文献，本文对锅炉控制系统进行了分析，提出了一种基于神经网络内模控制的方法，以提高系统的自动控制效率，最终达到节能、降耗、安全和高效运行的目的。

1 燃煤锅炉燃烧系统简介

锅炉分为锅和炉两部分，其中吸热的部分称为锅，产生热量的部分称为炉。燃料在炉中进行燃烧，将化学能转化为热能，高温的燃烧产物烟气通过受热面将能量传递给汽锅内温度较低的水，水被加热，进而沸腾汽化，生成蒸汽。锅炉主要由汽锅、炉子、省煤器、空气预热器、引风设备、鼓风设备和除尘器设备等几大部分组成。

锅炉的工作过程概括起来包括三个同时进行的过程，即燃料的燃烧过程、烟气向水的传热过程和水的汽化过程。

2 燃烧过程控制的基本任务

锅炉燃烧调节的基本任务是维持锅炉的经济燃烧和满足对象所需的负荷，同时，还要保证锅炉的安全运行，具体可归纳为以下几个方面［5］。

2.1 蒸汽母管压力的稳定

维持蒸汽母管压力不变是燃烧过程控制的一项基本任务。汽压是锅炉负荷平衡的标志，汽压的变化表示锅炉的蒸汽产量和后续生产作业的耗汽量不相适应，这时必须相应地改变燃料的供应量，以改变锅炉的燃烧发热量，从而改变锅炉的产汽量，恢复蒸汽压力为额定值。此外，保持气压在一定范围内，也是保证锅炉安全运行及各个负荷设备正常工作的必要条件。

2.2 燃烧过程经济性的保证

由于燃烧过程的经济性指标难以直接测量，故在实际应用中常用锅炉烟气中的含氧量或是燃料量与送风量的比值来表示。如果能保持燃料量与空气量的比值在一个恰当的范围内，就能降低热量损失并提高燃烧效率;反之，如果比值控制不合理，则会导致燃料的不完全燃烧，造成热量损失和大量原料的浪费。如果空气过多，就会使大量热量损失在烟气之中，使燃烧效率降低，同时污染环境。所以，当燃料量改变时，锅炉的送风量和引风量都必须作出相应改变，以保证燃料的充分利用。

2.3 炉膛压力的维持

炉膛负压是送风量和引风量相平衡的标志，炉膛负压不稳定或偏离设定值太大，不但影响锅炉燃烧的经济性，而且直接影响到锅炉运行的安全性。通常炉膛负压的范围为－40～－20 Pa。如果炉膛负压太小，炉膛容易向外喷火，既影响环境卫生，又有可能危及操作人员的安全;如果负压太大，炉膛漏风量增大，会增加引风机的电耗和烟气带走的热量损失。因此，需要将炉膛压力维持在一定范围内。

3 燃烧过程控制方案

锅炉的燃烧过程是一个非常复杂的过程。该过程不仅具有多个调节参数和被调参数，还存在着错综复杂的干扰参数。因此，是一个具有极大非线性、极强耦合的多输入和多输出的复杂被控对象［6］。锅炉输入与输出参数相互影响和相互作用的示意图如图1所示。

图1 锅炉参数作用示意图Fig.1 Schematics of influence between parameters of boiler

从图1可以看出，输入参数与输出参数之间存在着许多交叉影响，这给锅炉控制系统的设计带来了很大的困难。

锅炉燃烧过程的控制因素主要有送风量、燃料量和引风量，它们是保证锅炉安全、经济和高效运行的最主要因素，而被控量主要有炉膛负压、烟气含氧量和汽包蒸汽流量等。在这些控制量中，它们并不是相互独立的，而是存在极强的耦合。

在控制过程中，由于被控量和控制量受到很多因素的影响，这些因素主要包括煤质的变化、煤中含水量的差异以及对控制要求的改变等，因此，需要对控制量进行实时的调整，使被控量达到最佳的控制状态。然而，在调整过程中，由于控制量存在较大的滞后性，使得传统的控制很难对被控变量进行准确、及时的调整，从而影响整个锅炉的生产过程。因此，本文针对这些问题提出了一种新的控制方案。

现在很多锅炉控制系统都是采用传统PID控制来实现的。这些系统大都将锅炉的各个变量当成是一个独立的控制回路，如引风控制回路、鼓风控制回路等。这种控制方案虽然可以简化控制过程，却不能及时反映各变量间的相互关联并对外界干扰作出及时响应。因此，提出了以神经网络作为核心的控制系统。

该系统利用神经网络强大的函数逼近能力，对非线性系统的传递函数进行辨识，然后将锅炉生产中已有的数据归纳在一起作为系统的辨识量，再利用神经网络的自学习能力，剔除一些偏差很大的数据，最终得出一个合适的数学模型。由于控制系统本身很复杂，导致得出的数学模型不一定适合现有的控制模式，因此，加入内模控制对控制系统进行校正。此外，燃煤锅炉燃烧过程具有较大的滞后，加入内模控制还可以提高系统的抗干扰能力。这样就克服了传统PID控制过于依赖精确数学模型、参数一经确定就不能及时作出调整以及不能对大滞后系统进行精确响应的缺点。

3.1 神经网络内模控制结构

神经网络内模控制具有很强的自学习能力和强大的抗干扰能力。因此，将神经网络和内模控制方式结合起来，可以更好地对像锅炉控制这样复杂的控制系统进行控制。神经网络内模控制器主要由滤波器、神经网络控制器(nerual network controller，NNC)和神经网络辨识器(nerual network identification，NNI)等几部分组成，其结构如图2所示。

图2 神经网络内模控制结构图Fig.2 Structure of the IMC based on neural network

图2中，神经网络辨识器作为被控对象的近似模型与实际对象并行设置，系统输出与神经网络估计器输出间的差值用于反馈作用;同期望的给定值之差经一线性滤波器处理后，发送给神经网络内模控制器(NNC)，经NNC多次训练，间接地学习到对象的逆动态特性。此时，误差将趋于零［7］，这样就完成了对被控对象的控制。

3.2 基于BP神经网络的内模控制

设被控对象为一单输入单输出离散时间非线性系统，其表达式如式(1)所示。

式中:{y［k］}、{u［k］}是阶次分别为 n、m 的输出、输入时间序列;d(k)为噪声或干扰。

设系统的输入为yr(k)，输出为神经网络辨识器的输出，NNC是一个由用三层BP网络构成的逆系统模型。在运行过程中，通过不断检测输入输出数据，对神经网络模型NNI、NNC进行加权系数修正，并给出控制量u(k)实现控制，则闭环系统输出方程为:

式中:G为被控对象模型;d(k)为干扰噪声。

闭环系统输出偏差方程为:

显然，若NNC(1)=NN－1(1)，则对阶跃输入和扰动，稳态偏差E(∞)为零，即系统可消除扰动，并可实现对设定输入信号的无偏差跟踪。

神经网络内模控制器的计算步骤如下。

①置初值;

② 测取数据y(k)、yr(k);

③利用神经网络NNC计算u(k);

④对正向模型的加权系数及阀值进行修正;

⑤对逆模型的加权系数及阀值进行调整;

⑥返回步骤②重新计算。

4 系统建模及仿真

为检验神经网络内模控制方法的控制效果，以云南某造纸厂的锅炉生产数据作为研究对象，采集数据的对象分别为鼓风机风压、引风机风压和炉膛负压及空然比值，共采集数据90组，每组数据间隔60 s。将采集的数据先经过Matlab辨识得到数学模型，然后再编写相应程序进行仿真。

在确定辨识方法后，再对输入输出变量进行定义。输入量有引风机入口烟气压力、鼓风机烟气出口压力和炉膛负压，输出量为空燃比。设定引风机入口烟气压力为u1、鼓风机烟气入口压力为u2、炉膛负压为u3、空燃比为y1，将这些数据导入到Ident命令下的工作空间中，并设定采样时间为10 s。经过多次试验并经函数变换后，得到引/鼓风机入口烟气压力与炉膛负压和空燃比的传递函数式为:

确定传递函数后，分别采用传统PID控制和神经网络内模控制来对传递函数进行Matlab仿真分析，并对仿真结果进行比较。在仿真过程中，分别取BP神经网络的输入层、隐含层和输出层为2、6、1，学习速率为0.05，动量因子为0.5，输入信号为阶跃信号，并在第50 s时开始加入振幅为0.1的随机干扰。在PID控制中，根据Ziegler-Nichols整定法对PID参数进行整定，最终确定取 P=1.2、I=22、D=5。同时，在第 50 s开始加入幅值为0.1的随机干扰。仿真结果如图3所示。

图3 仿真结果图Fig.3 Simulation results

图3中，r表示系统的给定输入，y表示系统的控制输出，v表示外界对系统的干扰量。

由图3可以看出，利用神经网络内模控制器得出的结果无论在响应时间还是在抗干扰能力方面，都优于传统的PID控制效果。试验证明该方法是可行的。

5 结束语

基于神经网络与内模控制相结合构成的控制系统，融合了神经网络的非线性建模能力、强大的函数逼近能力和自学习能力以及内模控制的强抗干扰能力，使锅炉燃烧过程的控制性能得到了显著改善。仿真表明，该控制方法不但克服了传统PID的缺点，而且使系统抗干扰能力增强、系统响应时间缩短、超调量减小且具有良好的自适应性。这对今后控制方法的改进升级有着重要的指导意义。

［1］刘姝廷，金太东，胡博，等.BP-PID在锅炉蒸汽压力控制中的应用［J］.武汉工程大学学报:自然科学版，2009，31(7):91 －94.

［2］刘悦婷.锅炉加热系统的FUZZY-PID控制［J］.甘肃科技，2008，24(18):65－67.

［3］冯冬青，徐学红，费敏锐，等.神经网络广义预测控制在锅炉燃烧系统中的应用［J］.自动化仪表，2006，27(6):18 －21.

［4］陈冠玲.可编程序控制器在电锅炉控制中的应用［J］.自动化仪表，2002，23(4):40 －41.

［5］向立志，张喜东，李荣，等.多变量预测控制在锅炉燃烧系统中的应用［J］.化工自动化及仪表，2006，33(2):20 －24.

［6］张亮明，夏桂娟.工业锅炉热工检测与过程控制［M］.天津:天津大学出版社，1992.

［7］李国勇.智能控制及其MATLAB实现［M］.北京:电子工业出版社，2005.