王永红 李 杰 钟伟民
(南京化工职业技术学院1,江苏 南京 210048;华东理工大学化工过程先进控制与优化技术教育部重点实验室2,上海 200237)
煤气化是实现煤炭资源清洁、高效利用的重要途径[1-3]。气化炉是气化反应装置的核心。在实际工业生产过程中,气化炉的温度直接关系到合成气收率及生产装置的长期稳定运行。
目前,气化炉温度的实时监测基本依赖于高温热电偶,然而在高温、高压、强腐蚀环境下,热电偶的工作寿命很短,因此,建立气化炉温度的软测量模型意义重大。一些先期的研究工作一方面因为缺乏对反应机理的分析及研究,辅助变量的选取主要靠经验确定;另一方面由于多喷嘴对置式气化炉的工艺和Texaco气化炉相差甚大,使得新模型与原有的模型也不适应[2-3]。
本文以一多喷嘴对置式水煤浆气化炉为研究对象,采用相关系数分析法,在气化反应过程机理分析的基础上,选取合适的辅助变量,利用最小二乘支持向量机(least squares support vector machine,LS-SVM)建立了气化炉温度软测量模型。
来自煤浆给料泵的高压水煤浆通过气化炉的四个工艺烧嘴进入气化炉,同时来自空分的高压氧气分别从工艺烧嘴的中心和外环通道进入气化炉。煤炭和氧气在气化炉燃烧室内进行部分氧化反应,生成的粗合成气、熔渣及未完全反应的碳进入气化炉洗涤冷却室。粗合成气被冷却后在洗涤冷却室进行洗涤和进一步冷却。出气化炉的粗合成气经过混合器润湿和旋风分离器分离,大部分润湿的细灰后进入水洗塔,进一步洗涤后送净化系统。熔渣在洗涤冷却室的水浴中激冷破碎后进入锁斗定期排入渣池,部分未完全反应的细碳颗粒和细灰渣悬浮在黑水中,随黑水到渣水处理工序作进一步处理或回用[4]。
煤浆进入气化炉内,首先进行水分蒸发和裂解燃烧。当氧气消耗完全后,经裂解燃烧室出来的高温产物,进入气化阶段。气化炉一般可以分为裂解燃烧区和气化区两个区。裂解产物主要包括C、CO、CO2、H2、H2O、CH4。燃烧反应主要分为甲烷燃烧、一氧化碳燃烧、氢气燃烧和固相碳燃烧。气化反应主要包括水煤气反应、Boudouard反应、加氢反应和气相反应。多喷嘴对置式水煤浆气化工艺如图1所示。
图1 水煤浆气化工艺流程图Fig.1 Technological process of coal-water slurry gasification
水煤浆气化反应过程是一个相当复杂的物理和化学过程,它是典型的复杂非线性系统,很难建立气化炉温度分布模型。但一般认为炉膛内壁的温度分布较为均匀,在装置实际操作过程中,也只需要知道炉膛中部内壁的温度变化趋势。因此,本文借助软测量建模技术,建立多喷嘴对置式水煤浆气化炉炉膛中部内壁的温度软测量模型。
式中:y为软测量模型的输出变量,即气化炉炉膛中部内壁温度;xi(i=1,…,k)为软测量模型的输入变量,即软测量模型中的辅助变量;f为一非线性函数,本文采用最新的机器学习方法LS-SVM来实现。
理论上,影响气化炉温度变化的因素有很多,如水煤浆流量、氧煤比、煤渣颗粒大小和气化炉渣口压差等。在多喷嘴对置式水煤浆气化反应过程中,共有多达30多个过程可测变量,涉及到水煤浆制备、气化反应和水洗过程等多个工艺环节。通过分析工艺机理,本文首先选择了与主导变量气化炉温度有密切关系的25个操作变量作为候选辅助变量。考虑到相关系数法可以衡量两个随机变量之间线性关系的强度和方向[6],因此,本文采用相关分析法对上述候选变量进行了初选。对采集的实际工业运行数据进行归一化处理后,分别计算各操作变量。一般认为,当>0.35时,表明参数之间为显著性相关,从而可以初步确定气化炉温度软测量模型的9个辅助变量,包括B路煤浆中值、D路煤浆中值、C路氧气中值、C路中心氧气、出口合成气氢气H2、一氧化碳CO、硫氧化碳COS和CH4含量。事实上,多喷嘴对置式水煤浆气化反应相当复杂,由相关系数法确定的辅助变量并不能很好地实现气化炉温度的软测量模型;另外,辅助变量过多也会影响模型的泛化能力。因此,还需要根据机理分析作进一步讨论,以确定辅助变量。
通过分析流体力学理论可知,4路入炉煤浆中值、氧气中值流量都具有对称性,可对其分别取均值。同时,对入炉中心氧气引入系数(Omax-Omin),以平衡各路氧气对炉膛温度变化的可能影响,其中max、min分别取当前采集时刻点入炉中心氧气流量中的最大值和最小值。由于气化炉温度的变化和气化反应的剧烈程度密切相关,而提供主要热量的氧化反应的速率由入炉氧气总量、干基煤和水的转化效率所决定。因此,从热力学角度出发,并综合长期操作经验总结,引入干基煤、氧煤比这两个新的辅助变量。其中,干基煤是入炉煤浆中值流量、水煤浆浓度和水煤浆密度的乘积[5],计算公式为:
式中:LC为入炉煤浆中值流量;σ为水煤浆浓度;ρ为水煤浆密度。
氧煤比D为入炉氧碳原子的比例[5],即:
式中:LO为入炉氧气总量。
气化炉温度的变化与高温反应室内的气化反应的剧烈程度密切相关,它直接影响出口合成气的组成变化。氢气H2和一氧化碳CO的含量是检验气化反应效率的重要指标,因而最能够反映气化炉炉膛温度的变化。同时,结合实际工业装置运行经验,确定甲烷CH4的含量为辅助变量。的6个辅助变量为:干基煤(Omax-Omin)入炉中心氧气流量、氧煤比、出口合成气氢气H2、一氧化碳CO和甲烷CH4含量。
2.3.1 LS-SVM 回归
选取直圆曲线为例,介绍其界面设计及相关数据计算过程。界面的设计,如图1所示,其主要包括参数设置与放样数据计算两大部分,附加上直圆曲线放样的示意图,其在QPixMap中进行显示,以便于软件使用者快速熟悉该软件的使用。其中参数设置包括里程ZY、里程QZ、桩间距离C、里程Y和线路半径R的设置,以及计算生成数据、清除表格数据、导出计算结果3个按钮;放样数据计算包括放样数据计算表格,其与传统手工计算保持一致,包括点号、桩号、桩间间距、偏角值的度、分、秒,使用Qt中QTableView控件作为显示计算曲线放样的结果。
LS-SVM由Suykens等人在支持向量机的基础上推广得到的机器学习方法[7-8],其具有运算简化、收敛速度快以及精度高等特点,是目前广泛应用于非线性过程小样本拟合的方法之一[9-10]。
若给定一训练样本集{(xi,yi)},其中,m为该集合所包含的样本数目,xi∈Rm为第i个样本的输入数据,yi∈R为与之对应的输出数据。假定采用如下的函数形式,可用来描述一非线性系统:
式中:φ:Rm→RmC为核空间映射函数,它将原始空间的输入数据映射到高维特征空间;w∈RmC为权矢量。
结合结构风险最小化原则,LS-SVM回归的最优化问题如下:
综上所述,本文最终确定气化炉温度软测量模型
式中:ei∈R为误差;b为偏差;C为正则化参数。
通过引入拉格朗日乘子αi∈R,该最优化问题可转化为以下矩阵方程形式:
定义核函数 K(xi,xj)= φ(xi)Tφ(xj),并采用最小二乘法求解上述矩阵方程,分别得到系数αi和b,则LS-SVM回归模型描述如下:
2.3.2 气化炉温度软测量建模
本文在上述辅助变量选择的基础上,基于LS-SVM建立了多喷嘴对置式水煤浆气化炉温度的软测量模型。利用实际工业装置在炉膛热电偶指示正常期间的工业运行数据,形成辅助变量与主导变量样本数据对,并对数据进行最小-最大归一化处理。其中,训练样本共有206对,测试样本有30对。设定正则化参数C=10、核函数类型为RBF核函数,其核函数参数σ2=5,从而建立相应的LS-SVM回归模型。气化炉温度软测量模型的训练结果如图2所示。
图2 训练结果示意图Fig.2 The training result
由图2可以看出,模型在气化炉温度跳变时具有较好的训练效果,气化炉温度趋势跟踪明显。
软测量模型测试样本集的测试结果示意图如图3所示。
图3 测试结果示意图Fig.3 The testing result
由图3可以看出,软测量模型输出值与气化炉温度真实值之间的相对误差在[-2.5%,+2.5%]范围内。
为进一步验证模型的泛化能力,利用此模型对气化炉另外时刻段(建模数据采集时刻段后约1个月)的炉膛温度进行了预热,预测结果如图4所示。
图4 预测结果示意图Fig.4 The predicting result
从图4可以看出,模型预测值比热电偶仪表检测值平均偏高20 K左右(热电偶较长时间运行后,因积碳等原因,指示值会比实际值偏低),但趋势跟踪明显。由此可见,基于LS-SVM回归方法的气化炉温度软测量模型的拟合精度较高、趋势跟踪效果较强、模型泛化能力较好。考虑到实际运行过程中,装置更关心的是根据气化炉温度的变化趋势和合成气收率的关系,以调整氧煤比的操作。因此,该软测量模型具有较好的工业运行指导意义。
本文针对多喷嘴对置式水煤浆气化装置,基于相关系数分析法及机理研究,选取干基煤(Omax-Omin)入炉中心氧气流量、氧煤比、出口合成气氢气H2、一氧化碳CO和甲烷CH4含量为辅助变量,采用最小二乘支持向量机,建立了基于数据驱动的气化炉温度的软测量模型。
从模型的训练与测试结果和实际工业装置运行结果来看,该软测量模型在预测精度和模型泛化能力方面均有较好的性能,尤其在气化炉温度趋势跟踪方面性能突出:一方面表明基于机理与相关系数分析法选择辅助变量的方法有效;另一方面也表明了采用基于数据驱动的机器学习建模方法可以解决该类高温、高压气固相反应体系的温度预测问题。如果基于OPC接口技术,采集DCS实时数据,可以根据此模型实现气化炉温度的实时预测,为工业装置在热电偶仪表失效的情况提供操作指导。
[1]武利军,周静,刘璐,等.煤气化技术进展[J].洁净煤技术,2002,8(1):31 -34.
[2]Ji Ting,Shi Hongbo.Soft sensor modeling for tempera ture measurement of Texaco gasifier based on an improved RBF neural network[C]//2006 IEEE International Conference on Information Acquisition,Weihai,Shandong,China,2006:1147 -1151.
[3]王新刚,侍洪波.德士古气化炉炉温软测量建模及其工程实现[J].化工自动化及仪表,2006,33(3):59 -63.
[4]蒋甲金,宋羽,路文学,等.多喷嘴对置式水煤浆气化技术及其优越性[J].化工过程与装备,2011(2):108-109.
[5]Li Jie,Zhong Weimin,Cheng Hui,et al.A data-driven soft sensor modeling for furnace temperature of opposed multi-burner gasifier[C]//2011 Seventh International Conference on Natural Computation(ICNC),Shanghai,China,2011:705 -710.
[6]白丽娜,高翔,崔建江.基于广义相关系数法的MPCA在线监控方法[J].控制工程,2009,16(1):113 -116.
[7]Suykens J A K,Vandewalle J.Least squares support vector machine[J].Neural Processing Letters,1999,9(3):293 -300.
[8]Vapnik V N.The nature of statistical learning theory[M].New York:Springer-Verlag,1995.
[9]宋坤,李丽娟,赵英凯.基于AP的LS-SVM多模型建模算法[J].计算机工程,2011,37(14):169 -171.
[10]崔万照.最小二乘小波支持向量机在非线性系统辨识中的应用[J].西安交通大学学报:自然科学版,2004,38(6):562 -565,586.