船舶锅炉燃烧系统的优化控制

第30卷 第1期大连海事大学学报Vol.30,N o.1 2004年2月Journal of Dalian Maritime University F eb.,2004

文章编号:1006 7736(2004)01 0045 04

船舶锅炉燃烧系统的优化控制

李维坚1,于洪亮2

(1.广州航海高等专科学校轮机系,广东广州 510725;

2.大连海事大学轮机工程学院,辽宁大连 116026)

摘要:分析了船舶锅炉燃烧控制系统的运行特点,对船舶锅炉燃烧控制系统优化模型的建立、优化模型参数的求解方法及船舶锅炉燃烧实时控制系统的控制规律进行了研究,以使船舶锅炉燃烧过程更多时间处于相对平稳状态,提高燃烧效率.同时具体提出了采用传统PI D控制与最优控制相结合的方法,建立了蒸汽压力与喷油量、送风量、引风量和蒸汽流量之间的关系模型以及氧含量和喷油量、送风量、引风量和蒸汽流量之间的关系模型和炉膛负压和喷油量、送风量、引风量和蒸汽流量之间的关系模型.

关键词:船舶锅炉;燃烧控制系统;优化模型;前向神经网络模型

中图分类号:U664.111 文献标识码:A

0 引 言

蒸汽动力装置船舶的锅炉及油船的锅炉,其蒸发量都比较大,蒸汽压力也比较高,对水位和蒸汽压力的变化要求比较严格,工作过程中,不允许水位和蒸汽压力出现较大的波动,因此在锅炉的燃烧自动控制系统中以往都把控制的焦点聚焦在维持水位和蒸汽压力在允许范围内波动这个问题上,并已较为彻底地解决了技术上的难题.而在燃烧过程优化控制问题上,相对而言,还没能给予较好地解决.这既有难以精确地建立被控对象的数学模型的原因,也有主观认识上的原因,但随着能源使用的日趋紧张,如何使在系统安全有效运行的基础上,对船舶锅炉燃烧过程进行优化控制,是船舶锅炉燃烧控制系统的发展方向.

1 优化模型及参数求解

为实现对船舶锅炉燃烧过程的优化控制,在船舶锅炉燃烧过程中,需要对以下主要运行参数进行控制:蒸汽压力、蒸汽流量、喷油量、送风量、引风量、炉膛负压及水位控制.

锅炉的燃烧效率决定于锅炉燃烧系统状态的好坏,为此,应保证锅炉燃烧系统的稳态运行过程处于优化状态.采用自动控制系统来对锅炉的燃烧过程进行控制,可以实现系统工作过程中能长时间维持在稳定运行状态,而要保证锅炉燃烧系统处于稳态运行时能处于优化状态,则需对锅炉燃烧系统的稳态运行参数进行优化才能得以实现.这就要求锅炉燃烧过程中,通过控制回油阀的开度来调节喷向炉膛的喷油量时,必须同时调节向炉膛提供的送风量(空气量可用风道与炉内之间的压力差来表示),通过保持喷油量与送风量的最佳匹配来提高锅炉燃烧的热效率[1].此外,当送风量改变时,还应同时改变炉膛的引风量,使炉膛具有一个最佳的炉膛负压,这样就可以避免因喷火或漏风等因素导致的燃烧热效率降低,减少热损失,从而取得最大的燃烧效率.因此控制的核心问题是如何合理地控制喷油量、送风量、引风量和炉膛负压.为解决这一核心问题,在锅炉的稳态运行过程中,构造了这样一个优化模型,即优化模型

收稿日期:2003 10 07

作者简介:李维坚(1969 ),男,广西柳州人,讲师.

以喷油量、送风量和引风量作为优化模型的主要输入量,以蒸汽压力、炉膛负压和氧含量作为优化模型的输出量,以回油阀的开度(喷油量)、风门挡板的开度(送风量)和引风挡板的开度(引风量)作为决策量.在满足船舶锅炉燃烧过程中,各个决策量只允许在规定范围内变化,锅炉蒸汽压力的波动不能超过规定值的约束条件下,对优化模型的参数进行寻优[2,3].所建立的优化模型为

Q=k1x1(t)+k2x2(t)+k3x3(t)

其中:k1、k2、k3分别为送风量、引风量、喷油量的单位成本;x1(t)、x2(t)、x3(t)是调节器的控制量,分别代表风门挡板的开度、引风挡板的开度、回油阀的开度.这三个量只能在规定的上下限内变化,其变化范围分别用变量:M IN-SWIN, M AX-SWIN;M IN-PWIN,MAX-PWIN; M IN-OIL,MAX-OIL来表示.其中:M IN-SWIN和M AX-SWIN分别为风门挡板开度的最小和最大规定值;M IN-PWIN和M AX-PWIN 分别为引风挡板开度的最小和最大规定值; M IN-OIL和MAX-OIL分别为回油阀开度的最小和最大规定值.

在此优化模型中,锅炉的蒸汽压力p是主要的监控参数,其变化规律与送风量、引风量、喷油量和蒸汽流量有关,蒸汽压力与送风量、引风量、喷油量和蒸汽流量之间的关系是一个非线性关系.在智能控制系统中,当前用得最多也最有效的是在学习(训练)过程中,采用Back Propag ation 算法的前向神经网络,因此这里用了一个4层的前向神经网络模型f(x1,x2,x3,q stm)来描述蒸汽压力与送风量、引风量、喷油量和蒸汽流量之间的这种非线性关系,即p=f(x1,x2,x3,q stm),其中,q stm代表蒸汽流量.在这个4层前向神经网络模型中,输入层有4个输入量(风门挡板的开度、引风挡板的开度、回油阀的开度和蒸汽流量),第二层和第三层各设置10个神经元,第4层是输出层.网络中相邻层之间采用全互连方式进行连接,而同层的各个神经元之间没有任何连接关系,输入层与输出层之间也没有任何直接的连接关系[2,3],蒸汽压力p也只能在规定的上下限内变化:M IN-p

当优化出决策变量,求得最佳氧含量及炉膛负压值之后,还须进一步求取风门挡板的开度、引风挡板的开度、回油阀的开度、氧含量及炉膛负压最佳值.这就需要再构造另外的神经网络模型,来建立起氧含量和风门挡板的开度、引风挡板的开度、回油阀的开度及蒸汽流量之间的关系;建立起炉膛负压和风门挡板的开度、引风挡板的开度、回油阀的开度及蒸汽流量之间的关系,从而实现最佳值的求取.

上述优化模型的参数最优化问题中,具有一定的限制条件,在寻优过程中,可以用代价函数法或互相寻优法来进行处理[4].其中代价函数法是一种对实际计算和理论研究都非常有价值的优化方法,广泛用来求解约束问题.其原理是将优化问题中的不等式约束和等式约束加权转换后,和原目标函数结合成新的目标函数,求解该新目标函数的无约束极小值,以期得到原问题的约束最优解.在这里就是采用代价函数法来对优化模型进行求解,为此需将各个限制条件考虑到优化模型中,即将优化模型改写为

R( )=k1x1+k2x2+k3x3+ 8k=1c k g2k( )式中:c k(k=1,2,,8)是一个大于零的正数,在寻优过程中,开始时取一个较小值;g k(k=1,2, ,8)是据风门挡板开度的最小和最大规定值,引风挡板开度的最小和最大规定值、回油阀开度的最小和最大规定值,蒸汽流量最小和最大规定值而取得的限制条件.寻优的过程如下:

(1)取c k初值,按指标函数R( )进行寻优,即设法找到使R( )!min的 n.

(2)增大c k值,再次对指标函数R( )进行寻优,得到另一个值 n+1.

(3)若| n+1- n|∀ ( 为事先给定的一个逼近精度),则说明 n+1就是最优值,否则回到#,重新进行寻优.因为c k是个大于零的正数,

R( )的第二项又是 8k=1c k g2k( ),若 n+1与 n相差很小,则g k( n+1)必定十分接近于零,也就是说,符合限制条件,因此 n+1就是最优值.

2 4层前向神经网络模型的训练

函数p=f(x1,x2,x3,q stm)是一个4层前向神经网络模型,对网络模型的训练就是利用输入输出样本集对,对网络的权值和阈值进行学习和调整,以使网络实现给定的输入输出映射关系.这样经过训练的BP网络,对于不是样本集中的输入

46

大连海事大学学报 第30卷