湯 健 夏 恒 余 文 喬俊飛

目前,城市固廢(Municipal solid waste,MSW)的全球年增長(zhǎng)率已達(dá)到8%～10%[1-2].相應(yīng)地,我國(guó)面臨著環(huán)境惡化甚至“垃圾圍城”風(fēng)險(xiǎn)的城市日趨增多[3],為發(fā)展環(huán)境友好型城市必須解決上述問題.MSW 焚燒(MSW incineration,MSWI)過程作為典型流程工業(yè)[4-5],通過發(fā)酵、燃燒、換熱和凈化等工藝階段實(shí)現(xiàn)廢物到能源(Waste-to-energy,WTE)的轉(zhuǎn)變[1,6],其中:固廢發(fā)酵階段存在多種不確定的生物反應(yīng),固廢燃燒是固氣液多相和熱流力多場(chǎng)交互作用下的高溫化學(xué)反應(yīng),余熱交換是實(shí)現(xiàn)熱能到機(jī)械能再到電能的轉(zhuǎn)換,煙氣凈化是利用物理/化學(xué)原理脫除煙氣中的有毒有害物質(zhì);該過程在實(shí)現(xiàn)自身運(yùn)行所需能源自給自足的基礎(chǔ)上,向外提供電和熱等多種形式的能源,并確保較低的環(huán)境污染排放風(fēng)險(xiǎn)[7],使得MSW 已經(jīng)成為城市可再生能源循環(huán)利用過程中的重要環(huán)節(jié)[8-9].研究表明,MSWI 的減質(zhì)率、減容率和能量回收率可達(dá)到70%、90%和19%[10-11],其在經(jīng)濟(jì)和環(huán)保方面所呈現(xiàn)出的潛在價(jià)值已被發(fā)展中國(guó)家所認(rèn)可[10].因此,MSWI 過程在低碳、環(huán)保和可持續(xù)能源等領(lǐng)域均具有關(guān)鍵作用[12],已成為國(guó)家新時(shí)期生態(tài)文明建設(shè)和循環(huán)經(jīng)濟(jì)體系中的托底工業(yè)[13-14].

我國(guó)MSWI 起步于20 世紀(jì)90 年代(深圳引進(jìn)日本三菱2 臺(tái)150 t/d 馬丁爐排焚燒爐),在十二五時(shí)期著力推廣后再經(jīng)過十三五時(shí)期無廢城市規(guī)劃的實(shí)施,目前MSWI 處理占比(超過50%)已居世界首位[15].截止2022 年10 月,我國(guó)已投運(yùn)MSWI 電廠811 座,其中機(jī)械爐排爐占比超過94%[16].

在“十四五”城鎮(zhèn)生活垃圾分類和處理設(shè)施發(fā)展規(guī)劃下,MSWI 過程將迎來新一輪的高速發(fā)展[17].顯然,在“雙碳戰(zhàn)略”[18]、垃圾分類[19]和原生MSW“零填埋”[20-21]的發(fā)展背景下,MSWI 在未來仍將是MSW 處理的首選技術(shù)[22],也是城市可持續(xù)發(fā)展和綠色環(huán)保不可或缺的組成部分[23].然而,目前我國(guó)MSWI企業(yè)卻面臨著顯著的、短期內(nèi)無法有效調(diào)控的發(fā)展矛盾,即過程運(yùn)維成本、環(huán)保監(jiān)管成本、“國(guó)補(bǔ)退坡”[24]、MSW 處理微利之間的矛盾,這是我國(guó)MSWI 行業(yè)面臨的最大挑戰(zhàn).此外,雖然MSWI 過程是最科學(xué)的MSW 處理方式,但所產(chǎn)生的廢氣、廢水和廢渣卻使其自身被列入污染排放名單,更甚者是其所排放的世紀(jì)之毒二噁英(Dioxin,DXN)導(dǎo)致焚燒建廠一直受困于“鄰避效應(yīng)”[2,25].

經(jīng)過近半個(gè)世紀(jì)的發(fā)展,自動(dòng)化技術(shù)、計(jì)算機(jī)技術(shù)和焚燒設(shè)備與工藝的有機(jī)結(jié)合,促使MSWI 控制系統(tǒng)逐漸向大型化、集成化和智慧化的方向發(fā)展[2].目前已投運(yùn)、在建和擬建的MSWI 廠中,多采用爐排爐型焚燒爐、高參數(shù)鍋爐發(fā)電設(shè)備、漸進(jìn)累加式煙氣凈化工藝,目的是推進(jìn)企業(yè)低碳轉(zhuǎn)型、提高經(jīng)濟(jì)效益和競(jìng)爭(zhēng)力[16,26].但是,MSW 的組成和產(chǎn)生受到社會(huì)、經(jīng)濟(jì)和環(huán)境等諸多不確定性與地區(qū)性因素的影響[27-28],大型化的運(yùn)行設(shè)備也導(dǎo)致臨界條件下實(shí)現(xiàn)MSWI 過程高效穩(wěn)定控制的難度進(jìn)一步加大.同時(shí),《生活垃圾焚燒發(fā)電廠自動(dòng)監(jiān)測(cè)數(shù)據(jù)應(yīng)用管理規(guī)定》 要求企業(yè)全面公開污染物排放數(shù)據(jù),以服務(wù)于公眾監(jiān)督和環(huán)保監(jiān)管要求[29].此外,在“雙碳戰(zhàn)略”和“藍(lán)天凈土”新環(huán)保要求的大背景下,MSWI技術(shù)的發(fā)展方向必然是高負(fù)荷、高效率和綠色化[30-32].上述原因?qū)е翸SWI 電廠在智能運(yùn)維、智慧環(huán)保等方面均面臨著巨大的挑戰(zhàn)[33].

此外,雖然自動(dòng)化和信息化水平不斷提升,但我國(guó)的MSWI 過程卻多采用領(lǐng)域?qū)＜沂謩?dòng)控制模式,這顯然難以適應(yīng)智慧焚燒的需求[34],導(dǎo)致焚燒行業(yè)的整體運(yùn)營(yíng)難以有效滿足國(guó)家對(duì)污染排放的監(jiān)管要求.生活垃圾焚燒發(fā)電廠自動(dòng)監(jiān)測(cè)數(shù)據(jù)公開平臺(tái)的數(shù)據(jù)表明,自2020 年以來已關(guān)閉MSWI 電廠21 家,涉及焚燒爐50 余臺(tái),其中爐排爐占比44%[16].因此,研制具有甚至超越優(yōu)秀領(lǐng)域?qū)＜宜降闹悄軆?yōu)化控制技術(shù),已成為MSWI 企業(yè)能夠以穩(wěn)定、高效、綠色和低碳的最優(yōu)工況達(dá)到年運(yùn)行8 000 小時(shí)水平的關(guān)鍵,進(jìn)而實(shí)現(xiàn)處理量最大、熱灼減率最小、發(fā)電量最大、物耗最小和污染排放最低等目標(biāo),確保MSWI 行業(yè)的可持續(xù)性發(fā)展.

綜上,本文首先針對(duì)典型MSWI 工藝機(jī)理、當(dāng)前運(yùn)行控制特性及智能優(yōu)化控制存在難點(diǎn)進(jìn)行描述和分析;接著,從燃燒特性分析與建模、燃燒過程控制、指標(biāo)建模與預(yù)測(cè)、運(yùn)行監(jiān)測(cè)與故障識(shí)別、操作(控制)變量?jī)?yōu)化、算法仿真驗(yàn)證平臺(tái)等6 個(gè)方面進(jìn)行MSWI 過程運(yùn)行控制現(xiàn)狀的回顧和總結(jié),探討進(jìn)行智能優(yōu)化控制的必要性;然后,結(jié)合工業(yè)人工智能本質(zhì)給出未來研究方向和內(nèi)容,展望基于數(shù)字孿生平臺(tái)的未來MSWI 智能優(yōu)化控制系統(tǒng)的框架和愿景;最后,總結(jié)未來挑戰(zhàn).

1 MSWI 過程特性分析

1.1 MSWI 處理工藝

目前,我國(guó)已投運(yùn)的焚燒爐為1 822 臺(tái)[16],其中爐排爐為1 705 座,占比約為94%;近五年新建廠中約29%是日處理量大于或等于700 t/d 的爐排爐.由此可見,大型爐排爐是目前國(guó)內(nèi)MSWI 電廠的主流工藝技術(shù).

此處以我國(guó)引進(jìn)的處理量為800 t/d 的典型爐排爐為例,其工藝流程如圖1 所示.

圖1 某典型爐排爐MSWI 過程的工藝流程Fig.1 Process flow of a type grate MSWI process

由圖1 可知,MSWI 過程先后經(jīng)過固廢發(fā)酵、固廢燃燒、余熱交換、蒸汽發(fā)電、煙氣凈化和煙氣排放6 個(gè)主要階段,其中:

1)固廢發(fā)酵階段:原生MSW 包含大量水分不利于燃燒,需在固廢儲(chǔ)蓄池中經(jīng)3～7 天的生物發(fā)酵,完成初步脫水后達(dá)到入爐焚燒條件再由機(jī)械抓斗投入到料斗中,然后由進(jìn)料器推送至焚燒爐內(nèi),進(jìn)入固廢燃燒階段.該階段的主要變量為MSW 熱值,其是影響MSWI 過程優(yōu)化決策的關(guān)鍵因素之一.

2)固廢燃燒階段:本質(zhì)是在固氣液等多相和熱流力等多場(chǎng)的耦合交互作用下將MSW 轉(zhuǎn)變成高溫?zé)煔夂凸虘B(tài)殘?jiān)?可分為干燥、燃燒和燃燼3 個(gè)過程.

a)干燥過程:是發(fā)酵后的MSW 在干燥爐排上完成全水分(表面和內(nèi)在水分)析出至著火的階段,內(nèi)涵是:表面水分隨爐內(nèi)溫度升高而逐漸蒸發(fā),當(dāng)溫度上升至100 ℃時(shí)被完全蒸發(fā);內(nèi)在水分隨爐溫的進(jìn)一步升高而逐步析出并吸收大量熱能.因此,MSW 的全水分含量與入爐熱值相關(guān),進(jìn)而影響燃燒狀態(tài)乃至全流程的運(yùn)行工況.

b)燃燒過程:從MSW 開始著火經(jīng)強(qiáng)烈發(fā)光發(fā)熱直至氧化反應(yīng)結(jié)束的階段,包括強(qiáng)氧化、熱解和原子基團(tuán)碰撞反應(yīng).強(qiáng)氧化反應(yīng)表示可燃組分與氧氣發(fā)生完全燃燒反應(yīng);熱解反應(yīng)表示在無氧或接近無氧的條件下,熱輻射能量破壞含碳高分子化合物元素間的化學(xué)鍵或?qū)ζ溥M(jìn)行重組,析出揮發(fā)分后再進(jìn)行氧化反應(yīng);原子基團(tuán)碰撞反應(yīng)表示原子基團(tuán)電子能量的躍遷、分子的旋轉(zhuǎn)和振動(dòng)等行為產(chǎn)生紅外熱輻射、可見光和紫外線,進(jìn)而形成火焰形態(tài).因此,燃燒過程涉及的反應(yīng)復(fù)雜多變、相互間存在強(qiáng)耦合性且具有多反應(yīng)同步運(yùn)行的特性.顯然,燃燒過程中的氧含量(供風(fēng)量)和MSW 進(jìn)料量(爐排速度)對(duì)燃燒過程至關(guān)重要.

c)燃燼過程:從燃燒結(jié)束至燃燒完全停止的過程.經(jīng)燃燒過程后,MSW 中的可燃成分以焦碳為主;之后,在高溫和一次風(fēng)的作用下,焦碳與O2發(fā)生氧化反應(yīng),與CO2、水蒸氣等發(fā)生氣化反應(yīng);隨后,惰性物質(zhì)(氣態(tài)的CO、H2O 和灰渣)逐漸增加,直至爐排上的MSW 全部成為灰渣,進(jìn)而減弱燃燒直至完全停止[35].因此,該過程具有燃度降低、惰性物質(zhì)增加、氧化劑含量相對(duì)較大、反應(yīng)區(qū)溫度較低等特點(diǎn),延長(zhǎng)該過程可有效提高M(jìn)SW 的熱灼減率,提升減量化水平.

為保證煙氣中有害物質(zhì)的分解和燃燒,常采用“3T+E”的原則[36],即爐膛溫度大于850 ℃、煙氣停留時(shí)間大于2 秒、煙氣湍流強(qiáng)度以及過量空氣系數(shù)保持適當(dāng)取值.該階段的主要控制變量為MSW進(jìn)料量、爐排速度和爐膛進(jìn)風(fēng)量,主要被控變量為爐膛溫度、煙氣含氧量、蒸汽流量和燃燒線.

3)余熱交換階段:首先高溫?zé)煔饨?jīng)水冷壁進(jìn)行初步降溫,然后利用過熱器、蒸發(fā)器和省煤器等設(shè)備將熱能通過輻射和對(duì)流的方式傳遞至鍋爐,接著鍋爐中的水轉(zhuǎn)變?yōu)楦邏哼^熱蒸汽進(jìn)入蒸汽發(fā)電階段,最后鍋爐出口煙氣溫度降至200 ℃.該階段需要嚴(yán)格控制降溫速率,以防止污染物再生成,其主要的控制變量為鍋爐給水量,主要被控變量為鍋爐蒸汽流量.

4)蒸汽發(fā)電階段:利用余熱鍋爐產(chǎn)生的高溫蒸汽推動(dòng)汽輪發(fā)電機(jī),機(jī)械能轉(zhuǎn)變?yōu)殡娔?實(shí)現(xiàn)廠級(jí)用電的自給自足和剩余電量的對(duì)外供應(yīng),實(shí)現(xiàn)資源化和獲取經(jīng)濟(jì)效益.

5)煙氣凈化階段:首先,脫硝系統(tǒng)在850 ℃～1 100 ℃的溫度下脫除NOx;接著,半干法脫酸工藝通過注入石灰和水對(duì)酸性氣體(HCl、HF、SO2、重金屬)進(jìn)行中和;然后,活性炭對(duì)煙氣中的DXN以及重金屬等物質(zhì)進(jìn)行吸附;最后,通過布袋除塵器脫除煙氣中的顆粒物、中和反應(yīng)物以及活性炭吸附物,完成煙氣凈化.該階段的主要控制變量為尿素、活性炭、石灰等物料的消耗量.

6)煙氣排放階段:符合國(guó)家排放標(biāo)準(zhǔn)(GB18485-2014)的煙氣通過引風(fēng)機(jī)牽引經(jīng)煙囪排入大氣.顆粒物、NOx、SO2、HCl 和CO 等污染物是目前所關(guān)注的環(huán)保指標(biāo).

1.2 國(guó)內(nèi)MSWI 過程的運(yùn)行控制特性

基于世界銀行最新的統(tǒng)計(jì)數(shù)據(jù)[37]和谷琳等[38]以及Yamada 等[39]提供的數(shù)據(jù),在MSW 成分的長(zhǎng)時(shí)段平均統(tǒng)計(jì)中,國(guó)內(nèi)MSW 中的廚余類組分的占比高,原因在于:歐洲、北美等地區(qū)在20 世紀(jì)中期開始施行MSW 分類,公眾環(huán)保意識(shí)強(qiáng);我國(guó)MSW的分類政策和制度目前還在完善和推廣中,使得MSW組分存在較大的不確定性.因此,國(guó)內(nèi)MSW 的熱值量級(jí)和穩(wěn)定性遠(yuǎn)低于上述區(qū)域,原因在于:上述區(qū)域的MSW 源于分類后的可燃組分,其熱值被控制在較小的范圍內(nèi)波動(dòng);國(guó)內(nèi)的相應(yīng)管理制度還不夠完善,所收集的MSW 的熱值低且波動(dòng)性較大.

除在MSW 組分與熱值上的差異性外,國(guó)內(nèi)在領(lǐng)域?qū)＜壹寄芩胶驮O(shè)備運(yùn)維技術(shù)方面也與國(guó)外存在著差距.眾所周知,鄰國(guó)日本的爐排爐技術(shù)引自于歐洲,在進(jìn)行本土化改造后才達(dá)到當(dāng)前的領(lǐng)先水平.因此,我國(guó)MSWI 過程的運(yùn)行也是無法直接照搬國(guó)外技術(shù)的,這使得目前國(guó)內(nèi)各廠主要采用的是依賴于領(lǐng)域?qū)＜?即知識(shí)型工作者)的手動(dòng)控制模式,其示意如圖2 所示.本質(zhì)上,這是根據(jù)自動(dòng)燃燒控制(Automatic combustion control,ACC)系統(tǒng)的控制邏輯而歸納總結(jié)的經(jīng)驗(yàn),其可簡(jiǎn)述為:機(jī)械抓斗操作工程師憑經(jīng)驗(yàn)完成MSW 儲(chǔ)池分區(qū)整備、操作抓斗均勻混合和拆解大件MSW、控制發(fā)酵周期和入爐區(qū)域MSW 熱值穩(wěn)定,依據(jù)料位視頻監(jiān)控畫面憑經(jīng)驗(yàn)控制投料頻率;運(yùn)行工程師基于多模態(tài)信息識(shí)別預(yù)判工況變化,后憑經(jīng)驗(yàn)對(duì)固廢燃燒、余熱交換和煙氣凈化等階段的控制變量進(jìn)行設(shè)定.主要操作經(jīng)驗(yàn)可歸納為:勤看火焰,控制料層和火床;勤調(diào)整進(jìn)料量、供料速度和燃燒風(fēng)量;依據(jù)料層厚度、煙氣含氧量以及MSW 特性確保穩(wěn)定燃燒[40].顯然,手動(dòng)操作難免會(huì)存在著差異性和任意性,是影響MSWI 過程穩(wěn)定運(yùn)行的核心.因此,在該模式下數(shù)據(jù)中蘊(yùn)含的優(yōu)秀規(guī)則知識(shí)和豐富領(lǐng)域?qū)＜医?jīng)驗(yàn)是進(jìn)一步研究MSWI 過程智能優(yōu)化控制的基礎(chǔ).

圖2 MSWI 過程的領(lǐng)域?qū)＜沂謩?dòng)控制示意圖Fig.2 Manual control by domain experts for MSWI process

1.3 MSWI 過程智能優(yōu)化控制存在的難點(diǎn)

綜上可知,國(guó)內(nèi)MSWI 過程的智能優(yōu)化控制存在以下問題:1)MSW 組分多變、熱值不穩(wěn)定且難以實(shí)時(shí)檢測(cè);2)MSW 燃燒機(jī)理隨其組分的多變性使得已有數(shù)值仿真難以刻畫真實(shí)燃燒過程且缺少全流程模擬;3)MSWI 過程的爐內(nèi)溫度場(chǎng)、料層厚度、燃燒線等被控變量和鍋爐/煙囪出口二噁英、爐渣熱灼減率等運(yùn)行指標(biāo)的可靠實(shí)時(shí)檢測(cè)設(shè)備缺失;4)MSWI 過程的操作變量與被控變量眾多、相互耦合且不同運(yùn)行工況下的控制關(guān)注點(diǎn)存在差異性,難以確保穩(wěn)定運(yùn)行;5)MSWI 過程長(zhǎng)周期的運(yùn)行特性導(dǎo)致其具有動(dòng)態(tài)時(shí)變漂移特性,現(xiàn)有傳感設(shè)備無法全面覆蓋全流程,使得過程狀態(tài)難以有效監(jiān)測(cè)和表征;6)國(guó)內(nèi)多采用單廠多線的大型焚燒爐并行運(yùn)行模式,爐溫多以犧牲經(jīng)濟(jì)性保證安全性和環(huán)保達(dá)標(biāo)而長(zhǎng)期處于高位,缺失有效的全流程管理決策優(yōu)化.

基于上述問題,筆者認(rèn)為,針對(duì)我國(guó)MSW 的特性,實(shí)現(xiàn)具有本土特色的智能優(yōu)化控制需要進(jìn)一步地研究以下的難題:

1)燃燒過程被控對(duì)象建模難

通常,準(zhǔn)確構(gòu)建被控對(duì)象模型是進(jìn)行工業(yè)過程智能控制研究的基礎(chǔ)[41-43].MSWI 與其他熱處理工業(yè)(例如燃煤電廠、高爐煉鐵廠等)的顯著區(qū)別在于該過程的原料成分波動(dòng)大且異構(gòu)嚴(yán)重,導(dǎo)致其物理化學(xué)性質(zhì)差異性較大且不能實(shí)時(shí)檢測(cè).此外,燃燒機(jī)理復(fù)雜以及領(lǐng)域?qū)＜医?jīng)驗(yàn)差異性等問題導(dǎo)致工況復(fù)雜多變,難以構(gòu)建精確的機(jī)理模型或完備的數(shù)據(jù)驅(qū)動(dòng)模型.因此,這使得面向燃燒過程的被控對(duì)象建模成為業(yè)界難點(diǎn)之一.

2)燃燒過程自適應(yīng)自組織智能控制難

燃燒過程控制的核心是如何通過“布風(fēng)布料”操作確保穩(wěn)定燃燒[44].MSW 組分的多變性和熱值的不確定性是燃燒過程不可避免的強(qiáng)干擾因素,設(shè)備未知磨損與不定期維護(hù)等也是干擾因素之一.作為燃燒過程重要被控變量的燃燒線難以量化,極大地制約著燃燒過程控制水平的智能化.此外,操作量之間、被控量之間、操作量與被控量之間還存在著強(qiáng)耦合關(guān)聯(lián)性和長(zhǎng)時(shí)滯特性.這些因素均需要控制器具有自組織的結(jié)構(gòu)和參數(shù)以抑制各種干擾的能力.因此,如何實(shí)現(xiàn)有效的結(jié)構(gòu)和參數(shù)自組織控制是確保MSWI 過程平穩(wěn)運(yùn)行的難點(diǎn)之一.

3)運(yùn)行指標(biāo)在線實(shí)時(shí)檢測(cè)難

運(yùn)行指標(biāo)的在線實(shí)時(shí)檢測(cè)是實(shí)現(xiàn)工業(yè)過程優(yōu)化設(shè)定控制必需的反饋信息.MSWI 過程的運(yùn)行指標(biāo)包括環(huán)保指標(biāo)(污染物和溫室氣體排放濃度)、產(chǎn)品指標(biāo)(飛灰產(chǎn)量、爐渣熱灼減率、燃燒效率和有機(jī)物脫除率)和經(jīng)濟(jì)指標(biāo)(MSW 處理費(fèi)、上網(wǎng)發(fā)電量).除常規(guī)污染物和溫室氣體可采用煙氣在線監(jiān)測(cè)系統(tǒng)(Continuous emission monitoring system,CEMS)在線實(shí)時(shí)檢測(cè)外,其他運(yùn)行指標(biāo)受限于技術(shù)或成本原因在目前均難以進(jìn)行在線檢測(cè),且具有長(zhǎng)時(shí)滯性.此外,即使能夠構(gòu)建軟測(cè)量模型,但依然面臨著標(biāo)記樣本稀疏、不均衡且期望分布未知等問題.因此,實(shí)現(xiàn)運(yùn)行指標(biāo)的在線實(shí)時(shí)檢測(cè)是必須要解決的難點(diǎn)之一.

4)運(yùn)行狀態(tài)感知和故障診斷難

從工業(yè)現(xiàn)場(chǎng)可知,異常工況頻發(fā)是導(dǎo)致引進(jìn)ACC 系統(tǒng)難以在我國(guó)“本土化”的原因之一[2].目前基于人工認(rèn)知經(jīng)驗(yàn)的故障診斷效率低且易出現(xiàn)誤報(bào)和漏報(bào),難以確保MSWI 過程的長(zhǎng)時(shí)段穩(wěn)定運(yùn)行.除蘊(yùn)含在工況頻繁變化的過程數(shù)據(jù)中的知識(shí)難以提取和量化外,領(lǐng)域?qū)＜覍?duì)燃燒火焰所表征知識(shí)的提取機(jī)制更加難以建模.因此,如何實(shí)現(xiàn)仿優(yōu)秀領(lǐng)域?qū)＜业倪\(yùn)行狀態(tài)智能感知和故障診斷是當(dāng)前待解決的研究難點(diǎn)之一.

5)全流程協(xié)同優(yōu)化運(yùn)行難

通常,僅依賴于經(jīng)驗(yàn)差異化的領(lǐng)域?qū)＜议g的協(xié)調(diào)配合難以實(shí)現(xiàn)復(fù)雜工業(yè)過程全流程的優(yōu)化運(yùn)行[45-46].MSWI 過程的優(yōu)化運(yùn)行目標(biāo)是“減量低排創(chuàng)收”,即提高M(jìn)SW 的減量化比例(減量)、降低污染物的排放濃度(低排)和增加WTE 的經(jīng)濟(jì)效益(創(chuàng)收).由于MSWI 過程包含的多類型焚燒裝備間相互影響,導(dǎo)致所涉及的運(yùn)行指標(biāo)間除相互沖突與約束外,還具有動(dòng)態(tài)時(shí)變和多時(shí)空尺度等特性.此外,MSW 來源的多樣性和成分的復(fù)雜性,MSWI 過程運(yùn)行條件的多變性和工況波動(dòng)的頻繁性等因素也增加了全流程協(xié)同優(yōu)化運(yùn)行的難度.因此,如何結(jié)合MSWI 工業(yè)特性解決全流程協(xié)同優(yōu)化是難點(diǎn)之一.

6)智能優(yōu)化控制算法驗(yàn)證難

通常,面向?qū)嶋H工業(yè)過程所研制的智能優(yōu)化控制技術(shù)在工程應(yīng)用前須進(jìn)行驗(yàn)證測(cè)試,對(duì)實(shí)施預(yù)期效果和風(fēng)險(xiǎn)進(jìn)行評(píng)估[47].MSWI 過程固有的多變量、強(qiáng)耦合、強(qiáng)非線性和不確定性等特點(diǎn)再加之工業(yè)現(xiàn)場(chǎng)對(duì)運(yùn)行安全性、信息保密性和企業(yè)經(jīng)濟(jì)性等需求,導(dǎo)致新研制的智能優(yōu)化控制技術(shù)難以在實(shí)際過程中進(jìn)行調(diào)試和試驗(yàn).這需要:以真實(shí)運(yùn)行過程為模擬對(duì)象,構(gòu)建能夠集多物理量、多時(shí)間尺度、多源多模態(tài)數(shù)據(jù)且能夠相互安全隔離的仿真驗(yàn)證平臺(tái).顯然,這是實(shí)現(xiàn)智能優(yōu)化控制算法仿真與驗(yàn)證,進(jìn)而能夠工程應(yīng)用必須要解決的難點(diǎn)之一.

2 MSWI 過程運(yùn)行控制研究現(xiàn)狀

MSWI 技術(shù)經(jīng)歷了3 個(gè)發(fā)展階段[48]:1)早期萌芽階段,以英、德和法首次采用焚燒爐處理MSW為代表[49-50],該階段技術(shù)不成熟且存在嚴(yán)重的二次污染等問題;2)快速發(fā)展階段,采用自動(dòng)化系統(tǒng)實(shí)現(xiàn)集中式控制,爐排從固定式轉(zhuǎn)變?yōu)橐苿?dòng)式[51],對(duì)余熱進(jìn)行回收再利用的模式在歐美得到極大發(fā)展[52];3)完備成熟階段,更多國(guó)家關(guān)注其在無害化、減量化和資源化等方面的優(yōu)勢(shì)并將其作為主要處理技術(shù)之一[53-55],并形成以爐排爐、流化床和旋轉(zhuǎn)筒式焚燒爐為代表的主流[56];與此同時(shí),開始聚焦能源轉(zhuǎn)換效率和環(huán)保排放等問題,這使得末端煙氣凈化技術(shù)得到快速發(fā)展,但仍存在控制水平低、過度依賴領(lǐng)域?qū)＜医?jīng)驗(yàn)等問題.

本文將MSWI 過程的運(yùn)行控制研究分為如圖3所示的6 個(gè)方面進(jìn)行現(xiàn)狀綜述.

圖3 MSWI 過程運(yùn)行控制現(xiàn)狀Fig.3 Operational control status of MSWI process

2.1 燃燒過程建模與特性分析研究

MSW 燃燒機(jī)理所包含的物理化學(xué)反應(yīng)是過程控制和優(yōu)化研究的先驗(yàn)基礎(chǔ)[57].下文從基于機(jī)理的燃燒過程建模、數(shù)值仿真驅(qū)動(dòng)的燃燒特性分析和數(shù)據(jù)驅(qū)動(dòng)的燃燒過程建模3 個(gè)視角對(duì)現(xiàn)有研究進(jìn)行綜述.

2.1.1 基于機(jī)理的燃燒過程建模研究進(jìn)展

MSW 的非同質(zhì)組分是固相MSW 燃燒機(jī)理分析的主要挑戰(zhàn)[58].Peters[59]將煤和焦炭的傳熱和傳質(zhì)機(jī)理應(yīng)用于MSW 床層燃燒建模,基于有限體積方法實(shí)現(xiàn)了初步模擬.Goh 等[60]在假設(shè)MSW 燃燒由干燥、熱解和氣化3 個(gè)步驟組成的前提下,建立床層燃燒基礎(chǔ)理論模型,為后續(xù)研究提供支撐.同時(shí),馬曉茜等[61]將MSW 假設(shè)為均質(zhì)幾何體顆粒對(duì)燃燒過程進(jìn)行建模,實(shí)驗(yàn)表明MSW 加熱所需時(shí)間隨顆粒尺寸的增大而顯著增加.針對(duì)日處理量800 t/d爐排爐,秦宇飛等[62]基于揮發(fā)分析出和燃燒構(gòu)建數(shù)學(xué)模型,模擬了燃燒過程的不穩(wěn)定性;白焰等[63]建立MSW 干燥過程機(jī)理模型,分析了不同因素對(duì)水分蒸發(fā)過程的影響.針對(duì)日處理量400 t/d 爐排爐,王康等[64]構(gòu)建MSW 水分蒸發(fā)、揮發(fā)分析出和焦炭燃燒等模型,研究了進(jìn)風(fēng)量對(duì)MSW 固相燃燒的影響.

此外,Shin 和Choi[65]假設(shè)MSW 為木質(zhì)顆粒[66],提出包含升溫、水分蒸發(fā)、高溫分解、氣相燃燒、焦炭氧化等過程的固相燃燒一維數(shù)學(xué)模型.在此基礎(chǔ)上,Johansson 等[67]分析一維床層數(shù)學(xué)模型對(duì)熱傳導(dǎo)、反應(yīng)速率和揮發(fā)分組成等參數(shù)的敏感性.Magnanelli 等[68]將床層劃分成為N個(gè)不等高的同質(zhì)模塊構(gòu)建機(jī)理模型,結(jié)果表明該模型對(duì)輸入具有良好的動(dòng)態(tài)響應(yīng).

上述成果為洞悉燃燒過程內(nèi)部復(fù)雜的物理化學(xué)反應(yīng)機(jī)理奠定了良好基礎(chǔ),同時(shí)也為控制與優(yōu)化研究提供了理論和模型支撐,具體而言:機(jī)理模型可用于分析操作(控制)變量(即進(jìn)風(fēng)量和進(jìn)料量)對(duì)燃燒過程的影響,也可在經(jīng)過現(xiàn)場(chǎng)數(shù)據(jù)的校正后作為被控對(duì)象模型以驗(yàn)證控制算法和輔助設(shè)計(jì)先進(jìn)控制器.

2.1.2 數(shù)值仿真驅(qū)動(dòng)的燃燒特性分析研究進(jìn)展

近年來,基于商業(yè)軟件對(duì)MSWI 過程進(jìn)行數(shù)值仿真成為分析燃燒特性的有效手段之一[15,69],在優(yōu)化工藝設(shè)計(jì)中發(fā)揮著重要作用[70-71],現(xiàn)有研究可分為固相、氣相和固-氣相耦合燃燒仿真3 類.

1)固相燃燒仿真

固相燃燒仿真是精確模擬MSW 在爐排上經(jīng)歷水分蒸發(fā)、揮發(fā)分析出、殘?zhí)咳紵冗^程的主要模式[72].Yang 等[73]開發(fā)的FLIC 模型最具有代表性,其通過連續(xù)性、動(dòng)量、能量和組分方程模擬MSW燃燒過程,分析固體和氣體的速度、壓力、溫度和種類分布;進(jìn)一步,利用該模型研究一次風(fēng)量、進(jìn)料速度、爐排速度、二次風(fēng)量和原料特性(如濕度、粒度、密度)對(duì)燃燒的影響[74].此外,Simsek 等[75]采用離散元方法(Discrete element method,DEM)仿真固相燃燒.

2)氣相燃燒仿真

氣相燃燒仿真以商業(yè)軟件FLUENT 為主,其能夠?qū)t內(nèi)高溫?zé)煔饬鲃?dòng)和傳熱傳導(dǎo)現(xiàn)象進(jìn)行有效仿真[15].與氣相燃燒相關(guān)的特性分析包括:文獻(xiàn)[76-78]采用FLUENT 獲取爐內(nèi)溫度場(chǎng)、煙氣停留時(shí)間與煙氣組分等數(shù)據(jù),分析選擇性非催化還原(Selective non-catalytic reduction,SNCR)脫硝過程與NOx排放間的關(guān)系,進(jìn)而為SNCR 系統(tǒng)的設(shè)計(jì)與改造提供理論依據(jù);王克[79]利用FLUENT 仿真常規(guī)空氣焚燒、富氧焚燒無煙氣再循環(huán)、富氧焚燒有煙氣再循環(huán)共3 種工況下的燃燒過程,分析不同類型注氧裝置作用下的速度場(chǎng)、溫度場(chǎng)和濃度場(chǎng)等,為工藝參數(shù)優(yōu)化提供支撐.

3)固-氣相耦合燃燒仿真

上述兩類單相仿真方法的局限性體現(xiàn)在:固相仿真難以提供燃料床表面的氣體濃度、溫度以及非零梯度邊界條件等信息[80];氣相仿真模擬的必要條件是在現(xiàn)場(chǎng)通過實(shí)驗(yàn)測(cè)量獲得仿真模型的輸入數(shù)據(jù),同時(shí)無法對(duì)固相燃燒參數(shù)進(jìn)行敏感性分析,其結(jié)果精度取決于以實(shí)驗(yàn)方式測(cè)量的輸入數(shù)據(jù).針對(duì)上述問題,采用固-氣相燃燒耦合仿真的方式能夠有效予以解決[70],即爐排固相燃燒和燃燒室氣相燃燒的交互式耦合策略[80].基于FLIC 與FLUENT 相結(jié)合的耦合框架,Yang 等[81]分析水分含量和預(yù)熱空氣溫度對(duì)燃燒的影響,結(jié)果表明,當(dāng)水分含量大于35%時(shí)易出現(xiàn)低燃燒效率的運(yùn)行工況;林海等[82]分析一次風(fēng)量分配和初始料層厚度對(duì)MSW 減重率和爐膛出口CO 濃度的影響;Costa 等[83]研究操作量與爐膛溫度、煙氣停留時(shí)間的關(guān)系,實(shí)驗(yàn)獲得進(jìn)行NOx和DXN 排放控制的優(yōu)化工藝參數(shù).

上述成果為燃燒機(jī)理的可視化和量化提供支撐,也為控制與優(yōu)化研究提供了機(jī)理知識(shí)的支撐,具體而言:可用于輔助獲取MSWI 運(yùn)行過程的先驗(yàn)知識(shí)和控制器運(yùn)行的邊界條件,可基于實(shí)際運(yùn)行數(shù)據(jù)對(duì)工藝設(shè)計(jì)視角的數(shù)值仿真模型進(jìn)行誤差修正,可為進(jìn)行智能控制算法的研究提供非常態(tài)工況下的運(yùn)行數(shù)據(jù)進(jìn)而輔助提升控制器的自適應(yīng)性,基于數(shù)值仿真數(shù)據(jù)提供機(jī)理數(shù)據(jù)以促進(jìn)被控對(duì)象模型逼近實(shí)際MSWI 過程特性,進(jìn)而輔助完成智能控制.

2.1.3 數(shù)據(jù)驅(qū)動(dòng)的燃燒過程建模研究進(jìn)展

通常,面向具有機(jī)理難以精確描述、干擾不確定性大和工況波動(dòng)頻繁等特性的復(fù)雜工業(yè)過程,利用蘊(yùn)含領(lǐng)域?qū)＜医?jīng)驗(yàn)的數(shù)據(jù)構(gòu)建精準(zhǔn)被控對(duì)象模型是研究其智能控制的基礎(chǔ)[84-87].筆者將燃燒過程建模分為關(guān)鍵被控變量和擾動(dòng)(輔助)變量?jī)刹糠?

1)關(guān)鍵被控變量建模

燃燒過程的關(guān)鍵被控變量是爐膛溫度、煙氣含氧量、蒸汽流量和燃燒線位置等.

a)多入單出(MISO)被控變量模型

爐膛溫度通常采用熱電偶檢測(cè),是表征燃燒穩(wěn)定與否的重要參數(shù),也與污染物排放直接相關(guān)[88-89].建立面向控制的爐膛溫度模型是實(shí)現(xiàn)其穩(wěn)定控制和算法驗(yàn)證的重要前提[90-91];已有數(shù)據(jù)驅(qū)動(dòng)模型包括多模型智能組合[92]、TS 模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy neural networks,FNN)[93-94]和最小二乘-支持向量回歸(Least squares-support vactor regression,LSSVR)[95]等,但這些研究多針對(duì)較窄范圍的單工況進(jìn)行建模,其適應(yīng)性有待提高.

煙氣氧含量是過氧空氣系數(shù)的表征量,能夠在一定程度上表征燃燒狀態(tài)[96],其測(cè)量點(diǎn)通常安裝在余熱鍋爐出口(煙氣G1)和煙囪出口(煙氣G3)處,現(xiàn)有研究多聚焦于前者.目前,工業(yè)現(xiàn)場(chǎng)主要采用氧化鋯分析儀進(jìn)行檢測(cè),軟儀表檢測(cè)僅有Sun 等[97]提出的基于權(quán)重主元分析(Principal component analysis,PCA)和改進(jìn)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long short term memory,LSTM)的模型,但建模精度還有待進(jìn)一步提高.因此,面向控制研究的煙氣含氧量模型還鮮有報(bào)道.

蒸汽流量作為燃燒過程調(diào)控的重點(diǎn)對(duì)象,是決定余熱回收效率和汽輪機(jī)發(fā)電量的關(guān)鍵變量[98],其通常采用流量計(jì)檢測(cè),與軟儀表檢測(cè)模型相關(guān)的研究包括:Giantomassi 等[90]采用基于自適應(yīng)卡爾曼濾波參數(shù)更新的徑向基神經(jīng)網(wǎng)絡(luò)(Radial basis function,RBF),孫劍等[99]采用基于平均影響值算法進(jìn)行特征選擇的RBF,楊培培等[100]采用LSTM 等.

由上可知,上述研究均采用數(shù)據(jù)驅(qū)動(dòng)方式構(gòu)建MISO 軟儀表/預(yù)測(cè)模型,并不是面向控制的被控對(duì)象建模.

b)多入多出(MIMO)被控變量模型

燃燒過程是典型的MIMO 系統(tǒng),并且操作變量與被控變量間耦合嚴(yán)重.針對(duì)上述問題,Leskens等[101]構(gòu)建面向煙氣含氧量和蒸汽流量的有源自回歸(Auto regressive with extra inputs,ARX)模型;進(jìn)一步,針對(duì)爐膛溫度、煙氣含氧量和蒸汽流量,Chen等[102]構(gòu)建基于權(quán)重自適應(yīng)粒子群優(yōu)化(Particle swarm optimization,PSO)的級(jí)聯(lián)傳函模型,Wang等[103]構(gòu)建隨機(jī)森林(Random forest,RF)和梯度提升決策樹(Gradient boosting decision tree,GBDT)混合集成模型,丁海旭等[44]構(gòu)建T-S FNN 模型等.上述成果雖為控制算法的研究提供了支撐,但模型精度有待提升,在多工況下的適應(yīng)性問題仍未解決.

針對(duì)燃燒線,Miyamoto 等[104]給出基于過程數(shù)據(jù)和火焰圖像的量化方法,但構(gòu)建操作變量與燃燒線間映射模型的研究還未見報(bào)道.因此,考慮燃燒過程的非線性和強(qiáng)耦合性,借鑒其他工業(yè)過程研究成果[105-106],構(gòu)建具有復(fù)雜工況適應(yīng)性的面向控制的MIMO 被控變量模型的研究仍有待深入.

2)輔助變量建模

除上述關(guān)鍵被控變量外,燃燒過程的穩(wěn)定還依賴于眾多輔助變量(擾動(dòng)量或中間變量).此處僅關(guān)注MSW 熱值、料層厚度和燃燒線狀態(tài)檢測(cè)模型,其他與故障識(shí)別相關(guān)的研究見第2.4 節(jié).

a)MSW 熱值

MSW 熱值是關(guān)系燃燒過程穩(wěn)定與否的重要因素,直接影響操作策略選擇、是否添加輔助燃料及添加時(shí)的使用量和焚燒企業(yè)的設(shè)備運(yùn)維、經(jīng)營(yíng)管理及經(jīng)濟(jì)效益等方面[107-108].針對(duì)MSW 熱值難以直接檢測(cè)只能離線化驗(yàn)的問題,陳亮等[109]和曾衛(wèi)東等[110]基于熱平衡機(jī)理進(jìn)行實(shí)時(shí)估算;Van Kessel 等[111]最早基于易采集過程數(shù)據(jù)構(gòu)建熱值軟儀表檢測(cè)模型,之后相繼出現(xiàn)了基于反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)[112-116]、L-M BPNN[117]、RBF[112]、自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive network basedfuzzy inference system,ANFIS)[112]和FNN[118]等模型;非神經(jīng)網(wǎng)絡(luò)模式的軟儀表模型包括支持向量機(jī)(Support vector machines,SVM)[119]、LS-SVM[120]和RF[119]等.同時(shí),You 等[119]對(duì)基于人工神經(jīng)網(wǎng)絡(luò)(Artificial neuralnetwork,ANN)、ANFIS、SVM 和RF 的軟儀表模型的對(duì)比測(cè)試表明,ANFIS 性能最佳,RF 次之,最差為ANN;最近,文獻(xiàn)[121]提出基于深度學(xué)習(xí)與圖像識(shí)別的熱值實(shí)時(shí)檢測(cè)模型的設(shè)想.但是,用于構(gòu)建熱值軟測(cè)量模型的真值樣本存在獲取成本高、樣本稀疏、覆蓋工況范圍有限等問題,需結(jié)合建模數(shù)據(jù)特點(diǎn)提升泛化性能.

b)料層厚度

料層厚度隨燃燒過程的進(jìn)行而動(dòng)態(tài)變化,與MSW 熱值和蒸汽流量緊密相關(guān),也可作為被控變量;多采用核儀表進(jìn)行直接檢測(cè),但存在價(jià)格昂貴、維護(hù)困難和實(shí)用性差等問題.因料層厚度真值難以獲取,目前的軟儀表模型多從物理屬性視角出發(fā),利用風(fēng)壓、風(fēng)量、負(fù)壓和爐排面積等數(shù)據(jù)進(jìn)行間接動(dòng)態(tài)計(jì)算[110,122-123].因此,如何實(shí)現(xiàn)更為精準(zhǔn)和經(jīng)濟(jì)的料層厚度實(shí)時(shí)在線檢測(cè)還有待進(jìn)一步研究.

c)燃燒狀態(tài)

燃燒狀態(tài)包括燃燒線位置與火焰面積、高度、亮度等關(guān)鍵特征信息[124],與MSW 的偏燒、局部燒穿以及爐膛內(nèi)的結(jié)焦、積灰、腐蝕等問題直接相關(guān)[104,125].目前,現(xiàn)場(chǎng)采用基于人工觀火孔直接識(shí)別和基于工業(yè)攝像機(jī)采集視頻憑經(jīng)驗(yàn)或采用圖像處理間接識(shí)別2 種方式.Duan 等[126]構(gòu)建基于多尺度顏色矩特征和RF 的燃燒狀態(tài)識(shí)別模型,郭海濤等[127]提出基于生成對(duì)抗網(wǎng)絡(luò)混合增強(qiáng)的燃燒狀態(tài)識(shí)別策略,但上述方法僅關(guān)注基于燃燒線位置的火焰燃燒狀態(tài)識(shí)別,并不能完全表征燃燒狀態(tài).Han 等[128]提出基于半監(jiān)督策略能夠識(shí)別未知火焰燃燒狀態(tài)的模型.同時(shí),針對(duì)燃燒火焰圖像與火焰溫度之間的關(guān)系,孫成永等[129]提出采用聲波發(fā)射溫度檢測(cè)方法重建火焰各區(qū)域溫度場(chǎng)的策略,實(shí)現(xiàn)了溫度監(jiān)測(cè)的可視化和數(shù)字化;Zheng 等[130]結(jié)合牛頓迭代法和Hottel發(fā)射率模型,建立多光譜火焰圖像與溫度間的關(guān)系模型.此外,Yan 等[131]和He 等[132]采用光譜儀檢測(cè)火焰構(gòu)建其特征與焚燒過程所排放堿性金屬濃度(鈉、鉀、銣)之間的映射模型;Zhou 等[133]基于蒙特卡羅和多成像角度進(jìn)行火焰溫度的三維可視化建模.上述研究多采用增加物理設(shè)備開展研究,同時(shí)未考慮依據(jù)工業(yè)流程特性的多模態(tài)數(shù)據(jù)進(jìn)行燃燒狀態(tài)識(shí)別.由上可知,如何基于多模態(tài)圖像檢測(cè)燃燒狀態(tài),并與過程數(shù)據(jù)進(jìn)行融合驗(yàn)證的研究還有待深入.

2.2 燃燒過程控制研究

研究表明,實(shí)現(xiàn)MSWI 全流程穩(wěn)定運(yùn)行的關(guān)鍵是焚燒爐[134].如何對(duì)工藝參數(shù)眾多、存在強(qiáng)耦合性和強(qiáng)非線性的燃燒過程進(jìn)行有效控制一直是工業(yè)界和學(xué)術(shù)界的核心研究問題之一.下文分別從工業(yè)現(xiàn)場(chǎng)和非現(xiàn)場(chǎng)控制的視角開展綜述,目的是使得工業(yè)應(yīng)用和學(xué)術(shù)研究的界限更為清晰,以填補(bǔ)兩者之間的鴻溝[135],進(jìn)而推進(jìn)后者轉(zhuǎn)向前者.

2.2.1 工業(yè)現(xiàn)場(chǎng)控制研究進(jìn)展

國(guó)外廣泛應(yīng)用的ACC 系統(tǒng)于1978 年由日本Takuma 公司研發(fā)并實(shí)際應(yīng)用[136],之后德、美等國(guó)家開始引進(jìn)并研發(fā)適用于本土的改進(jìn)版,至1985年其框架已逐漸完善.ACC 系統(tǒng)的核心是控制穩(wěn)定的爐膛溫度和蒸汽流量,其策略如圖4 所示.

圖4 典型ACC 控制策略Fig.4 Typical ACC control strategy

由圖4 可知,被控變量包括爐膛溫度、蒸汽流量、煙氣含氧量、料層厚度和燃燒線位置,操作(控制)變量包括一次風(fēng)量、二次風(fēng)量和各爐排速度,其核心理念是依據(jù)經(jīng)驗(yàn)設(shè)定的MSW 消耗量、熱值和過量空氣系數(shù),根據(jù)被控變量的變化實(shí)時(shí)計(jì)算操作變量的輸出值[137-139],進(jìn)而實(shí)現(xiàn)以下目標(biāo):1)爐膛溫度大于850 ℃,高溫?zé)煔庠诖藴囟认峦Ａ舨簧儆趦擅?2)爐渣熱灼減率小于5%;3)產(chǎn)生穩(wěn)定的蒸汽流量;4)余熱鍋爐出口的煙氣含氧量維持在合理范圍內(nèi).

通常,在MSW 熱值穩(wěn)定和工況正常的情況下,上述ACC 系統(tǒng)能夠控制燃燒過程的自動(dòng)運(yùn)行[140].但是,在異常工況下,如因MSW 未能充分混合發(fā)酵而導(dǎo)致成分與熱值波動(dòng)、蒸汽流量小于額定值且爐溫下降、蒸汽流量大于額定值且爐溫升高以及在焚燒設(shè)備檢修期間,均需要強(qiáng)人工干預(yù)才能實(shí)現(xiàn)燃燒過程的穩(wěn)定.因此,工業(yè)界進(jìn)行了針對(duì)性的改進(jìn)研究.

1)國(guó)外ACC 系統(tǒng)研究

Onishi[141]在ACC 系統(tǒng)上增加控制風(fēng)量和風(fēng)溫的模糊控制器,表明其魯棒性和控制效果更優(yōu);Schuler 等[142]采用紅外熱像儀替代熱電偶檢測(cè)爐膛溫度及其波動(dòng)信息,有效改善ACC 系統(tǒng)微調(diào)過程的快速響應(yīng)性;Miyamoto 等[104,143]將利用神經(jīng)網(wǎng)絡(luò)建立的燃燒狀態(tài)識(shí)別模型作為系統(tǒng)的反饋信息,有效降低了CO 的排放濃度;隨后,Zipser 等[144]基于紅外圖像分析在線檢測(cè)MSW、煙氣和火焰的溫度信息,輔助燃燒控制;曾衛(wèi)東等[145]針對(duì)爐排翻動(dòng)造成的爐膛負(fù)壓波動(dòng)問題,采用基于濾波算法的控制方案保證其與爐膛溫度的穩(wěn)定.

2)國(guó)內(nèi)ACC 系統(tǒng)研究

許潤(rùn)等[146]針對(duì)爐排爐設(shè)計(jì)蒸汽流量閉環(huán)控制策略以適應(yīng)MSW 熱值變化,在保證充分燃燒的基礎(chǔ)上,進(jìn)一步實(shí)現(xiàn)連續(xù)長(zhǎng)期穩(wěn)定運(yùn)行;王海強(qiáng)[147]在ACC 系統(tǒng)的基礎(chǔ)上,采用煙氣排放指標(biāo)的控制時(shí)段前移,將脫硝、石灰漿、排放因子等加入ACC 系統(tǒng)控制邏輯的策略,初步實(shí)現(xiàn)MSWI 過程的ACC系統(tǒng)的本土化改進(jìn).

3)非ACC 系統(tǒng)研究

此外,面向爐膛溫度控制,Ono 等[148]提出將模糊控制規(guī)則應(yīng)用于日本某MSWI 電廠,沈凱等[149]將領(lǐng)域工程師經(jīng)驗(yàn)歸納總結(jié)為模糊控制規(guī)則應(yīng)用于深圳某MSWI 電廠,Carrasco 等[150]面向西班牙某MSWI 電廠開發(fā)基于專家規(guī)則的燃燒控制系統(tǒng).然而,基于規(guī)則的控制系統(tǒng)在工況波動(dòng)頻繁的過程中難以穩(wěn)定運(yùn)行.

盡管引進(jìn)ACC 系統(tǒng)已在國(guó)內(nèi)歷經(jīng)多年的工業(yè)應(yīng)用,但目前實(shí)際MSWI 電廠的控制仍基本停留在基礎(chǔ)控制水平,尤其在引進(jìn)系統(tǒng)的部分檢測(cè)儀表和設(shè)備損壞的情況下,更多的是以依賴領(lǐng)域?qū)＜覒{經(jīng)驗(yàn)的手動(dòng)控制模式運(yùn)行,這顯然不能實(shí)現(xiàn)長(zhǎng)期的穩(wěn)定優(yōu)化運(yùn)行狀態(tài).因此,在缺少相關(guān)積累和國(guó)外公司封鎖相關(guān)技術(shù)的背景下以及已經(jīng)具有多年實(shí)際摸索經(jīng)驗(yàn)的基礎(chǔ)上,需要研究擁有我國(guó)本土化特色的工業(yè)現(xiàn)場(chǎng)智能控制模式.

2.2.2 非現(xiàn)場(chǎng)控制研究進(jìn)展

在20 世紀(jì)末后,發(fā)達(dá)國(guó)家開始采用環(huán)保政策限制MSWI 電廠的污染排放[136],隨之其控制目標(biāo)變更為:1)爐膛溫度大于850 ℃且穩(wěn)定;2)爐膛保持均勻穩(wěn)定的熱能輸出;3)余熱鍋爐出口煙氣含氧量穩(wěn)定.顯然,當(dāng)且僅當(dāng)運(yùn)行在爐膛溫度、蒸汽流量和煙氣含氧量的穩(wěn)態(tài)點(diǎn)時(shí)才能實(shí)現(xiàn)上述控制目標(biāo).為滿足實(shí)際需求,學(xué)術(shù)界針對(duì)關(guān)鍵被控變量從SISO和MIMO 視角展開了大量研究.

1)SISO 控制

a)爐膛溫度控制

針對(duì)爐膛溫度的穩(wěn)定控制問題,國(guó)外相關(guān)研究報(bào)道較少,僅有Krause 等[151]在分析模糊規(guī)則控制器在德國(guó)某MSWI 電廠應(yīng)用中存在的局限性后,提出神經(jīng)網(wǎng)絡(luò)模糊控制器,但未仿真測(cè)試其效果.由于國(guó)內(nèi)引進(jìn)系統(tǒng)普遍出現(xiàn)“水土不服”的現(xiàn)象,研究學(xué)者對(duì)此開展了大量研究.在模糊控制方面,錢大群等[140]采用BPNN 構(gòu)建MSW 含水量估計(jì)模型,并對(duì)基于模糊規(guī)則的推料器控制進(jìn)行補(bǔ)償;隨后,沈凱等[152-153]提出具有自調(diào)整因子的模糊規(guī)則控制,仿真表明其能穩(wěn)定控制爐膛溫度;在文獻(xiàn)[149]的基礎(chǔ)上,昌鵬等[154]設(shè)計(jì)具有加權(quán)自適應(yīng)因子的模糊規(guī)則控制器,結(jié)果表明其具有良好的控制效果;考慮工程應(yīng)用中的實(shí)時(shí)性需求和計(jì)算內(nèi)存消耗等實(shí)際問題,王毅等[155]提出具有優(yōu)化量化因子和自整定比例因子的分層模糊規(guī)則控制策略,特點(diǎn)是可根據(jù)工況選擇修正因子;在文獻(xiàn)[151]的基礎(chǔ)上,胡興武等[156]提出T-S 模糊神經(jīng)網(wǎng)絡(luò)控制器,表明其響應(yīng)速度更快、控制精度更高;在傳統(tǒng)比例積分微分(Proportional integral differential,PID)控制的基礎(chǔ)上,代啟化等[157]提出模糊自適應(yīng)PID 控制以增強(qiáng)系統(tǒng)的抗干擾能力、靈活性和適應(yīng)性,何海軍等[158]提出基于RBF 的PID 參數(shù)動(dòng)態(tài)調(diào)整策略以抑制擾動(dòng);此外,Ni 等[159]、肖前軍等[160]和Wu 等[161]提出仿人智能控制(Human simulated intelligent controller,HSIC)策略,即在控制與結(jié)構(gòu)方面模擬領(lǐng)域?qū)＜业恼J(rèn)知機(jī)制與操作行為,在此基礎(chǔ)上,巫茜[162]提出了基于PSO 算法改進(jìn)的HSIC 溫度控制算法.上述面向爐膛溫度的SISO 控制研究,均取得了令人滿意的結(jié)果,但其控制器的控制量單一,導(dǎo)致其難以切合實(shí)際和實(shí)現(xiàn)工程上的應(yīng)用.

b)煙氣含氧量控制

針對(duì)煙氣含氧量的穩(wěn)定控制問題,目前僅有孫劍等[163]提出的基于模糊C 均值的RBF 神經(jīng)網(wǎng)絡(luò)自適應(yīng)模型預(yù)測(cè)控制,在分析控制系統(tǒng)的穩(wěn)定性后仿真驗(yàn)證了有效性.

c)蒸汽流量控制

針對(duì)蒸汽流量的穩(wěn)定控制問題,國(guó)內(nèi)僅見Chen等[164]和Yang 等[165]以爐排速度為操作量采用模糊規(guī)則控制器的仿真研究,表明能顯著降低因異常工況而導(dǎo)致的蒸汽流量波動(dòng)問題.隨后,國(guó)外Watanabe 等[166]采用固定時(shí)間周期(包含前饋、暫停、反饋和等待4 個(gè)階段)窗口的反饋控制策略實(shí)現(xiàn)穩(wěn)定控制;進(jìn)一步,Annunziato 等[167]提出綜合模糊邏輯、神經(jīng)網(wǎng)絡(luò)和進(jìn)化計(jì)算的控制策略,驗(yàn)證表明其不但有效而且有助于降低污染物排放;此外,Falconi 等[168]提出基于線性二次型調(diào)節(jié)器的穩(wěn)定閉環(huán)控制系統(tǒng),并通過仿真實(shí)驗(yàn)驗(yàn)證了有效性.

2)MIMO 控制

a)雙入雙出控制

針對(duì)蒸汽流量和煙氣含氧量的同時(shí)控制問題,Leskens 等[169]提出線性模型預(yù)測(cè)控制(Linear model predictive control,LMPC)策略,表明操作變量與被控變量的誤差均優(yōu)于傳統(tǒng)燃燒控制系統(tǒng);針對(duì)強(qiáng)非線性特性導(dǎo)致LMPC 策略難以獲得最優(yōu)控制效果的問題,Leskens 等[170-171]提出非線性模型預(yù)測(cè)控制(Nonlinear model predictive control,NMPC)策略,通過滾動(dòng)時(shí)域估計(jì)最優(yōu)布風(fēng)量與布料量;此外,Leskens 等[172]提出將2 個(gè)控制回路的部分進(jìn)行耦合控制的PID 控制策略,結(jié)果表明能有效改善設(shè)定點(diǎn)跟蹤特性,顯著改善企業(yè)經(jīng)濟(jì)效益.

針對(duì)爐膛溫度與煙氣含氧量的同時(shí)控制問題,丁海旭等[173]提出基于多任務(wù)學(xué)習(xí)的自組織模糊神經(jīng)網(wǎng)絡(luò)控制器,但適用工況較為單一;針對(duì)爐膛溫度、蒸汽流量和過熱器溫度的同時(shí)控制問題,Chang等[174]提出采用遺傳算法確定全局最優(yōu)模糊規(guī)則的遺傳模糊控制邏輯器;在此基礎(chǔ)上,Chen 等[175]利用神經(jīng)網(wǎng)絡(luò)調(diào)整模糊控制規(guī)則及相關(guān)參數(shù)以獲得更優(yōu)的模糊規(guī)則庫(kù),結(jié)果表明均能實(shí)現(xiàn)穩(wěn)定控制.

在蒸汽流量、煙氣含氧量以及過熱器溫度的控制問題上,國(guó)內(nèi)暫無相關(guān)研究報(bào)道.國(guó)內(nèi)研究主要偏向于爐膛溫度和蒸汽流量的穩(wěn)定控制問題,肖會(huì)芹[176]提出將蒸汽流量粗調(diào)和爐溫偏差細(xì)調(diào)相結(jié)合的自適應(yīng)模糊控制,即分別采用模糊PID 和基于PSO優(yōu)化的模糊規(guī)則控制器;在此基礎(chǔ)上,湛騰西[177]采用神經(jīng)網(wǎng)絡(luò)PID 控制器取代模糊規(guī)則控制器改進(jìn)溫度回路,實(shí)驗(yàn)結(jié)果表明上述方法均能實(shí)現(xiàn)穩(wěn)定控制.

b)三入三出控制

針對(duì)爐膛溫度、蒸汽流量和煙氣含氧量3 個(gè)主要被控變量,Ding 等[178]提出基于準(zhǔn)對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的多回路PID 控制策略,能夠根據(jù)誤差信號(hào)進(jìn)行控制器參數(shù)的自適應(yīng)調(diào)整,仿真驗(yàn)證了有效性.但上述研究適用工況較為單一,普適性有待增強(qiáng).

由上述研究可知,工業(yè)界和學(xué)術(shù)界的研究著重點(diǎn)存在差異性.國(guó)際自動(dòng)控制聯(lián)合會(huì)(International Federation of Automatic Control,IFAC)的綜述表明,解決上述問題需要以團(tuán)隊(duì)為單位,在熟悉工業(yè)現(xiàn)場(chǎng)和掌握控制理論與算法的基礎(chǔ)上進(jìn)行研究[135].顯然,如何進(jìn)行更加深入的學(xué)術(shù)研究增加其普適性和應(yīng)用性以趨向于工業(yè)界,還是有待解決的難點(diǎn)問題.

2.3 運(yùn)行指標(biāo)建模與預(yù)測(cè)研究

智能優(yōu)化控制的目標(biāo)是在保證MSWI 過程安全穩(wěn)定運(yùn)行的條件下,在運(yùn)行指標(biāo)控制在工藝要求的目標(biāo)值范圍內(nèi)的前提下,確保環(huán)保指標(biāo)(降低固、液、氣態(tài)污染物和溫室氣體排放濃度)達(dá)標(biāo)、提高產(chǎn)品指標(biāo)(降低爐渣熱灼減率和飛灰產(chǎn)量,提高燃燒效率和有機(jī)物脫除率)和經(jīng)濟(jì)指標(biāo)(降低MSW 處理費(fèi)用、提高上網(wǎng)發(fā)電量).顯然,實(shí)現(xiàn)上述目標(biāo)的關(guān)鍵之一是實(shí)現(xiàn)運(yùn)行指標(biāo)參數(shù)的實(shí)時(shí)檢測(cè)與預(yù)測(cè).

2.3.1 環(huán)保指標(biāo)

顆粒物與NOx、SO2、HCl、HF 等酸性氣體和CO2的排放濃度可通過CEMS 系統(tǒng)實(shí)現(xiàn)在線檢測(cè),重金屬和DXN、VOCs 等有機(jī)污染物的排放濃度主要依靠在實(shí)驗(yàn)室內(nèi)以離線化驗(yàn)的方式實(shí)現(xiàn)[33].

1)NOx 排放

針對(duì)可在線檢測(cè)的環(huán)保指標(biāo),考慮到CEMS 系統(tǒng)的可靠性和實(shí)現(xiàn)智能優(yōu)化控制的需求,有必要構(gòu)建其預(yù)測(cè)模型.Matsumura 等[179-180]首次提出采用系統(tǒng)辨識(shí)構(gòu)建NOx排放軟儀表模型,并將其輸出作為控制NH3注入量的反饋信號(hào).此外,Huselstein 等[181]采用連續(xù)時(shí)間系統(tǒng)辨識(shí)[182]構(gòu)建以煙氣含氧量和二次風(fēng)量為輸入的NOx排放多傳函模型,并分析風(fēng)量、進(jìn)料量等操作變量對(duì)NOx排放的影響.隨后,眾多研究學(xué)者采用機(jī)器學(xué)習(xí)算法構(gòu)建NOx排放預(yù)測(cè)模型,例如,張東平等[183]采用BPNN,段滈杉等[184]采用并行模塊化RBF,Meng 等[185]采用串行模塊化RBF 和Duan 等[186]采用模塊化LSTM等,上述模型的實(shí)際工程應(yīng)用驗(yàn)證還有待進(jìn)行.

2)其他常規(guī)污染物排放

針對(duì)SO2,Li 等[187]基于LSTM 構(gòu)建預(yù)測(cè)模型.上述基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型均能在特定場(chǎng)景下實(shí)現(xiàn)環(huán)保指標(biāo)的有效預(yù)測(cè).面向顆粒物、HCl 和HF等酸性氣體的預(yù)測(cè)模型目前還未見報(bào)道[188],現(xiàn)有研究多采用流體動(dòng)力學(xué)等軟件進(jìn)行數(shù)值仿真[189-190],目的是為優(yōu)化工藝設(shè)計(jì)和進(jìn)行機(jī)理分析提供支撐.特別地,面向MSWI 過程碳排放的研究還未見文獻(xiàn)報(bào)道.

3)DXN 排放

針對(duì)不可在線檢測(cè)的環(huán)保指標(biāo),本文僅針對(duì)引起焚燒建廠“鄰避效應(yīng)”的DXN[191-192]進(jìn)行綜述.從產(chǎn)生機(jī)理上,DXN 的生成、分解、再合成和吸附等反應(yīng)分布于MSWI 全流程,相應(yīng)地物理化學(xué)反應(yīng)均在短時(shí)間內(nèi)發(fā)生,存在至今仍未能夠合理闡釋的“記憶效應(yīng)”[193].從現(xiàn)場(chǎng)采樣和實(shí)驗(yàn)室檢樣所耗費(fèi)的時(shí)間、人力和經(jīng)濟(jì)成本上,獲取完備建模樣本存在極大困難.

從智能優(yōu)化控制需求的視角,根據(jù)研究工作的時(shí)間線本文將DXN 在線建模與預(yù)測(cè)(有關(guān)離線檢測(cè)和在線間接檢測(cè)的研究詳見文獻(xiàn)[2])分為基于線性回歸分析(主要集中在國(guó)外)、基于經(jīng)典機(jī)器學(xué)習(xí)(國(guó)內(nèi)外均有涉及)和基于深度學(xué)習(xí)(主要集中在國(guó)內(nèi))3 類.1)基于線性回歸分析,Hasberg 等[194]建立煙氣溫度和CO 濃度與DXN 濃度間的映射關(guān)系;Chang 等[195]建立多元線性回歸分析模型,表明在煙氣含氧量為7%時(shí)DXN 濃度與燃燒室溫度和CO濃度間呈現(xiàn)線性映射關(guān)系,在此基礎(chǔ)上,建立DXN濃度與煙氣流量、爐膛溫度、操作變量之間的線性映射模型;此外,Ishikawa 等[196]通過回歸分析實(shí)際測(cè)試數(shù)據(jù)建立煙氣含氧量、一次風(fēng)量占比以及總風(fēng)量與DXN 濃度間的線性模型.上述線性模型難以表征輸入輸出之間的非線性關(guān)系.2)基于經(jīng)典機(jī)器學(xué)習(xí),采用神經(jīng)網(wǎng)絡(luò)算法的研究包括采用遺傳規(guī)劃進(jìn)行參數(shù)辨識(shí)的BPNN[197]、基于遺傳算法優(yōu)化參數(shù)的BPNN[198]、相關(guān)性分析和PCA 選擇特征的BPNN[99]、進(jìn)化算法優(yōu)化的隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)(Random weight neural network,RWNN)[199]、虛擬樣本生成與優(yōu)化選擇的RWNN[200-201]等模型,采用SVR 算法的研究包括基于機(jī)理選擇特征SVR[202]、超參數(shù)自適應(yīng)選擇性集成SVR[203]、基于PCA 分區(qū)域提取和選擇潛在特征的選擇性集成SVR[204]等模型,采用偏最小二乘(Partial least squares,PLS)算法的研究包括基于多層特征選擇的PLS[205]和基于選擇性集成的核PLS [206]等模型,以決策樹算法為基學(xué)習(xí)器的研究包括基于RF 和GBDT 的混合集成[207]和基于樣本遷移學(xué)習(xí)的RF[208]等模型.上述經(jīng)典機(jī)器學(xué)習(xí)模型針對(duì)特征的學(xué)習(xí)能力還有待進(jìn)一步加強(qiáng).3)基于深度學(xué)習(xí),包括可微分和不可微分深度學(xué)習(xí)2 種[209],其中:可微分深度學(xué)習(xí)指深度神經(jīng)網(wǎng)絡(luò)類方法,如基于改進(jìn)深度信念網(wǎng)絡(luò)模型[210];不可微分深度學(xué)習(xí)指以決策樹為基學(xué)習(xí)器的深度集成類方法[209,211],包括深度森林回歸(Deep forest regression,DFR)[212]、級(jí)聯(lián)全聯(lián)接DFR[213]、基于PCA 特征提取的DFR[214]、改進(jìn)DFR[5]、半監(jiān)督DFR[215]等模型.上述深度學(xué)習(xí)模型的訓(xùn)練成本以及可解釋性都是未解決的難題.目前國(guó)內(nèi)研究主要針對(duì)G3 煙氣位置的DXN 濃度構(gòu)建模型,存在以下共性問題:1)建模樣本稀少,模型性能提升受限;2)結(jié)合MSWI 過程工藝與DXN 機(jī)理特性的研究缺失;3)現(xiàn)有模型難以全面從生成機(jī)理上支撐DXN 減排控制.

綜上,面向MSWI 過程環(huán)保指標(biāo)建模與預(yù)測(cè)工藝控制的研究需要依據(jù)不同指標(biāo)的特性進(jìn)行深入探索.

2.3.2 產(chǎn)品指標(biāo)

MSWI 過程的產(chǎn)品指標(biāo)與選礦、石化等流程工業(yè)存在顯著區(qū)別,即前者不具有商品屬性[216].本文從控制科學(xué)的研究視角,將MSWI 過程的產(chǎn)品指標(biāo)確定為飛灰產(chǎn)量、爐渣熱灼減率和燃燒效率.

1)飛灰產(chǎn)量

MSWI 過程產(chǎn)生的飛灰來源于MSW 燃燒、除酸性氣體產(chǎn)生的顆粒物和吸附DXN 和重金屬后的活性炭[217-218]等,對(duì)人類和生態(tài)環(huán)境的可持續(xù)發(fā)展存在巨大的潛在危害性[219].鑒于目前空氣污染控制設(shè)備(Air pollution control devices,APCDs)技術(shù)的局限性和環(huán)保排放政策的日趨縮緊性,加之飛灰產(chǎn)量難以有效控制,使得工業(yè)界和學(xué)術(shù)界的研究焦點(diǎn)主要集中在飛灰無害化處理[220-221]和資源化利用[222-223]等方面[224].因此,面向飛灰產(chǎn)量的建模、預(yù)測(cè)和智能優(yōu)化控制方面的研究仍是待解決的挑戰(zhàn)性問題.

2)爐渣熱灼減率

爐渣熱灼減率指爐渣經(jīng)灼燒后減少的質(zhì)量占原爐渣質(zhì)量的百分?jǐn)?shù),是評(píng)價(jià)焚燒效果和MSW 減容率的重要指標(biāo)[225],國(guó)家相關(guān)標(biāo)準(zhǔn)規(guī)定其上限是5%.目前,爐渣熱灼減率采用現(xiàn)場(chǎng)采樣、運(yùn)輸送樣以及實(shí)驗(yàn)室內(nèi)采用稱量、烘干、灼燒、冷卻和分析等步驟檢樣的離線檢測(cè)模式[226].對(duì)此,羅建明等[227]研制了爐渣熱灼減率在線檢測(cè)設(shè)備,但惡劣的工作環(huán)境導(dǎo)致其難以長(zhǎng)周期的穩(wěn)定運(yùn)行;孫佛芹等[228]將爐渣外貌特征與其熱灼減率進(jìn)行關(guān)聯(lián),但未構(gòu)建相應(yīng)的映射模型.上述研究為爐渣熱灼減率的在線可靠檢測(cè)提供了初步探索思路.目前,針對(duì)爐渣熱灼減率的工藝控制是從專家經(jīng)驗(yàn)視角提供操作策略,如增加在爐排上的燃燒時(shí)間和采用富氧燃燒[229-230]等.

3)燃燒效率

燃燒效率是指表征燃料燃燒時(shí)加熱燃燒產(chǎn)物的熱量與該燃料在絕熱條件下完全燃燒時(shí)所釋出的低位發(fā)熱量之比.目前針對(duì)MSWI 過程的有關(guān)燃燒效率的研究暫無報(bào)道.危險(xiǎn)廢物焚燒污染控制標(biāo)準(zhǔn)(GB 18484-2020 和GB 18484-2020)給出的定義為:煙道排出氣體中CO2濃度與CO2和CO 濃度之和的百分比.針對(duì)燃煤與其他可燃物的摻燒研究[231-232]表明,燃燒效率指標(biāo)能夠定量評(píng)價(jià)燃燒狀態(tài).通常,該指標(biāo)越高越好,但其與CO 濃度和碳減排指標(biāo)相矛盾,因此需要進(jìn)行多目標(biāo)優(yōu)化研究.

綜上可知,國(guó)內(nèi)外未見利用產(chǎn)品指標(biāo)開展MSWI智能優(yōu)化控制研究的相關(guān)報(bào)道.理論上,產(chǎn)品指標(biāo)的優(yōu)化控制能夠降低MSWI 電廠的運(yùn)行成本,是MSWI 過程持續(xù)化發(fā)展的必經(jīng)之路.

2.3.3 經(jīng)濟(jì)指標(biāo)

通常,MSWI 電廠的經(jīng)濟(jì)收益主要源于MSW處理費(fèi)和上網(wǎng)發(fā)電量.鑒于MSWI 過程的固有環(huán)保屬性,其額定處理量和汽輪機(jī)發(fā)電量在工藝上是相對(duì)固定的,因此在實(shí)際運(yùn)行中應(yīng)保持工藝上限值以確保最佳收益.一般而言,典型MSWI 電廠的發(fā)電量約為0.3～0.7 MWh/t[233].在正常運(yùn)行條件下,確保發(fā)電量接近工藝上限目標(biāo)值的變化情況包括:1)MSW 熱值高,處理量下降;2)MSW 熱值適中,處理量增加;3)MSW 熱值低,MSW 處理量顯著增加.考慮工藝上的局限性,在MSW 處理量增大時(shí)需要降低發(fā)電效率,而此時(shí)的熱交換效率和燃燒效率反而增大,這就需要將額外增加的熱能用于一、二次風(fēng)加熱和其他需要熱能的環(huán)節(jié),以便實(shí)現(xiàn)能量的最大化利用.因此,在進(jìn)行面向MSWI 過程的智能優(yōu)化控制研究時(shí),需要對(duì)上述經(jīng)濟(jì)指標(biāo)進(jìn)行轉(zhuǎn)換.目前,針對(duì)該方面進(jìn)行建模與預(yù)測(cè)的研究還未見報(bào)道.

2.4 運(yùn)行監(jiān)控與故障識(shí)別研究

目前,MSWI 電廠現(xiàn)場(chǎng)故障檢測(cè)是在分散控制系統(tǒng)(Distributed control system,DCS)監(jiān)測(cè)過程數(shù)據(jù)、工業(yè)攝像機(jī)監(jiān)測(cè)爐內(nèi)火焰以及運(yùn)維人員定期人工巡檢提供現(xiàn)場(chǎng)信息的基礎(chǔ)上,由領(lǐng)域?qū)＜覒{經(jīng)驗(yàn)進(jìn)行診斷.因此,存在以下問題:1)DCS 高度集成的眾多設(shè)備所蘊(yùn)含信息頻繁變化,異常工況報(bào)警功能僅依據(jù)所采集數(shù)據(jù)是否超過限制值觸發(fā),易造成誤報(bào)且難以溯源;2)燃燒過程的高溫、強(qiáng)光現(xiàn)象以及其所產(chǎn)生的熔融態(tài)物質(zhì)導(dǎo)致工業(yè)攝像機(jī)并不能完全捕捉清晰的燃燒畫面,這使得操作工程師難以做出良好決策,而非精準(zhǔn)的決策失誤極易引發(fā)工況波動(dòng);3)巡檢工程師在高溫和大噪聲環(huán)境下依靠聽視覺感知MSWI 過程運(yùn)行狀態(tài)的模式僅能判斷設(shè)備是否正常,卻難以保證其優(yōu)化運(yùn)行.由此可知,領(lǐng)域?qū)＜覒{經(jīng)驗(yàn)在現(xiàn)場(chǎng)進(jìn)行故障監(jiān)測(cè)的模式存在次優(yōu)性、滯后性和主觀性等問題,難以確保MSWI 過程的安全性、穩(wěn)定性和最優(yōu)運(yùn)行.

1)定性檢測(cè)

20 世紀(jì)90 年代起,國(guó)外研究學(xué)者開始探索將計(jì)算機(jī)和人工智能技術(shù)用于MSWI 過程的故障診斷,輔助領(lǐng)域?qū)＜疫M(jìn)行決策.針對(duì)焚燒系統(tǒng)和鍋爐系統(tǒng),Ono[234]研制用于MSWI 電廠的模糊專家故障推理系統(tǒng),能夠在DCS 系統(tǒng)設(shè)定的報(bào)警限內(nèi)和限外進(jìn)行征兆分析與預(yù)警和故障報(bào)警、分析與識(shí)別.隨后,國(guó)內(nèi)在故障的定性檢測(cè)問題上開展大量研究,例如,針對(duì)尾氣排放和蒸汽流量異常,Chen等[235]基于聚類分析、神經(jīng)網(wǎng)絡(luò)和Monte Carlo 統(tǒng)計(jì)進(jìn)行在線診斷.針對(duì)MSW 局部燒穿、排渣不暢和爐內(nèi)結(jié)焦等故障,陶懷志等[236]基于工藝分析和歷史經(jīng)驗(yàn)構(gòu)建故障樹后再采用規(guī)則推理專家系統(tǒng)進(jìn)行檢測(cè),實(shí)驗(yàn)表明其正確率可達(dá)到90%;同時(shí),陶懷志等[237]采用BPNN 集成建模策略對(duì)排渣不暢和結(jié)焦故障進(jìn)行診斷.針對(duì)燃燒狀態(tài)識(shí)別,周志成[238]構(gòu)建基于BPNN的診斷模型,其正確率高達(dá)99%,但存在易過擬合、對(duì)訓(xùn)練樣本要求高等問題.此外,針對(duì)過熱器與省煤器漏水、水平煙道積灰與結(jié)渣、爐膛結(jié)焦和排渣不暢等故障,Ding 等[239]構(gòu)建基于RWNN 相似度檢索的案例推理模型,實(shí)驗(yàn)表明性能良好.但是,上述方法在本質(zhì)上均為構(gòu)建分類器模型,僅能判斷是否發(fā)生故障,不能進(jìn)行故障的量化與定位.

2)定量檢測(cè)

基于現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行故障定量檢測(cè)的多元統(tǒng)計(jì)過程監(jiān)控(Multivariate statistical process monitoring,MSPM)技術(shù)已受到工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注[240-242],其基本策略為:首先,利用正常工況數(shù)據(jù)建立潛結(jié)構(gòu)模型;接著,將采集的高維變量投影至低維空間;然后,通過比較統(tǒng)計(jì)指標(biāo)(例如平方預(yù)測(cè)誤差(Squared prediction error,SPE)和Hotelling'sT2統(tǒng)計(jì)量)是否超過其控制限以確定是否發(fā)生故障及發(fā)生故障時(shí)的程度;最后,通過數(shù)據(jù)重構(gòu)進(jìn)行故障定位.Zhao 等[243]首次采用PCA 與規(guī)則推理進(jìn)行焚燒爐故障的定量檢測(cè),結(jié)果表明能夠有效降低故障誤報(bào)率.Tavares 等[244]對(duì)比基于PCA和PLS 的故障診斷,結(jié)果表明不但性能較佳而且不同的統(tǒng)計(jì)指標(biāo)均能夠有效定位故障.面向MSWI 過程的故障定量檢測(cè)研究較少,僅采用線性PCA/PLS方法.顯然,MSWI 過程的動(dòng)態(tài)、非線性、多尺度、多模態(tài)等特性對(duì)MSPM 的理論和應(yīng)用研究均提出了新挑戰(zhàn).

2.5 操作變量(控制變量)優(yōu)化研究

目前針對(duì)MSWI 過程的主要被控變量(爐膛溫度、煙氣含氧量、蒸汽流量、燃燒線等)的設(shè)定值進(jìn)行優(yōu)化的研究還未見報(bào)道,已有研究多聚集于面向“布風(fēng)布料”的操作變量(控制變量)設(shè)定值的優(yōu)化[245].為實(shí)現(xiàn)MSWI 過程智能優(yōu)化控制,上述兩種視角的目標(biāo)均是在滿足多種等式及不等式約束的條件下,實(shí)現(xiàn)最小化尾氣排放指標(biāo)、最大化燃燒效率、最小化物料消耗等經(jīng)濟(jì)指標(biāo)以及優(yōu)化其他相關(guān)產(chǎn)品指標(biāo).因此,MSWI 過程操作變量的優(yōu)化設(shè)定需要采用智能優(yōu)化算法對(duì)多沖突目標(biāo)進(jìn)行尋優(yōu).

國(guó)外進(jìn)行了面向燃燒過程進(jìn)料量的優(yōu)化設(shè)定研究,例如Anderson 等[246]采用多目標(biāo)進(jìn)化算法進(jìn)行最優(yōu)設(shè)定值搜索,結(jié)果表明能夠有效確保最大化的進(jìn)料量和最小化的灰分碳含量的目標(biāo).目前,國(guó)內(nèi)研究主要偏向于燃燒過程的燃燒風(fēng)量?jī)?yōu)化設(shè)定,例如:夏恒[245]基于領(lǐng)域?qū)＜抑R(shí)采用案例推理對(duì)其進(jìn)行智能設(shè)定;在該研究的基礎(chǔ)上,丁晨曦等[247]進(jìn)一步對(duì)二次風(fēng)量進(jìn)行智能補(bǔ)償,實(shí)現(xiàn)了二次風(fēng)量的優(yōu)化設(shè)定.但是,案例推理智能設(shè)定的核心思想是基于專家經(jīng)驗(yàn)的重用,優(yōu)點(diǎn)是設(shè)定結(jié)果符合經(jīng)驗(yàn)認(rèn)知,缺點(diǎn)是范圍受限難以尋找最優(yōu)設(shè)定值.最近,喬俊飛等[248]提出基于分階段多目標(biāo)PSO 算法的一/二次風(fēng)量?jī)?yōu)化設(shè)定算法,基于實(shí)際現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行了算法驗(yàn)證,結(jié)果表明具有較強(qiáng)的全局尋優(yōu)能力和魯棒性,為后續(xù)研究提供了支撐.上述針對(duì)操作變量的優(yōu)化設(shè)定,在針對(duì)單穩(wěn)定工況時(shí)具有較好的優(yōu)化效果,但存在未考慮具有多工況適應(yīng)性的“布風(fēng)布料”優(yōu)化以及多類型的優(yōu)化目標(biāo),也未結(jié)合MSWI 過程的多模態(tài)數(shù)據(jù)等問題.

由上可知,面向被控變量進(jìn)行優(yōu)化的研究在國(guó)內(nèi)外還暫無報(bào)道.顯然,該方向還有待于深入,尤其是在多沖突目標(biāo)與多被控變量?jī)?yōu)化設(shè)定、多模態(tài)數(shù)據(jù)驅(qū)動(dòng)的全流程運(yùn)行指標(biāo)優(yōu)化設(shè)定等方面是未來面向MSWI 過程特性進(jìn)行優(yōu)化研究的挑戰(zhàn)性問題.

2.6 算法仿真驗(yàn)證平臺(tái)研究

工業(yè)過程智能優(yōu)化控制算法的驗(yàn)證分為離線實(shí)驗(yàn)室仿真實(shí)驗(yàn)和在線現(xiàn)場(chǎng)應(yīng)用調(diào)試2 個(gè)部分.智能優(yōu)化控制算法需要通過接近工業(yè)現(xiàn)場(chǎng)的仿真環(huán)境進(jìn)行性能測(cè)試和評(píng)估,提高算法與實(shí)際工業(yè)的契合度,促進(jìn)學(xué)術(shù)界與工業(yè)界的聯(lián)合以使得研究成果落地.基于上述考慮,湯健等[47]提出由真實(shí)生產(chǎn)過程控制系統(tǒng)和虛擬過程控制對(duì)象組成的復(fù)雜工業(yè)過程半實(shí)物仿真實(shí)驗(yàn)平臺(tái),為純軟件仿真和工業(yè)試驗(yàn)搭建橋梁,為智能算法的驗(yàn)證測(cè)試提供近實(shí)際系統(tǒng)的仿真環(huán)境.

為搭建面向國(guó)內(nèi)MSWI 過程的仿真平臺(tái),嚴(yán)愛軍等[249]開發(fā)由真實(shí)設(shè)備層和虛擬對(duì)象層組成的監(jiān)控半實(shí)物平臺(tái).進(jìn)一步,王天崢等[250]建立多回路控制虛擬對(duì)象模型和開發(fā)多回路控制軟件系統(tǒng)以完善半實(shí)物平臺(tái).上述研究雖為控制算法的應(yīng)用驗(yàn)證提供了支撐環(huán)境,但在精準(zhǔn)模型構(gòu)建、智能控制算法開發(fā)等方面的研究仍有待深入,并且還未實(shí)現(xiàn)考慮工業(yè)現(xiàn)場(chǎng)不允許外部系統(tǒng)接入等限制條件下的閉環(huán)智能優(yōu)化控制平臺(tái)的搭建.進(jìn)一步,面向多模態(tài)模型構(gòu)建與驗(yàn)證中存在的采樣難、同步難、匹配難等問題,王天崢等[251]研制能夠同步多模態(tài)歷史數(shù)據(jù)的建模與驗(yàn)證平臺(tái),但其仍需結(jié)合半實(shí)物智能優(yōu)化控制仿真平臺(tái)進(jìn)一步完善.

上述研究成果為智能優(yōu)化控制算法提供可靠的工程化驗(yàn)證環(huán)境,但針對(duì)MSWI 電廠的安全性要求,如何實(shí)現(xiàn)上述平臺(tái)與實(shí)際工業(yè)過程無縫交互對(duì)接的研究還有待深入.此外,MSWI 過程的數(shù)字孿生平臺(tái)也是未來研究需要關(guān)注的.

基于上述分析與討論,面向MSWI 過程的研究成果歸納總結(jié)為附錄A.

3 MSWI 過程智能優(yōu)化控制討論與分析

3.1 MSWI 過程智能優(yōu)化控制的必要性

針對(duì)我國(guó)MSWI 電廠,體量視角而言其占比已遠(yuǎn)超國(guó)際平均水平,質(zhì)量視角而言通過工藝本土化和設(shè)備改造等創(chuàng)新,尾氣排放和余熱利用等指標(biāo)已達(dá)到國(guó)際先進(jìn)水平[252].但是,未來發(fā)展依舊面臨著MSW 成分復(fù)雜、隨季節(jié)與區(qū)域波動(dòng)和發(fā)酵程度不均勻等特性,MSW 熱值、燃燒線、料層厚度、熱灼減率和DXN 排放濃度等工藝參數(shù)和運(yùn)行指標(biāo)難以實(shí)時(shí)檢測(cè)與準(zhǔn)確預(yù)測(cè),燃燒狀態(tài)不穩(wěn)定、燃燒線未實(shí)現(xiàn)量化以支撐反饋控制等因素導(dǎo)致污染排放波動(dòng)大,焚燒企業(yè)為確保排放達(dá)標(biāo)采用爐溫超高位運(yùn)行導(dǎo)致維修和故障頻繁,以及故障檢測(cè)與診斷嚴(yán)重依賴于領(lǐng)域?qū)＜业戎T多問題.此外,政府和民眾對(duì)環(huán)保排放的監(jiān)管力度日益增大.

目前MSWI 過程的控制主要依賴于多個(gè)專業(yè)崗位上的領(lǐng)域工程師,通過個(gè)體分工與群體決策機(jī)制借助DCS 系統(tǒng)的基礎(chǔ)回路控制和邏輯控制,憑借經(jīng)驗(yàn)以先進(jìn)行感知與預(yù)判后再進(jìn)行協(xié)調(diào)與溝通的不間斷工作模式實(shí)現(xiàn)在線運(yùn)維與運(yùn)行優(yōu)化.顯然,這種人工結(jié)合DCS 的運(yùn)行模式難以及時(shí)準(zhǔn)確地以最優(yōu)策略進(jìn)行異常工況的預(yù)測(cè)、判斷與處理,難以決策得到最優(yōu)運(yùn)行指標(biāo)的目標(biāo)值,尤其是當(dāng)運(yùn)行工況發(fā)生變化時(shí),更是難以有效保障MSWI 過程長(zhǎng)時(shí)間運(yùn)行在安全與優(yōu)化狀態(tài).顯然,亟需通過智能優(yōu)化控制技術(shù)實(shí)現(xiàn)MSWI 過程的智慧化、低碳化、無害化、高效化和盈利化的可持續(xù)發(fā)展[2],提高余熱鍋爐系統(tǒng)能源利用效率和煙氣凈化系統(tǒng)材料回收效率,同時(shí)保持甚至降低運(yùn)維成本,進(jìn)而實(shí)現(xiàn)企業(yè)利潤(rùn)最大化和污染物排放最小化.此外,通常新的智能優(yōu)化控制技術(shù)與工業(yè)過程的融合均需要在小試、中試和應(yīng)試等多個(gè)步驟與環(huán)節(jié)下進(jìn)行測(cè)試評(píng)估[253-254].因此,對(duì)于安全性要求較高的MSWI 過程而言,迫切需要搭建半實(shí)物數(shù)字孿生平臺(tái)實(shí)現(xiàn)對(duì)實(shí)際過程的虛擬數(shù)字仿真和半實(shí)物仿真,進(jìn)行雙向映射和信息交換以進(jìn)行算法驗(yàn)證.

綜上可知,目前諸多因素導(dǎo)致國(guó)內(nèi)MSWI 運(yùn)行不穩(wěn)定.針對(duì)具體特定的突發(fā)狀況,雖然國(guó)內(nèi)MSWI電廠均能采用輔助技術(shù)或應(yīng)急預(yù)案予以處理,但燃燒過程依然會(huì)存在難以預(yù)料的困難并為后續(xù)運(yùn)行造成隱患.智能化是利用新一代信息技術(shù)實(shí)現(xiàn)人機(jī)交互式的智能控制、智能運(yùn)維、智能應(yīng)急與巡檢,輔助領(lǐng)域?qū)＜抑腔刍\(yùn)營(yíng)MSWI 電廠.顯然,智能化是MSWI 企業(yè)運(yùn)營(yíng)和發(fā)展的必由之路,通過智能化技術(shù)實(shí)現(xiàn)全流程優(yōu)化控制,減少領(lǐng)域工程師95%以上的手工操作,是持續(xù)化發(fā)展的必然要求,這對(duì)未來的智能優(yōu)化控制研究提出了更高的要求.

因此,為應(yīng)對(duì)我國(guó)MSWI 行業(yè)智能優(yōu)化控制所面臨的種種難題,研發(fā)具有本土特色包含運(yùn)行指標(biāo)建模與預(yù)測(cè)、不同工藝階段智能控制、全流程協(xié)同優(yōu)化決策和半實(shí)物數(shù)字孿生平臺(tái)的智能優(yōu)化控制技術(shù)是提升行業(yè)水平、搶占新一輪MSW 處理技術(shù)制高點(diǎn)和破解MSWI 電廠“鄰避效應(yīng)”的重要手段,也是中國(guó)環(huán)保產(chǎn)業(yè)可持續(xù)發(fā)展的客觀趨勢(shì).顯然,研制MSWI 智能優(yōu)化控制系統(tǒng)既符合我國(guó)循環(huán)經(jīng)濟(jì)產(chǎn)業(yè)發(fā)展的內(nèi)在要求,也是樹立我國(guó)MSWI 行業(yè)優(yōu)勢(shì)和實(shí)現(xiàn)行業(yè)優(yōu)化升級(jí)的必然選擇.

3.2 MSWI 過程智能優(yōu)化控制的發(fā)展方向

在本質(zhì)上,將新一代信息技術(shù)和人工智能與特定工業(yè)場(chǎng)景相結(jié)合,即工業(yè)人工智能技術(shù),能夠?yàn)閺?fù)雜工業(yè)過程的高性能控制器設(shè)計(jì)、智能運(yùn)行決策、智慧化升級(jí)等創(chuàng)新應(yīng)用提供支撐[255],其目的是適應(yīng)復(fù)雜多變的工業(yè)環(huán)境以完成多樣化的運(yùn)行目標(biāo)和任務(wù)[256].顯然,MSWI 過程的高效化、綠色化可持續(xù)發(fā)展目標(biāo)需要與工業(yè)人工智能技術(shù)的深度融合才能實(shí)現(xiàn)智能優(yōu)化控制,進(jìn)而降低或減少對(duì)領(lǐng)域?qū)＜壹粗R(shí)型工作者的依賴.因此,這迫切需要研究MSWI過程的指標(biāo)建模與預(yù)測(cè)、智能控制、全流程協(xié)同優(yōu)化決策以及半實(shí)物數(shù)字孿生平臺(tái)構(gòu)建技術(shù),其相互關(guān)系如圖5 所示.如圖5 所示,數(shù)字孿生平臺(tái)與實(shí)際MSWI 過程(對(duì)象層)、過程運(yùn)行指標(biāo)建模與預(yù)測(cè)(指標(biāo)層)、過程智能控制(控制層)和全流程協(xié)同優(yōu)化決策(決策層)進(jìn)行信息的交互反饋,后4 個(gè)層級(jí)之間的信息傳遞關(guān)系為:對(duì)象層接收控制層所傳遞的控制器輸出ui,并將對(duì)象層運(yùn)行得到的被控變量檢測(cè)值yi實(shí)時(shí)反饋給控制層,此外,過程對(duì)象狀態(tài)(變量)信息xi被傳遞給控制層的工況感知與故障診斷模塊中,同時(shí)指標(biāo)層的各模型基于xi、yi和其他信息計(jì)算運(yùn)行指標(biāo)測(cè)量/預(yù)測(cè)值并反饋給控制層和決策層;控制層基于決策層的被控變量?jī)?yōu)化設(shè)定值wi、yi和工況感知與故障診斷模塊所獲得的實(shí)時(shí)、自組織地更新控制器參數(shù),甚至其結(jié)構(gòu)并傳輸至回路控制器以實(shí)現(xiàn)對(duì)象層的穩(wěn)定控制;優(yōu)化決策層利用、領(lǐng)域工程師對(duì)的經(jīng)驗(yàn)判斷等確定運(yùn)行指標(biāo)設(shè)定值,在進(jìn)行全流程協(xié)同優(yōu)化后獲得各階段的wi.此外,數(shù)字孿生平臺(tái)是利用云計(jì)算、過程大數(shù)據(jù)和人工智能等技術(shù)構(gòu)建MSWI 過程的數(shù)字化虛擬模擬庫(kù),進(jìn)行上述決策層、控制層和指標(biāo)層中相關(guān)參數(shù)的推理和交互反饋.

圖5 MSWI 過程智能優(yōu)化控制結(jié)構(gòu)Fig.5 Intelligent optimization control structure for MSWI process

3.2.1 MSWI 過程運(yùn)行指標(biāo)建模與預(yù)測(cè)

實(shí)現(xiàn)復(fù)雜工業(yè)過程智能優(yōu)化決策與控制一體化系統(tǒng)正常運(yùn)行的前提是能夠?qū)﹃P(guān)鍵運(yùn)行指標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)[257].顯然,環(huán)保、經(jīng)濟(jì)和產(chǎn)品指標(biāo)的在線檢測(cè)是確保MSWI 過程安全生產(chǎn)、穩(wěn)定和優(yōu)化運(yùn)行的重要支撐.類似其他工業(yè)過程運(yùn)行指標(biāo)的建模與預(yù)測(cè)問題[258],可通過基于MSWI 過程易采集過程變量、火焰視頻等多模態(tài)數(shù)據(jù)構(gòu)建智能模型予以實(shí)現(xiàn),研究?jī)?nèi)容包括:

1)建模樣本的完備機(jī)制研究.MSWI 過程的多工序、多階段、機(jī)理復(fù)雜不清等特性,導(dǎo)致運(yùn)行指標(biāo)建模樣本的輸入和輸出在時(shí)間尺度上不同且存在差異性與不確定性,需要在分析基于熱能動(dòng)力傳輸與化學(xué)物質(zhì)轉(zhuǎn)化機(jī)理的過程變量與運(yùn)行指標(biāo)間的延遲特性、多時(shí)空尺度樣本與運(yùn)行指標(biāo)的相關(guān)性的基礎(chǔ)上,獲取多時(shí)空尺度的“真輸入-真輸出”建模樣本;進(jìn)一步,針對(duì)高維稀疏性建模樣本,研究虛擬樣本生成等技術(shù)擴(kuò)展樣本數(shù)量以緩解樣本分布不平衡和期望分布未知等問題,完善基于半監(jiān)督學(xué)習(xí)的“真輸入-偽輸出”半虛擬樣本生成、數(shù)值仿真機(jī)理支撐期望分布的“偽輸入-偽輸出”全虛擬樣本生成以及基于對(duì)抗機(jī)制的混合樣本質(zhì)量評(píng)價(jià)等算法,進(jìn)而構(gòu)建分布均勻且完備的運(yùn)行指標(biāo)建模樣本庫(kù).

2)多源特征智能約簡(jiǎn)與可解釋模型構(gòu)建研究.

MSWI 過程涉及的過程變量眾多且相互之間耦合嚴(yán)重,運(yùn)行指標(biāo)與不同工藝階段的關(guān)聯(lián)性存在差異且機(jī)理不清,需要結(jié)合數(shù)值仿真明晰機(jī)理、領(lǐng)域?qū)＜铱偨Y(jié)經(jīng)驗(yàn)和數(shù)據(jù)提取蘊(yùn)含知識(shí)等手段約簡(jiǎn)模型輸入特征;此外,MSWI 過程數(shù)據(jù)具有多源多模態(tài)特性,需要研究過程變量和燃燒圖像的深度融合機(jī)制,研究基于綜合智能化感知的運(yùn)行指標(biāo)檢測(cè)設(shè)備/模型;進(jìn)一步,考慮到需要基于指標(biāo)模型對(duì)MSWI 過程進(jìn)行定性和定量的評(píng)價(jià),應(yīng)深入研究具有較強(qiáng)可解釋性的工業(yè)人工智能算法對(duì)運(yùn)行指標(biāo)進(jìn)行建模與預(yù)測(cè).

3)在線動(dòng)態(tài)建模與預(yù)測(cè)研究.實(shí)際MSWI 過程具有干擾因素眾多和工況波動(dòng)頻繁等特性,這要求運(yùn)行指標(biāo)模型在應(yīng)用時(shí)要能夠依據(jù)過程動(dòng)態(tài)變化進(jìn)行自適應(yīng)調(diào)整以實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè).對(duì)此,需研究:面向運(yùn)行指標(biāo)的運(yùn)行工況漂移識(shí)別機(jī)制,采用基于數(shù)學(xué)模型[259-260]、多元統(tǒng)計(jì)[261-262]和人工智能[263-264]等方法面向MSWI 運(yùn)行指標(biāo)特性進(jìn)行新工況漂移時(shí)刻、漂移程度和漂移位置的預(yù)判,運(yùn)行指標(biāo)模型的自適應(yīng)更新算法與連續(xù)學(xué)習(xí)機(jī)制,知識(shí)遷移和增量學(xué)習(xí)等策略,提高在線建模的魯棒性和泛化性能.

4)運(yùn)行指標(biāo)智能預(yù)測(cè)系統(tǒng)開發(fā).針對(duì)MSWI過程的多階段多源數(shù)據(jù)信息和已構(gòu)建模型,建立集環(huán)保、經(jīng)濟(jì)和產(chǎn)品運(yùn)行指標(biāo)于一體的智能在線預(yù)測(cè)系統(tǒng),其功能包括:多源數(shù)據(jù)采集系統(tǒng),多源數(shù)據(jù)表征、分析、編碼和解碼系統(tǒng),數(shù)據(jù)、信息與知識(shí)的智能化處理與可視化系統(tǒng),多運(yùn)行指標(biāo)模型集成預(yù)測(cè)系統(tǒng),支撐實(shí)現(xiàn)運(yùn)行指標(biāo)的智能感知、預(yù)測(cè)和溯源.

近年來,國(guó)內(nèi)外研究學(xué)者針對(duì)復(fù)雜工業(yè)過程(例如高爐煉鐵、電熔鎂、石化過程等)的運(yùn)行指標(biāo)建模問題,已取得了大量研究成果.例如,面向用于建模的標(biāo)記樣本稀疏問題,提出了虛擬樣本生成[265-266]、半監(jiān)督[267]、弱監(jiān)督[268]和無監(jiān)督[269]等建模方法,能夠?yàn)镸SWI 過程建模樣本完備機(jī)制的研究提供有力支撐;面向多源信息表征以及模型可解釋等問題,已取得了在多特征信息融合[270]、多模態(tài)深度學(xué)習(xí)[271]、視覺數(shù)據(jù)深度建模[272]、貝葉斯數(shù)據(jù)驅(qū)動(dòng)T-S 模糊建模[273]和深度森林回歸模型[211,213]等方面的研究成果,這也是研究MSWI 過程多源特征智能約簡(jiǎn)與可解釋模型構(gòu)建的理論基礎(chǔ);面向在線動(dòng)態(tài)預(yù)測(cè)問題,寬度學(xué)習(xí)系統(tǒng)[274-275]、概念漂移學(xué)習(xí)[276]和模型動(dòng)態(tài)自組織[277]等研究成果,間接表明了MSWI 過程在線動(dòng)態(tài)建模與預(yù)測(cè)和運(yùn)行指標(biāo)智能預(yù)測(cè)系統(tǒng)開發(fā)具有良好的可行性.

3.2.2 MSWI 過程智能控制

相對(duì)于以燃煤、燃?xì)獾葹樵系陌l(fā)電過程,在干擾因素多和工況波動(dòng)頻繁的情況下,MSWI 過程實(shí)現(xiàn)不同工藝階段目標(biāo)(固廢發(fā)酵過程混合均勻、固廢燃燒過程燃燒穩(wěn)定、余熱交換過程熱能充分利用、煙氣凈化過程污染物超低排放)精準(zhǔn)控制的難度更大[33,178].因此,借鑒其他類似工業(yè)過程[105,278],需要實(shí)現(xiàn)具有自適應(yīng)、自學(xué)習(xí)和自組織能力的智能控制,研究?jī)?nèi)容包括:

1)被控對(duì)象智能建模研究.雖然MSWI 工業(yè)過程數(shù)據(jù)的體量大,但數(shù)據(jù)分布具有不平衡性.同時(shí),非結(jié)構(gòu)化數(shù)據(jù)(圖片和視頻)與過程數(shù)據(jù)間存在時(shí)滯和信息不對(duì)稱等問題,造成多模態(tài)數(shù)據(jù)難以融合.作為關(guān)鍵被控變量的燃燒線量化值缺失,無法構(gòu)建相應(yīng)的被控對(duì)象模型.此外,焚燒機(jī)理知識(shí)存在獲取難、量化難和利用難等問題.對(duì)此,需研究:基于數(shù)值仿真的MSWI 全流程建模以擴(kuò)展真實(shí)運(yùn)行數(shù)據(jù)分布邊界和獲取機(jī)理知識(shí),非結(jié)構(gòu)化數(shù)據(jù)的特征提取算法、基于機(jī)理和工藝知識(shí)的非結(jié)構(gòu)化數(shù)據(jù)與過程數(shù)據(jù)匹配規(guī)則以及面向多模態(tài)數(shù)據(jù)特征深度融合的被控對(duì)象高精度建模;面向燃燒火焰的對(duì)抗生成與燃燒線量化機(jī)制,獲取完備量化模板庫(kù)以支撐對(duì)象模型構(gòu)建;機(jī)理與數(shù)據(jù)混合驅(qū)動(dòng)的半?yún)?shù)建模,降低模型復(fù)雜度的同時(shí)提高模型效率.

2)運(yùn)行過程智能工況感知與故障診斷研究.MSWI 過程具有顯著非平穩(wěn)特性,如:穩(wěn)態(tài)工況與過渡工況交替頻繁、高溫高壓環(huán)境下傳感器存在顯著漂移等,這使得有效地對(duì)各工藝階段進(jìn)行工況感知和故障診斷成為確保控制器穩(wěn)定運(yùn)行的重要保障之一.此外,工況感知和故障診斷模型構(gòu)建還面臨著樣本缺乏、類型不明、難以解釋、變化/發(fā)生不確定、潛在故障未知等難題.借鑒其他工業(yè)過程[279],需研究:結(jié)合已知故障類型、過程大數(shù)據(jù)、火焰視頻和領(lǐng)域?qū)＜抑R(shí)構(gòu)建面向MSWI 過程的工況感知和故障診斷知識(shí)圖譜,提高故障信息的利用率和故障追根溯源的可行性和可解釋性;基于多視角知識(shí)和多模態(tài)數(shù)據(jù),面向控制的運(yùn)行工況漂移識(shí)別、量化與解釋;基于魯棒非線性潛變量模型的傳感器設(shè)備與焚燒裝備的在線狀態(tài)感知和故障診斷以及可視化,以保障基礎(chǔ)回路智能控制器的高效運(yùn)行.

3)穩(wěn)態(tài)工況基礎(chǔ)回路智能控制器研究.由于MSW 組分與熱值的區(qū)域和季節(jié)差異性、操作人員累積經(jīng)驗(yàn)和運(yùn)維水平的層次不同等導(dǎo)致MSWI 過程具有多種類型的平穩(wěn)運(yùn)行工況,傳統(tǒng)PID 控制策略并不能適應(yīng)上述情況.顯然,在對(duì)運(yùn)行工況進(jìn)行有效感知的基礎(chǔ)上,需要針對(duì)不同類型的穩(wěn)定工況采取具有差異性的智能控制算法.借鑒應(yīng)用于其他工業(yè)過程的模糊自適應(yīng)[280]、PID 智能補(bǔ)償[281]、模型預(yù)測(cè)控制[282]等先進(jìn)控制策略,結(jié)合MSWI 過程的穩(wěn)定工況特性,需研究:面向MSWI 過程不同穩(wěn)定運(yùn)行工況的多變量PID 控制器及其參數(shù)智能辨識(shí)策略;面向具有不確定特性被控變量運(yùn)行過程的神經(jīng)網(wǎng)絡(luò)模糊控制器及其參數(shù)自適應(yīng)策略;面向完備火焰模板庫(kù)的仿專家認(rèn)知機(jī)制的多模態(tài)特征驅(qū)動(dòng)燃燒線控制器;基于多模態(tài)數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型的多變量模型預(yù)測(cè)控制(Model predictive control,MPC),提高基礎(chǔ)回路對(duì)設(shè)定值的追蹤性能,保證運(yùn)行指標(biāo)平穩(wěn),實(shí)現(xiàn)穩(wěn)態(tài)最優(yōu)控制.

4)動(dòng)態(tài)工況智能控制器的自組織機(jī)制研究.研究表明,間歇性運(yùn)行的MSWI 過程會(huì)導(dǎo)致污染嚴(yán)重超標(biāo)、運(yùn)行成本顯著增大、處理量難以達(dá)產(chǎn)等問題[192].雖然現(xiàn)代主流工藝基本能夠?qū)崿F(xiàn)年超6 000 小時(shí)最低要求的連續(xù)運(yùn)行,但原料供應(yīng)、運(yùn)行管理、生產(chǎn)計(jì)劃、環(huán)保監(jiān)督等因素對(duì)基礎(chǔ)回路控制策略所造成影響不可忽視.因此,動(dòng)態(tài)干擾下的控制器需要具有容錯(cuò)、魯棒、自適應(yīng)等能力.借鑒應(yīng)用于其他工業(yè)過程的容錯(cuò)控制[283]、自愈控制[284]、事件驅(qū)動(dòng)切換控制[285]等策略,結(jié)合MSWI 過程的動(dòng)態(tài)工況特性,需研究:面向MSWI 過程量化動(dòng)態(tài)工況的分層自組織控制框架;基于多模態(tài)數(shù)據(jù)的局部運(yùn)行指標(biāo)與關(guān)鍵被控變量智能預(yù)測(cè)模型構(gòu)建;面向不同類型穩(wěn)態(tài)控制器的增強(qiáng)學(xué)習(xí)事件驅(qū)動(dòng)結(jié)構(gòu)與參數(shù)自組織算法,保證焚燒設(shè)備在約束邊界運(yùn)行;此外,需要研究基于機(jī)理知識(shí)、專家經(jīng)驗(yàn)和數(shù)據(jù)知識(shí)提煉可解釋的領(lǐng)域?qū)＜艺J(rèn)知機(jī)制,進(jìn)行多控制器切換運(yùn)行策略研究和穩(wěn)定性分析,實(shí)現(xiàn)降低運(yùn)行成本和減少環(huán)境污染等目的.

快速發(fā)展的人工智能技術(shù)催生了面向不同工業(yè)過程領(lǐng)域的大量智能控制成果.例如,面向城市污水處理過程的自適應(yīng)滑膜控制[286]、模糊神經(jīng)控制[287]和強(qiáng)化學(xué)習(xí)跟蹤控制[288];面向連續(xù)攪拌槽反應(yīng)器系統(tǒng)的事件驅(qū)動(dòng)控制[289]、自適應(yīng)跟蹤控制[290]和模型預(yù)測(cè)控制[291]等;面向高爐煉鐵過程的無模型自適應(yīng)預(yù)測(cè)控制[292]、模型預(yù)測(cè)控制[293]、模糊控制[294]等.上述控制領(lǐng)域成果為MSWI 過程被控對(duì)象智能建模和基礎(chǔ)回路智能控制器的研究提供了理論依據(jù)和技術(shù)支撐.此外,針對(duì)燃煤發(fā)電過程的數(shù)據(jù)驅(qū)動(dòng)運(yùn)行工況監(jiān)控成果[279],以及針對(duì)城市污水處理過程[286]和高爐煉鐵過程[295]的自組織控制的研究成果,為MSWI 過程的智能工況感知與故障診斷、動(dòng)態(tài)工況智能控制器自組織機(jī)制的研究提供了支撐.

3.2.3 MSWI 全流程協(xié)同優(yōu)化決策

通常,實(shí)現(xiàn)工業(yè)過程全局最優(yōu)協(xié)同運(yùn)行需要求解一類面向多類運(yùn)行指標(biāo)的混合、多目標(biāo)、多約束、多尺度的動(dòng)態(tài)沖突優(yōu)化問題[32,296].MSWI 協(xié)同優(yōu)化決策中的人機(jī)合作智能優(yōu)化決策主要包括進(jìn)料選擇、運(yùn)維管理和現(xiàn)場(chǎng)運(yùn)行決策等;全流程協(xié)同優(yōu)化運(yùn)行是在將MSWI 過程的各工藝階段的控制系統(tǒng)假設(shè)為獨(dú)立智能體的基礎(chǔ)上,以優(yōu)化多沖突多尺度運(yùn)行指標(biāo)為目標(biāo)對(duì)其設(shè)定值進(jìn)行協(xié)同決策,實(shí)現(xiàn)集智能建模、工況感知、故障診斷、智能控制、運(yùn)行優(yōu)化于一體的全流程協(xié)同優(yōu)化運(yùn)行.為實(shí)現(xiàn)上述目標(biāo),借鑒其他復(fù)雜工業(yè)過程[278],研究?jī)?nèi)容主要包括:

1)全流程運(yùn)行態(tài)勢(shì)智能感知研究.在目前MSWI 過程中,工藝參數(shù)的選擇設(shè)定以及全流程的優(yōu)化運(yùn)行主要依靠領(lǐng)域?qū)＜覍?shí)現(xiàn),但領(lǐng)域?qū)＜覍?duì)運(yùn)行狀態(tài)和決策信息的定性表達(dá)存在不精確性、不確定性和模糊性甚至不唯一性等問題.因此,需研究:基于機(jī)理知識(shí)信息提取、圖像深度知識(shí)表征、過程數(shù)據(jù)蘊(yùn)含知識(shí)轉(zhuǎn)化、多模態(tài)數(shù)據(jù)特征關(guān)聯(lián)推理、態(tài)勢(shì)感知可信度定量評(píng)估等算法的全流程運(yùn)行態(tài)勢(shì)智能感知網(wǎng)絡(luò),構(gòu)建多工藝階段差異化數(shù)據(jù)同步獲取與蘊(yùn)含知識(shí)深度融合的決策與優(yōu)化支撐環(huán)境,搭建面向MSWI 過程的智能化運(yùn)行態(tài)勢(shì)感知服務(wù)系統(tǒng).

2)多目標(biāo)實(shí)時(shí)優(yōu)化方法研究.通常,運(yùn)行優(yōu)化是智能控制的核心[297-298],即通過優(yōu)化求解實(shí)際運(yùn)行狀態(tài)或過程規(guī)劃問題.區(qū)別于基礎(chǔ)回路控制器自組織控制(解決單控制器優(yōu)化),MSWI 過程的全局性能優(yōu)化(即解決全流程整體優(yōu)化)屬于多目標(biāo)優(yōu)化研究.從解決工業(yè)企業(yè)實(shí)際需求的視角出發(fā),多沖突目標(biāo)的優(yōu)化求解對(duì)實(shí)現(xiàn)MSWI 過程的智能優(yōu)化控制意義重大[246].如前文所述,受限于工藝和技術(shù)等原因,MSWI 的環(huán)保、產(chǎn)品和經(jīng)濟(jì)指標(biāo)間具有多沖突、多約束、動(dòng)態(tài)時(shí)變和多時(shí)空尺度等特性,可將MSWI 過程優(yōu)化問題視為多約束條件下的多目標(biāo)函數(shù)求極值問題,這顯然是有待解決的挑戰(zhàn)性問題.此外,MSW 來源的多樣性和成分的復(fù)雜性,MSWI過程運(yùn)行條件的多變性和工況波動(dòng)的頻繁性等因素也增加了實(shí)時(shí)優(yōu)化運(yùn)行的難度.由于目前鮮有面向MSWI 過程被控變量設(shè)定值的多目標(biāo)實(shí)時(shí)優(yōu)化研究報(bào)道,此處忽略優(yōu)化算法本身的優(yōu)劣,筆者僅針對(duì)優(yōu)化問題提供未來的發(fā)展方向.為解決上述問題,需研究:污染排放、碳排放等全局優(yōu)化指標(biāo)與發(fā)酵程度、爐渣熱灼減率、換熱效率、煙氣凈化物料消耗率等局部?jī)?yōu)化指標(biāo)模型的設(shè)計(jì);基于MSWI 過程特性的多目標(biāo)優(yōu)化任務(wù)拆解機(jī)制和獨(dú)立指標(biāo)的優(yōu)化算法;多運(yùn)行指標(biāo)融合機(jī)制和協(xié)同優(yōu)化算法;考慮多工況、多時(shí)間尺度和多操作變量下的優(yōu)化規(guī)劃算法;優(yōu)化性能的定量和定性評(píng)價(jià)機(jī)制,增強(qiáng)智能優(yōu)化控制方法的有效性和實(shí)用性.

3)人機(jī)合作增強(qiáng)交互演化智能決策研究.柴天佑等[299-300]在流程工業(yè)智能優(yōu)化愿景中指出,領(lǐng)域?qū)＜遗c智能優(yōu)化決策系統(tǒng)的人機(jī)合作與交互學(xué)習(xí)是未來發(fā)展的主要方向.MSWI 過程需要實(shí)現(xiàn)能源與物料消耗盡可能少、污染物零排放和環(huán)境綠色化的目標(biāo),這離不開領(lǐng)域?qū)＜宜鶕碛械母兄?、認(rèn)知、決策和執(zhí)行等能力,即復(fù)雜工業(yè)過程的智能決策是通過領(lǐng)域?qū)＜裔槍?duì)運(yùn)行系統(tǒng)的感知調(diào)控和工業(yè)人工智能技術(shù)的增強(qiáng)交互演化實(shí)現(xiàn)的.因此,需研究:增強(qiáng)學(xué)習(xí)驅(qū)動(dòng)工業(yè)智能決策器與工業(yè)領(lǐng)域?qū)＜业慕换パ莼蚣?基于聽覺、視覺、文本與量化數(shù)據(jù)的工業(yè)領(lǐng)域?qū)＜乙鈭D感知算法;基于增強(qiáng)學(xué)習(xí)的工業(yè)智能決策器內(nèi)嵌優(yōu)化算法動(dòng)態(tài)更新機(jī)制;構(gòu)建人機(jī)合作增強(qiáng)交互演化智能決策系統(tǒng),實(shí)現(xiàn)多運(yùn)行指標(biāo)的綜合優(yōu)化,以更好地解決MSWI 過程向高效、低碳和綠色發(fā)展所面臨的實(shí)際問題.

融合新一代信息技術(shù)的協(xié)同優(yōu)化決策是實(shí)現(xiàn)復(fù)雜工業(yè)過程智慧化生產(chǎn)運(yùn)行和減少對(duì)知識(shí)型工作者依賴的可行路徑[34].目前,面向復(fù)雜工業(yè)過程協(xié)同優(yōu)化決策的研究已取得大量可供參考的優(yōu)秀案例.在協(xié)同優(yōu)化方面,取得了乙烯生產(chǎn)過程耦合約束下的分布式優(yōu)化[301]、除鐵過程動(dòng)態(tài)環(huán)境下的多目標(biāo)優(yōu)化[302]、燒結(jié)過程多時(shí)間尺度下的碳排放優(yōu)化[303]、反饋補(bǔ)償機(jī)制下的高爐爐料料面優(yōu)化[304]和混合模型支撐下的煉鐵過程智能優(yōu)化[305-306]等成果,這為MSWI 全流程協(xié)同優(yōu)化研究的可行性提供了指導(dǎo)和支撐.在智能優(yōu)化決策方面,取得了基于對(duì)抗學(xué)習(xí)的選礦全流程運(yùn)行智能決策[307]、數(shù)據(jù)驅(qū)動(dòng)的乙烯裂解爐系統(tǒng)調(diào)度優(yōu)化[308]、硅單晶和電熔鎂生產(chǎn)過程的多爐優(yōu)化調(diào)度[309-310]等成果,這表明進(jìn)行MSWI多目標(biāo)實(shí)時(shí)優(yōu)化算法和人機(jī)合作增強(qiáng)交互演化智能決策的研究具有理論基礎(chǔ)和可行性.

3.2.4 MSWI 過程半實(shí)物數(shù)字孿生平臺(tái)構(gòu)建

將離線研究的智能優(yōu)化控制算法直接應(yīng)用于工業(yè)過程存在著安全運(yùn)行風(fēng)險(xiǎn)高、試驗(yàn)時(shí)間消耗大、人力與經(jīng)濟(jì)成本高等問題.為此,數(shù)字孿生平臺(tái)技術(shù)得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注[311-314],其本質(zhì)是借助大數(shù)據(jù)、云計(jì)算、人工智能、信息化等技術(shù)構(gòu)建物理過程的實(shí)時(shí)鏡像,彌補(bǔ)物理實(shí)體所缺少的系統(tǒng)性仿真、優(yōu)化、驗(yàn)證和控制能力,進(jìn)而支撐智能優(yōu)化控制技術(shù)的低成本試錯(cuò)與智能化部署等.針對(duì)我國(guó)MSWI 過程而言,迫切需要研究能夠?qū)⒅悄軆?yōu)化控制算法進(jìn)行落地應(yīng)用與驗(yàn)證的半實(shí)物數(shù)字孿生平臺(tái),輔助實(shí)現(xiàn)高效的熱能轉(zhuǎn)化和煙氣凈化,尤其是DXN 脫除等技術(shù),同時(shí)支撐進(jìn)行局部工藝的改進(jìn)試驗(yàn)和測(cè)試.研究?jī)?nèi)容包括:

1)全流程數(shù)值仿真研究.數(shù)字孿生是以大量數(shù)據(jù)作為支撐的新一代信息技術(shù).實(shí)際采集的所謂MSWI 過程大數(shù)據(jù)主要在穩(wěn)態(tài)工作點(diǎn)附近波動(dòng),這需要通過構(gòu)建數(shù)值仿真模型實(shí)現(xiàn)全流程的機(jī)理分析,需要通過面向定制化工況的數(shù)值仿真獲取多工況下的虛擬大數(shù)據(jù)[315-316],研究?jī)?nèi)容主要包括:結(jié)合MSWI 過程機(jī)理與不同數(shù)值仿真軟件優(yōu)勢(shì),研究多軟件耦合定制交互接口的全流程數(shù)值仿真模型,以洞悉其全流程的多階段多屬性機(jī)理;結(jié)合焚燒機(jī)理和領(lǐng)域?qū)＜医?jīng)驗(yàn)等知識(shí),研究數(shù)值仿真模型的參數(shù)調(diào)整和實(shí)驗(yàn)實(shí)施策略,提高數(shù)值仿真模型與實(shí)際過程的貼合度;基于實(shí)際MSWI 過程的運(yùn)行大數(shù)據(jù),結(jié)合人工智能技術(shù)對(duì)數(shù)值仿真模型進(jìn)行微調(diào),增強(qiáng)表征實(shí)際過程的真實(shí)度.

2)虛擬化數(shù)字模型庫(kù)研究.數(shù)字孿生平臺(tái)構(gòu)建的核心是孿生體,即物理實(shí)體在虛擬數(shù)字化空間的孿生體模型[314].MSWI 過程的數(shù)據(jù)特點(diǎn)是多源異構(gòu),既包括真實(shí)的結(jié)構(gòu)化數(shù)據(jù)(溫度、壓力、流量等)和非結(jié)構(gòu)化數(shù)據(jù)(圖像、視頻、文本等),還包括數(shù)值仿真模型生成的數(shù)字化空間虛擬數(shù)據(jù).因此,為構(gòu)建虛擬化數(shù)字模型庫(kù),需研究:多源異構(gòu)數(shù)據(jù)的采樣、分析、信息提取以及信息融合算法;分析全流程的不同階段,基于熱力學(xué)、流體力學(xué)等理論和人工智能技術(shù)研究多孿生體模型的異構(gòu)集成機(jī)制,構(gòu)建數(shù)字孿生內(nèi)核模型庫(kù).此外,考慮到具有高精度和寬覆蓋變量區(qū)間的孿生體模型是保證數(shù)字孿生平臺(tái)與實(shí)際工業(yè)過程相耦合以實(shí)現(xiàn)協(xié)同優(yōu)化的基礎(chǔ)[317],需研究多分辨率多孿生體模型的深度融合優(yōu)化技術(shù)以實(shí)現(xiàn)虛擬數(shù)字模型庫(kù)的自學(xué)習(xí)和自調(diào)整.

3)數(shù)字孿生虛擬演化推理研究.數(shù)字孿生平臺(tái)作為可與實(shí)際工業(yè)過程進(jìn)行實(shí)時(shí)交互的虛擬鏡像,交互安全性是制約其工程應(yīng)用的主要難點(diǎn)之一[318].面向MSWI 過程,需研制基于物理隔離裝置的虛擬交互系統(tǒng),為虛擬側(cè)和數(shù)字側(cè)的實(shí)時(shí)交互與反饋提供安全保障,需研究:如何在數(shù)字孿生側(cè)進(jìn)行MSWI過程的自組織、寬定義域演化推理以輔助物理側(cè)運(yùn)行,從數(shù)字孿生模型歷史時(shí)刻(基于t-1 時(shí)刻實(shí)際和虛擬數(shù)據(jù))到當(dāng)前時(shí)刻(計(jì)算t時(shí)刻實(shí)際數(shù)據(jù))再到未來時(shí)刻(估算t+1 時(shí)刻虛擬數(shù)據(jù))的綜合演化分析算法,基于數(shù)字孿生的故障預(yù)警和推理溯源算法,保障MSWI 過程的穩(wěn)定運(yùn)行.

4)半實(shí)物數(shù)字孿生實(shí)驗(yàn)平臺(tái)構(gòu)建.工業(yè)過程通常不允許學(xué)術(shù)研究所獲得的智能優(yōu)化控制算法直接在現(xiàn)場(chǎng)進(jìn)行實(shí)驗(yàn).數(shù)字孿生平臺(tái)是虛擬化的MSWI過程,需要與接近工業(yè)現(xiàn)場(chǎng)的運(yùn)行系統(tǒng)進(jìn)行數(shù)據(jù)交互以驗(yàn)證新算法.因此,需研究:接近工業(yè)現(xiàn)場(chǎng)能夠交互對(duì)接與迭代優(yōu)化的半實(shí)物數(shù)字孿生平臺(tái)架構(gòu);面向多模態(tài)數(shù)據(jù)同步驅(qū)動(dòng)的工業(yè)過程半實(shí)物仿真實(shí)驗(yàn)平臺(tái);確保物理安全隔離的多模態(tài)數(shù)據(jù)高效雙向安全交互機(jī)制的半實(shí)物數(shù)字孿生平臺(tái)軟硬件系統(tǒng),實(shí)現(xiàn)對(duì)智能優(yōu)化控制算法的有效驗(yàn)證支撐.

目前有關(guān)MSWI 過程半實(shí)物數(shù)字孿生平臺(tái)的文獻(xiàn)還未見報(bào)道,如何實(shí)現(xiàn)仍是有待深入研究的開放性問題.

目前有關(guān)數(shù)字孿生的研究成果大多面向離散制造行業(yè)[319],面臨著數(shù)據(jù)收集、多學(xué)科融合、標(biāo)準(zhǔn)統(tǒng)一等諸多挑戰(zhàn)[320].面向具有連續(xù)運(yùn)行特性的復(fù)雜工業(yè)過程,雖然實(shí)現(xiàn)數(shù)字孿生體與真實(shí)物理側(cè)迭代優(yōu)化的數(shù)字孿生系統(tǒng)還未形成成熟的標(biāo)準(zhǔn),但已在相關(guān)工業(yè)領(lǐng)域取得了大量成果.例如,針對(duì)單個(gè)大型設(shè)備或環(huán)節(jié)的包括渦輪機(jī)[321]、滾動(dòng)軸承[322]和自動(dòng)運(yùn)輸系統(tǒng)[323]等;針對(duì)復(fù)雜系統(tǒng)和工業(yè)過程的包括智能制造[324]、智慧城市[325]、智能交通[326]和熱電廠[327]等.上述領(lǐng)域的成果為MSWI 過程的數(shù)字孿生研究提供了可行性.此外,面向流程工業(yè),李彥瑞等[314]從數(shù)字孿生系統(tǒng)構(gòu)建的視角探討數(shù)字孿生發(fā)展的關(guān)鍵技術(shù),構(gòu)建了煉鐵過程數(shù)字孿生模型和開發(fā)了增強(qiáng)交互系統(tǒng)平臺(tái).同時(shí),面向燃燒過程的數(shù)值仿真應(yīng)用[15]和工業(yè)界半實(shí)物仿真平臺(tái)的大量實(shí)例[328],為MSWI過程半實(shí)物數(shù)字孿生平臺(tái)的研究提供了理論支撐和技術(shù)支持.

3.3 MSWI 智能優(yōu)化控制系統(tǒng)愿景

柴天佑等[216,257,300]、桂衛(wèi)華等[34]、丁進(jìn)良等[278]知名學(xué)者在流程工業(yè)智能制造方面的成果為MSWI過程的智能優(yōu)化控制研究提供了發(fā)展方向以及理論與可行性方面的支撐.面向MSWI 過程這一特定對(duì)象,有效利用云計(jì)算、大數(shù)據(jù)、工業(yè)人工智能等技術(shù)實(shí)現(xiàn)其智能優(yōu)化控制,不但符合“中國(guó)制造2025”發(fā)展戰(zhàn)略,也是我國(guó)實(shí)現(xiàn)環(huán)保托底行業(yè)可持續(xù)發(fā)展的必然要求.因此,筆者認(rèn)為,MSWI 全流程協(xié)同優(yōu)化控制系統(tǒng)的愿景是:在垃圾分類[17]、雙碳戰(zhàn)略[24]、企業(yè)運(yùn)營(yíng)策略調(diào)整等約束條件下,圍繞MSW 處理的無害化、低碳化、減量化和資源化等迫切需求,減少煙氣污染物和CO2排放濃度,提高燃燒效率和熱效率,降低爐渣熱灼減率和飛灰產(chǎn)量以減少其二次處理成本,實(shí)現(xiàn)企業(yè)提質(zhì)增效和減碳的目標(biāo).

MSWI 過程智能優(yōu)化控制系統(tǒng)如圖6 所示,實(shí)際MSWI 過程提供實(shí)時(shí)運(yùn)行數(shù)據(jù)(過程數(shù)據(jù)和火焰視頻)、設(shè)備數(shù)據(jù)(機(jī)械設(shè)備和巡檢感知等信息)和生產(chǎn)數(shù)據(jù)(日處理量、尾氣排放等信息);智能感知系統(tǒng)需要對(duì)MSWI 過程的多源多模態(tài)數(shù)據(jù)進(jìn)行采集處理、挖掘融合、分析評(píng)估以及關(guān)鍵信息提取;MSWI 全流程協(xié)同優(yōu)化控制邊緣端服務(wù)系統(tǒng)為智能優(yōu)化控制系統(tǒng)提供優(yōu)化計(jì)算的基礎(chǔ)平臺(tái),包含DCS 數(shù)據(jù)采集系統(tǒng)、虛實(shí)信息數(shù)據(jù)庫(kù)、安全隔離網(wǎng)絡(luò)環(huán)境等;MSWI 半實(shí)物數(shù)字孿生平臺(tái)基于實(shí)時(shí)感知信息模擬運(yùn)行虛擬孿生體,演化推理多場(chǎng)景下的運(yùn)行態(tài)勢(shì),基于半實(shí)物仿真平臺(tái)進(jìn)行算法驗(yàn)證,為實(shí)際智能運(yùn)行優(yōu)化提供協(xié)同支撐;MSWI 智能運(yùn)行優(yōu)化依托MSWI 全流程協(xié)同優(yōu)化控制邊緣端服務(wù)系統(tǒng)平臺(tái)自動(dòng)獲取實(shí)時(shí)感知真實(shí)數(shù)據(jù)和數(shù)字孿生虛擬數(shù)據(jù),實(shí)現(xiàn)MSWI 過程工況感知、指標(biāo)建模和故障預(yù)警等功能,進(jìn)而服務(wù)于智能控制參數(shù)和協(xié)同優(yōu)化參數(shù)的演化推理,為實(shí)際MSWI 過程的基礎(chǔ)回路控制和協(xié)同優(yōu)化運(yùn)行提供參數(shù)推薦.因此,MSWI過程智能優(yōu)化控制系統(tǒng)的愿景是集智能感知、智能控制、協(xié)同優(yōu)化、指標(biāo)建模與工況感知、半實(shí)物數(shù)字孿生平臺(tái)于一體,能夠依據(jù)工業(yè)過程的動(dòng)態(tài)變化進(jìn)行自適應(yīng)、自學(xué)習(xí)和自組織,最終實(shí)現(xiàn)全流程的優(yōu)化運(yùn)行.

圖6 MSWI 過程智能優(yōu)化控制系統(tǒng)Fig.6 Intelligent optimization control system of MSWI process

4 結(jié)論

MSWI 是進(jìn)行MSW 處理的核心和主流技術(shù)之一,也是當(dāng)前生態(tài)文明建設(shè)和循環(huán)經(jīng)濟(jì)體系的托底工業(yè).在國(guó)家“雙碳戰(zhàn)略”和“藍(lán)天凈土”的新時(shí)代環(huán)保要求下,蘊(yùn)含機(jī)理與經(jīng)驗(yàn)知識(shí)的海量過程數(shù)據(jù)和高速發(fā)展的工業(yè)人工智能為實(shí)現(xiàn)該過程的智能優(yōu)化控制提供了契機(jī).本文對(duì)現(xiàn)有MSWI 過程運(yùn)行控制研究現(xiàn)狀和未來發(fā)展趨勢(shì)進(jìn)行綜述和展望,指出進(jìn)一步研究存在的主要挑戰(zhàn)包括:

1)在運(yùn)行指標(biāo)建模和預(yù)測(cè)方面.運(yùn)行指標(biāo)數(shù)據(jù)存在樣本量小、維數(shù)高、分布稀疏以及時(shí)間尺度上的多樣性、不確定和延遲等特性,導(dǎo)致常規(guī)建模方法難以支撐高性能模型的構(gòu)建.因此,獲取分布均勻且完備的運(yùn)行指標(biāo)建模樣本庫(kù),構(gòu)建能夠融合多源特征且具有較強(qiáng)可解釋性的工業(yè)人工智能驅(qū)動(dòng)運(yùn)行指標(biāo)模型,建立魯棒動(dòng)態(tài)指標(biāo)檢測(cè)與預(yù)測(cè)模型以及開發(fā)集運(yùn)行指標(biāo)智能感知、預(yù)測(cè)和溯源于一體的智能軟件系統(tǒng)是未來研究的主要挑戰(zhàn)問題.

2)在智能控制方面.MSW 作為燃料所固有的組分波動(dòng)范圍大、熱物理性質(zhì)復(fù)雜和熱值不穩(wěn)定等特性使得研究MSWI 過程基礎(chǔ)回路的智能控制成為現(xiàn)階段運(yùn)行的迫切需求.因此,構(gòu)建基于多模態(tài)數(shù)據(jù)和機(jī)理知識(shí)雙驅(qū)動(dòng)的智能被控對(duì)象模型、面向差異化工況的穩(wěn)態(tài)智能回路控制器及其在強(qiáng)動(dòng)態(tài)干擾下的自組織機(jī)制是具有挑戰(zhàn)性的難題.

3)在全流程協(xié)同優(yōu)化方面.包含多工藝階段和多流傳遞運(yùn)行模式使得MSWI 的全流程協(xié)同優(yōu)化具有多目標(biāo)、多約束和多尺度等特性.因此,必須面對(duì)的挑戰(zhàn)包括:深度融合數(shù)據(jù)與知識(shí)的全流程運(yùn)行態(tài)勢(shì)智能感知機(jī)制、多沖突目標(biāo)全局和局部耦合多層級(jí)智能優(yōu)化機(jī)制解析、人機(jī)合作增強(qiáng)交互演化智能決策算法等.

4)在數(shù)字孿生平臺(tái)方面.實(shí)際工業(yè)過程的大數(shù)據(jù)集中分布在穩(wěn)態(tài)工作點(diǎn)附近,其窄信息域的特點(diǎn)導(dǎo)致難以構(gòu)建有效的數(shù)字孿生系統(tǒng),因此,面對(duì)的挑戰(zhàn)包括:面向控制的多態(tài)勢(shì)虛擬數(shù)據(jù)獲取策略,多孿生體模型的異構(gòu)集成機(jī)制,真實(shí)與虛擬大數(shù)據(jù)的融合挖掘算法,半實(shí)物數(shù)字孿生平臺(tái)體系架構(gòu)與運(yùn)行機(jī)制等.

進(jìn)一步,如何構(gòu)建面向MSWI 過程的工業(yè)元宇宙(即MSWI 元宇宙)是未來所面對(duì)的最大挑戰(zhàn).

附錄A

附錄表A1 為 MSWI 過程的研究成果總結(jié)與對(duì)比.

表A1 MSWI 過程的研究成果總結(jié)與對(duì)比Table A1 Summary and comparison of research results for MSWI process