應雨軒，林曉青，吳昂鍵，李曉東

（垃圾焚燒技術與裝備國家工程實驗室，浙江大學熱能工程研究所，浙江杭州310027）

引 言

截至2018 年，中國城市生活垃圾(MSW)清運量達到2.28 億噸[1]，垃圾產生量巨大，部分城市面臨“垃圾圍城”的困境。近20年來，垃圾焚燒技術在我國迅速發(fā)展，成為我國生活垃圾處置的主要方式之一。然而，生活垃圾的收運和儲存、燃燒控制和污染排放控制等過程較復雜，若采取不當的控制策略，將造成嚴重環(huán)境污染，廣受公眾關注[2?3]。《生活垃圾焚燒發(fā)電廠自動監(jiān)測數據應用管理規(guī)定》于2020 年1 月1 日起開始實施，要求全面公開污染物排放數據，以便于公眾監(jiān)督，將對焚燒過程的智能化管理提出更高要求，焚燒廠的污染物排放控制將面臨前所未有的挑戰(zhàn)[4]。垃圾焚燒的智能管理可分為“生產管理?經營管理?大數據應用”三個階段，而我國垃圾焚燒廠仍處于智能化發(fā)展的第一階段，更高水平的智慧垃圾焚燒電廠據報道于2020 年5 月在河南新鄉(xiāng)市建成，可具有我國其他垃圾焚燒電廠尚不完全具備的智能監(jiān)測、智能控制、智能處理等方面的優(yōu)點，在臭氣治理和滲濾液、爐渣、飛灰和煙塵處理等多方面達到國際先進水平[5]。進一步研究和開發(fā)智能進料系統(tǒng)、智能焚燒系統(tǒng)、智能煙氣污染物控制系統(tǒng)是克服上述挑戰(zhàn)和實現(xiàn)生活垃圾清潔高效焚燒的關鍵，也是實現(xiàn)智慧焚燒的核心技術，因此，有必要對生活垃圾焚燒處置全過程進行智能化控制，以優(yōu)化燃燒，清潔排放。

智慧焚燒的概念可追溯至1986 年，東京工業(yè)大學Sugeno 等[6]構建了一種模糊控制模型，并通過計算機模擬了它在多層焚燒爐上的應用；1993 年，德國Jager 等[7]提出將智能控制系統(tǒng)應用于垃圾焚燒等環(huán)境工程并指出未來可能的技術途徑，同年上海交通大學錢大群等[8]對模糊控制和神經網絡技術在垃圾焚燒智能控制中的應用展開研究；之后，智慧焚燒的概念隨著計算機和自動化控制技術的發(fā)展不斷更新進步[9?11]。如今，智慧焚燒是指通過對垃圾焚燒廠的入廠計量、焚燒工況優(yōu)化、環(huán)保監(jiān)管、預警及決策分析、日常生產及運營、數據匯總等過程進行全過程一體化智能管理，實現(xiàn)精準計量焚燒垃圾、規(guī)范運行過程、實時監(jiān)控污染排放和優(yōu)化管理模式，國內外已開展了大量關于垃圾焚燒智能化管理的理論模擬和實證研究，包括垃圾收集和儲存的數字化管理系統(tǒng)，基于云計算平臺和大數據的調研和分析，垃圾焚燒過程的智能化控制等，但面對逐漸嚴格的管控標準和逐漸透明的環(huán)保排放要求，需要進一步提高生活垃圾焚燒智能化管理水平，實現(xiàn)智慧焚燒。本文在對國內外生活垃圾焚燒過程智能化研究現(xiàn)狀總結的基礎上，分析了生活垃圾智慧焚燒過程各個環(huán)節(jié)的技術關鍵與難點，進而進一步展望了智慧焚燒技術的發(fā)展方向。

1 生活垃圾收運和儲存過程智能化管理

目前我國正大力推行垃圾分類，從源頭上對垃圾進行適當分類與回收，有利于減少垃圾產生量，提高入爐垃圾的均質性和垃圾焚燒的穩(wěn)定性，從而減少不穩(wěn)定焚燒產生的污染物，改善我國垃圾焚燒的排放問題。物聯(lián)網（internet of things,IoT）和云計算技術通過網絡物理系統(tǒng)，提供了垃圾管理自動化的可能性，這將改變垃圾管理的執(zhí)行方式[12]。

1.1 垃圾收運智能化管理

我國生活垃圾收運系統(tǒng)一般由收集、清運和轉運等過程構成，作為垃圾處理的前置環(huán)節(jié)，其智能管理系統(tǒng)的構建對智慧焚燒有著重要意義。智能固廢管理系統(tǒng)的基本架構可用不同模型來描述，常用的有服務主導（service?oriented architecture,SOA）模型、中間件模型（middleware model）[13?15]和五層模型（five layer model）[16?17]，其中，如圖1 所示，包含了感應層、網絡層、中間件層、應用層和業(yè)務層的五層模型適用性最廣。將五層模型具體化，可表現(xiàn)為印度雷瓦大學（Reva University）Shyam 等[18?19]構建的基于物聯(lián)網和云計算平臺的智能垃圾收運管理系統(tǒng)，如圖2 所示，垃圾的堆積水平可由垃圾桶內的傳感器測量桶頂與垃圾之間的距離得到，同時垃圾桶的容量、物聯(lián)網垃圾桶數量和垃圾產生量數據也被采集。采集后的數據通過無線網絡技術例如Wi?Fi傳至服務器并存入數據庫系統(tǒng)中，一旦各垃圾桶數據的識別完成后，將通過最優(yōu)算法實現(xiàn)垃圾收運最優(yōu)（最短）路線的計算，目標路徑經調整后被發(fā)送至終端用戶界面，并進行可視化互動。例如采集終端用戶的全球定位系統(tǒng)（global positioning system, GPS）位置信息并在屏幕上指示路徑[20]。同時，服務端也將基于以往數據，以人工智能算法（artificial intelligence algorithm）對未來垃圾的堆積水平進行預測和學習如何選擇日常收運路徑上的垃圾桶。收運垃圾的成本80%集中于垃圾車的日常運行，由此，我國未來可通過物聯(lián)網技術連接垃圾產生和末端處理環(huán)節(jié)，并通過人工智能算法優(yōu)化轉運站規(guī)模、容量和選址，并實時優(yōu)化運輸路線，構建垃圾收運網絡，降低成本并提升運輸效率，實現(xiàn)智能收運。

圖1 五層模型結構示意圖[16?17]Fig.1 The schematic diagram of five layer model[16?17]

圖2 垃圾收集和轉運智能管理系統(tǒng)結構示意圖[18]Fig.2 The schematic diagram of intelligent management system for MSW collection and transportation[18]

垃圾收運不僅取決于物理和信息層面上的系統(tǒng)模型，而且受到居民因素的制約和影響。由于我國垃圾收運設施和區(qū)域常位于如公園、體育館、街道等人口密度較大和活動頻繁的公共場所，不同程度的人群活動將會對垃圾的收運產生物理性和社會性的影響，在系統(tǒng)層面上成為擾動。因此，有必要進行相關研究，模擬不同的人群大量聚集時的活動等級、城市空間和垃圾產生量，以幫助提前預測和制定決策應對，防止系統(tǒng)收運容量過載[21]。

在垃圾分類領域，目前研究主要通過計算機視覺技術以智能識別軟件、智能垃圾桶對垃圾收集環(huán)節(jié)進行智能控制，應用性低，技術局限性較大；下一階段服務型機器人將逐漸取代智能設備，根據我國現(xiàn)行垃圾分類規(guī)定，通過視覺傳感器識別內置的干垃圾、濕垃圾、可回收垃圾和不可回收垃圾的分類圖像，輔以機器學習（machine learning, ML）軟件提升分揀效率，實現(xiàn)垃圾的減量化[22]。總之，優(yōu)化垃圾的收運和儲存過程能夠有效降低垃圾收集和運輸成本，現(xiàn)有智能化收運和儲存管理基于物聯(lián)網技術，主要通過互聯(lián)裝置與基礎設施聯(lián)動收集數據，經數據中心和我國環(huán)衛(wèi)部門協(xié)調處理后下達操作指令，最終計算得出最優(yōu)垃圾運輸路線，并基于焚燒爐內的起燃和運行參數，可實時調整垃圾池內垃圾卸料、給料速率和垃圾儲存時間[19,23?25]。

1.2 垃圾儲存智能化管理

我國生活垃圾有組分復雜、易腐有機質為主、含水量大及熱值低的特點，垃圾經收運入倉后需堆存、發(fā)酵改善燃燒性后方可進入焚燒爐，由于垃圾的種類和成分不同，即使同一城市收運后的垃圾經儲存發(fā)酵后的熱值也可能有較大差異，因此垃圾存儲過程的管理對焚燒狀況的改善有較大影響。為改善焚燒爐內垃圾燃燒狀況，可基于神經網絡（neural networks,NTs）等算法，利用焚燒爐運行參數例如爐膛內初始燃燒溫度、爐膛負壓、進風量和煙氣溫度等建立預測模型，相對準確地實現(xiàn)垃圾熱值的在線間接測量和預測，在垃圾進入完全燃燒階段前及時調整垃圾池內給料速率以達成操作補償。

在垃圾組分實時分析研究領域，目前國際上主流的生活垃圾組分確定方法共有四種，即人工分揀法、選擇性溶解法、放射性碳法和平衡法，其中人工分揀法和選擇性溶解法應用最普遍，但存在耗時耗力、準確性不足等無法克服的缺點，研究也表明該兩種方法所得生物碳組分準確度不高，可靠性低[26?27]。放射性碳法需要額外煙氣采樣工序，且對技術和儀器要求高，檢測成本高，因此不利于實際應用[28]。維也納工業(yè)大學Fellner 等[29?30]基于系統(tǒng)整體能量平衡，開發(fā)了平衡法，可根據垃圾焚燒廠內垃圾處理量、灰渣產生量、煙氣量、蒸汽量和蒸汽溫度壓力等參數，無須采樣即可實時連續(xù)獲得垃圾組分和碳排放，數據可靠性高且成本僅為傳統(tǒng)方法的十分之一[2,31]，目前已在歐洲40 多座垃圾焚燒廠應用；但該技術目前以月、年的時間單位獲得數據，未來需進一步提高時間分辨率；我國已開展適合我國國情的平衡法相關研究，以期形成簡便快捷、準確性高、價格低廉的垃圾組分在線分析方法。中國科學院Tian 等[32]和華中科技大學謝承利等[33]構建的小腦神經網絡模型、浙江大學陳海列等[34]構建的深度遞歸神經網絡模型和華南理工大學馬曉茜等[35]構建的反向傳播（back propagation,BP）神經網絡模型對垃圾儲存管理具有較好適應性和準確性。西安熱工研究院的曾衛(wèi)東等[36]對垃圾焚燒爐自動燃燒控制系統(tǒng)進行了研究，總結了垃圾熱值估算公式（1）和垃圾層厚度計算公式（2），其中式（1）中C 為垃圾單位熱值，α為鍋爐熱效率，D為蒸發(fā)量實際值，Cs為蒸汽實際所含單位熱值，W 為垃圾給料量；式（2）中P1為垃圾層厚度參考值，P2為一次風壓力，P3為爐膛負壓，S為爐排片面積，PN為一次風密度，F(xiàn)為一次風流量，t為一次風溫度，K 為經驗補償系數；基于上述公式，通過蒸發(fā)量控制模塊、垃圾料層厚度控制模塊、爐內溫度控制模塊、爐渣熱灼率控制模塊、氧量控制模塊等構成的ACC 系統(tǒng)對燃燒進行穩(wěn)定控制。在此基礎上，基于最小二乘法和多項式擬合，曾衛(wèi)東等[37]進一步構建了垃圾池儲存與焚燒一體智能化模型，其多項式表達式如式（3）所示，式（3）中x為垃圾入爐量，y 為垃圾發(fā)酵時間，z 為蒸發(fā)量；若垃圾入爐量和熱值預測模型的準確度和置信度充分，可在嚴重影響爐溫前獲得蒸汽負荷，針對不同特性和工況的焚燒爐，進一步調整垃圾池內垃圾儲量和儲存時間，有效獲取垃圾來源、種類、基本物化特性及堆放特性，為自動燃燒控制系統(tǒng)提供重要參考。

綜上，針對我國入爐垃圾熱值多變的問題，可基于神經網絡和最小二乘法支持向量機（least square support vector machines, LSSVM）及多項式擬合（polynomial fitting,PT）算法對垃圾組分進行分析預判，建立熱值預測模型，減少傳統(tǒng)燃燒控制系統(tǒng)利用鍋爐熱平衡估算垃圾熱值產生的滯后性，實現(xiàn)對運行參數的精準控制、實時調控。但是，由于智能算法和控制方法更加復雜，建立熱值預測模型需根據大量不同工況的焚燒爐歷史數據進行分析和篩選；同時，在上述神經網絡和支持向量機等技術建立的垃圾熱值預測模型基礎上，采用遺傳算法（genetic algorithm, GA）、粒子群優(yōu)化算法（particle swarm optimization algorithm, PSOA）、蟻群優(yōu)化算法（ant colony optimization algorithm,ACOA）等，進一步優(yōu)化輸入參數的選擇。

2 焚燒過程智能化控制

圖3 廠內垃圾焚燒處置過程示意圖[38]Fig.3 The schematic diagram of MSW incineration disposal process inside the plant

如圖3所示，垃圾經過破碎、堆放發(fā)酵等預處理后，可直接送入焚燒爐膛進行燃燒，若垃圾熱值足夠，則無須摻雜輔助燃料。垃圾中的可燃組分在高溫作用下與空氣中的氧劇烈地物理化學反應，在釋放熱量的同時轉化為高溫煙氣和底渣、飛灰等固體殘渣，其中固體殘渣占總質量的15%～25%[38?39]。高溫煙氣可進入鍋爐用于發(fā)電或供熱，回收利用熱能，隨后經除塵器除塵排渣（占總質量0.7%～1.5%[38]）和其他尾氣凈化后達標排放。相比于填埋和堆肥，垃圾焚燒具有減容減量顯著、占地面積較小、對環(huán)境影響小、消毒滅菌徹底和可回收熱能等優(yōu)點，但垃圾的收運和儲存、燃燒控制和污染排放控制過程更加復雜，若某個環(huán)節(jié)管理和實施不當，將造成嚴重污染。因此，有必要對焚燒處置全過程進行智能化控制，以實現(xiàn)更加穩(wěn)定的燃燒與更清潔的煙氣排放。

2.1 焚燒狀態(tài)在線監(jiān)測與診斷

為保證焚燒爐穩(wěn)定運行，除了對焚燒過程的運行參數進行監(jiān)測與調整，也需要對爐內燃燒（火焰）狀態(tài)進行實時監(jiān)測，以便做出快速調整。當前垃圾焚燒爐內燃燒狀態(tài)的監(jiān)測，以爐排爐為例，主要在爐排上部安裝攝像設備，通過輻射溫度場軟件將燃燒狀態(tài)轉化為數據反饋到分布式控制系統(tǒng)（distributed control system,DCS），輔以熱電偶直接測量的爐膛溫度進行實時監(jiān)測；或依靠司爐操作員在火焰觀察口或工業(yè)監(jiān)控視頻前直接觀察火焰位置、大小和亮度等，根據經驗做出判斷，調節(jié)給風量和給料速度。人工觀測具有較強主觀性，不能直接聯(lián)入控制系統(tǒng)，調節(jié)效率低，有一定滯后性，因此有必要以機器智能化自動監(jiān)測減輕操作員工作量或代替人工監(jiān)測。Chen 等[40]于2008 年基于聚類分析（clustering analysis, CA）、人工神經網絡（artificial neural network, ANN）及Monte Carlo 統(tǒng) 計（Monte Carlo method,MCM），較早構建和中試了焚燒爐的在線監(jiān)測及診斷系統(tǒng)，但該系統(tǒng)僅對粉塵及NOx控制效果較好；東南大學周志成[41]于2015 年結合實際運行經驗將垃圾燃燒狀態(tài)分為7 類，基于火焰圖像處理技術和人工智能診斷技術實現(xiàn)對焚燒狀態(tài)的在線診斷，并定性給出相應操作信號，指導DCS 集控室工作人員調控運行參數，優(yōu)化整體焚燒過程。

爐內溫度是焚燒的重要參數，由于垃圾燃料原料具有隨機性，以及焚燒爐系統(tǒng)可能隨維修、改造等偏離原有技術指標，使燃燒溫度劇烈波動，導致點火困難、不穩(wěn)定燃燒、爐膛內結渣和腐蝕，甚至可能溫度降至700℃以下導致二英再合成，產生嚴重二次污染。目前垃圾焚燒爐內溫度測量技術主要有熱電偶、紅外測溫和聲波測溫等。其中，熱電偶成本較低，但準確性和穩(wěn)定性相對較差，且不便維護；紅外測溫無須接觸物體表面，基于普朗克公式測量物體紅外輻射強度得到待測溫度，但對工作環(huán)境要求高，不便在焚燒行業(yè)內推廣，華中科技大學Zhou 等[42]較早基于Monte Carlo 統(tǒng)計法結合有效成像因子，采用多個電荷耦合器件（charge?coupled device,CCD）攝像機對爐膛內的輻射圖像進行重建，實現(xiàn)了三維溫度可視化的初步建模，誤差較低且溫度分布特征清晰，中國礦業(yè)大學薛禎禎[43]在以彩色攝像機獲得垃圾焚燒爐內火焰圖像的基礎上，采用可見光的輻射強度法，將火焰圖像實時轉化為輻射強度的圖像，利用雙色完成火焰溫度的計算，并結合監(jiān)測煙氣中的SO2、NOx和HCl 濃度，將焚燒溫度調整至最佳溫度以實現(xiàn)低排放，同時有效降低運行過程中的燃燒沉積現(xiàn)象。

聲波測溫在20世紀90年代被提出[44]，屬于新興技術，其測溫原理為聲波傳播速度與氣體組分和熱力學溫度的相關性，受焚燒爐內高溫、高煙塵和湍流的復雜工況影響較少，可實現(xiàn)焚燒溫度的可視化與數字化測量，是目前的研究及應用熱點，已在中國、荷蘭、德國等多國的焚燒廠得到了應用。華北電力大學Shen 等[45]將聲波測溫技術引入鍋爐爐膛測溫監(jiān)測，模擬驗證了其構建的二維溫度場的準確性和可調性；華北電力大學Zhang 等[46]在600 MW 燃煤鍋爐上實機應用了二維溫度場聲波測溫技術，能夠對燃燒過程準確表征；華沙工業(yè)大學?ladewski等[47]進一步改進技術，將聲波測溫和人工免疫系統(tǒng)算法（artificial immune system algorithm, AISA）結合應用于鍋爐中試，使鍋爐效率提高了0.27%。聲波測溫在垃圾焚燒領域應用前景廣闊，可有效實現(xiàn)焚燒爐膛內線或面的溫度場的準確測量和構建，從而監(jiān)控二英排放和優(yōu)化焚燒；我國未來可進一步開發(fā)三維的焚燒爐內的爐膛溫度場監(jiān)測技術，基于火焰圖像識別和聲波測溫技術，研究“點?線?面?體”的全爐膛測溫系統(tǒng)和焚燒狀態(tài)反饋指導調節(jié)系統(tǒng)，通過CCD 火焰攝像機采集得到的爐膛內燃燒火焰輻射圖像的溫度分布快速重建算法和燃燒狀態(tài)識別與診斷技術及多路徑的聲波傳播速度測溫原理，針對垃圾焚燒爐內重點燃燒監(jiān)測區(qū)域，采用溫度場的圖像識別和聲學測量重建的方法，輔以少量熱電偶輔助測溫，獲得“二維?三維”重構溫度場，實時監(jiān)測調節(jié)和超前調控焚燒爐運行參數，實現(xiàn)爐膛焚燒溫度監(jiān)測的可視化和數字化，實現(xiàn)溫度測量“點?線?面?體”的技術進步[48]。然而，上述監(jiān)測方法只能被動監(jiān)測當前焚燒爐的燃燒狀態(tài)，若能結合工藝機理，應用大數據機器學習技術等，提前預測下個運行時間周期內的可能焚燒狀態(tài)，則能超前調控爐內運行參數和物質流參數等參數，并調節(jié)脫硝系統(tǒng)噴灑脫硝藥劑量，優(yōu)化焚燒效果?？梢姡Y合聲波測溫系統(tǒng)和火焰圖像識別等多種技術綜合實現(xiàn)垃圾焚燒爐全爐膛測溫，與焚燒狀態(tài)診斷和預測模型的研發(fā)及聯(lián)動，是我國未來實現(xiàn)智慧焚燒的難點與熱點。

2.2 焚燒過程運行參數智能化控制

為保證焚燒爐穩(wěn)定運行和有效控制污染排放，除了對爐內燃燒狀態(tài)進行實時監(jiān)測，也需要對焚燒過程的運行參數進行監(jiān)測與反饋控制，以便做出快速調整。在眾多運行參數中，爐膛溫度是焚燒的直接及重要影響因素，為更有效地控制燃燒溫度，廣大學者對溫度控制算法進行了研究。在模糊控制方法上，日本Onishi[49]于1991 年借助傳統(tǒng)基本模糊控制器（fuzzy logic controller,FLZ），分別以焚燒溫度和爐排移動速度為輸入輸出信號，構成了單輸入單輸出的焚燒控制方法，實現(xiàn)對焚燒過程的初步控制，但精度和抗干擾能力較差，有較大局限性；基于該模糊控制方法，華中科技大學Shen 等[50]在2005 年采用自適應模糊控制（adaptive fuzzy control,AFZ）對焚燒溫度進行控制，控制策略較傳統(tǒng)模糊控制響應能力更強、系統(tǒng)穩(wěn)定性更強，其中，關鍵參數自適應因子是通過回歸分析（regression analysis, RA）得到的。華北電力大學胡興武[51]則在研究模糊控制的基礎上，進一步提出了基于比例因子的T?S（Takagi?Sugeno）模糊控制方法，根據最小二乘?支持向量機的預測輸出，并依據前期實驗得到的在線調整規(guī)則對比例因子進行調整，實現(xiàn)了快速性和穩(wěn)定性優(yōu)于傳統(tǒng)模糊控制和常規(guī)比例積分微分（proportion –integral ?differential coefficient, PID）控制的穩(wěn)定控制效果。

在仿人智能控制（human simulated intelligent controller，HSIC）算法在溫度控制應用方面，重慶工業(yè)職業(yè)技術學院Ni 等[52]將HSIC 算法與PID 算法對比模擬了控制特性和輸出響應，以實現(xiàn)對過熱蒸汽溫度壓力、給料速度和爐排移動速度、負壓控制、省煤器出口溫度和煙氣氧含量控制等關鍵因素的控制，類似地，重慶理工大學Wu 等[53]以“輸入量?爐膛溫度和爐膛溫度改變率”和“輸出量?給料時間和停止給料時間”作為主要控制參數；此外，重慶大學的許虎等[54]和重慶理工大學巫茜[55]都提出了基于粒子群優(yōu)化算法改進控制參數的HSIC 溫度控制算法并進行模擬驗證。結果表明，HSIC算法在受到外界強擾動，即過程參數大幅度變化的情況下，無超調和振蕩現(xiàn)象，控制品質更好，更利于控制焚燒爐內燃燒溫度、給料速度、負壓和煙氣氧含量等參數。

焚燒運行參數具有復雜性和強耦合關系，它們互相影響，因此除了對焚燒溫度等部分參數進行重點控制外，還需要對焚燒系統(tǒng)進行整體控制，浙江中控的許潤等[56]針對往復式爐排爐，在常規(guī)控制基礎上增加了根據燃盡效果對垃圾處理量的在線校正，設計了帶負荷校正的優(yōu)化控制策略，主要調節(jié)鍋爐負荷、爐膛負壓、煙氧含量、料層厚度、爐排溫度、燃盡溫度和主蒸汽溫度等運行參數，經過仿真模擬，能夠在垃圾熱值變化時保證充分燃燒，實現(xiàn)系統(tǒng)自動連續(xù)穩(wěn)定運行。沈陽工程學院閆偉[57]通過劃分網格對爐排爐垃圾發(fā)電廠進行模塊化建模，利用Fortran 語言對控制系統(tǒng)各模塊進行編寫，構建了以調節(jié)鍋爐主蒸汽流量、料層厚度、燃燒位置、爐膛溫度、煙氧含量和灼燒損失為核心的燃燒自動控制系統(tǒng)，經靜態(tài)分析和國內實際發(fā)電廠機組試驗，該控制系統(tǒng)具有較高的準確性和良好的穩(wěn)定性。光大環(huán)保技術研究院的王健生[58]也對國產機械爐排爐基于可編程式邏輯控制器（programmable logic controller, PLC）的控制方案進行分析，通過檢測和調節(jié)給料爐排行程及速度、焚燒爐排滑動速度、一二次風量和灰渣出渣機速度等參數，以PID 調節(jié)的控制策略進行控制。該方案能夠較好適應我國高水分、高灰分、低熱值的生活垃圾焚燒，實際過程中控制效果良好，但仍有改善控制策略的空間?？傊?，目前焚燒過程的智能控制策略主要包括傳統(tǒng)PID 控制方法、模糊控制方法和仿人智能控制方法，并對焚燒系統(tǒng)進行模塊化建模，從而實現(xiàn)對各運行參數特別是焚燒溫度的控制。

2.3 焚燒后灰渣智能化管理

生活垃圾焚燒處置過程中往往會產生灰渣，若處理不當將對生態(tài)環(huán)境和人類健康產生不利影響?；以饕煞譃椴豢扇紵o機物及部分未燃盡可燃有機物，具體包括底渣（bottom ash, BA）和飛灰(air pollution control residues, APCR)；其中，底渣包含熔渣、玻璃、陶瓷、金屬等焚燒爐底部爐床上的底渣，其種類和性質很大程度上取決于入爐垃圾性質、燃燒溫度的控制以及煙氣污染控制裝置的性質，占灰渣總質量的80%～90%，資源化潛力較大[59]；飛灰包括煙灰、注入的吸附劑和煙氣冷凝產物等煙氣凈化系統(tǒng)及熱回收利用系統(tǒng)捕集物及煙囪底部沉降所得的底灰，其吸附了煙氣中大部分有害物質，根據《生活垃圾焚燒污染控制標準》（GB 18485—2014）規(guī)定：“生活垃圾焚燒飛灰應按危險廢物管理[60]”，飛灰需經殘渣浸出毒性分析和穩(wěn)定化處理達標后進入填埋場。因此，有必要進行焚燒后的底渣、飛灰的智能化控制，主要包括焚燒過程中的燃燒優(yōu)化控制和灰渣末端處置的智能化管理過程。其中，如前文所述，燃燒優(yōu)化控制主要側重于通過多種技術手段如熱電偶、聲波測溫、紅外光譜等對溫度場的重建及焚燒狀態(tài)的實時監(jiān)測和自動燃燒控制系統(tǒng)的反饋控制，基于大數據驅動模型和污染物耦合運行參數關聯(lián)預測模型進行超前調控，保證爐內垃圾充分穩(wěn)定燃燒，以減少未燃爐灰產生。

對于已產生的焚燒產物，如灰渣等潛在二次污染源，需進行收集、運輸、處置和利用等環(huán)節(jié)的全過程智能化管理。丹麥技術大學的Allegrini 等[61]對爐渣分揀系統(tǒng)、輸送系統(tǒng)、配料系統(tǒng)、攪拌系統(tǒng)、布料系統(tǒng)、成型系統(tǒng)、脫模系統(tǒng)、液壓系統(tǒng)、電器控制系統(tǒng)等組成的全規(guī)模生活垃圾焚燒底渣管理及回收利用系統(tǒng)做了全生命周期分析（life cycle assessment,LCA），揭示了該底渣管理系統(tǒng)在收集運輸和處置或再利用環(huán)節(jié)中底渣相對飛灰更小的環(huán)境危害性，在管理方面實現(xiàn)了無人化和自動化控制，并達到盈虧平衡點；在處置方面，底渣pH 緩沖能力強，可經工藝處理后進入填埋場，或進行路基澆灌，制混凝土和免燒磚等資源化利用[62?64]。清華大學的Sun 等[65]總結了美國的生活垃圾焚燒飛灰管理和相關法律法規(guī)，以及其對應的處置方法如分離法、殘渣穩(wěn)定固化和熱處理等；王曉東等[66]分析了上海一焚燒設施飛灰的典型案例，建議除了環(huán)保達標方面的基本要求外，應對飛灰的產生、暫存、預處理、運輸等各環(huán)節(jié)均嚴格按照危險廢物相關規(guī)定予以管理，采用噸袋打包運輸，以控制運輸過程的揚塵和二次污染；飛灰一般經穩(wěn)定化處理后送至填埋場填埋，也可經浸出毒性檢測和穩(wěn)定化后用作建材、肥料和土壤改良劑和吸附物等[67]。目前國內外對于灰渣智能化管理的研究較少，未來可基于物聯(lián)網技術對灰渣處置的全過程進行聯(lián)網監(jiān)管，優(yōu)化運輸路徑，使其聯(lián)動數據精確報表，實現(xiàn)可視化、數字化。

3 煙氣污染物智能化控制

垃圾焚燒過程產生的污染物主要有粉塵、有毒重金屬、酸性氣體（如NOx，SO2，HCl，HF 等）和痕量有機污染物（如二英等），其中二英毒性最強，檢測難度大，易對生態(tài)環(huán)境和人體健康造成巨大危害，二英的排放量是我國環(huán)保規(guī)定中最重要的排放指標之一[68]。

優(yōu)化污染物排放控制效果的途徑之一是開發(fā)垃圾焚燒處置過程的智能監(jiān)測和反饋優(yōu)化控制系統(tǒng)，其最具挑戰(zhàn)的問題是如何實現(xiàn)對污染物特別是二英的實時在線監(jiān)測和反饋控制，從而優(yōu)化運行[69]。

3.1 粉塵和酸性氣體智能化控制

現(xiàn)有煙氣顆粒物排放實時連續(xù)監(jiān)測技術主要有兩種：取樣法，包括稀釋抽取法實時監(jiān)測法和直接抽取法實時監(jiān)測法；非取樣法，即插入實時監(jiān)測法。取樣法常將煙氣從煙道上抽出，并經除塵抽出干凈煙氣的樣氣，再送至氣體分析儀器進行分析處理；取樣法以不同方法測量不同氣體，精度較高，但系統(tǒng)復雜反應較慢，維護工作量大，管線易堵易腐蝕。太原理工大學葉龍偉[70]基于直接取樣法的重量法，構建了煙氣顆粒物在線監(jiān)測系統(tǒng)，采用微量振蕩天平法進行自動化采樣和稱重，實現(xiàn)了高自動化的連續(xù)在線監(jiān)測。非取樣法通過將光源發(fā)射裝置布置于煙道外，反射裝置在煙道內，以光程回路對煙氣內污染氣體進行測量。天津大學李樹珉[71]基于紫外光譜差分技術研制了煙氣排放實時連續(xù)監(jiān)控技術，研究了煙氣顆粒物含量、氧含量和流速等煙氣參數測試技術，并可同時穩(wěn)定測量煙氣中的HCl、SO2和NOx等濃度，系統(tǒng)結構簡單、響應時間短，但維護頻率高且測量準確度受煙道內環(huán)境因素影響。為提高布袋除塵器的除塵效果，濟南大學邵振華[72]提出了基于脈沖噴吹清灰模糊智能控制算法和引風機PID 控制算法，以STM32F4 微控制器為核心的布袋除塵器智能控制器，可基于粉塵產生量減少除塵器運行阻力帶來的能量消耗、提升除塵效果和延長布袋使用壽命。

隨著我國環(huán)保排放標準提高，新建垃圾焚燒爐普遍采用了“選擇性非催化還原（selective non?catalytic reduction, SNCR）+干法+半干法+活性炭吸附+布袋除塵+選擇性催化還原技術（selective catalytic reduction, SCR）”等煙氣凈化工藝，能有效凈化煙氣，但該流程存在系統(tǒng)復雜、控制水平不高等不足，需進一步改進，實現(xiàn)智能化控制與管理。酸性氣體智能控制主要通過煙囪在線監(jiān)測裝置顯示從而預測污染物濃度，實時調控脫酸劑的添加量。東南大學沈翔[73]基于物聯(lián)網技術、神經網絡算法和Eley?Rideal 反應動力學方程，建立了煙氣NOx濃度和脫硝效率的定性分析和定量預測模型，可根據采集到的工況數據對脫酸劑進行調整。例如，當NOx入口濃度高于閾值，則經智能判斷后啟用SCR/SNCR 系統(tǒng)，增大稀釋風量、氣氨調節(jié)閥和液氨蒸發(fā)器調節(jié)閥開度等；該預測模型實時性和準確性較好。類似地，南京職業(yè)技術學院徐海枝[74]提出濕法煙氣脫硫智能監(jiān)控系統(tǒng)，由濕法脫硫智能監(jiān)控模塊將煙氣進行含硫因子檢測識別后完成準確脫硫智能監(jiān)控，可有效減少石灰等脫硫劑的消耗，提高系統(tǒng)經濟性。在獲取準確煙氣污染物監(jiān)測數據的基礎上，哈爾濱理工大學王蘇[75]基于已有電廠煙氣脫硫脫硝系統(tǒng)設備，結合了煙氣檢測技術、數據組網通訊（data networking communication,DNC）及信息處理技術和自動化控制技術，構建了以PLC 為核心控制器的自動化程度高、控制準確、成本低的控制系統(tǒng)，可實時測定煙氣中SOx和NOx的含量并控制給料除劑與鍋爐內煙氣進行反應，優(yōu)化控制效果；其中控制核心PLC 控制所有硬件設備，并通過編寫梯形圖控制程序（ladder?chart program,LCP）對上位機編寫動態(tài)畫面，經上位機結合各部分，完成手動為輔自動為主的控制工作。粉塵和酸性氣體的智能化控制主要基于實時監(jiān)測煙氣排放數據，以神經網絡算法、數據組網通訊等智能控制模塊對去除劑給料進行精確調控，減少浪費，并通過酸性氣體濃度預測模型提前預警，杜絕作為重點聯(lián)網監(jiān)管對象的垃圾電廠煙氣污染物超標，需進一步在國內推廣實機應用。預測模型是根據海量工況數據建立的，一方面可對采集的工況數據進行初步篩選，選出真實合理的部分作為預測模型算法的訓練數據；另一方面可引入其他優(yōu)化算法如粒子群算法、遺傳算法等，進一步提高預測精確度。

3.2 二英智能化控制

圖4 焚燒過程二英生成區(qū)域示意圖[78]Fig.4 The schematic diagram of dioxins formation area during incineration

目前，工業(yè)現(xiàn)場和環(huán)保部門的主要監(jiān)測法以高分辨氣相色譜/高分辨率質譜聯(lián)機檢測（HRGC/HRMS）法為主，通過長時采樣技術獲得其長時間內排放總量，進而得到平均排放值和排放速率，降低了對測量分析儀器的要求和成本，如Hung 等[79]自主研制并測試了對垃圾焚燒產生煙氣自動采樣的取樣器，該系統(tǒng)體積和質量更?。?0 kg，通常為150 kg），并可在15 d 內使超標排放恢復至規(guī)定正常水平；Urano 等[80]基 于 高 效 液 相 色 譜 法（high?performance liquid chromatography, HPLC）和HRGC/HRMS 法構建了煙氣自動長時采樣和檢測系統(tǒng)，降低了檢測周期、溶劑消耗和成本，并使檢測敏感度相對提升了20 倍；但這些研究仍需離線檢測，存在滯后時間。而生物檢測法相對成本更低、耗時短，被美國列為指導方法（Method 4025/4435，2005 年），但相對數據信息少、精度相對更低[81]。雖然長時采樣的離線檢測已逐漸無法滿足更高環(huán)保標準的需要，但仍可分別為軟測量法和在線間接測量法提供模型校正的真值，實現(xiàn)離線長時檢測和在線快速檢測的互補[82]。

軟測量技術通過采集溫度等過程變量、選擇輔助變量和構建模型，無須化驗分析即可計算得到二英濃度，按建模方法可分為回歸分析、神經網絡、遺傳編程和支持向量機等四類，在焚燒處置中難以直接監(jiān)測排放參數的實時在線推理中應用廣泛[83?86]。Hasberg 等[87]在1989 年 基 于 回 歸 分 析 法 給出了煙氣溫度和二英濃度間的映射關系，初步實現(xiàn)了二英濃度的檢測控制一體化；Chang 等[88]在1995 年建立了基于回歸分析法預測的控制模型，可通過進料速度和蒸汽產生量等運行參數的在線調整完成實時反饋控制；Tillman[89]基于多座焚燒爐的測試樣本研究了過量空氣系數與二英生成量間的關系，盡管回歸分析法易表現(xiàn)模型內變量對二英濃度的影響，在誤差范圍內應用簡單方便，然而上述回歸分析法難以描述二英產生和排放的非線性特征，具有較大局限性。基于文獻[88]整理的二英排放數據，Chang 等[90]在2000 年進一步構建了單隱層、雙隱層神經網絡的二英排放濃度模型，Bunsan 等[91]利用實機數據以13 個過程變量作為輸入參數建立了基于神經網絡的軟測量模型，神經網絡算法具有自學習功能，樣本量大時非線性擬合功能強，可描述二英生成過程，魯棒性較好，準確性比回歸分析法更高，但是該類模型無法克服神經網絡過擬合和小樣本數據預測性能差等缺陷。在文獻[90]中，Chang通過遺傳算法構建二英濃度非線性軟測量模型并對比，研究表明其預測性優(yōu)于回歸分析和神經網絡算法，但收斂較慢，需多輸入參數作為變量，適用性不足。

4 結 論

本文針對我國目前生活垃圾焚燒處置過程存在成分復雜、運行穩(wěn)定性差、自動化水平較低等現(xiàn)狀，對垃圾收運和存儲，焚燒處置過程監(jiān)測和優(yōu)化，排放污染控制過程的智能化監(jiān)測、控制和管理等研究進行了梳理。

(1)垃圾收集和存儲的數字化管理系統(tǒng)，主要通過物聯(lián)網技術有效獲取垃圾來源、種類、基本物化特性及堆放特性和連通垃圾產生及末端處理環(huán)節(jié)，并通過人工智能算法計算得到最優(yōu)收運路徑，以平衡法、神經網絡模型等分析垃圾組分及其他焚燒廠內運行參數進而有效預測垃圾熱值和碳排放；構建儲運和焚燒一體化系統(tǒng)，根據焚燒運行參數在線調整垃圾池內儲量，從而改善爐內燃燒狀況，為自動燃燒系統(tǒng)提供依據。

(2)焚燒過程自動控制系統(tǒng)，主要包括：焚燒過程火焰圖像和信號的智能化檢測診斷研究，可有效掌握焚燒特性及實現(xiàn)焚燒優(yōu)化；爐膛溫度監(jiān)測技術，主要包括熱電偶、紅外測溫和聲波測溫，其中可借助聲波測溫系統(tǒng)耦合爐膛火焰圖像識別系統(tǒng)實現(xiàn)“點?線?面?體”的溫度場重構，提高爐內溫度測量精度和裝備工作壽命；焚燒過程運行參數如鍋爐負荷、爐膛負壓、煙氧含量、料層厚度、爐排溫度、燃盡溫度和主蒸汽溫度的在線監(jiān)測，可通過T?S 模糊控制算法、HSIC 算法和PLC 控制技術等進行控制調節(jié)，使控制系統(tǒng)魯棒性和準確性增強，避免超調和振蕩現(xiàn)象，改善控制品質，保證穩(wěn)定燃燒；焚燒過程產生污染物如廢水和灰渣等的智能化管理，包括基于多種技術路徑實現(xiàn)焚燒優(yōu)化，以減少未燃盡底灰的產生；未來可基于物聯(lián)網技術對已產生的灰渣等二次潛在污染源進行全過程智能化管理，并對其進行建材、熱處理等資源化利用。

(3)污染物排放智能控制系統(tǒng)，對各污染物包括粉塵、酸性氣體及二英進行在線監(jiān)測和閉環(huán)反饋控制，其中粉塵和酸性氣體的智能化控制主要通過實時監(jiān)測煙氣排放數據，并以神經網絡算法、數據組網通訊等智能控制模塊對石灰和活性炭等給料進行精確調控，減少浪費，并通過酸性氣體濃度預測模型提前預警；二英濃度作為重點監(jiān)測指標，其在線監(jiān)測技術主要有指示物在線間接檢測法和軟測量法，其中基于指示物關聯(lián)檢測的二英在線快速監(jiān)測系統(tǒng)目前正處于工程示范階段；在線監(jiān)測技術可與長時離線檢測互補，在燃燒前、燃燒中兩個過程中，基于監(jiān)測數據對運行參數進行實時調節(jié)，實現(xiàn)近零排放。

5 展望與建議

(1)以更大的樣本量進一步訓練垃圾智能收運和儲存系統(tǒng)的算法模型，提高收集運輸的效率和庫內垃圾熱值預測準確性及時間分辨率，在垃圾智能分類領域由智能設備向服務型機器人發(fā)展，實現(xiàn)垃圾收運的智能化。

(2)進一步研究開發(fā)火焰圖像的自動識別處理和聲波測溫等技術，特別是焚燒爐內的爐膛三維溫度場監(jiān)測技術，實現(xiàn)溫度測量“點?線?面?體”的技術進步，并使其與垃圾池內垃圾熱值預測模型、焚燒狀態(tài)在線診斷預測系統(tǒng)聯(lián)動處理，實現(xiàn)垃圾焚燒廠檢測設備的智能化。

(3)焚燒過程自動控制系統(tǒng)多數只通過計算機編程仿真進行理論驗證，并未進行實機測試，需要進一步試驗。

(4)對于已在電廠中應用的污染物排放在線監(jiān)測系統(tǒng)，特別是基于指示物模型和軟測量的二英在線快速監(jiān)測系統(tǒng)，應進一步提升在線設備的穩(wěn)定性、準確性和實用性，可與長時采樣的離線檢測法互補，由離線檢測提供校正。

(5)對于基于神經網絡等智能算法的智能焚燒控制裝備，其構建需要大量電廠運行工況數據，為提升其控制效果，一方面可對采集的工況數據進行初步篩選，選出真實合理的部分作為算法訓練數據；另一方面可引入其他優(yōu)化算法如粒子群算法、遺傳算法等，進一步提高算法的泛化能力。

(7)過去及目前的研究主要集中在對各子系統(tǒng)進行智能控制，未來研究需要進行系統(tǒng)化統(tǒng)合，以新興傳感、物聯(lián)網和人工智能算法技術為支撐，通過大數據分析及云計算平臺實現(xiàn)數據共享，構建智能反饋和優(yōu)化模型，開發(fā)智慧焚燒技術與裝備，建立源頭收集、運輸分類、焚燒發(fā)電和殘留凈化一體化全過程自動運行的無人化智慧焚燒發(fā)電系統(tǒng)，實現(xiàn)垃圾發(fā)電過程對配置設備及其參數的智能在線動態(tài)優(yōu)化，完成全流程整合、平臺化管理和技術解決方案多元化。

(8)由于智能化涉及多設備多系統(tǒng)以及交叉學科，建議各垃圾焚燒企業(yè)互相交流共同進步，實現(xiàn)信息和資源的流通，為相關標準和規(guī)范的建立提供支持。

符 號 說 明

C——垃圾單位熱值，MJ/t

Cs——蒸汽實際所含單位熱值，MJ/t

D——垃圾焚燒鍋爐蒸發(fā)量實際值，t/h

F——一次風流量，m3/h

K——經驗補償系數

PN——一次風密度，m/h

P1——垃圾層厚度參考值，m

P2——一次風壓力，Pa

P3——爐膛負壓，Pa

S——爐排片面積，m2

t——一次風溫度，℃

W——垃圾給料量，t/h

x——垃圾入爐量，t

y——垃圾發(fā)酵時間，d

z——蒸發(fā)量，t

α——鍋爐熱效率，%