一种基于深度卷积神经网络的高效燃烧控制方法及系统技术方案

本发明专利技术提供了一种基于深度卷积神经网络的高效燃烧控制方法及系统，基于炉内全方位摄像头对火焰进行成像，再利用深度卷积神经网络模型对燃烧效率指标进行学习和诊断，在不对炉内火焰进行入侵式探测的前提下获得关键燃烧信息，且具有低延时、高可靠性的优点；并且以预测的CO、灰渣含碳量为核心控制基准的燃烧控制方法具有提高燃烧效率的天然优势，并始终保持CO排放处于高度可控状态，是下一步燃烧控制技术发展的主要方向；另外以现有余热锅炉出口氧量、烟囱CEMS作为辅助控制指标可以确保整套燃烧控制模式无漏洞，安全无隐患；本方案解决了焚烧炉负荷波动大、CO瞬时超标难控制以及过量空气系数高，增加燃烧安全性、提高燃烧效率的作用。作用。作用。

【技术实现步骤摘要】
一种基于深度卷积神经网络的高效燃烧控制方法及系统


[0001]本专利技术属于燃烧控制领域，具体涉及一种基于深度卷积神经网络的高效燃烧控制方法及系统。

技术介绍

[0002]燃烧控制是生活垃圾焚烧炉运行的难点，层燃型垃圾焚烧炉燃烧状态诊断主要依赖于传统的热电偶、余热锅炉出口氧化锆氧气测点、烟囱CEMS的一氧化碳(CO)测点以及人工观测CCD相机，这些诊断方法有效信息非常有限，如利用炉内热电偶、一次风压力差等数据时所代表意义不具有广泛的燃烧诊断意义且受干扰较大，CEMS数据时间延时大，一般在2～3min，增加了燃烧控制难度，人工观察CCD相机并判断具有很强主观性。这些检测手段不是代表性有限，就是时间延迟太长，导致入炉燃料发生改变时不能及时有效的进行针对性调整，典型代表性问题即CO瞬时超标难控制、过量空气系数高、燃烧调整频繁操作量大，共同导致层燃炉运行经济性差、安全性差，如为保证燃烬层燃炉常用过量空气系数为1.4～1.9，其大大高于煤粉炉、燃油炉、燃气炉的1.1～1.3。
[0003]另外，现有技术中基于机器学习算法的燃烧控制技术对提高燃烧效率帮助有限，如CN 106765199B专利只是着重对不同燃烧状态进行识别和分类，起到取代人工的作用，更进一步的CN 113313204 A专利是对污染物浓度进行预测，但对燃烧效率提升的燃烧控制并没有专门进行强化，仍然只能起到替代人工，起到增加自动化程度的作用，起不到增加燃烧安全性、提高燃烧效率的作用。

技术实现思路

[0004]本专利技术提供了一种基于深度卷积神经网络的高效燃烧控制方法及系统，基于火焰图像深度学习算法预测炉内CO和灰渣含碳量，并基于CO和灰渣含碳量建立炉内高效燃烧控制回路，解决了CO瞬时超标难控制、过量空气系数高、燃烧调整频繁操作量大等问题，增加燃烧安全性、提高燃烧效率的作用。
[0005]为解决上述技术问题，本专利技术采用以下技术方案：
[0006]一种基于深度卷积神经网络的高效燃烧控制方法，针对机械炉排式焚烧炉系统，执行以下步骤，实现对焚烧炉的实时燃烧控制：
[0007]步骤1：实时采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O2量、预设各类型焚烧炉运行参数；
[0008]步骤2：基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O2量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O2量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型；
[0009]步骤3：基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；
[0010]步骤4：基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O2量、焚烧炉烟囱CO量、预设焚烧炉出口O2量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值，通过控制风机的开度实现对焚烧炉的实时燃烧控制。
[0011]作为本专利技术的一种优选技术方案，所述步骤1中，所述焚烧炉内火焰图像包括焚烧炉中炉排上的全部火焰图像、以及焚烧炉余热锅炉一烟道的全部火焰图像。
[0012]作为本专利技术的一种优选技术方案，所述步骤2中，所述预设各类型焚烧炉设计规格参数包括焚烧炉处理吨位、焚烧炉设计垃圾热值。
[0013]作为本专利技术的一种优选技术方案，所述步骤2中，所述预设各类型焚烧炉运行参数包括焚烧炉负荷率、焚烧炉炉温。
[0014]作为本专利技术的一种优选技术方案，所述风机包括一次风机、二次风机。
[0015]作为本专利技术的一种优选技术方案，所述步骤4，具体步骤如下：
[0016]步骤4.1：基于实时预测的焚烧炉内烟气中CO浓度、以及焚烧炉内排出的灰渣含碳量，结合预设焚烧炉内烟气中CO浓度目标值、预设焚烧炉内排出的灰渣含碳量目标值以及与风机开度调节对应的经验参数k1值，获得一次风机的开度调节增量e1，进而输入以开度调节增量为输入、以一次风机开度调节值为输出的模糊控制器，获得一次风机开度调节值；并且输入以开度调节增量为输入、以一次风温度调节值为输出模糊控制器，获得一次风温度调节值；
[0017]步骤4.2：基于实时预测的焚烧炉内烟气中CO浓度，结合焚烧炉烟囱CO量、焚烧炉出口O2量、预设焚烧炉出口O2量范围，获得二次风机的开度调节增量e4及增量变化量，进而输入以开度调节增量及增量变化量为输入、以二次风机开度为输出的模糊控制器，获得二次风机开度。
[0018]作为本专利技术的一种优选技术方案，所述步骤4.1中一次风机的开度调节增量e1通过以下公式获得：
[0019]e1＝max{预测的焚烧炉内排出的灰渣含碳量
‑
预设焚烧炉内排出的灰渣含碳量目标值，0}+max{预测的焚烧炉内烟气中CO浓度
‑
预设焚烧炉内烟气中CO浓度目标值}/100*k1；
[0020]式中，预设焚烧炉内排出的灰渣含碳量目标值为根据法律法规和运行要求设定的含碳量上限值；预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值；k1为预设权重调节因子。
[0021]作为本专利技术的一种优选技术方案，所述步骤4.2中，具体过程如下：
[0022]步骤4.2.1：基于实时预测的焚烧炉内烟气中CO浓度，结合预设焚烧炉内烟气中CO浓度目标值、焚烧炉烟囱CO量，通过以下公式，获得增量e2：
[0023]e2＝max{预测的焚烧炉内烟气中CO浓度
‑
预设焚烧炉内烟气中CO浓度目标值，焚烧炉烟囱CO量
‑
预设焚烧炉内烟气中CO浓度目标值，0}/100；
[0024]式中，预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值；
[0025]步骤4.2.2：基于焚烧炉出口O2量、以及预设焚烧炉出口O2量范围，通过以下过程，获得增量e3：
[0026]增量e3获得过程：当焚烧炉出口O2量≤预设焚烧炉出口O2量范围下限，则e3＝预设焚烧炉出口O2量范围下限
‑
焚烧炉出口O2量；当焚烧炉出口O2量＞预设焚烧炉出口O2量范围上限，则e3＝预设焚烧炉出口O2量范围上限
‑
焚烧炉出口O2量；当预设焚烧炉出口O2量范围下限<焚烧炉出口O2量≤预设焚烧炉出口O2量范围上限，则e3＝0。
[0027]步骤4.2.3：基于增量e2、e3，通过以下公式，获得增量e4及e4变化率，进而输入模糊控制器，获得二次风机开度：
[0028]e4＝e2+e3*k2；
[0029]e4变化率＝d(e4)/t；
[0030]式中，k2为预设权重调节因子，t为时间。
[0031]一种基于所述深度卷积神经网络的高效燃烧控制方法的系统，包括数据采集模块、燃烧预测模型构建模块、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，针对层燃型机械炉排式焚烧炉系统，执行以下步骤，实现对焚烧炉的实时燃烧控制：步骤1：实时采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O2量、预设各类型焚烧炉运行参数；步骤2：基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O2量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O2量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型；步骤3：基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；步骤4：基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O2量、焚烧炉烟囱CO量、预设焚烧炉出口O2量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值，通过控制风机的开度实现对焚烧炉的实时燃烧控制。2.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤1中，所述焚烧炉内火焰图像包括焚烧炉中炉排上的全部火焰图像、以及焚烧炉余热锅炉一烟道的全部火焰图像。3.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤2中，所述预设各类型焚烧炉设计规格参数包括焚烧炉处理吨位、焚烧炉设计垃圾热值。4.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤2中，所述预设各类型焚烧炉运行参数包括焚烧炉负荷率、焚烧炉炉温。5.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述风机包括一次风机、二次风机。6.根据权利要求6所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤4，具体步骤如下：步骤4.1：基于实时预测的焚烧炉内烟气中CO浓度、以及焚烧炉内排出的灰渣含碳量，结合预设焚烧炉内烟气中CO浓度目标值、预设焚烧炉内排出的灰渣含碳量目标值以及与风机开度调节对应的预设权重调节因子k1值，获得一次风机的开度调节增量e1，进而输入以开度调节增量为输入、以一次风机开度调节值为输出的模糊控制器，获得一次风机开度调节值；并且输入以开度调节增量为输入、以一次风温度调节值为输出模糊控制器，获得一次风温度调节值；步骤4.2：基于实时预测的焚烧炉内烟气中CO浓度，结合焚烧炉烟囱CO量、焚烧炉出口O2量、预设焚烧炉出口O2量范围，获得二次风机的开度调节增量e4及增量变化量，进而输入以开度调节增量及增量变化量为输入、以二次风机开度为输出的模糊控制器，获得二次风机开度。7.根据权利要求6所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤4.1中一次风机的开度调节增量e1通过以下公式获得：e1＝max{预测的焚烧炉内排出的灰渣含碳量
‑
预设焚烧炉内排出的...

【专利技术属性】
技术研发人员：王进，陈洪永，周国顺，朱真真，赵栗，
申请(专利权)人：光大环保技术研究院南京有限公司光大环保技术研究院深圳有限公司，
类型：发明
国别省市：