船舶造修工藝環節的能耗與污染物排放現狀及評估

王江超，包張靜，洪方智，卓子超，易 斌

（1.華中科技大學 船舶與海洋工程學院，湖北 武漢 430074；2.中國船舶工業綜合技術經濟研究院，北京 100081）

0 引 言

當前我國的船舶造修企業普遍采用具有勞動力密集、能源利用率低和廢料污染物排放量大等特征的粗放型生產模式，已無法滿足船舶制造業高質量發展的要求。隨著經濟高質量發展的需求日益提高和人們節能環保的意識逐漸增強，加上區域性的支持政策和地方性的環保法規各不相同，船舶造修企業亟需樹立節能環保的理念，迅速轉型升級，加快管理提升，通過采取技術革新、工藝優化和管理改進等措施，解決能源利用率低和污染排放嚴重等突出問題，提高產品的技術含量，增強企業的市場競爭力。在此背景下，對國內船舶造修企業的能耗和污染物排放現狀進行調查，對其引起的環境污染情況進行評估，顯得尤為重要，這也是提升我國造船業的船舶修造工藝和精細化管理水平，穩步提高能源利用率和單位生產效率的基礎。

國內各船舶造修企業受自身條件、市場需求和地方戰略規劃等因素影響，其開展的業務有所側重，船舶建造過程中的能源消耗和污染物排放有所差異，節能減排工作的重點有所不同。具體地，船舶造修企業的船舶造修工藝環節眾多，主要包括鋼材預處理（矯直、除銹和噴底漆）、邊緣加工（切割和焊接坡口制備）、板材-型材彎曲成形、裝配-焊接（定位焊、預熱-層間溫度控制-焊后熱處理、工裝夾具和翻身吊裝等）、設備舾裝和涂裝（車間和外場）等（見表1）。在不同的造修工藝環節，會因加工方式的不同而消耗不同類型的能源；在實施造修工藝過程中，可能存在粉塵顆粒物（PM和PM等）、可揮發性有機化合物（Volatile Organic Compounds, VOCs）和其他固廢液廢等污染物的排放，會對周圍環境造成嚴重的破壞。同時，船舶造修工藝環節產生的弧光和噪聲會對工人的身心健康造成重大影響。

表1 船舶造修工藝環節涉及的能耗和污染物排放

本文針對船舶造修的具體流程，通過對船舶造修工藝環節中的能源消耗和污染物排放數據進行梳理，對當前采取的節能減排措施進行評估。應用人工神經網絡（Artificial Neutral Network, ANN）構建板材切割能耗預測模型，驗證該方法的可靠性；同時，提出典型建造工藝環節的能耗和污染物排放分析模塊，計算得到船舶造修企業的能耗和污染物排放指數，為解決能耗與污染間的沖突，優化現有的船舶造修流程和工藝，改造升級加工生產線，提出先進、可行的船舶建造業高質量發展方案提供參考。

1 ANN 智能算法

對于測量數據的建模分析，可采用常規的最小二乘法（即回歸分析法）得到測量數據滿足的數學公式；對于復雜的實際問題，需采用智能算法進行優化分析。常見的智能算法有遺傳進化算法、群體智能算法、模擬退火算法和神經網絡算法等。ANN 是由存儲在網絡內部的大量神經元處理單元通過節點連接權值組成的一種信息響應網狀拓撲結構，其基于高度非線性映射的聯想記憶功能和高容錯性能，憑借并行分布式的存儲方式和信號處理機制，以及獨特的知識表示方式和智能化的自適應學習能力，能進行復雜的邏輯操作，完成信息加工、處理、存儲和搜索等過程，已在神經專家系統、組合優化、智能控制、預測和模式識別等領域中初步獲得成功應用。

ANN 是一種運算模型，從信息處理的角度對人腦神經元網絡進行抽象，由大量的節點（或稱神經元）相互連接構成（見圖1）。每個節點代表一種特定的輸出函數，稱之為激活函數。每2 個節點間的連接代表一個對于通過該連接信號的加權值，稱之為權重，神經網絡就是通過這種方式模擬人類的記憶的。網絡的輸出取決于網絡的結構、連接方式、權重和激活函數。隱含層作為ANN 的重要組成部分，確定其節點數是神經網絡設計中非常重要的環節。隱含層節點數往往根據以往的設計經驗和試驗確定。

ANN 的數學模型見圖2，其中：X～X為輸入向量的各個分量；W～W為神經元各突觸的權值；b為偏置，即閾值；n 為輸入分量的個數，即輸入向量的秩； f 為非線性的傳遞函數，即激活函數；Y為輸出向量。神經元輸出t 的數學表達式為

式(1)中：W 為權值向量；X 為輸入向量； ′X 為X 向量的轉置。由此可見，一個神經元的功能是求得輸入向量與權向量的內積之后，經一個非線性傳遞函數得到一個標量結果。

圖1 ANN 的基本結構

圖2 ANN 的數學模型

1.1 ANN 類型

目前，常見的ANN 模型有反向傳播（Back Propagation, BP）網絡、感知器、自組織映射、Hopfield網絡、波耳茲曼機和適應諧振理論等。根據連接的拓撲結構，神經網絡模型可分為前向神經網絡和反饋神經網絡。

1) 前向神經網絡也稱前饋網絡，可分為若干“層”，各層的神經元只接受前一層的輸入，并輸出到下一層，各神經元之間沒有反饋。第一節點層和輸出節點統稱為“可見層”，其他中間層稱為隱含層，這些神經元稱為隱節點。這種網絡的信息處理能力來自于簡單非線性函數的多次復合；網絡結構簡單，易于實現。反向傳播BP 網絡是一種典型的前向ANN。

2) 反饋神經網絡內的神經元之間有反饋，即各神經元除了接受外加輸入和其他各節點反饋輸入以外，還接受自身反饋。Hopfield 網絡和波耳茲曼機均屬于這種類型的ANN。

1.2 ANN 的激活函數

ANN 解決問題的能力和效率除了與網絡結構（即隱含層）有關以外，還在很大程度上取決于其所采用的激活函數。激活函數的選擇對網絡的收斂速度有很大影響。

常用的激活函數有閾值函數（也稱階躍函數）、線性函數、對數S 形函數和雙曲正切S 形函數等4 種。S 形函數適用于BP 神經網絡，是神經元中使用最廣泛的激活函數，其表達式為

式(2)中：x 為輸入變量。

2 船舶造修過程中的能耗數據分析

船舶造修過程中涉及的能源種類較多，不同工藝所采用的能源不盡相同；船舶造修過程中涉及的工藝種類繁多，不同工藝所采用的方法和設備不盡相同。最主要的能耗是電能，不同設備的電能消耗可根據其額定功率和工作時間獲得，計算式為

式(3)中：I 為能耗，kW·h；P 為額定功率，W；S 為使用時間，h。

同時，船舶造修過程中還使用了化學能。例如：在對板材進行火焰切割時需燃燒乙炔、丙烷或天然氣甲烷等，對板材預熱；在對船體曲板進行熱彎成形時需燃燒乙炔、丙烷或天然氣甲烷等，對板材表面進行加熱，得到厚度方向的溫度梯度和彎曲力矩，實現板材的彎曲成形。當然，在進行CO氣體保護焊過程中，大量的還原性氣體CO可保護電弧，得到穩定的熔滴過渡，確保焊接順利進行和焊接質量優良。然而，上述工藝環節中的化學能消耗（即氣體用量）占比較小，且已逐步被基于電能的造修工藝所取代，因此在能耗分析中暫不予考慮。

2.1 船體鋼料預處理環節的能耗

鋼料預處理是指對板材和型材的表面進行加工，包括板材矯直、表面除銹清理和底漆噴涂等3 個工藝環節。對不同船舶造修企業鋼料預處理生產線的額定功率和標準工時下的能耗進行匯總，結果見表2。

表2 預處理設備的額定功率及能耗

2.2 板材切割環節的能耗

在板材預處理工作完成之后，將按套料和號料的結果，在板材切割生產線上，通過機械剪板機、火焰切割設備或等離子切割設備對板材的邊緣進行加工。圖3 為典型的火焰切割設備，進行板材的預熱-切割和焊接坡口加工；圖4 為典型的板材等離子切割設備。

圖3 典型的火焰切割設備

圖4 典型的板材等離子切割設備

對切割設備的型號、額定功率和每日標準工時下的能耗進行匯總，結果見表3，其中：采用不同切割設備加工的板材對材質和板厚有不同的要求；火焰切割會消耗大量可燃燒氣體的化學能，所用設備的額定功率和電能消耗都較小。

表3 典型切割設備的額定功率和能耗

2.3 板材彎曲成形環節的能耗

為確保船體結構具有良好的水動力性能，需采用板材彎曲成形工藝將船體外板設計為不同曲率的曲板。板材彎曲成形可通過冷彎成形工藝和熱彎成形工藝實現，其中：冷彎成形的能耗可根據機械設備的額定功率和加工時長獲得；熱彎成形的氣體消耗量及其能耗不易獲得，暫時不予考慮。

板材冷彎成形可分為三輥卷制成形和機械壓制成形2 種，下面分別對這2 種冷彎成形所用的設備及其能耗進行分析。

1) 典型的板材三輥卷制成形設備通過傳送式平臺將需彎曲成形的板材送至三輥卷制設備的預定位置，并通過活絡樣板實時檢測板材的彎曲變形，同時與目標彎曲形狀相對比，調整彎曲加工的過程和工藝參數。

2) 典型的門框式板材壓制成形設備采用油壓機構和一對凹凸壓模對板材進行局部施壓，產生彎曲變形，并逐步將板材壓制成目標曲板的形狀。在此過程中，依然通過活絡樣板實時檢測板材的彎曲變形，并與目標彎曲形狀相對比，調整彎曲加工的過程和工藝參數。

表4 為三輥卷制成形設備能耗數據，給出了國內不同船舶造修企業的三輥卷制成形設備的額定功率及其在標準工時下的電力消耗。從表4 中可看出，不同船舶造修企業的卷制成形設備的能耗相差不大。表5為壓制成形設備（油壓機）能耗數據，給出了板材壓制成形設備的額定功率及其在標準工時下的電能消耗。從表5 中可看出，由于加工板材和型材的對象不同，壓制成形設備提供的壓力有所不同，其額定功率和能耗也相差甚大。

表4 三輥卷制成形設備能耗數據

表5 壓制成形設備（油壓機）能耗數據

2.4 船體焊接-裝配環節的能耗

在船體焊接-裝配環節，通常通過焊接的方法實現船體部件、片體、分段和總段的逐步建造。當前，船舶造修企業常采用的焊接方法有手工電弧焊、CO氣體保護焊和埋弧焊；同時，也可能針對特殊材料和結構，采用激光焊、電子束焊、攪拌摩擦焊和爆炸焊等焊接方法，解決特殊的工程問題，進而滿足實際建造需求。

圖5 為典型的CO氣體保護焊。從圖5 中可看出：CO氣體保護焊的工況比較惡劣，會產生大量的煙塵顆粒物，污染大氣環境。但是，CO氣體保護焊的適應性較強，相對于埋弧焊，可滿足平角焊、立角焊等多種復雜焊接的要求；埋弧焊在實施過程中需焊劑小車及其行走軌道的協助，這限制了其大范圍應用。從能耗和焊接熱輸入的角度看，埋弧焊的線能量更大，可實現大厚板對接焊的大熱輸入高效焊接（見表6）。同時，埋弧焊因焊劑的保護作用，其熱效率較高（高達90%以上），可更好地將電能轉化為熱能，實現焊絲的熔化焊接；CO氣體保護焊的熱效率為50%～70%，部分電能會轉化為弧光和熱能散失到空氣環境中。

圖5 典型的CO2 氣體保護焊

表6 焊接設備的工藝參數及其能耗

3 船舶造修過程中的污染物排放數據分析

船舶造修企業的船舶造修工藝環節眾多，主要包括鋼料預處理、板材切割、板材彎曲成形、焊接裝配和涂裝等。這些工藝在實施過程中存在粉塵顆粒物、噪聲、VOCs 和其他固廢及液廢等污染物的排放，會對大氣和生態環境造成嚴重的影響。

對于板材切割和焊接過程中產生的粉塵顆粒物，可通過改進加工設備對其進行集中收集和處理，避免對大氣環境造成污染。圖6 為板材切割過程中的粉塵污染及其治理措施?？上仍诘入x子切割設備的等離子噴頭裝置附近加裝煙塵罩，對切割產生的粉塵顆粒物進行集中收攏，防止無組織擴散；隨后由切割設備下方的抽風裝置將這些煙塵統一收集，進行回收或無污染化處理。圖7 為焊接煙塵污染及其凈化除塵設備。對于固定工位的焊接操作，可使用焊接煙塵收集裝置對焊接產生的粉塵顆粒物進行回收，避免其無組織排放，污染大氣環境。焊接煙塵收集裝置的濾芯需定時更換，確保該設備對粉塵顆粒物具有良好的收集效果。

圖6 板材切割過程中的粉塵污染及其治理措施

圖7 焊接煙塵污染及其凈化除塵設備

因此，本文主要對船舶造修工藝環節產生的固廢、液廢、VOCs 和噪聲進行數據采集和分析。

3.1 固廢和液廢排放

船舶造修工藝環節產生的邊角料可通過回收，作為馬板或在結構剛度加強時使用，建造加工車間內設置有這些邊角料和固廢的回收箱。同時，建造工藝環節產生的固廢和液廢需由具有專業環保資質的單位進行統一回收和處理。表7 為船舶涂裝工藝中的固廢和液廢排放量。

表7 船舶涂裝工藝中的固廢和液廢排放量

3.2 VOCs 排放

VOCs 是特定條件下具有揮發性的有機化合物的統稱。具有揮發性的有機化合物主要有非甲烷總烴（烷烴、烯烴、炔烴、芳香烴）、含氧有機化合物（醛、酮、醇、醚等）、鹵代烴、含氮化合物和含硫化合物等。

國家統計局的資料顯示：2010 年我國工業源VOCs 排放量約為1335.6 萬t，其中，VOCs 的生產環節排放量約為263.0 萬t，油品-溶劑儲存和運輸行業VOCs 排放量為129.5 萬t，以VOCs 為原料的工藝過程VOCs 排放量為176.9 萬t，含VOCs 產品的使用和排放環節VOCs 排放量為766.63 萬t；石油煉制、建筑裝飾、機械設備制造與印刷是VOCs 排放量比較大的行業，分別占比17%、16%、11%和7%。預測2020年這4 個行業VOCs 排放量占比將進一步加大，2020 年我國VOCs 排放量預估可達1785.31 萬t。

當前，VOCs 治理主要采用控制性措施，以末端治理為主，分為回收技術和去除技術2 類。

1) 回收技術即非破壞性方法，主要采用物理方法回收VOCs，主要適用于組分單一、質量分數較大的廢氣，常用技術有吸附技術、吸收技術、冷凝技術和膜分離技術；

2) 去除技術即通過生化反應將VOCs 氧化分解為無毒或低毒物質的破壞性方法。

對于船舶造修企業和船舶工業而言，涂裝工藝環節產生的VOCs 質量分數較小，一般采用吸附-脫附-催化燃燒的方式和流程對VOCs 進行凈化處理。圖8 為船舶企業常用的VOCs 吸附-脫附-催化燃燒的流水線和各階段對應的燃燒凈化裝置。具體地，首先通過蜂窩活性炭對質量分數較小的VOCs 進行濃縮處理，再以貴金屬作為催化劑，使濃縮的VOCs 在低溫下燃燒，產生無害氣體排放到大氣中。

圖8 船舶企業常用的VOCs 吸附-脫附-催化燃燒的流水線和各階段對應的燃燒凈化裝置

通過到國內船舶造修企業進行現場調研得知：在預處理的底漆保護階段，油漆使用量約為4 萬L/月；在涂裝階段，油漆使用量約為60 萬L/月，其中，車間內的分段建造環節的使用量占總消耗量的70%～75%，碼頭涂裝環節的使用量占總消耗量的25%～30%。同時，建造一艘船舶一般要使用涂料15 萬～20 萬L，約產生85t 的VOCs。

對國內幾家船舶造修企業的涂料使用量和VOCs 排放量進行匯總，結果見表8。由于不同船舶造修企業的建造量（即涂裝量）有所不同，其VOCs 排放量也各不相同。涂料中的VOCs 含量可參照即用狀態下的船用涂料VOCs 含量標準（見表9）得到；同時，假設VOCs 氣體的平均密度為0.8g/L。

表8 船舶造修企業的涂料使用量和VOCs 排放量

表9 即用狀態下船用涂料VOCs 含量標準 單位：g/L

3.3 噪聲污染

船舶建造的各個工藝環節都會產生噪聲污染，對施工人員的身心健康和周邊人們的正常生活造成巨大傷害，需采取必要的防護措施。表10 為船舶企業不同建造工藝環節施工者操作位置附近的噪聲數據。《工業企業廠界環境噪聲排放標準》（GB 3096—2008）給出的廠界噪聲標準為：白天65dB；黑夜55dB。

表10 船舶企業不同建造工藝環節施工者操作位置附近的噪聲數據 單位：dB

4 船舶造修工藝的能耗和污染物排放建模

基于收集和整理的國內船舶造修企業能源及污染物排放數據，可初步分析國內船舶行業的能耗和污染物排放現狀；同時，基于ANN 模型對板材切割工藝環節的能耗進行評估，并分別建立船舶造修過程的能源消耗和污染物排放模型，提出船舶行業的能耗指數和污染物排放指數。

4.1 基于ANN 的切割能耗建模

圖9 為材料加工車間日切割量，給出了山東煙臺中集來福士的MPW（Material Processing Workshop）切割車間的材料日切割量?；贏NN 的理論構建一個BP 神經網絡，可獲得材料加工車間的日切割量預測模型。具體地，BP 神經網絡是一種按誤差逆向傳播算法訓練的多層前饋神經網絡，其基本思想是采用梯度下降法，利用梯度搜索技術，使網絡的實際輸出值和期望輸出值的誤差均方差最小。

1) 在Matlab 內調用前向BP 神經網絡工具箱，構建材料準備車間的日切割量預測模型。輸入層結點數為3 個，隱含層結點數為8 個，隱含層的激活函數為正切S 形傳遞函數tansig(n)；輸出層結點數為1 個，輸出層的激活函數為對數S 形傳遞函數logsig(n)。

2) 采用梯度下降動量和自適應學習速率（Learning Rate, LR）算法訓練BP 神經網絡目標誤差設置為1×10；誤差指標為均方誤差（Mean Squared Error, MSE），指參數估計值與參數真值之間差值的平方的期望值；學習速率LR 為0.05；最大迭代次數為1000000 次。

3) ANN 模型經過不斷地訓練和學習，預測出日切割量，并將其與材料準備車間日切割實際測量數據相對比，結果見圖10。當在BP 神經網絡迭代訓練中計算到48978 次迭代時，誤差值（1×10）達到目標值，計算停止，計算時間為84s。

圖9 材料加工車間日切割量

圖10 材料準備車間日切割量預測結果對比

4) 結合BP 神經網絡的結構和計算得到的輸入-輸出隱含層神經元的權值和閾值，可構建出材料準備車間的日切割量預測模型，見圖11。

圖11 材料準備車間的日切割量預測模型

4.2 造修工藝的總能耗分析模型

船舶造修過程中不同工藝環節采用的加工設備的額定功率和電能轉化效率有所不同，導致能源（電能和化學能）的消耗有所不同。同樣，基于不同設備的能耗轉化率及其工時占比，設置轉化率權重和占比權重，進而建立船舶建造過程中所有工藝環節的設備能源消耗分析ANN 模型；通過激勵函數計算得到船舶建造過程中所有工藝環節對應設備的能源消耗指數。

具體地，以船舶造修各工藝環節為模塊，以能耗為輸入參數（即神經元），并分設鋼料預處理能耗函數模塊、板材切割能耗函數模塊、板材彎曲成形能耗函數模塊、焊接能耗函數模塊和涂裝能耗函數模塊等；同時，根據各工藝環節的工時、成本和產值等綜合設置工藝模塊權重，實現船舶造修全流程的尺度鏈分析。圖12 為板材切割工藝環節能耗分析模塊及能耗指數。

根據能耗指數，可評估不同船舶造修企業的能耗層級及水平。每個工藝能耗模塊都應包含具體方法的能耗量及其電能轉化率和工時占比率等參數。最終可通過甄別主要耗能環節、能源消耗無效和低效利用環節，指導船舶造修企業有的放矢；提高設備的電能轉化率，采用更先進的工藝降低耗電量，優化能源消耗工藝，降低建造成本，進而減小整個船舶建造過程的能源消耗指數。

4.3 造修工藝的污染物排放分析模型

船舶建造過程中排放的污染物主要可分為廢氣煙塵、粉塵顆粒、廢水和固體廢物等幾大類。同理，基于ANN 模型，針對不同污染物排放對環境的危害程度及其修復成本，設定排放量權重、危害性權重和修復成本權重；同時，結合船舶建造過程中不同工藝環節實際的污染物排放類型和排放量，通過激勵函數得到不同工藝環節的污染排放指數，建立船舶造修過程中的污染物排放分析模型。圖13 為典型造修環節的污染物排放分析模型和污染物排放指數。

圖12 板材切割工藝環節能耗分析模塊及能耗指數

圖13 典型造修環節的污染物排放分析模型和污染物排放指數

此外，結合國家關于船舶企業造修過程中污染物排放的標準，在當前船舶造修過程中引入環保制造的理念，采用先進的工藝和技術，減少權重較大污染物的排放量，進而有效降低污染物排放對環境的污染。

5 結 語

通過對國內船舶造修企業進行走訪調研，分析了典型工藝環節的能源消耗和污染物排放數據，并對節能減排的現有措施進行了評估；基于ANN 的智能算法獲得能耗指數和污染物排放指數，進一步評估了能耗和污染物排放的現狀。

1) 梳理了船舶造修企業典型工藝環節的能耗類型和可能產生的污染物排放問題；

2) 匯總了船舶造修過程中鋼料預處理、板材切割、板材彎曲成形、焊接-裝配和涂裝工藝等環節的能耗數據及現狀；

3) 分析了船舶造修過程中產生的粉塵顆粒物、固廢-液廢、VOCs 和噪聲等數據及現狀；

4) 基于ANN 在板材切割能耗預測中的應用，提出了船舶造修工藝環節的能耗和污染物排放分析模塊，獲得船舶工業的能耗指數和污染物排放指數。