水煤漿氣化爐溫智能軟測量建模

王永紅 李 杰 鐘偉民

(南京化工職業技術學院1，江蘇 南京 210048;華東理工大學化工過程先進控制與優化技術教育部重點實驗室2，上海 200237)

0 引言

煤氣化是實現煤炭資源清潔、高效利用的重要途徑［1－3］。氣化爐是氣化反應裝置的核心。在實際工業生產過程中，氣化爐的溫度直接關系到合成氣收率及生產裝置的長期穩定運行。

目前，氣化爐溫度的實時監測基本依賴于高溫熱電偶，然而在高溫、高壓、強腐蝕環境下，熱電偶的工作壽命很短，因此，建立氣化爐溫度的軟測量模型意義重大。一些先期的研究工作一方面因為缺乏對反應機理的分析及研究，輔助變量的選取主要靠經驗確定;另一方面由于多噴嘴對置式氣化爐的工藝和Texaco氣化爐相差甚大，使得新模型與原有的模型也不適應［2－3］。

本文以一多噴嘴對置式水煤漿氣化爐為研究對象，采用相關系數分析法，在氣化反應過程機理分析的基礎上，選取合適的輔助變量，利用最小二乘支持向量機(least squares support vector machine，LS-SVM)建立了氣化爐溫度軟測量模型。

1 水煤漿氣化工藝簡介

來自煤漿給料泵的高壓水煤漿通過氣化爐的四個工藝燒嘴進入氣化爐，同時來自空分的高壓氧氣分別從工藝燒嘴的中心和外環通道進入氣化爐。煤炭和氧氣在氣化爐燃燒室內進行部分氧化反應，生成的粗合成氣、熔渣及未完全反應的碳進入氣化爐洗滌冷卻室。粗合成氣被冷卻后在洗滌冷卻室進行洗滌和進一步冷卻。出氣化爐的粗合成氣經過混合器潤濕和旋風分離器分離，大部分潤濕的細灰后進入水洗塔，進一步洗滌后送凈化系統。熔渣在洗滌冷卻室的水浴中激冷破碎后進入鎖斗定期排入渣池，部分未完全反應的細碳顆粒和細灰渣懸浮在黑水中，隨黑水到渣水處理工序作進一步處理或回用［4］。

煤漿進入氣化爐內，首先進行水分蒸發和裂解燃燒。當氧氣消耗完全后，經裂解燃燒室出來的高溫產物，進入氣化階段。氣化爐一般可以分為裂解燃燒區和氣化區兩個區。裂解產物主要包括C、CO、CO2、H2、H2O、CH4。燃燒反應主要分為甲烷燃燒、一氧化碳燃燒、氫氣燃燒和固相碳燃燒。氣化反應主要包括水煤氣反應、Boudouard反應、加氫反應和氣相反應。多噴嘴對置式水煤漿氣化工藝如圖1所示。

圖1 水煤漿氣化工藝流程圖Fig.1 Technological process of coal-water slurry gasification

2 氣化爐溫度軟測量建模

2.1 氣化爐溫度數學模型

水煤漿氣化反應過程是一個相當復雜的物理和化學過程，它是典型的復雜非線性系統，很難建立氣化爐溫度分布模型。但一般認為爐膛內壁的溫度分布較為均勻，在裝置實際操作過程中，也只需要知道爐膛中部內壁的溫度變化趨勢。因此，本文借助軟測量建模技術，建立多噴嘴對置式水煤漿氣化爐爐膛中部內壁的溫度軟測量模型。

式中:y為軟測量模型的輸出變量，即氣化爐爐膛中部內壁溫度;xi(i=1，…，k)為軟測量模型的輸入變量，即軟測量模型中的輔助變量;f為一非線性函數，本文采用最新的機器學習方法LS-SVM來實現。

2.2 輔助變量選擇

理論上，影響氣化爐溫度變化的因素有很多，如水煤漿流量、氧煤比、煤渣顆粒大小和氣化爐渣口壓差等。在多噴嘴對置式水煤漿氣化反應過程中，共有多達30多個過程可測變量，涉及到水煤漿制備、氣化反應和水洗過程等多個工藝環節。通過分析工藝機理，本文首先選擇了與主導變量氣化爐溫度有密切關系的25個操作變量作為候選輔助變量。考慮到相關系數法可以衡量兩個隨機變量之間線性關系的強度和方向［6］，因此，本文采用相關分析法對上述候選變量進行了初選。對采集的實際工業運行數據進行歸一化處理后，分別計算各操作變量。一般認為，當＞0.35時，表明參數之間為顯著性相關，從而可以初步確定氣化爐溫度軟測量模型的9個輔助變量，包括B路煤漿中值、D路煤漿中值、C路氧氣中值、C路中心氧氣、出口合成氣氫氣H2、一氧化碳CO、硫氧化碳COS和CH4含量。事實上，多噴嘴對置式水煤漿氣化反應相當復雜，由相關系數法確定的輔助變量并不能很好地實現氣化爐溫度的軟測量模型;另外，輔助變量過多也會影響模型的泛化能力。因此，還需要根據機理分析作進一步討論，以確定輔助變量。

通過分析流體力學理論可知，4路入爐煤漿中值、氧氣中值流量都具有對稱性，可對其分別取均值。同時，對入爐中心氧氣引入系數(Omax－Omin)，以平衡各路氧氣對爐膛溫度變化的可能影響，其中max、min分別取當前采集時刻點入爐中心氧氣流量中的最大值和最小值。由于氣化爐溫度的變化和氣化反應的劇烈程度密切相關，而提供主要熱量的氧化反應的速率由入爐氧氣總量、干基煤和水的轉化效率所決定。因此，從熱力學角度出發，并綜合長期操作經驗總結，引入干基煤、氧煤比這兩個新的輔助變量。其中，干基煤是入爐煤漿中值流量、水煤漿濃度和水煤漿密度的乘積［5］，計算公式為:

式中:LC為入爐煤漿中值流量;σ為水煤漿濃度;ρ為水煤漿密度。

氧煤比D為入爐氧碳原子的比例［5］，即:

式中:LO為入爐氧氣總量。

氣化爐溫度的變化與高溫反應室內的氣化反應的劇烈程度密切相關，它直接影響出口合成氣的組成變化。氫氣H2和一氧化碳CO的含量是檢驗氣化反應效率的重要指標，因而最能夠反映氣化爐爐膛溫度的變化。同時，結合實際工業裝置運行經驗，確定甲烷CH4的含量為輔助變量。的6個輔助變量為:干基煤(Omax－Omin)入爐中心氧氣流量、氧煤比、出口合成氣氫氣H2、一氧化碳CO和甲烷CH4含量。

2.3 氣化爐溫度軟測量建模

2.3.1 LS-SVM 回歸

選取直圓曲線為例，介紹其界面設計及相關數據計算過程。界面的設計，如圖1所示，其主要包括參數設置與放樣數據計算兩大部分，附加上直圓曲線放樣的示意圖，其在QPixMap中進行顯示，以便于軟件使用者快速熟悉該軟件的使用。其中參數設置包括里程ZY、里程QZ、樁間距離C、里程Y和線路半徑R的設置，以及計算生成數據、清除表格數據、導出計算結果3個按鈕；放樣數據計算包括放樣數據計算表格，其與傳統手工計算保持一致，包括點號、樁號、樁間間距、偏角值的度、分、秒，使用Qt中QTableView控件作為顯示計算曲線放樣的結果。

LS-SVM由Suykens等人在支持向量機的基礎上推廣得到的機器學習方法［7－8］，其具有運算簡化、收斂速度快以及精度高等特點，是目前廣泛應用于非線性過程小樣本擬合的方法之一［9－10］。

若給定一訓練樣本集{(xi，yi)}，其中，m為該集合所包含的樣本數目，xi∈Rm為第i個樣本的輸入數據，yi∈R為與之對應的輸出數據。假定采用如下的函數形式，可用來描述一非線性系統:

式中:φ:Rm→RmC為核空間映射函數，它將原始空間的輸入數據映射到高維特征空間;w∈RmC為權矢量。

結合結構風險最小化原則，LS-SVM回歸的最優化問題如下:

綜上所述，本文最終確定氣化爐溫度軟測量模型

式中:ei∈R為誤差;b為偏差;C為正則化參數。

通過引入拉格朗日乘子αi∈R，該最優化問題可轉化為以下矩陣方程形式:

定義核函數 K(xi，xj)= φ(xi)Tφ(xj)，并采用最小二乘法求解上述矩陣方程，分別得到系數αi和b，則LS-SVM回歸模型描述如下:

2.3.2 氣化爐溫度軟測量建模

本文在上述輔助變量選擇的基礎上，基于LS-SVM建立了多噴嘴對置式水煤漿氣化爐溫度的軟測量模型。利用實際工業裝置在爐膛熱電偶指示正常期間的工業運行數據，形成輔助變量與主導變量樣本數據對，并對數據進行最小-最大歸一化處理。其中，訓練樣本共有206對，測試樣本有30對。設定正則化參數C=10、核函數類型為RBF核函數，其核函數參數σ2=5，從而建立相應的LS-SVM回歸模型。氣化爐溫度軟測量模型的訓練結果如圖2所示。

圖2 訓練結果示意圖Fig.2 The training result

由圖2可以看出，模型在氣化爐溫度跳變時具有較好的訓練效果，氣化爐溫度趨勢跟蹤明顯。

軟測量模型測試樣本集的測試結果示意圖如圖3所示。

圖3 測試結果示意圖Fig.3 The testing result

由圖3可以看出，軟測量模型輸出值與氣化爐溫度真實值之間的相對誤差在［－2.5%，+2.5%］范圍內。

為進一步驗證模型的泛化能力，利用此模型對氣化爐另外時刻段(建模數據采集時刻段后約1個月)的爐膛溫度進行了預熱，預測結果如圖4所示。

圖4 預測結果示意圖Fig.4 The predicting result

從圖4可以看出，模型預測值比熱電偶儀表檢測值平均偏高20 K左右(熱電偶較長時間運行后，因積碳等原因，指示值會比實際值偏低)，但趨勢跟蹤明顯。由此可見，基于LS-SVM回歸方法的氣化爐溫度軟測量模型的擬合精度較高、趨勢跟蹤效果較強、模型泛化能力較好。考慮到實際運行過程中，裝置更關心的是根據氣化爐溫度的變化趨勢和合成氣收率的關系，以調整氧煤比的操作。因此，該軟測量模型具有較好的工業運行指導意義。

3 結束語

本文針對多噴嘴對置式水煤漿氣化裝置，基于相關系數分析法及機理研究，選取干基煤(Omax－Omin)入爐中心氧氣流量、氧煤比、出口合成氣氫氣H2、一氧化碳CO和甲烷CH4含量為輔助變量，采用最小二乘支持向量機，建立了基于數據驅動的氣化爐溫度的軟測量模型。

從模型的訓練與測試結果和實際工業裝置運行結果來看，該軟測量模型在預測精度和模型泛化能力方面均有較好的性能，尤其在氣化爐溫度趨勢跟蹤方面性能突出:一方面表明基于機理與相關系數分析法選擇輔助變量的方法有效;另一方面也表明了采用基于數據驅動的機器學習建模方法可以解決該類高溫、高壓氣固相反應體系的溫度預測問題。如果基于OPC接口技術，采集DCS實時數據，可以根據此模型實現氣化爐溫度的實時預測，為工業裝置在熱電偶儀表失效的情況提供操作指導。

［1］武利軍，周靜，劉璐，等.煤氣化技術進展［J］.潔凈煤技術，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］王新剛，侍洪波.德士古氣化爐爐溫軟測量建模及其工程實現［J］.化工自動化及儀表，2006，33(3):59 －63.

［4］蔣甲金，宋羽，路文學，等.多噴嘴對置式水煤漿氣化技術及其優越性［J］.化工過程與裝備，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］白麗娜，高翔，崔建江.基于廣義相關系數法的MPCA在線監控方法［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，李麗娟，趙英凱.基于AP的LS-SVM多模型建模算法［J］.計算機工程，2011，37(14):169 －171.

［10］崔萬照.最小二乘小波支持向量機在非線性系統辨識中的應用［J］.西安交通大學學報:自然科學版，2004，38(6):562 －565，586.