梭式窑烟气氧含量软测量技术的研究

　　0　引　言

　　烟气氧含量不仅是梭式窑的重要热工参数,也是反映窑炉热效率的一个参数。目前,烟气氧含量大多采用ZrO2烟气分析仪[1]等检测仪器进行在线检测。由于烟气氧含量测试仪存在价格昂贵、维护困难、测量滞后、测点不易确定等诸多缺点,目前在线测量烟气氧含量很难普及,甚至很多梭式窑放弃对烟气氧含量的控制。随着制品对梭式窑热工制度要求的提高,寻找一种新的烟气氧含量测量手段显得尤为必要。本文基于人工智能模型,提出了人工神经网络在梭式窑烟气氧含量的软测量策略,并利用模糊减法聚类的算法处理训练数据,提高了网络训练的效率,实现了梭式窑烟气氧含量的软测量,为梭式窑烟气氧含量检测提供了又一途径。

　　1　梭式窑烟气氧含量影响因素分析

　　对于燃气式梭式窑,气氛与燃烧状态密切相关,在理想燃烧状态下,根据燃烧反应方程式:

　　由(3)式知理论空气量与燃气成分有关,实际制品在不同烧结阶段需要氧化或还原气氛。气氛主要由空气过剩系数()来控制,α过大或过小都会增加窑炉热耗,浪费能源。空气过剩系数与烟气成分有如下关系[2]:

　　其中N2(smoke)、N2(gas)分别表示烟气和燃气中的氮含量,各分子式表示烟气中相应成分百分含量。气氛制度取决于助燃空气量(以α为指标)而表现于烟气成分(以烟气氧含量为指标)。空气过剩系数和烟气氧含量互相制约,烟气氧含量能够很好反映窑内烧成的气氛状况。

　　2　梭式窑烟气氧含量的软测量方法的实现

　　本文提出的梭式窑烟气氧含量软测量方法,通过容易测得的窑炉状态参量推测烟气氧含量。针对实际梭式窑,以助燃空气流量、助燃空气温度、燃气流量、燃气热值、窑温、窑压、排烟温度作为软测量的直接变量,烟气含氧量为软测量待估计变量,确定直接测量变量和待估计变量之间的关联模型[3],以求得烟气氧含量。

　　2. 1　基于人工神经网络的软测量模型

　　因为梭式窑状态的时变性和参数关系的复杂性,直接变量和待估变量之间相互关联的数学模型如用普通的系统辨识方法来确定,所需代价太大。本文利用人工神经网络(ANN)建立软测量模型。ANN有如下优点[4][5]:1)不需知道对象具体数学模型,但ANN能够逼近任意复杂对象的非线性关系,再现非线性动力学系统;2)能自学习不确定系统的动态特性;3)神经元具有网格信息存储能力、容错性和鲁棒性;4)数据信息的大规模并行处理,可以进行快速运算。ANN的以上特点适合梭式窑这一类复杂系统的建模。本文以多层误差反向传播前馈(BP)神经网络为系统框架构建的核心,根据离线采集数据,将典型输入输出数据形成网络训练样本,用BP神经网络来映射复杂的输入输出关系,逼近实际对象,构建烟气氧含量软测量模型。