基于模糊层次分析的煤气化炉寿命评价体系

曹壮壮 郭 晓 白 璇 王禹卓 谭 蔚 汪 洋

（天津大学化工学院）

我国是能源消耗大国，在众多能源中煤炭占较大比重，煤直接燃烧会造成严重的环境污染和大量碳排放。 国家“十四五”规划明确要求推动能源清洁低碳安全有效利用。 煤气化作为煤炭化学工业的清洁利用技术， 是现代煤化工的基础，其产物既可以作为基本化工原料用于制氢、合成氨及合成油等， 也可以作为清洁燃料用于发电、冶金、机械及城市燃气等领域［1］。大力发展煤气化技术，将煤炭清洁化利用，减少环境污染，符合我国的基本国策和可持续发展战略需求［2］。 煤气化装置具有投入大、可靠性要求高等特点，而煤气化炉作为煤气化装置的关键设备，开展寿命评价体系的研究，及时进行风险评估和安全评价，对安全生产具有重要的实际意义［3］。

煤气化炉的工作环境条件恶劣，工作温度超过1 300 ℃，气化压力高，处于高温、高压及多相流等复杂的环境， 各个部件容易发生磨蚀烧蚀、热疲劳等问题，进而导致设备失效。 目前，我国煤气化炉大型化发展面临运行周期短、造价高等诸多问题。 在煤气化炉内关键部件的研究上，周运动等分析影响气化烧嘴寿命的种种因素，制定相应的改进措施［4］；吕诗宏等分析耐火衬里的失效原因，提出相应的防护措施［5］；黄双等则对衬里的状态进行评价［6］。 煤气化炉合成气水激冷系统的主要部件有激冷环、下降管及破泡床等，结构较为复杂，孙嫩霞分析激冷环的结构并进行结构改进［7］。以上的研究只是对煤气化炉部件进行分析，并未给出煤气化炉的寿命评价。 影响煤气化炉寿命的因素众多，且大多难以定量描述只能定性分析。 因此，对煤气化炉进行寿命评价难度很大。

模糊综合评价法是应用模糊数学，将定性评价问题转化为定量分析的一种方法，其优点在于可以通过精确的数学方法处理模糊的评价对象，对模糊信息做出较为科学、 合理的量化评价，这有利于对受到多种不确定性因素制约的复杂装备性能作出一个总体评价。 目前，模糊综合处理已经在许多复杂设备的寿命或性能评判中得到应用，且效果良好。 杨文斌等利用层次分析和模糊综合法对压力容器的安全附件进行评估［8］；周建民等提出一种基于RBF神经网络与模糊评价的滚动轴承性能退化评估方法［9］。 刘耀铃等在已有的复杂装备评价方法的基础上， 提出一种基于AHP-模糊综合的性能评价体系， 且在无人机告警探测距离性能评判中表现良好［10］。

基于上述分析，笔者提出一种模糊综合层次评价体系，综合气化烧嘴、耐火衬里与合成气水激冷系统三者的影响因素，进行煤气化炉整体寿命分析，建立大型煤气化炉寿命评价体系。

1 煤气化炉寿命层次分析

层次分析法（AHP）［11］最早由Saaty T L提出，是一种将定性与定量分析方法相结合的多目标决策分析方法。 该方法的主要思想是依据所要解决的问题或预期的总目标，将复杂的问题分解为若干层次，构成一个多层次的结构模型，最终使问题成为最低层相对于最高层的相对重要权的排序［12］。

以Texaco气流床气化炉为研究对象进行层次分析，该气化炉的重要部件有耐火衬里、水激冷系统和气化烧嘴，其寿命也由三者的寿命共同决定。 其中，耐火衬里寿命的影响因素包括煤种成分、温度压力、水煤氧占比、衬里加工质量及维修保养情况等；水激冷系统寿命的影响因素包括激冷室液位、温度压力波动、粗合成气固含量、粗合成气量、激冷水流量及腐蚀气体含量等；烧嘴可能出现的问题包括冷却水供应不足导致的高温烧坏、长时间使用出现的磨蚀情况及加工缺陷引起漏水漏气等。将上述煤气化炉各个部件受到的影响进行整合分析，得到煤气化炉炉体寿命层次结构图 （图1）， 该图从左往右依次为决策层、中间层和因素层。

图1 煤气化炉寿命预测层次结构示意图（AHP图）

2 基于模糊层次分析法构建煤气化炉寿命评价体系

2.1 模糊关系矩阵的构建

2.1.1 评价等级构建

评价等级是针对决策层可能出现的某种状况的描述，评价集是所有评价等级的集合。 通常情况下，评价的等级会取3～9级，评价等级过多会影响最终结果的归属，评价等级过少则不符合综合评价的结果要求。 因此，根据煤气化炉的寿命情况，将评价结果分为5个评价等级“寿命良好、寿命较好、寿命一般、寿命较差、寿命很差”，可以得到煤气化炉寿命评价集V= {v1， v2， v3， v4， v5}={寿命良好，寿命较好，寿命一般，寿命较差，寿命很差}。

2.1.2 因素集构建

2.1.3 隶属度向量构建

隶属度向量由专家评价得出。 若干专家组成评价组，根据评价集中的5个等级，给每一个因素集中的评价因素打分。其中，因素集U中任一评价因素ui对评价集V中每一等级vj的隶属度向量为：

该隶属度向量中的元素表示，在特定的工况下，专家在定量和定性基础上对某一评价因素进行分析，得出该工况下某因素对寿命的影响。 例如，某种工况下，粗合成气固含量较大，若干专家在分析后得到的数据为5%的专家认为粗合成气固含量较大对水激冷系统寿命影响小（即寿命良好）、5%的专家认为影响较小（即寿命较好）、10%的专家认为影响一般（即寿命一般）、10%的专家认为影响较大（即寿命较差）和70%的专家认为影响很大（即寿命很差），可得：

2.1.4 构建模糊关系矩阵

根据隶属度向量构造原则，可分别得到因素层中每个因素对各个风险等级的隶属度，综合对应的向量可以得到总体寿命或者某一部位寿命的模糊关系矩阵R：

矩阵中rij表示因素ui对评价vj的隶属度，且取值为：0≤rij≤1。

2.2 权向量确定

采用层次分析法来确定各个因素的指标权重。

2.2.1 判断矩阵的构建

同一层不同因素的重要性不同，两两因素相互比较，根据其相对重要性等级构造判断矩阵Am×m：

矩阵中aij表示因素i对因素j的重要程度，根据比例标度（表1）［11］可以确定其相对重要等级的量化值，即可得到aij的值。

表1 比例标度

此外，矩阵中元素间的关系为：

2.2.2 权向量计算

得到判断矩阵后，求解判断矩阵的最大特征值及其对应的特征向量：

式（2）中Am×m为m阶的判断矩阵，λmax为判断矩阵的最大特征值，M为最大特征值对应的特征向量。将M经过归一化处理之后，得到向量W=［w1，…，wj，…，wm］，该向量为最终的权向量，向量中元素wj为因素j在同层次因素中的相对权重。

2.2.3 一致性检验

在构建判断矩阵时，仅两两因素之间进行局部比较，没有考虑全局关系，可能会出现因素i比因素j重要、因素j比因素m重要，而因素m又比因素i重要的情况，即判断矩阵A是非一致性的。 因此，对矩阵进行一致性检验是必要的。

首先，计算一致性指标CI：

当CI=0时， 认为矩阵A有完全的一致性；CI越大，矩阵越不一致。

其次，根据判断矩阵的阶数，由表2得到平均随机一致性指标RI值［11］。

表2 平均随机一致性指标RI值

如果CR＜0.1，则认为判断矩阵具有良好的一致性，通过了一致性检验。

通过上述步骤，即可得到同一层次下不同因素的权重。

2.3 模糊综合评判

建立综合评价模型时， 利用模糊算子。将模糊关系矩阵R和权重向量W进行模糊合成运算：

向量中，bj表示在某一特定的工况下，设备寿命评价等级为vj的概率。

若假设，设备寿命5个等级V={v1，v2，v3，v4，v5}， 对应的得分分别为S={100，80，60，40，20}，可以得出最终设备寿命的得分F=B·ST，并以此来评判该设备在特定工况下的寿命情况。

综上所述，可以构建一个依据模糊综合评价方法，来判断煤气化炉设备寿命的新模型，如图2所示。

图2 煤气化炉寿命预测流程

3 举例分析

现有一煤气化炉， 当各因素的隶属度为Ri=［1，0，0，0，0］时，煤气化炉工作状态处于极佳状态，寿命评估为100分。

3.1 权重计算

3.2 计算隶属度向量

假设在两种工况下，煤气化炉各因素的隶属度分别见表3、4。

表3 工况1下煤气化炉各因素隶属度

表4 工况2下煤气化炉各因素隶属度

（续表4）

烧嘴寿命模糊关系矩阵：

烧嘴寿命模糊关系矩阵：

3.3 评估设备寿命

3.3.1 工况1

由B2向量可以看出：在工况2下，寿命良好的概率仅为是12.01%， 而寿命较差的概率高达56.60%，可以认为此工况下，设备寿命不佳。

3.4 设备得分情况

设备寿命的5个等级V={v1，v2，v3，v4，v5}，对应得分为S={100，80，60，40，20}。 由F=B·ST，可以得出最终设备寿命的得分。 认为：得分在80分以上，设备可以较好运行，寿命较长；得分在60及其以下，设备不可正常工作，寿命不佳；得分在60～80之间，设备可以运行，但需要及时调整，处于预警状态。

工况1下，设备寿命得分F=B·ST=80.208，说明该工况下设备寿命较好， 但是即将进入预警状态，建议对工况稍作调整，保证设备正常运行。

工况2下，设备寿命得分F=B·ST=52.540，说明该工况下设备不可正常工作，需要对设备的各个参数进行调整。

4 结束语

基于模糊层次分析法的煤气化炉寿命评价体系具有以下特点：

a. 层次分析法能够针对煤气化炉的寿命评估问题进行分析， 把影响因素分为若干层次，用框式图说明不同层次之间的递进关系，简化复杂的寿命评估问题。

b. 利用模糊综合评价分析法，将煤气化炉寿命分析的定性评价问题转化为定量评价过程。 从所举例子中可以看出，通过该方法处理煤气化炉的寿命问题，可以实现合理科学的量化评价。

c. 利用AHP-模糊综合评价方法， 能够对煤气化炉寿命做出科学有效的评价，为后续的合理操作提供了有效依据。 同时，所提出的AHP-模糊综合评价的煤气化炉寿命评价体系，弥补了煤气化炉寿命评价方法的空缺。

但是，该方法存在一定的局限性。 模糊合成时，只进行简单的线性相乘，实际情况可能是非线性甚至是更复杂的算子；未考虑不同因素之间的交互作用； 隶属度的构建采用专家评价法，具有较大的主观性，若能通过数据分析等方法得到更加客观的隶属度，可以提升模型预测结果的准确性。