炼焦过程煤调湿工艺的选择

炼焦过程煤调湿工艺的选择

#煤调节技术（cmc）是一种用于处理焦煤的预处理技术。这是“煤水加工工艺”的简称。通过直接或间接加热，降低并稳定控制进入炉的煤水，使炉内的煤水分解在规定的目标值的5%7%之间，保证焦炉在装载量稳定的条件下生产，降低焦炉生产能力，提高焦炉生产能力，提高焦炉质量，稳定焦炉操作。对于煤调湿的建模问题,Ergun1工艺过程和模型选择1.1煤调湿自动在线控制的建立及分析研究对象选择宝钢炼铁厂煤调湿工艺系统,设备包括蒸汽管式间接加热转筒干燥器,布袋式除尘器,储液罐,储煤仓,闪蒸罐,风机,输气管,蒸汽管,传送带等。其工艺流程如图1。煤料水分控制系统本身为一个多参数,强耦合,非线性大时滞系统,其控制模型采用机理的建模方法通常较难;同时,煤粉干燥出口湿度在线监测因水汽、粉尘等干扰,很难获得稳定、可靠的数据;在日常生活中,因化验室对干燥机出口煤水分化验的结果滞后生产约15h,通常难以及时指导生产操作;在干燥机入口煤水分稳定时,这种时间上的滞后还能维持干燥机出口煤水分的稳定,而当江南地区梅雨天气造成露天煤场水分较大波动时,通常会导致出口煤湿度较大波动,从而影响煤调湿系统的运行效果。因此,对现有煤料水分控制系统进行建模和理论分析,给出不同切出量条件下,蒸汽消耗量与烟道气温度,入口煤湿度、出口煤湿度等物理量之间的关系模型,实现煤调湿的自动在线控制具有十分重要的现实意义。从煤调湿的热平衡看,煤调湿过程的热平衡关系见图2,其中,热收入=蒸汽放热+烟道气放热;蒸汽放热=过热蒸汽降温放出显热+饱和蒸汽变相放出潜热+冷凝水降温放出显热;热支出=干煤升温消耗热量+煤中剩余水分升温消耗热量+煤中水分蒸发消耗热量+空气升温消耗热量+蒸汽排空热损失计算+不可计算热损失。从煤调湿工艺过程看,在煤调湿过程中,直接和间接影响干燥后煤料水分的因素有切出量,蒸汽压力,凝液罐压力,蒸汽温度,蒸汽实际流量,蒸汽管网流量,主电机电流,进料螺旋电流,排料螺旋电流,引风机电流,引风机输出,烟道气CO浓度,循环气加热蒸汽流量,循环气温度,出口气体流量,循环气流量,鼓风风量,干燥机入口压力,鼓风温度,除尘器压差,干燥机出口气体温度,入口气体温度,出口气体温度,入口气体压力,出口气体压力,袋室温度,灰斗温度,反吹氮气温度,反吹氮气压力,干燥机氧含量,入口煤湿度等30多个。通过对煤调湿热平衡机理模型和工艺参数数理统计的相关性理论分析,从现场提供的煤调湿数据时报中,分析各个变量之间的相关性,考虑节能降耗与精确控制目标,最后确定出与蒸汽用量相关性最高的独立变量煤处理量,干燥机出口尾气温度,入口煤湿度,出口煤湿度为煤料水分控制系统模型的输入和输出量。1.2煤调湿系统方案设计针对煤调湿的非线性、多输入、强耦合,以及不能直接在线精确测量出口煤湿度等特点,研究选择用RBF神经网络来对煤料水分控制系统进行建模。其结构如图3。图3中输入层节点数:依据煤调湿工艺特性,输入层是接受外部输入数据的缓冲存储器,以及一般节点数取决于输入矢量的维数等特点,本研究选输入层节点数3。输出层节点数:依据煤调湿工艺特性,在设计输入层和输出层时,应尽可能减小系统规模,使系统的学习实践和复杂性减小,本设计的目的是预测蒸汽用量大小,故设定输出层节点数为1。隐层节点数:经过100组数据进行训练比较,选取隐层节点数为8。2煤样检测实验对煤调湿控制系统的环境参数、操作参数和运行参数以及煤料在回转窑内停留的时间进行现场的测试记录,采集煤样带回实验室进行检测和实验,监测过程示意见图4。在宝钢现场通过4班工人,测量获得1006组数据,为了使数据覆盖所有的样本空间,采用了基于拉丁超立方的试验设计方法,选择3个输入变量的若干论域边界值及每个子区间中的随机点作为训练样本库。共计542组数据。见表1。3迭代次数对稳定性的影响为了得到更加精确的模型,分别用GA、PSO、固定步长分别为0.1和0.5的BFOSTEP1:利用RBF算法完成每一个体对应的神经网络权值的优化训练;STEP2:计算每一个网络的J=100∑︳e(i)︳作为网络的适应值(用J是为了获得满意的精度,采用误差绝对值指标作为参数选择的最小目标函数);STEP3:用5种算法对J适应值进行寻优,使得J的值最小,而后此网络对应的权值,即为最优值。见图5。由图5中PSO优化RBF网络参数的曲线可见,随着迭代次数的增加,其J逐渐减小,PSO可以最好的找出RBF网络的权值。GA优化RBF网络参数时,收敛速度很快,但是随着迭代次数的增加,J并没有减少,精度低。固定步长为0.1的BFO优化RBF网络参数时,其收敛速度较ABFO较慢,最终效果没有PSO好。而固定步长为0.5的BFO优化RBF网络参数时,收敛速度比0.1步长的BFO曲线收敛速度快,而且较0.1步长的BFO拥有更小的适应值J,但在对高维度的参数优化(所优化的RBF网络参数为40维)时,0.1步长的BFO有时会陷入了局部最优。ABFO(自适应步长BFO)优化RBF网络参数时,收敛速度介于0.1步长BFO和0.5步长BFO之间。综合分析可知,PSO的优化效果精度最高,效果最好。4实际应用结果在实际生产中采集550组数据用于预测模型的检验,得到如下结果。分别使用无优化的RBF神经网络和经过智能算法优化过的RBF神经网络进煤切出量进行比较。图6到图11分别为常规RBF神经网络模型和经智能算法优化后的RBF神经网络预测值与实际的蒸汽流量值的相对误差。可以明显看出在整体550组预测数据中,经过智能算法优化过的RBF神经网络预测输出与实际误差较小,而没有经过优化的RBF神经网络预测输出的误差则较大。从整体误差的趋势来看,常规的RBF网络其误差较大为20%以上,经过智能算法优化以后,GA优化后的误差小于17%以内,0.1步长的BFO小于12%,(0.1步长的BFO易陷入局部最优点),ABFO的误差小于8%,0.5步长的BFO优化后的误差小于7%,PSO优化的RBF神经网络误差小于4%。图12到图18对应550组数据,是原有实际运行的蒸汽流量和本研究所建立的RBF神经网络模型对应的控制输出的对比。从运行结果的图12~图18可知,原有蒸汽流量波动远远大于2.0kg/h×105种方法优缺点通过对现有煤料水分控制系统进行分析和建模,提出了实现煤调湿过程智能建模与控制的有效方法。通过研究表明,依据煤调湿过程特性确定模型类型后,基于智能方法的煤调湿建模与优化具有以下特点:(1)GA算法收敛过早,但是对应的J较大,不符合精度的要求。(2)BFO优化RBF网络的精度较高,建立得模型也较精确,但对于高维度(优化的RBF参数为40维以上时)的优化问题容易陷入局部最优点。(3)三种BFO优