模型預測先進控制技術在480t/h CFB中的應用

張鵬軍，張代華，段 鋒，王彩麗

（1.內蒙古伊泰煤炭股份有限公司，內蒙古自治區 鄂爾多斯 017000；2.內蒙古伊泰煤基新材料研究院有限公司，內蒙古自治區 鄂爾多斯 017000）

0 引言

內蒙古伊泰化工120萬噸/年精細化學品項目配套4×480t/h循環流化床鍋爐，型號SG-480/9.81-M2304，由上海鍋爐廠有限公司制造，型式為單汽包自然循環、單爐膛，無中間再熱，π型布置，平衡通風，水冷式旋風分離器，固態排渣高溫高壓循環流化床鍋爐[1]。

根據安全穩定蒸汽需求，正常工況3臺循環流化床鍋爐運行，1臺備用，單臺負荷300t/h，負荷率約為62.5%。蒸汽用量相對穩定，最大干擾來源于空分裝置汽輪機用汽，其用汽量波動較大時可達20 t/h～30 t/h，波動較小時為10 t/h～20 t/h。當用汽量波動時，由單臺鍋爐調節。這種負荷波動，操作人員一般保持一次風量不變，僅調整給煤量和二次風量，其它（包括脫硝系統在內）保持不變。4臺循環流化床鍋爐運行處于同行業較高水平，但仍有改進和提升空間。

同時隨著國家污染物排放標準越來越高，原設計和實際運行的NOx排放值在現行標準下很難達標。通過先進技術手段實現NOx排放量達標，成為各企業共同期待的目標。

伊泰化工生產過程控制方面采用Honeywell PKS 430 DCS控制系統，對工藝過程穩定操作起到了關鍵作用。因其主要采用常規控制，除過熱蒸汽溫度控制和鍋爐汽包液位三沖量控制投用自動外，其它控制回路均處于手動控制狀態，自控率總體水平不高。針對循環流化床燃煤鍋爐多輸入/多輸出的非線性、強耦合和大滯后[2]的復雜控制對象，存在多項熱量及物料平衡的工藝關系，是多變量、強耦合的復雜系統，無法將相關的多個變量統籌考慮，協調控制，不能整體考慮控制目標。其控制品質無法達到工藝過程對大擾動下產品質量和產量的控制。

1 模型預測控制原理

本項目基于先進過程控制（APC）技術，通過單爐控制和多爐控制優化，在控制器中融入對鍋爐燃燒與蒸汽動力流程工藝的深入理解，在系統內嵌入“人腦機制”，使原本僅能夠實現平穩操作的控制器具備工藝優化功能。針對循環流化床燃煤蒸汽鍋爐裝置開發APC先進控制解決方案，使得CFB鍋爐在應對煤質變化、負荷調整等動態過程中，能夠以模擬預測和中間過程尋優調整及時加以響應。由APC系統代替操作員進行系統操作，克服了基于反饋的常規調節模式的滯后和波動問題，實現了“最佳工藝工程師”與“最佳操作員”的統一，并且對裝置進行全年24h無休監控和控制優化，確保鍋爐運行在較高的燃燒效率區間，降低蒸汽煤耗并提供更為穩定的蒸汽，同時通過鍋爐性能差異的動態判斷，優化負荷調整分配，兼顧各自的爐溫約束，限制各鍋爐調節幅度，確保安全，延長鍋爐使用壽命[3]。

2 模型預測控制模塊

項目采用成熟的AVEVA APC2020多變量模型預測控制系統平臺，結合過程控制領域豐富的專家知識和經驗，提供關于循環流化床鍋爐的先進控制解決方案，實現穩定生產的同時，提高裝置產能，降低單位產品能耗，帶來顯著經濟效益。

模型預測控制[4]（Model Predictive Control，MPC）是一種多變量高級控制技術。它基于系統辨識技術，通過收集生產過程數據辨識出過程中各種變量之間的動態數學關系，即建立模型。模型預測控制模塊通過辨識的模型，認知各種擾動因素對于被控變量的影響，計算被控變量在接下來時段的變化趨勢，從而實時不斷地更新控制策略，提高過程控制品質。當擾動發生時，可預測被控變量在未來時段發生的變化。根據未來時刻，變量對于設定值的偏差，及時調整控制策略，使被控變量可以緊靠設定點，提高過程的控制品質。

3 模型預測控制實現過程

3.1 服務器安裝軟件

1）霍尼韋爾DCS系統RDM軟件

RDM軟件為霍尼韋爾DCS系統提供給第三方使用的軟件，目前安裝在APC系統服務器上。霍尼韋爾DCS服務器有A、B主備之分，當DCS服務器切換時，主服務器切到備用服務器仍然可以正常通訊，不影響OPC數據通信。

2）AVEVA APC2020

AVEVA APC2020先進過程控制是一套基于模型的預測控制軟件，具有以下特點：①采用線性動態模型預測被控變量的開環行為；②預測被控變量是否會操作約束條件；③利用實時數據來矯正預測值；④可對各種非常規動態過程建模；⑤自動階躍測試；⑥內置線性優化功能；⑦快速趨勢圖組態；⑧數據分析便利。

3）其它軟件

U盤插拔防毒系統SMX軟件，旨在防止U盤任意插拔感染傳播病毒，只有系統注冊認證過的U盤方可使用，否則無法識別，并且任何插拔U盤均有記錄。

MCafee麥卡菲殺毒軟件能夠自動偵測文件的安全性，若文件內含病毒，會立即告警并做適當自動處理，可使用密碼將個人的設定文件鎖定。

3.2 OPC接口通訊

AVEVA APC模型預測軟件將通過OPC實現同底層霍尼韋爾PKS 430DCS控制系統的讀寫通訊。為了避免其他系統對于APC控制系統的干擾，單獨為APC控制系統配置1臺OPC服務器。

3.3 APC數據準備

對需要階躍測試的試驗數據進行檢查，對有問題的數據要予以剔除。要被剔除的數據主要發生在以下場景中：出現大的過程擾亂，數據采集發生故障，沒有明顯的數據響應，關鍵的控制回路飽和或失效，出現未測量到的較大干擾。

3.4 APC控制基礎

基礎過程控制系統通常采用常規PID回路實現回路控制。它以單回路或串級控制為主，進行單參數調節，很少考慮變量間的相互作用，且常規PID控制室在控制變量產生偏差后才進行調節的。由于裝置變量總是存在相互作用，因而在裝置狀況或者生產方案發生變化時，需要同時調節多個控制回路，并確保各調節量相互匹配，才能將裝置的操作點控制在某一范圍內。然而，即使操作經驗豐富的操作人員也很難同時調節多個控制回路，并確保各調節量相互匹配，且保持穩定以至達到最優。

圖1 循環流化床鍋爐生產過程數據歷史趨勢圖Fig.1 Historical trend diagram of the production process data of the circulating fluidized bed boiler

圖2 模型預測控制偏置嵌入DCS常規PID邏輯圖Fig.2 Logic diagram of model predictive control bias embedded in DCS conventional PID

表1 常規PID控制與模型預測先進過程控制對比表Table 1 Comparison of conventional PID control and model prediction advanced process control

圖3 模型預測控制原理圖Fig.3 Schematic diagram of model predictive control

將其應用于連續過程工業的解決方案，它將整個生產裝置或某個工藝單元整體作為一個研究對象，通過現場測試，量化描述獨立變量（包括前饋變量）與各個相應工藝變量之間的動態階躍響應模型，建立工藝過程的多變量動態矩陣控制器[5]；利用模型預測裝置關鍵控制變量的變化，通過提前預測，實現提前控制，提前調節多個相關的操作變量，因而提高裝置運行的平穩性。

采用APC軟件平臺中的建模工具配置和建立過程模型，評價模型識別的結果——自變量（獨立變量，MV/FV）和因變量（CV）的對應關系。在模型識別過程中，對過程模型進行多次修正測試，直到模型滿足工程實際需要。

MV（Manipulated Variable）：控制/操作變量，由控制器調整的操縱變量。

CV（Controlled Variable）：被控變量或受控變量，一般指帶設定點目標的受控變量或帶最小/最大極限的約束變量。

FV/DV（Feedforward/Disturbance Variable）：前饋/干擾變量，用于前饋預測的可測量擾動的前饋擾動變量，可以測量其對被控變量施加影響的程度，但是不可以控制或者操作的變量。

3.5 APC控制策略

智能APC先進控制系統解決方案中，控制策略包括：蒸汽管網壓力控制器，主蒸汽溫度、爐膛溫度控制器，氧含量控制、風量控制和給煤機控制及NOX排放控制等。在實際裝置應用后，預計蒸汽煤耗降低0.5%，并將主蒸汽壓力標準偏差降低50%。在穩定供汽品質的前提下，實現節約能源并顯著降低污染排放物的效果。

1）蒸汽側：過熱蒸汽溫度/過熱蒸汽壓力。

2）燃燒側：流化床溫/稀相溫度/床層差壓/稀相差壓/飛灰含碳量/底渣含碳量/過剩氧含量/NOx原始排放濃度。

3）脫硝側：NOx最終排放濃度/氨逃逸濃度。

3.6 系統測試建模

系統建模關鍵步驟是階躍測試。項目首先關注數據質量，需要對采集數據進行濾波等預處理，對可能存在問題的數據進行校正。然后，依據對工藝過程深入的理解，選擇相關聯數據進行建模工作。建模過程中，根據工藝特點設計出的操作變量一個一個進行階躍響應測試，以一級減溫水為例，觀察動態矩陣響應曲線，反復測試，直到測試模型與實際情況相符為準。建模過程中爭取工藝技術人員和操作人員的支持，使其理解先進控制的理念，更好地配合制定出合理的調整策略指導操作。

圖4 模型預測控制策略MV典型回路圖Fig.4 Typical loop diagram of model predictive control strategy MV

3.7 預期效果

通過AVEVA APC系統，預期達到以下效果：提高裝置基礎自動化水平；提升基礎自動化投用率，實現一次風流量、二次風流量、爐膛負壓系統和總燃料系統的自動控制；穩定流化床溫/稀相溫度/床層差壓/稀相差壓，降低飛灰含碳量/過剩氧濃度/NOx原始排放；降低NOx最終排放，減少氨逃逸；降低操作人員的勞動強度。系統優化后，人工控制將變為自動控制，降低操作人員的勞動強度，引導操作人員將注意力轉向最佳過程參數配置和調整；能實現智能操作模式和人工操作之間的快速無擾切換；預期鍋爐熱效率增加0.2%～0.4%。

4 組織保證

項目在實施過程中，確保項目順利進行，成立模型預測調試小組，由先進控制儀控組、生產工藝組共同組成。

先進控制儀控組：軟硬件驗收維護、先進過程控制系統維護，包括網絡架構搭建，與DCS系統數據通訊、數據采集、數據應用等基礎工作，了解生產先進控制項目的數據分析、建模、功能設計、組態等過程，進行先進控制系統的優化調試，參與階躍測試，會簽試運行報告和驗收報告。

圖5 減溫水系統建模過程圖Fig.5 Modeling process diagram of desuperheating water system

生產工藝組：從工藝生產角度進行分析、指導，針對系統操作提出限定范圍，跟蹤項目指標運行情況并對指標驗證，提供生產工藝過程資料，討論并批準先進控制功能設計、預測試計劃、階躍測試計劃和DCS操作界面，參加APC控制器現場安裝前的出廠驗收測試（FAT），給出修改意見和批準FAT報告，會簽試運行報告和驗收報告。

5 結束語

本項目采用MPC模型預測控制先進控制技術，將先進控制理論與生產過程相結合，以計算機技術與DCS常規控制系統為基礎，實現循環流化床鍋爐生產過程的優化控制。通過實施優化控制，使循環流化床鍋爐不間斷地平穩優化運行，以達到穩定生產，優化指標，節能減排，降低操作員勞動強度的目的[6]。