王啟猛
(中煤科工集團沈陽研究院有限公司,沈陽 撫順 113001)
礦山的電氣自動化存在著能源消耗量高、物質消耗量高和污染嚴重的缺點。近幾年來,我國大部分地區(qū)都存在著嚴重的霧霾天氣問題,大氣污染物和環(huán)境承載力已接近飽和,礦山電氣自動化設備的節(jié)能減排問題亟待解決。物質燃燒過程是礦山電氣自動化設備運行過程中首要的環(huán)節(jié)之一,其能源消耗占礦山生產總耗能的20%以上,SO2和NOx 污染物排放約占64%,煙粉塵排放占50%,是主要的能源消耗和污染物排放源,是長期困擾礦山綠色可持續(xù)發(fā)展的關鍵問題。
礦山電氣自動化設備組成復雜,在設備運行的過程中,設備一直處在高溫狀態(tài)下動態(tài)運行。在運行過程中會產生吸熱放熱反應、氧化還原反應以及不同的物理狀態(tài)變化。礦山電子自動化設備在運動生產時由于一直處在高溫燒結狀態(tài),導致設備很難察覺周圍溫度場的變化,很難通過實時監(jiān)控和數據采集,以及使用簡單的數學計算和理論分析去精準挖掘設備運行狀態(tài)。礦山電氣自動化設備是一個十分經典的的“黑匣子”設備組成,可以發(fā)揮多個變量、潛在信息、非線性、強耦合的特性。
本文針對礦山電氣自動化設備運行中不同生產數據的特點,通過對數據進行標準化、歸一化、正則化的處理,使用人工智能方法進行礦山電氣自動化設備運行預測及數據耦合關系模型的預測,再根據礦山電氣自動化設備運行數據的時空特性,將數據轉換到二維空間,使用計算機視覺方法進行礦山電氣自動化設備預測模型,建立多目標的評價網絡,多變量調控的執(zhí)行網絡,建立智能控制模型。
(1)優(yōu)化礦山電氣自動化設備智能控制節(jié)能減排研究。在礦山電氣自動化設備運行過程中產生大量的實時生產數據,本文根據對這些數據的分析及時進一步優(yōu)化和調整生產工藝,可顯著提高燒結生產的節(jié)能減排效果。本文采用GEU、Transform和SENET前沿深度學習模型對數據進行訓練,根據實際生產數據的特點調整網絡結構,優(yōu)化損失函數、目標函數,得到高精度的數據預測和數據耦合模型。然后采用自適應動態(tài)規(guī)則理論改善運行過程輔助決策模型構建,根據當前生產狀態(tài),計算最優(yōu)控制策略來最大化功耗燒結過程實時控制的波紋管的風量和風壓。
(2)礦山電氣自動化設備的節(jié)能減排智能控制方法設計。以系統(tǒng)理論為基礎,把礦山電氣自動化設備的節(jié)能減排智能控制過程視為一個相對獨立過程,從整個過程的角度把燒結過程分成3個子系統(tǒng):燒結源頭配料系統(tǒng)、燒結過程控制系統(tǒng)、燒結末端脫硫脫硝系統(tǒng)。
圖1所示為礦山電氣自動化設備的節(jié)能減排智能控制總體框架,所分為的3個子系統(tǒng)由能源流和物質流緊密聯(lián)系在一起,進行融合多元數據的燒結生產數據規(guī)律的發(fā)現(xiàn)及抽取,提取原料性能、成礦理論、過程工藝參數、產質量指標、生產成本等參數間的潛在規(guī)律,從大量現(xiàn)實生產數據中挖掘生產運行規(guī)律,建立態(tài)勢感知模型,從各個方面進行燒結生產的多角度、多尺度感知。
圖1 礦山電氣自動化設備的節(jié)能減排智能控制總體框架圖
(1)根據多風箱數據的節(jié)能減排智能控制模型。模型使用GRU對每個風箱的溫度和負壓的數據進行耦合分析,獲得溫度和負壓的時序預測模型以及二者之間存在的潛在聯(lián)系。該模型可根據當前風箱的位置、負壓情況對風箱溫度進行較為準確的預測。
基于20個風箱的溫度和負壓數據,構造每個風箱溫度和負壓變化的時間序列,用于溫度和負壓的時間序列預測。對數據進行歸一化,將溫度和負壓進行耦合,構建二者的耦合模型。選擇其中一部分數據作為檢測集合,一部分數據作為驗證集,一部分數據作為測試集。本問通過GRU進行單個風箱的時間序列預測模型訓練,利用Transformer進行溫度和負壓的耦合模型訓練。對每個風箱的負壓和溫度的平均預測誤差在2%以內,通過該模型可準確地對下一時刻的運行狀態(tài)進行預測。
將多個風箱的溫度和負壓數據按照時序規(guī)約到二維圖像中,通過基于深度學習的計算機視覺方法進行訓練,得到節(jié)能減排智能控制模型。該模型可根據當前運行狀態(tài)數據對最終節(jié)能減排預測。
圖2所示為數據的處理流程及該模型的訓練結構,本研究使用SENET對運行數據預測,根據當前20個風箱的位置、溫度、負壓數據構建數據網格二像將二維圖像作為模型輸入進行最終節(jié)能減排預測。將風箱運行數據及運行數據進行擴充及劃分,選擇其中一部分數據作為檢測集合,一部分數據作為驗證集,一部分數據作為測試集。得到節(jié)能減排智能控制模型,使用測試數據進行模型驗證,TFE 質量分數的相對誤差為6%左右,CaO質量分數的相對誤差為7%左右,SiO2質量分數的相對誤差為9%左右。
圖2 模型訓練結構
(2)礦山電氣自動化設備燒結過程自動控制模型。該過程結合了現(xiàn)代控制理論中的最優(yōu)控制和自適應控制、計算智能中的人工神經網絡以及機器學習中強化學習的思想,可以解決傳統(tǒng)動態(tài)規(guī)劃中的“維數災難”問題,是一種具有學習和優(yōu)化能力的智能控制方法,在求解連續(xù)時間復雜非線性系統(tǒng)的控制問題中具有極大的潛力。圖3 所示為智能控制模型的一般結構。
圖3 智能控制模型的一般結構
以評價網絡構建復雜系統(tǒng)多目標性能指標,通過不斷測試不斷接近最優(yōu)指標函數。執(zhí)行網絡對系統(tǒng)變量進行調控,影響動態(tài)系統(tǒng)狀態(tài),通過不斷學習不斷逼近最優(yōu)控制策略。最終可由該方法得到由當前狀態(tài)進行下一步控制的逼近最優(yōu)的控制策略,為生產進行指導,進一步根據礦山電氣自動化設備控制的實際運行環(huán)境對模型進行不斷調優(yōu)。
如圖4所示,在已訓練出的機器學習模型基礎上,進行運行數據的仿真預測,通過調整可控參數,得到節(jié)能減排的最優(yōu)方案,為操作人員提供輔助診斷決策建議,操作人員再根據輔助決策情況對可控參數進行調控,實現(xiàn)礦山電氣自動化設備燒結過程的智能控制節(jié)能減排目標。
圖4 智能控制模型框架
圖5所示為本研究建立的燒結生產運行過程智能輔助診斷決策系統(tǒng)?;谠搭^、過程、末端3個子系統(tǒng)的智能控制方法,本問進一步構建了節(jié)能減排智能輔助診斷決策系統(tǒng),主要包括智能配料、智能過程控制、預測3個部分。
圖5 智能輔助診斷決策系統(tǒng)
本文提出的礦山電氣自動化設備的節(jié)能減排智能控制方法與相關節(jié)能減排方法相耦合顯著地提高了能源利用效率,在燒結工序源頭方面降低了固體燃料用量,在燒結過程降低了電力消耗21%。通過在源頭降低燃料消耗量同時也較大幅度降低了大氣污染物的排放量,NOx 減少排放43%,SO2減少排放14%,顆粒物減少20%,均達到了超低排放要求,節(jié)能減排效果顯著。
值得指出的是,因為末端SCR方法對燒結煙氣的脫硝效率在70%左右,所以NOx出口濃度在300mg/m3以上就難于達到超低排放50mg/m3的要求。所以,燒結源頭固體燃料削減對降低和穩(wěn)定NOx排放濃度,實現(xiàn)NOx的末端SCR處理,達到超低排放限值要求起到了至關重要的作用。應用前后污染物排放對比見表1。通過表1可知,最終燒結煙氣末端處理出口濃度:NOx為35.8mg/m3,SO2為18.6mg/m3,顆粒物為2.0 mg/m3,上述指標均低于國家節(jié)能減排超低排放限制要求。
表1 應用前后污染物排放對比
通過構建礦山電氣自動化設備燒結生產運行過程節(jié)能減排體系,從燒結源頭、燒結過程以及末端全面進行了污染物的分段減排,有效提高了總減排的效率和減排數量。污染物減排情況見表2。由表2可知,SO2減排量源頭占53%,過程占19%,末端占26%;NOx 減排量占比:源頭為24%,過程為10%,末端為65%;顆粒物占比:源頭為54%,末端為46%。
表2 污染物減排情況
由上述數據分析可見本文所設計的礦山電氣自動化設備節(jié)能減排智能控制方法真正實現(xiàn)了生產運行過程的分段污染減排。解決了礦山電氣自動化能量消耗大、污染大的問題,也解決了人工控制所帶來的不便,高效率低成本的將礦山電氣自動化設備的問題充分解決。
本文以礦山電氣自動化設備的燒結生產運行過程節(jié)能減排為目標,把燒結過程視為相對獨立系統(tǒng),并分成3個子系統(tǒng):燒結源頭配料系統(tǒng)、燒結過程控制系統(tǒng)、燒結末端脫硫脫硝系統(tǒng)。使用人工智能方法構建配料—成礦預測、風箱負壓溫度預測及耦合、生產狀態(tài)—成礦預測等智能模型,構建燒結生產的仿真動態(tài)系統(tǒng),建立多目標的評價網絡,多變量調控的執(zhí)行網絡,進行智能控制模型的訓練,并基于現(xiàn)實生產環(huán)境數據對模型進行驗證和優(yōu)化,從而不斷對控制模型進行調優(yōu),實現(xiàn)了燒結源頭和過程的節(jié)能減排。
本文所設計的礦山電氣自動化設備的節(jié)能減排智能控制方法所構建的燒結生產運行過程節(jié)能減排控制系統(tǒng)把源頭和過程的大氣污染物產排污信息及時反饋給末端處理系統(tǒng),適時調控優(yōu)化了末端脫硝還原劑的使用,提高資源利用效率,降低了處理成本和二次污染。