基于神经网络的氨水蒸发器温度建模与控制

赵梁 （青海宁北发电有限责任公司唐湖分公司,青海 海北州 812200）   

1 引言

目前，我国在烟气脱硝技术领域已取得了长足的发展，SCR烟气脱硝技术已在我国火力发电、钢铁、焦化、玻璃炉窑、水泥行业的脱硝工程中得到了广泛的应用^[1]。在SCR脱硝工艺中，其核心包括两部分，一是脱硝反应器及氨喷射系统，二是还原剂制备系统。在我国，氨水蒸发制备氨气的工艺系统近年来得到了日益广泛的应用，尤其是在接近城区或人口密集区域的烟气脱硝装置，普遍采用了氨水蒸发制备氨气工艺，氨水蒸发是一个较为复杂的流动、传质过程，从系统对象而言则是一个强耦合的多输入多输出非线性系统。

氨水蒸发器的安全稳定运行对SCR烟气脱硝系统非常重要。假如氨水蒸发稳定性下降，NH₃产量就不能快速响应NO_x量变化，对系统的正常运行产生严重影响。近年来，世界各国学者^[2-4]建立了一些基于机理的氨水蒸发模型，但这些模型表达过于复杂，无法应用于控制系统的设计。影响氨水蒸发主要因素是温度，而引起氨水蒸发器温度变化的因素主要有氨水喷射量、氨水溶液温度、稀释空气风量以及稀释风温度，还有进入氨水蒸发器的压缩空气量等。如何把温度控制在工艺范围内，减少温度波动，是维持氨水蒸发器稳定运行的关键。本文试图绕开氨水蒸发器内复杂的物理化学变化，只着眼于控制系统建模。神经网络能够逼近任意复杂非线性关系，且具有很强的自学习和模式辨别能力，可以用于那些难以用机理建模的系统^[5]。本文通过对氨水蒸发过程的研究，采用BP神经网络对氨水蒸发器温度进行预测建模。在此基础上，进行氨水蒸发器温度的自适应神经网络模糊控制器设计，实现对氨水蒸发器温的优化控制。

2氨水蒸发制氨工艺流程

20%左右浓度氨水由氨水卸料泵输送至氨水储罐，经氨水高压泵、计量分配装置调节后经喷枪雾化后进入氨水蒸发器内，与经稀释风机、加热器加热后输送过来的高温空气混合，氨水在热空气下蒸发为还原剂氨气与稀释空气混合均匀后通过喷氨格栅注射到烟气中，在催化剂作用下与烟气中的氮氧化物反应，生成对无危害的氮气和水。

为了节约能源，降低系统的运行费用，热解空气源一般采用采用锅炉的一次风/二次风。稀释空气量仅为一次风/二次风量的1%左右，对锅炉影响微乎其微。锅炉的热风温度一般为300℃左右，满足氨水蒸发热量需求。工艺流程图如图1

3氨水蒸发器温度神经网络建模

神经网络模型选定的输入输出参数越多，所需的数据样本就越大。在选定具体的输入输出参数时，我们应当抓住关键参数，忽略次要参数，并将具有一定相关性的参数进行合理的组合，从而降低神经网络模型的参数维度。

从控制角度分析，引起氨水蒸发器温度变化的因素主要有氨水喷射量、氨水溶液温度、稀释空气风量以及稀释风温度以及进入氨水蒸发器的压缩空气量等。如果进入氨水蒸发器的稀释风热量不变，氨水溶液流量的增加会降低氨水蒸发器温度，反之，炉温会上升。通常情况下，由于锅炉负荷和燃烧工况的变化会引起烟气中NOx含量的变化，进入氨水蒸发器的氨水量也会随之发生变化。因此，对氨水蒸发器温度的控制系统来讲，氨水溶液流量的变化是最主要的干扰因素。即使氨水溶液流量不变，当外界环境发生变化时，氨水蒸发器入口氨水溶液温度发生变化，也会导致氨水蒸发器内温度发生波动。但一般氨水溶液管道温度变化幅度有限。因此，氨水溶液温度一般不会变化很大。特定的氨水溶液流量范围内，压缩空气流量是一定的，正常运行情况下，压缩空气流量基本保持不变，因此，其波动对炉温的影响可以忽略。

最终，我们选择稀释风量Q1、稀释风温度T1、氨水溶液流量Q2、氨水溶液温度T2以及氨水蒸发器出口温度T3作为神经网络输入参数；T3(k+1)为神经网络输出。这样神经网络辨识模型可用一个非线性差分方程描述：

对氨水蒸发器温度的系统辨识结构如图2所示，其中TDL为延时环节。本文数据采自安徽昊源动力中心烟气脱硝工程。为使学习过程不发生过饱和现象和检验模型的泛化能力，将数据分为训练样本140组，测试样本70组。为了加快收敛速度，应使神经元工作在传递函数曲线斜率较大的空间，即非饱和区。因此，对网络输入输出变量进行归一化处理。

采用动态法[6]]确定隐含层神经元数目：保持输入输出节点数不变，隐含层节点可变，开始放入较少的隐含层节点，一定训练次数后，若达不到训练目标，逐渐增加隐含层节点，直到达到训练目标。

表1 训练误差

平均相对偏差与隐含层神经元数目的关系如表1所示。在神经元个数小于20时，平均相对偏差随隐含层节点数增加骤然下降，当神经元个数大于20时，平均相对偏差又缓缓上升。因此 ，隐含层神经元个数选择20为宜。

选择不同的训练方法对网络进行训练，发现trainlm法不仅误差比较小，训练速度也比较快。训练过程如图3。

用训练好的神经网络对氨水蒸发器温系统进行系统辨识仿真，测试值与网络仿真输出值如图4，结果表明神经网络训练效果比较理想，相对误差为0.02，建模精度符合控制系统要求。

4氨水蒸发器温自适应神经网络模糊控制系统

传统的模糊控制方法具有简单、直接和逻辑推理的合理性的优点[7]。但对那些时变、非线性、大滞后复杂耦合系统,传统的模糊控制方法往往无法获得理想的控制品质。神经网络系统的一大特点就是具有自学习能力，将它与模糊控制相融合，就产生了自适应神经网络模糊控制技术[8]。模糊推理系统本身不具备自学习能力，限制了它的应用，而神经网络类似于一个黑箱系统，不能很好的模拟人脑的逻辑推理能力。而将二者结合形成的自适应神经网络模糊控制技术不仅具有模糊逻辑推理能力而且还具备了神经网络分布式信息存储和自学习能力，为复杂系统的控制提供了有效工具[9]。本文就尝试建立基于自适应神经网络模糊控制技术的氨水蒸发器温度控制系统。

实际运行表明，氨水蒸发器出口温度一般控制在180最优，此时，电加热器温度设定值为315，因此，我们设定氨水蒸发器出口温度偏差为180-；电加热器温度修正值为315-。氨水溶液流量对炉温是一个强烈的扰动量，把它作为一个输入量；氨水蒸发器出口温度偏差作为模糊自适应控制器的另一个输入量。

最终，自适应神经网络模糊控制器确定为二维模糊控制器，二输入一输出。输入变量为：氨水蒸发器入口氨水溶液流量、炉出口温度偏差，输出量为电加热器温度修正值。

我们将神经网络用于直接实现模糊化、模糊推理、模糊合成、解模糊运算，给出精确的控制量;同时在线调整网络权值和隶属度函数参数，达到自学习和自适应的目的。其结构如下图所示5。

由图可见，神经网络共5层，输入层、模糊化层、模糊规则、模糊推理层、去模糊化层。输入层节点代表输入语言变量。氨水蒸发器温自适应神经网络模糊控制器有二个输入变量d、e和一个输出变量u，分别选择d、c、u的模糊子集如下：

d={负大，负中，负小，零，正小，正中，正大}，英文缩写为{NB,NM,NS,O,PS,PM,PB};

e={负大，负中，负小，零，正小，正中，正大}，英文缩写为{NB,NM,NS,O,PS,PM,PB};

u={负大，负中，负小，零，正小，正中，正大}，英文缩写为{NB,NM,NS,O,PS,PM,PB};

模糊化层共有14个节点，每个节点代表一个语言变量如PB,PM等。它的作用是计算各输入变量对各模糊语言集的隶属函数。模糊推理推理层共有49个节点，每个节点代表一种模糊规则，用来匹配规则的前件变量，计算每条规则的适应度。去模糊层只有一个节点，用来实现解模糊。

自适应神经网络模糊系统的基本思想非常简单，它为模糊控制提供了一种能够从数据中提供模糊规则的学习方法。自适应神经网络模糊控制器建立之后，需要对其网络参数进行训练，训练过程如图6。结果表明，网络的训练效果比较理想，训练平均误差为0.116，绝对误差为：3，满足工艺要求。

将本文设计的自适应神经网络模糊控制器与现场实际采用的PID控制器进行了仿真对比，在阶跃信号的干扰下两种控制器的响应曲线如图8

图8 不同控制器氨水蒸发器出口温度响应对比

从仿真结果来看，自适应神经网络模糊控制器的控制效果较PID控制器有所改善。在阶跃扰动的干扰下，其过渡时间更短，波动范围更小。充分体现了自适应神经网络模糊控制器在非线性系统中抗干扰能力强，鲁棒性强的特点。

5结论

本文首利用先改进的BP神经网络建立了氨水蒸发器温度的预测模型，结果表明，建模精度比较高，为氨水蒸发器温控制系统设计提供了条件。然后基于自适应神经网络模糊控制技术建立了氨水蒸发器温度控制系统。仿真结果表明，该控制器，在自适应、自学习方面具有明显优势，在阶跃扰动的干扰下，其过渡时间短，波动范围小。

参考文献

[1]孙克勤，钟秦.火电厂烟气脱硝技术及工程应用[M].北京:化学工业出版社，2007，135-137.

[2]D.S.Yim,S.J.Kim,J.H.Baik,I.Nam,Y.S.Mok,J.W.Lee,B.K.Cho,S.H.Oh,Decomposition of Urea into NH3 for the SCR Process,Ind.Eng.-Chem.Res.2004,43(1)4856–4863.

[3] Birkhold,Ulrich Meingast,peter Wassermann.Modeling and simulation of the injection of urea-water-solution for automotive SCR DeNOx-systems 2007,70,119-127.

[4] Henrik STtrom,Andreas Lundstrom,Bengt Andersson.Choice of urea-spray models in CFD simulations of urea-SCR systems Chemical Engineering Journal 2009,150(2)69-82.

[5] 徐丽娜 神经网络控制[M].北京:电子工业出版社 2002 6-9.

[6] 刘光中，李晓峰.人工神经网络BP算法的改进和结构的自调整[J].运筹学学报，2001，5(l):80-87.

[7] 李士勇 模糊控制神经控制和智能控制论[M].哈尔滨：哈尔滨工业大学出版社2002,23-132.

[8] 张吉礼 模糊-神经网络控制原理与工程应用[M] 哈尔滨：哈尔滨工业大学出版社，2004,9-24.

[9] 钟珞 饶文碧 邹承明 人工神经网络及其融合应用技术[M] 北京：科学出版社2007，127-130.