城市固廢焚燒過程智能優化控制研究現狀與展望

湯 健 夏 恒 余 文 喬俊飛

目前,城市固廢(Municipal solid waste,MSW)的全球年增長率已達到8%～10%[1-2].相應地,我國面臨著環境惡化甚至“垃圾圍城”風險的城市日趨增多[3],為發展環境友好型城市必須解決上述問題.MSW 焚燒(MSW incineration,MSWI)過程作為典型流程工業[4-5],通過發酵、燃燒、換熱和凈化等工藝階段實現廢物到能源(Waste-to-energy,WTE)的轉變[1,6],其中:固廢發酵階段存在多種不確定的生物反應,固廢燃燒是固氣液多相和熱流力多場交互作用下的高溫化學反應,余熱交換是實現熱能到機械能再到電能的轉換,煙氣凈化是利用物理/化學原理脫除煙氣中的有毒有害物質;該過程在實現自身運行所需能源自給自足的基礎上,向外提供電和熱等多種形式的能源,并確保較低的環境污染排放風險[7],使得MSW 已經成為城市可再生能源循環利用過程中的重要環節[8-9].研究表明,MSWI 的減質率、減容率和能量回收率可達到70%、90%和19%[10-11],其在經濟和環保方面所呈現出的潛在價值已被發展中國家所認可[10].因此,MSWI 過程在低碳、環保和可持續能源等領域均具有關鍵作用[12],已成為國家新時期生態文明建設和循環經濟體系中的托底工業[13-14].

我國MSWI 起步于20 世紀90 年代(深圳引進日本三菱2 臺150 t/d 馬丁爐排焚燒爐),在十二五時期著力推廣后再經過十三五時期無廢城市規劃的實施,目前MSWI 處理占比(超過50%)已居世界首位[15].截止2022 年10 月,我國已投運MSWI 電廠811 座,其中機械爐排爐占比超過94%[16].

在“十四五”城鎮生活垃圾分類和處理設施發展規劃下,MSWI 過程將迎來新一輪的高速發展[17].顯然,在“雙碳戰略”[18]、垃圾分類[19]和原生MSW“零填埋”[20-21]的發展背景下,MSWI 在未來仍將是MSW 處理的首選技術[22],也是城市可持續發展和綠色環保不可或缺的組成部分[23].然而,目前我國MSWI企業卻面臨著顯著的、短期內無法有效調控的發展矛盾,即過程運維成本、環保監管成本、“國補退坡”[24]、MSW 處理微利之間的矛盾,這是我國MSWI 行業面臨的最大挑戰.此外,雖然MSWI 過程是最科學的MSW 處理方式,但所產生的廢氣、廢水和廢渣卻使其自身被列入污染排放名單,更甚者是其所排放的世紀之毒二噁英(Dioxin,DXN)導致焚燒建廠一直受困于“鄰避效應”[2,25].

經過近半個世紀的發展,自動化技術、計算機技術和焚燒設備與工藝的有機結合,促使MSWI 控制系統逐漸向大型化、集成化和智慧化的方向發展[2].目前已投運、在建和擬建的MSWI 廠中,多采用爐排爐型焚燒爐、高參數鍋爐發電設備、漸進累加式煙氣凈化工藝,目的是推進企業低碳轉型、提高經濟效益和競爭力[16,26].但是,MSW 的組成和產生受到社會、經濟和環境等諸多不確定性與地區性因素的影響[27-28],大型化的運行設備也導致臨界條件下實現MSWI 過程高效穩定控制的難度進一步加大.同時,《生活垃圾焚燒發電廠自動監測數據應用管理規定》 要求企業全面公開污染物排放數據,以服務于公眾監督和環保監管要求[29].此外,在“雙碳戰略”和“藍天凈土”新環保要求的大背景下,MSWI技術的發展方向必然是高負荷、高效率和綠色化[30-32].上述原因導致MSWI 電廠在智能運維、智慧環保等方面均面臨著巨大的挑戰[33].

此外,雖然自動化和信息化水平不斷提升,但我國的MSWI 過程卻多采用領域專家手動控制模式,這顯然難以適應智慧焚燒的需求[34],導致焚燒行業的整體運營難以有效滿足國家對污染排放的監管要求.生活垃圾焚燒發電廠自動監測數據公開平臺的數據表明,自2020 年以來已關閉MSWI 電廠21 家,涉及焚燒爐50 余臺,其中爐排爐占比44%[16].因此,研制具有甚至超越優秀領域專家水平的智能優化控制技術,已成為MSWI 企業能夠以穩定、高效、綠色和低碳的最優工況達到年運行8 000 小時水平的關鍵,進而實現處理量最大、熱灼減率最小、發電量最大、物耗最小和污染排放最低等目標,確保MSWI 行業的可持續性發展.

綜上,本文首先針對典型MSWI 工藝機理、當前運行控制特性及智能優化控制存在難點進行描述和分析;接著,從燃燒特性分析與建模、燃燒過程控制、指標建模與預測、運行監測與故障識別、操作(控制)變量優化、算法仿真驗證平臺等6 個方面進行MSWI 過程運行控制現狀的回顧和總結,探討進行智能優化控制的必要性;然后,結合工業人工智能本質給出未來研究方向和內容,展望基于數字孿生平臺的未來MSWI 智能優化控制系統的框架和愿景;最后,總結未來挑戰.

1 MSWI 過程特性分析

1.1 MSWI 處理工藝

目前,我國已投運的焚燒爐為1 822 臺[16],其中爐排爐為1 705 座,占比約為94%;近五年新建廠中約29%是日處理量大于或等于700 t/d 的爐排爐.由此可見,大型爐排爐是目前國內MSWI 電廠的主流工藝技術.

此處以我國引進的處理量為800 t/d 的典型爐排爐為例,其工藝流程如圖1 所示.

圖1 某典型爐排爐MSWI 過程的工藝流程Fig.1 Process flow of a type grate MSWI process

由圖1 可知,MSWI 過程先后經過固廢發酵、固廢燃燒、余熱交換、蒸汽發電、煙氣凈化和煙氣排放6 個主要階段,其中:

1)固廢發酵階段:原生MSW 包含大量水分不利于燃燒,需在固廢儲蓄池中經3～7 天的生物發酵,完成初步脫水后達到入爐焚燒條件再由機械抓斗投入到料斗中,然后由進料器推送至焚燒爐內,進入固廢燃燒階段.該階段的主要變量為MSW 熱值,其是影響MSWI 過程優化決策的關鍵因素之一.

2)固廢燃燒階段:本質是在固氣液等多相和熱流力等多場的耦合交互作用下將MSW 轉變成高溫煙氣和固態殘渣,可分為干燥、燃燒和燃燼3 個過程.

a)干燥過程:是發酵后的MSW 在干燥爐排上完成全水分(表面和內在水分)析出至著火的階段,內涵是:表面水分隨爐內溫度升高而逐漸蒸發,當溫度上升至100 ℃時被完全蒸發;內在水分隨爐溫的進一步升高而逐步析出并吸收大量熱能.因此,MSW 的全水分含量與入爐熱值相關,進而影響燃燒狀態乃至全流程的運行工況.

b)燃燒過程:從MSW 開始著火經強烈發光發熱直至氧化反應結束的階段,包括強氧化、熱解和原子基團碰撞反應.強氧化反應表示可燃組分與氧氣發生完全燃燒反應;熱解反應表示在無氧或接近無氧的條件下,熱輻射能量破壞含碳高分子化合物元素間的化學鍵或對其進行重組,析出揮發分后再進行氧化反應;原子基團碰撞反應表示原子基團電子能量的躍遷、分子的旋轉和振動等行為產生紅外熱輻射、可見光和紫外線,進而形成火焰形態.因此,燃燒過程涉及的反應復雜多變、相互間存在強耦合性且具有多反應同步運行的特性.顯然,燃燒過程中的氧含量(供風量)和MSW 進料量(爐排速度)對燃燒過程至關重要.

c)燃燼過程:從燃燒結束至燃燒完全停止的過程.經燃燒過程后,MSW 中的可燃成分以焦碳為主;之后,在高溫和一次風的作用下,焦碳與O2發生氧化反應,與CO2、水蒸氣等發生氣化反應;隨后,惰性物質(氣態的CO、H2O 和灰渣)逐漸增加,直至爐排上的MSW 全部成為灰渣,進而減弱燃燒直至完全停止[35].因此,該過程具有燃度降低、惰性物質增加、氧化劑含量相對較大、反應區溫度較低等特點,延長該過程可有效提高MSW 的熱灼減率,提升減量化水平.

為保證煙氣中有害物質的分解和燃燒,常采用“3T+E”的原則[36],即爐膛溫度大于850 ℃、煙氣停留時間大于2 秒、煙氣湍流強度以及過量空氣系數保持適當取值.該階段的主要控制變量為MSW進料量、爐排速度和爐膛進風量,主要被控變量為爐膛溫度、煙氣含氧量、蒸汽流量和燃燒線.

3)余熱交換階段:首先高溫煙氣經水冷壁進行初步降溫,然后利用過熱器、蒸發器和省煤器等設備將熱能通過輻射和對流的方式傳遞至鍋爐,接著鍋爐中的水轉變為高壓過熱蒸汽進入蒸汽發電階段,最后鍋爐出口煙氣溫度降至200 ℃.該階段需要嚴格控制降溫速率,以防止污染物再生成,其主要的控制變量為鍋爐給水量,主要被控變量為鍋爐蒸汽流量.

4)蒸汽發電階段:利用余熱鍋爐產生的高溫蒸汽推動汽輪發電機,機械能轉變為電能,實現廠級用電的自給自足和剩余電量的對外供應,實現資源化和獲取經濟效益.

5)煙氣凈化階段:首先,脫硝系統在850 ℃～1 100 ℃的溫度下脫除NOx;接著,半干法脫酸工藝通過注入石灰和水對酸性氣體(HCl、HF、SO2、重金屬)進行中和;然后,活性炭對煙氣中的DXN以及重金屬等物質進行吸附;最后,通過布袋除塵器脫除煙氣中的顆粒物、中和反應物以及活性炭吸附物,完成煙氣凈化.該階段的主要控制變量為尿素、活性炭、石灰等物料的消耗量.

6)煙氣排放階段:符合國家排放標準(GB18485-2014)的煙氣通過引風機牽引經煙囪排入大氣.顆粒物、NOx、SO2、HCl 和CO 等污染物是目前所關注的環保指標.

1.2 國內MSWI 過程的運行控制特性

基于世界銀行最新的統計數據[37]和谷琳等[38]以及Yamada 等[39]提供的數據,在MSW 成分的長時段平均統計中,國內MSW 中的廚余類組分的占比高,原因在于:歐洲、北美等地區在20 世紀中期開始施行MSW 分類,公眾環保意識強;我國MSW的分類政策和制度目前還在完善和推廣中,使得MSW組分存在較大的不確定性.因此,國內MSW 的熱值量級和穩定性遠低于上述區域,原因在于:上述區域的MSW 源于分類后的可燃組分,其熱值被控制在較小的范圍內波動;國內的相應管理制度還不夠完善,所收集的MSW 的熱值低且波動性較大.

除在MSW 組分與熱值上的差異性外,國內在領域專家技能水平和設備運維技術方面也與國外存在著差距.眾所周知,鄰國日本的爐排爐技術引自于歐洲,在進行本土化改造后才達到當前的領先水平.因此,我國MSWI 過程的運行也是無法直接照搬國外技術的,這使得目前國內各廠主要采用的是依賴于領域專家(即知識型工作者)的手動控制模式,其示意如圖2 所示.本質上,這是根據自動燃燒控制(Automatic combustion control,ACC)系統的控制邏輯而歸納總結的經驗,其可簡述為:機械抓斗操作工程師憑經驗完成MSW 儲池分區整備、操作抓斗均勻混合和拆解大件MSW、控制發酵周期和入爐區域MSW 熱值穩定,依據料位視頻監控畫面憑經驗控制投料頻率;運行工程師基于多模態信息識別預判工況變化,后憑經驗對固廢燃燒、余熱交換和煙氣凈化等階段的控制變量進行設定.主要操作經驗可歸納為:勤看火焰,控制料層和火床;勤調整進料量、供料速度和燃燒風量;依據料層厚度、煙氣含氧量以及MSW 特性確保穩定燃燒[40].顯然,手動操作難免會存在著差異性和任意性,是影響MSWI 過程穩定運行的核心.因此,在該模式下數據中蘊含的優秀規則知識和豐富領域專家經驗是進一步研究MSWI 過程智能優化控制的基礎.

圖2 MSWI 過程的領域專家手動控制示意圖Fig.2 Manual control by domain experts for MSWI process

1.3 MSWI 過程智能優化控制存在的難點

綜上可知,國內MSWI 過程的智能優化控制存在以下問題:1)MSW 組分多變、熱值不穩定且難以實時檢測;2)MSW 燃燒機理隨其組分的多變性使得已有數值仿真難以刻畫真實燃燒過程且缺少全流程模擬;3)MSWI 過程的爐內溫度場、料層厚度、燃燒線等被控變量和鍋爐/煙囪出口二噁英、爐渣熱灼減率等運行指標的可靠實時檢測設備缺失;4)MSWI 過程的操作變量與被控變量眾多、相互耦合且不同運行工況下的控制關注點存在差異性,難以確保穩定運行;5)MSWI 過程長周期的運行特性導致其具有動態時變漂移特性,現有傳感設備無法全面覆蓋全流程,使得過程狀態難以有效監測和表征;6)國內多采用單廠多線的大型焚燒爐并行運行模式,爐溫多以犧牲經濟性保證安全性和環保達標而長期處于高位,缺失有效的全流程管理決策優化.

基于上述問題,筆者認為,針對我國MSW 的特性,實現具有本土特色的智能優化控制需要進一步地研究以下的難題:

1)燃燒過程被控對象建模難

通常,準確構建被控對象模型是進行工業過程智能控制研究的基礎[41-43].MSWI 與其他熱處理工業(例如燃煤電廠、高爐煉鐵廠等)的顯著區別在于該過程的原料成分波動大且異構嚴重,導致其物理化學性質差異性較大且不能實時檢測.此外,燃燒機理復雜以及領域專家經驗差異性等問題導致工況復雜多變,難以構建精確的機理模型或完備的數據驅動模型.因此,這使得面向燃燒過程的被控對象建模成為業界難點之一.

2)燃燒過程自適應自組織智能控制難

燃燒過程控制的核心是如何通過“布風布料”操作確保穩定燃燒[44].MSW 組分的多變性和熱值的不確定性是燃燒過程不可避免的強干擾因素,設備未知磨損與不定期維護等也是干擾因素之一.作為燃燒過程重要被控變量的燃燒線難以量化,極大地制約著燃燒過程控制水平的智能化.此外,操作量之間、被控量之間、操作量與被控量之間還存在著強耦合關聯性和長時滯特性.這些因素均需要控制器具有自組織的結構和參數以抑制各種干擾的能力.因此,如何實現有效的結構和參數自組織控制是確保MSWI 過程平穩運行的難點之一.

3)運行指標在線實時檢測難

運行指標的在線實時檢測是實現工業過程優化設定控制必需的反饋信息.MSWI 過程的運行指標包括環保指標(污染物和溫室氣體排放濃度)、產品指標(飛灰產量、爐渣熱灼減率、燃燒效率和有機物脫除率)和經濟指標(MSW 處理費、上網發電量).除常規污染物和溫室氣體可采用煙氣在線監測系統(Continuous emission monitoring system,CEMS)在線實時檢測外,其他運行指標受限于技術或成本原因在目前均難以進行在線檢測,且具有長時滯性.此外,即使能夠構建軟測量模型,但依然面臨著標記樣本稀疏、不均衡且期望分布未知等問題.因此,實現運行指標的在線實時檢測是必須要解決的難點之一.

4)運行狀態感知和故障診斷難

從工業現場可知,異常工況頻發是導致引進ACC 系統難以在我國“本土化”的原因之一[2].目前基于人工認知經驗的故障診斷效率低且易出現誤報和漏報,難以確保MSWI 過程的長時段穩定運行.除蘊含在工況頻繁變化的過程數據中的知識難以提取和量化外,領域專家對燃燒火焰所表征知識的提取機制更加難以建模.因此,如何實現仿優秀領域專家的運行狀態智能感知和故障診斷是當前待解決的研究難點之一.

5)全流程協同優化運行難

通常,僅依賴于經驗差異化的領域專家間的協調配合難以實現復雜工業過程全流程的優化運行[45-46].MSWI 過程的優化運行目標是“減量低排創收”,即提高MSW 的減量化比例(減量)、降低污染物的排放濃度(低排)和增加WTE 的經濟效益(創收).由于MSWI 過程包含的多類型焚燒裝備間相互影響,導致所涉及的運行指標間除相互沖突與約束外,還具有動態時變和多時空尺度等特性.此外,MSW 來源的多樣性和成分的復雜性,MSWI 過程運行條件的多變性和工況波動的頻繁性等因素也增加了全流程協同優化運行的難度.因此,如何結合MSWI 工業特性解決全流程協同優化是難點之一.

6)智能優化控制算法驗證難

通常,面向實際工業過程所研制的智能優化控制技術在工程應用前須進行驗證測試,對實施預期效果和風險進行評估[47].MSWI 過程固有的多變量、強耦合、強非線性和不確定性等特點再加之工業現場對運行安全性、信息保密性和企業經濟性等需求,導致新研制的智能優化控制技術難以在實際過程中進行調試和試驗.這需要:以真實運行過程為模擬對象,構建能夠集多物理量、多時間尺度、多源多模態數據且能夠相互安全隔離的仿真驗證平臺.顯然,這是實現智能優化控制算法仿真與驗證,進而能夠工程應用必須要解決的難點之一.

2 MSWI 過程運行控制研究現狀

MSWI 技術經歷了3 個發展階段[48]:1)早期萌芽階段,以英、德和法首次采用焚燒爐處理MSW為代表[49-50],該階段技術不成熟且存在嚴重的二次污染等問題;2)快速發展階段,采用自動化系統實現集中式控制,爐排從固定式轉變為移動式[51],對余熱進行回收再利用的模式在歐美得到極大發展[52];3)完備成熟階段,更多國家關注其在無害化、減量化和資源化等方面的優勢并將其作為主要處理技術之一[53-55],并形成以爐排爐、流化床和旋轉筒式焚燒爐為代表的主流[56];與此同時,開始聚焦能源轉換效率和環保排放等問題,這使得末端煙氣凈化技術得到快速發展,但仍存在控制水平低、過度依賴領域專家經驗等問題.

本文將MSWI 過程的運行控制研究分為如圖3所示的6 個方面進行現狀綜述.

圖3 MSWI 過程運行控制現狀Fig.3 Operational control status of MSWI process

2.1 燃燒過程建模與特性分析研究

MSW 燃燒機理所包含的物理化學反應是過程控制和優化研究的先驗基礎[57].下文從基于機理的燃燒過程建模、數值仿真驅動的燃燒特性分析和數據驅動的燃燒過程建模3 個視角對現有研究進行綜述.

2.1.1 基于機理的燃燒過程建模研究進展

MSW 的非同質組分是固相MSW 燃燒機理分析的主要挑戰[58].Peters[59]將煤和焦炭的傳熱和傳質機理應用于MSW 床層燃燒建模,基于有限體積方法實現了初步模擬.Goh 等[60]在假設MSW 燃燒由干燥、熱解和氣化3 個步驟組成的前提下,建立床層燃燒基礎理論模型,為后續研究提供支撐.同時,馬曉茜等[61]將MSW 假設為均質幾何體顆粒對燃燒過程進行建模,實驗表明MSW 加熱所需時間隨顆粒尺寸的增大而顯著增加.針對日處理量800 t/d爐排爐,秦宇飛等[62]基于揮發分析出和燃燒構建數學模型,模擬了燃燒過程的不穩定性;白焰等[63]建立MSW 干燥過程機理模型,分析了不同因素對水分蒸發過程的影響.針對日處理量400 t/d 爐排爐,王康等[64]構建MSW 水分蒸發、揮發分析出和焦炭燃燒等模型,研究了進風量對MSW 固相燃燒的影響.

此外,Shin 和Choi[65]假設MSW 為木質顆粒[66],提出包含升溫、水分蒸發、高溫分解、氣相燃燒、焦炭氧化等過程的固相燃燒一維數學模型.在此基礎上,Johansson 等[67]分析一維床層數學模型對熱傳導、反應速率和揮發分組成等參數的敏感性.Magnanelli 等[68]將床層劃分成為N個不等高的同質模塊構建機理模型,結果表明該模型對輸入具有良好的動態響應.

上述成果為洞悉燃燒過程內部復雜的物理化學反應機理奠定了良好基礎,同時也為控制與優化研究提供了理論和模型支撐,具體而言:機理模型可用于分析操作(控制)變量(即進風量和進料量)對燃燒過程的影響,也可在經過現場數據的校正后作為被控對象模型以驗證控制算法和輔助設計先進控制器.

2.1.2 數值仿真驅動的燃燒特性分析研究進展

近年來,基于商業軟件對MSWI 過程進行數值仿真成為分析燃燒特性的有效手段之一[15,69],在優化工藝設計中發揮著重要作用[70-71],現有研究可分為固相、氣相和固-氣相耦合燃燒仿真3 類.

1)固相燃燒仿真

固相燃燒仿真是精確模擬MSW 在爐排上經歷水分蒸發、揮發分析出、殘炭燃燒等過程的主要模式[72].Yang 等[73]開發的FLIC 模型最具有代表性,其通過連續性、動量、能量和組分方程模擬MSW燃燒過程,分析固體和氣體的速度、壓力、溫度和種類分布;進一步,利用該模型研究一次風量、進料速度、爐排速度、二次風量和原料特性(如濕度、粒度、密度)對燃燒的影響[74].此外,Simsek 等[75]采用離散元方法(Discrete element method,DEM)仿真固相燃燒.

2)氣相燃燒仿真

氣相燃燒仿真以商業軟件FLUENT 為主,其能夠對爐內高溫煙氣流動和傳熱傳導現象進行有效仿真[15].與氣相燃燒相關的特性分析包括:文獻[76-78]采用FLUENT 獲取爐內溫度場、煙氣停留時間與煙氣組分等數據,分析選擇性非催化還原(Selective non-catalytic reduction,SNCR)脫硝過程與NOx排放間的關系,進而為SNCR 系統的設計與改造提供理論依據;王克[79]利用FLUENT 仿真常規空氣焚燒、富氧焚燒無煙氣再循環、富氧焚燒有煙氣再循環共3 種工況下的燃燒過程,分析不同類型注氧裝置作用下的速度場、溫度場和濃度場等,為工藝參數優化提供支撐.

3)固-氣相耦合燃燒仿真

上述兩類單相仿真方法的局限性體現在:固相仿真難以提供燃料床表面的氣體濃度、溫度以及非零梯度邊界條件等信息[80];氣相仿真模擬的必要條件是在現場通過實驗測量獲得仿真模型的輸入數據,同時無法對固相燃燒參數進行敏感性分析,其結果精度取決于以實驗方式測量的輸入數據.針對上述問題,采用固-氣相燃燒耦合仿真的方式能夠有效予以解決[70],即爐排固相燃燒和燃燒室氣相燃燒的交互式耦合策略[80].基于FLIC 與FLUENT 相結合的耦合框架,Yang 等[81]分析水分含量和預熱空氣溫度對燃燒的影響,結果表明,當水分含量大于35%時易出現低燃燒效率的運行工況;林海等[82]分析一次風量分配和初始料層厚度對MSW 減重率和爐膛出口CO 濃度的影響;Costa 等[83]研究操作量與爐膛溫度、煙氣停留時間的關系,實驗獲得進行NOx和DXN 排放控制的優化工藝參數.

上述成果為燃燒機理的可視化和量化提供支撐,也為控制與優化研究提供了機理知識的支撐,具體而言:可用于輔助獲取MSWI 運行過程的先驗知識和控制器運行的邊界條件,可基于實際運行數據對工藝設計視角的數值仿真模型進行誤差修正,可為進行智能控制算法的研究提供非常態工況下的運行數據進而輔助提升控制器的自適應性,基于數值仿真數據提供機理數據以促進被控對象模型逼近實際MSWI 過程特性,進而輔助完成智能控制.

2.1.3 數據驅動的燃燒過程建模研究進展

通常,面向具有機理難以精確描述、干擾不確定性大和工況波動頻繁等特性的復雜工業過程,利用蘊含領域專家經驗的數據構建精準被控對象模型是研究其智能控制的基礎[84-87].筆者將燃燒過程建模分為關鍵被控變量和擾動(輔助)變量兩部分.

1)關鍵被控變量建模

燃燒過程的關鍵被控變量是爐膛溫度、煙氣含氧量、蒸汽流量和燃燒線位置等.

a)多入單出(MISO)被控變量模型

爐膛溫度通常采用熱電偶檢測,是表征燃燒穩定與否的重要參數,也與污染物排放直接相關[88-89].建立面向控制的爐膛溫度模型是實現其穩定控制和算法驗證的重要前提[90-91];已有數據驅動模型包括多模型智能組合[92]、TS 模糊神經網絡(Fuzzy neural networks,FNN)[93-94]和最小二乘-支持向量回歸(Least squares-support vactor regression,LSSVR)[95]等,但這些研究多針對較窄范圍的單工況進行建模,其適應性有待提高.

煙氣氧含量是過氧空氣系數的表征量,能夠在一定程度上表征燃燒狀態[96],其測量點通常安裝在余熱鍋爐出口(煙氣G1)和煙囪出口(煙氣G3)處,現有研究多聚焦于前者.目前,工業現場主要采用氧化鋯分析儀進行檢測,軟儀表檢測僅有Sun 等[97]提出的基于權重主元分析(Principal component analysis,PCA)和改進長短時記憶網絡(Long short term memory,LSTM)的模型,但建模精度還有待進一步提高.因此,面向控制研究的煙氣含氧量模型還鮮有報道.

蒸汽流量作為燃燒過程調控的重點對象,是決定余熱回收效率和汽輪機發電量的關鍵變量[98],其通常采用流量計檢測,與軟儀表檢測模型相關的研究包括:Giantomassi 等[90]采用基于自適應卡爾曼濾波參數更新的徑向基神經網絡(Radial basis function,RBF),孫劍等[99]采用基于平均影響值算法進行特征選擇的RBF,楊培培等[100]采用LSTM 等.

由上可知,上述研究均采用數據驅動方式構建MISO 軟儀表/預測模型,并不是面向控制的被控對象建模.

b)多入多出(MIMO)被控變量模型

燃燒過程是典型的MIMO 系統,并且操作變量與被控變量間耦合嚴重.針對上述問題,Leskens等[101]構建面向煙氣含氧量和蒸汽流量的有源自回歸(Auto regressive with extra inputs,ARX)模型;進一步,針對爐膛溫度、煙氣含氧量和蒸汽流量,Chen等[102]構建基于權重自適應粒子群優化(Particle swarm optimization,PSO)的級聯傳函模型,Wang等[103]構建隨機森林(Random forest,RF)和梯度提升決策樹(Gradient boosting decision tree,GBDT)混合集成模型,丁海旭等[44]構建T-S FNN 模型等.上述成果雖為控制算法的研究提供了支撐,但模型精度有待提升,在多工況下的適應性問題仍未解決.

針對燃燒線,Miyamoto 等[104]給出基于過程數據和火焰圖像的量化方法,但構建操作變量與燃燒線間映射模型的研究還未見報道.因此,考慮燃燒過程的非線性和強耦合性,借鑒其他工業過程研究成果[105-106],構建具有復雜工況適應性的面向控制的MIMO 被控變量模型的研究仍有待深入.

2)輔助變量建模

除上述關鍵被控變量外,燃燒過程的穩定還依賴于眾多輔助變量(擾動量或中間變量).此處僅關注MSW 熱值、料層厚度和燃燒線狀態檢測模型,其他與故障識別相關的研究見第2.4 節.

a)MSW 熱值

MSW 熱值是關系燃燒過程穩定與否的重要因素,直接影響操作策略選擇、是否添加輔助燃料及添加時的使用量和焚燒企業的設備運維、經營管理及經濟效益等方面[107-108].針對MSW 熱值難以直接檢測只能離線化驗的問題,陳亮等[109]和曾衛東等[110]基于熱平衡機理進行實時估算;Van Kessel 等[111]最早基于易采集過程數據構建熱值軟儀表檢測模型,之后相繼出現了基于反向傳播神經網絡(Back propagation neural network,BPNN)[112-116]、L-M BPNN[117]、RBF[112]、自適應神經模糊推理系統(Adaptive network basedfuzzy inference system,ANFIS)[112]和FNN[118]等模型;非神經網絡模式的軟儀表模型包括支持向量機(Support vector machines,SVM)[119]、LS-SVM[120]和RF[119]等.同時,You 等[119]對基于人工神經網絡(Artificial neuralnetwork,ANN)、ANFIS、SVM 和RF 的軟儀表模型的對比測試表明,ANFIS 性能最佳,RF 次之,最差為ANN;最近,文獻[121]提出基于深度學習與圖像識別的熱值實時檢測模型的設想.但是,用于構建熱值軟測量模型的真值樣本存在獲取成本高、樣本稀疏、覆蓋工況范圍有限等問題,需結合建模數據特點提升泛化性能.

b)料層厚度

料層厚度隨燃燒過程的進行而動態變化,與MSW 熱值和蒸汽流量緊密相關,也可作為被控變量;多采用核儀表進行直接檢測,但存在價格昂貴、維護困難和實用性差等問題.因料層厚度真值難以獲取,目前的軟儀表模型多從物理屬性視角出發,利用風壓、風量、負壓和爐排面積等數據進行間接動態計算[110,122-123].因此,如何實現更為精準和經濟的料層厚度實時在線檢測還有待進一步研究.

c)燃燒狀態

燃燒狀態包括燃燒線位置與火焰面積、高度、亮度等關鍵特征信息[124],與MSW 的偏燒、局部燒穿以及爐膛內的結焦、積灰、腐蝕等問題直接相關[104,125].目前,現場采用基于人工觀火孔直接識別和基于工業攝像機采集視頻憑經驗或采用圖像處理間接識別2 種方式.Duan 等[126]構建基于多尺度顏色矩特征和RF 的燃燒狀態識別模型,郭海濤等[127]提出基于生成對抗網絡混合增強的燃燒狀態識別策略,但上述方法僅關注基于燃燒線位置的火焰燃燒狀態識別,并不能完全表征燃燒狀態.Han 等[128]提出基于半監督策略能夠識別未知火焰燃燒狀態的模型.同時,針對燃燒火焰圖像與火焰溫度之間的關系,孫成永等[129]提出采用聲波發射溫度檢測方法重建火焰各區域溫度場的策略,實現了溫度監測的可視化和數字化;Zheng 等[130]結合牛頓迭代法和Hottel發射率模型,建立多光譜火焰圖像與溫度間的關系模型.此外,Yan 等[131]和He 等[132]采用光譜儀檢測火焰構建其特征與焚燒過程所排放堿性金屬濃度(鈉、鉀、銣)之間的映射模型;Zhou 等[133]基于蒙特卡羅和多成像角度進行火焰溫度的三維可視化建模.上述研究多采用增加物理設備開展研究,同時未考慮依據工業流程特性的多模態數據進行燃燒狀態識別.由上可知,如何基于多模態圖像檢測燃燒狀態,并與過程數據進行融合驗證的研究還有待深入.

2.2 燃燒過程控制研究

研究表明,實現MSWI 全流程穩定運行的關鍵是焚燒爐[134].如何對工藝參數眾多、存在強耦合性和強非線性的燃燒過程進行有效控制一直是工業界和學術界的核心研究問題之一.下文分別從工業現場和非現場控制的視角開展綜述,目的是使得工業應用和學術研究的界限更為清晰,以填補兩者之間的鴻溝[135],進而推進后者轉向前者.

2.2.1 工業現場控制研究進展

國外廣泛應用的ACC 系統于1978 年由日本Takuma 公司研發并實際應用[136],之后德、美等國家開始引進并研發適用于本土的改進版,至1985年其框架已逐漸完善.ACC 系統的核心是控制穩定的爐膛溫度和蒸汽流量,其策略如圖4 所示.

圖4 典型ACC 控制策略Fig.4 Typical ACC control strategy

由圖4 可知,被控變量包括爐膛溫度、蒸汽流量、煙氣含氧量、料層厚度和燃燒線位置,操作(控制)變量包括一次風量、二次風量和各爐排速度,其核心理念是依據經驗設定的MSW 消耗量、熱值和過量空氣系數,根據被控變量的變化實時計算操作變量的輸出值[137-139],進而實現以下目標:1)爐膛溫度大于850 ℃,高溫煙氣在此溫度下停留不少于兩秒;2)爐渣熱灼減率小于5%;3)產生穩定的蒸汽流量;4)余熱鍋爐出口的煙氣含氧量維持在合理范圍內.

通常,在MSW 熱值穩定和工況正常的情況下,上述ACC 系統能夠控制燃燒過程的自動運行[140].但是,在異常工況下,如因MSW 未能充分混合發酵而導致成分與熱值波動、蒸汽流量小于額定值且爐溫下降、蒸汽流量大于額定值且爐溫升高以及在焚燒設備檢修期間,均需要強人工干預才能實現燃燒過程的穩定.因此,工業界進行了針對性的改進研究.

1)國外ACC 系統研究

Onishi[141]在ACC 系統上增加控制風量和風溫的模糊控制器,表明其魯棒性和控制效果更優;Schuler 等[142]采用紅外熱像儀替代熱電偶檢測爐膛溫度及其波動信息,有效改善ACC 系統微調過程的快速響應性;Miyamoto 等[104,143]將利用神經網絡建立的燃燒狀態識別模型作為系統的反饋信息,有效降低了CO 的排放濃度;隨后,Zipser 等[144]基于紅外圖像分析在線檢測MSW、煙氣和火焰的溫度信息,輔助燃燒控制;曾衛東等[145]針對爐排翻動造成的爐膛負壓波動問題,采用基于濾波算法的控制方案保證其與爐膛溫度的穩定.

2)國內ACC 系統研究

許潤等[146]針對爐排爐設計蒸汽流量閉環控制策略以適應MSW 熱值變化,在保證充分燃燒的基礎上,進一步實現連續長期穩定運行;王海強[147]在ACC 系統的基礎上,采用煙氣排放指標的控制時段前移,將脫硝、石灰漿、排放因子等加入ACC 系統控制邏輯的策略,初步實現MSWI 過程的ACC系統的本土化改進.

3)非ACC 系統研究

此外,面向爐膛溫度控制,Ono 等[148]提出將模糊控制規則應用于日本某MSWI 電廠,沈凱等[149]將領域工程師經驗歸納總結為模糊控制規則應用于深圳某MSWI 電廠,Carrasco 等[150]面向西班牙某MSWI 電廠開發基于專家規則的燃燒控制系統.然而,基于規則的控制系統在工況波動頻繁的過程中難以穩定運行.

盡管引進ACC 系統已在國內歷經多年的工業應用,但目前實際MSWI 電廠的控制仍基本停留在基礎控制水平,尤其在引進系統的部分檢測儀表和設備損壞的情況下,更多的是以依賴領域專家憑經驗的手動控制模式運行,這顯然不能實現長期的穩定優化運行狀態.因此,在缺少相關積累和國外公司封鎖相關技術的背景下以及已經具有多年實際摸索經驗的基礎上,需要研究擁有我國本土化特色的工業現場智能控制模式.

2.2.2 非現場控制研究進展

在20 世紀末后,發達國家開始采用環保政策限制MSWI 電廠的污染排放[136],隨之其控制目標變更為:1)爐膛溫度大于850 ℃且穩定;2)爐膛保持均勻穩定的熱能輸出;3)余熱鍋爐出口煙氣含氧量穩定.顯然,當且僅當運行在爐膛溫度、蒸汽流量和煙氣含氧量的穩態點時才能實現上述控制目標.為滿足實際需求,學術界針對關鍵被控變量從SISO和MIMO 視角展開了大量研究.

1)SISO 控制

a)爐膛溫度控制

針對爐膛溫度的穩定控制問題,國外相關研究報道較少,僅有Krause 等[151]在分析模糊規則控制器在德國某MSWI 電廠應用中存在的局限性后,提出神經網絡模糊控制器,但未仿真測試其效果.由于國內引進系統普遍出現“水土不服”的現象,研究學者對此開展了大量研究.在模糊控制方面,錢大群等[140]采用BPNN 構建MSW 含水量估計模型,并對基于模糊規則的推料器控制進行補償;隨后,沈凱等[152-153]提出具有自調整因子的模糊規則控制,仿真表明其能穩定控制爐膛溫度;在文獻[149]的基礎上,昌鵬等[154]設計具有加權自適應因子的模糊規則控制器,結果表明其具有良好的控制效果;考慮工程應用中的實時性需求和計算內存消耗等實際問題,王毅等[155]提出具有優化量化因子和自整定比例因子的分層模糊規則控制策略,特點是可根據工況選擇修正因子;在文獻[151]的基礎上,胡興武等[156]提出T-S 模糊神經網絡控制器,表明其響應速度更快、控制精度更高;在傳統比例積分微分(Proportional integral differential,PID)控制的基礎上,代啟化等[157]提出模糊自適應PID 控制以增強系統的抗干擾能力、靈活性和適應性,何海軍等[158]提出基于RBF 的PID 參數動態調整策略以抑制擾動;此外,Ni 等[159]、肖前軍等[160]和Wu 等[161]提出仿人智能控制(Human simulated intelligent controller,HSIC)策略,即在控制與結構方面模擬領域專家的認知機制與操作行為,在此基礎上,巫茜[162]提出了基于PSO 算法改進的HSIC 溫度控制算法.上述面向爐膛溫度的SISO 控制研究,均取得了令人滿意的結果,但其控制器的控制量單一,導致其難以切合實際和實現工程上的應用.

b)煙氣含氧量控制

針對煙氣含氧量的穩定控制問題,目前僅有孫劍等[163]提出的基于模糊C 均值的RBF 神經網絡自適應模型預測控制,在分析控制系統的穩定性后仿真驗證了有效性.

c)蒸汽流量控制

針對蒸汽流量的穩定控制問題,國內僅見Chen等[164]和Yang 等[165]以爐排速度為操作量采用模糊規則控制器的仿真研究,表明能顯著降低因異常工況而導致的蒸汽流量波動問題.隨后,國外Watanabe 等[166]采用固定時間周期(包含前饋、暫停、反饋和等待4 個階段)窗口的反饋控制策略實現穩定控制;進一步,Annunziato 等[167]提出綜合模糊邏輯、神經網絡和進化計算的控制策略,驗證表明其不但有效而且有助于降低污染物排放;此外,Falconi 等[168]提出基于線性二次型調節器的穩定閉環控制系統,并通過仿真實驗驗證了有效性.

2)MIMO 控制

a)雙入雙出控制

針對蒸汽流量和煙氣含氧量的同時控制問題,Leskens 等[169]提出線性模型預測控制(Linear model predictive control,LMPC)策略,表明操作變量與被控變量的誤差均優于傳統燃燒控制系統;針對強非線性特性導致LMPC 策略難以獲得最優控制效果的問題,Leskens 等[170-171]提出非線性模型預測控制(Nonlinear model predictive control,NMPC)策略,通過滾動時域估計最優布風量與布料量;此外,Leskens 等[172]提出將2 個控制回路的部分進行耦合控制的PID 控制策略,結果表明能有效改善設定點跟蹤特性,顯著改善企業經濟效益.

針對爐膛溫度與煙氣含氧量的同時控制問題,丁海旭等[173]提出基于多任務學習的自組織模糊神經網絡控制器,但適用工況較為單一;針對爐膛溫度、蒸汽流量和過熱器溫度的同時控制問題,Chang等[174]提出采用遺傳算法確定全局最優模糊規則的遺傳模糊控制邏輯器;在此基礎上,Chen 等[175]利用神經網絡調整模糊控制規則及相關參數以獲得更優的模糊規則庫,結果表明均能實現穩定控制.

在蒸汽流量、煙氣含氧量以及過熱器溫度的控制問題上,國內暫無相關研究報道.國內研究主要偏向于爐膛溫度和蒸汽流量的穩定控制問題,肖會芹[176]提出將蒸汽流量粗調和爐溫偏差細調相結合的自適應模糊控制,即分別采用模糊PID 和基于PSO優化的模糊規則控制器;在此基礎上,湛騰西[177]采用神經網絡PID 控制器取代模糊規則控制器改進溫度回路,實驗結果表明上述方法均能實現穩定控制.

b)三入三出控制

針對爐膛溫度、蒸汽流量和煙氣含氧量3 個主要被控變量,Ding 等[178]提出基于準對角遞歸神經網絡的多回路PID 控制策略,能夠根據誤差信號進行控制器參數的自適應調整,仿真驗證了有效性.但上述研究適用工況較為單一,普適性有待增強.

由上述研究可知,工業界和學術界的研究著重點存在差異性.國際自動控制聯合會(International Federation of Automatic Control,IFAC)的綜述表明,解決上述問題需要以團隊為單位,在熟悉工業現場和掌握控制理論與算法的基礎上進行研究[135].顯然,如何進行更加深入的學術研究增加其普適性和應用性以趨向于工業界,還是有待解決的難點問題.

2.3 運行指標建模與預測研究

智能優化控制的目標是在保證MSWI 過程安全穩定運行的條件下,在運行指標控制在工藝要求的目標值范圍內的前提下,確保環保指標(降低固、液、氣態污染物和溫室氣體排放濃度)達標、提高產品指標(降低爐渣熱灼減率和飛灰產量,提高燃燒效率和有機物脫除率)和經濟指標(降低MSW 處理費用、提高上網發電量).顯然,實現上述目標的關鍵之一是實現運行指標參數的實時檢測與預測.

2.3.1 環保指標

顆粒物與NOx、SO2、HCl、HF 等酸性氣體和CO2的排放濃度可通過CEMS 系統實現在線檢測,重金屬和DXN、VOCs 等有機污染物的排放濃度主要依靠在實驗室內以離線化驗的方式實現[33].

1)NOx 排放

針對可在線檢測的環保指標,考慮到CEMS 系統的可靠性和實現智能優化控制的需求,有必要構建其預測模型.Matsumura 等[179-180]首次提出采用系統辨識構建NOx排放軟儀表模型,并將其輸出作為控制NH3注入量的反饋信號.此外,Huselstein 等[181]采用連續時間系統辨識[182]構建以煙氣含氧量和二次風量為輸入的NOx排放多傳函模型,并分析風量、進料量等操作變量對NOx排放的影響.隨后,眾多研究學者采用機器學習算法構建NOx排放預測模型,例如,張東平等[183]采用BPNN,段滈杉等[184]采用并行模塊化RBF,Meng 等[185]采用串行模塊化RBF 和Duan 等[186]采用模塊化LSTM等,上述模型的實際工程應用驗證還有待進行.

2)其他常規污染物排放

針對SO2,Li 等[187]基于LSTM 構建預測模型.上述基于機器學習的預測模型均能在特定場景下實現環保指標的有效預測.面向顆粒物、HCl 和HF等酸性氣體的預測模型目前還未見報道[188],現有研究多采用流體動力學等軟件進行數值仿真[189-190],目的是為優化工藝設計和進行機理分析提供支撐.特別地,面向MSWI 過程碳排放的研究還未見文獻報道.

3)DXN 排放

針對不可在線檢測的環保指標,本文僅針對引起焚燒建廠“鄰避效應”的DXN[191-192]進行綜述.從產生機理上,DXN 的生成、分解、再合成和吸附等反應分布于MSWI 全流程,相應地物理化學反應均在短時間內發生,存在至今仍未能夠合理闡釋的“記憶效應”[193].從現場采樣和實驗室檢樣所耗費的時間、人力和經濟成本上,獲取完備建模樣本存在極大困難.

從智能優化控制需求的視角,根據研究工作的時間線本文將DXN 在線建模與預測(有關離線檢測和在線間接檢測的研究詳見文獻[2])分為基于線性回歸分析(主要集中在國外)、基于經典機器學習(國內外均有涉及)和基于深度學習(主要集中在國內)3 類.1)基于線性回歸分析,Hasberg 等[194]建立煙氣溫度和CO 濃度與DXN 濃度間的映射關系;Chang 等[195]建立多元線性回歸分析模型,表明在煙氣含氧量為7%時DXN 濃度與燃燒室溫度和CO濃度間呈現線性映射關系,在此基礎上,建立DXN濃度與煙氣流量、爐膛溫度、操作變量之間的線性映射模型;此外,Ishikawa 等[196]通過回歸分析實際測試數據建立煙氣含氧量、一次風量占比以及總風量與DXN 濃度間的線性模型.上述線性模型難以表征輸入輸出之間的非線性關系.2)基于經典機器學習,采用神經網絡算法的研究包括采用遺傳規劃進行參數辨識的BPNN[197]、基于遺傳算法優化參數的BPNN[198]、相關性分析和PCA 選擇特征的BPNN[99]、進化算法優化的隨機權神經網絡(Random weight neural network,RWNN)[199]、虛擬樣本生成與優化選擇的RWNN[200-201]等模型,采用SVR 算法的研究包括基于機理選擇特征SVR[202]、超參數自適應選擇性集成SVR[203]、基于PCA 分區域提取和選擇潛在特征的選擇性集成SVR[204]等模型,采用偏最小二乘(Partial least squares,PLS)算法的研究包括基于多層特征選擇的PLS[205]和基于選擇性集成的核PLS [206]等模型,以決策樹算法為基學習器的研究包括基于RF 和GBDT 的混合集成[207]和基于樣本遷移學習的RF[208]等模型.上述經典機器學習模型針對特征的學習能力還有待進一步加強.3)基于深度學習,包括可微分和不可微分深度學習2 種[209],其中:可微分深度學習指深度神經網絡類方法,如基于改進深度信念網絡模型[210];不可微分深度學習指以決策樹為基學習器的深度集成類方法[209,211],包括深度森林回歸(Deep forest regression,DFR)[212]、級聯全聯接DFR[213]、基于PCA 特征提取的DFR[214]、改進DFR[5]、半監督DFR[215]等模型.上述深度學習模型的訓練成本以及可解釋性都是未解決的難題.目前國內研究主要針對G3 煙氣位置的DXN 濃度構建模型,存在以下共性問題:1)建模樣本稀少,模型性能提升受限;2)結合MSWI 過程工藝與DXN 機理特性的研究缺失;3)現有模型難以全面從生成機理上支撐DXN 減排控制.

綜上,面向MSWI 過程環保指標建模與預測工藝控制的研究需要依據不同指標的特性進行深入探索.

2.3.2 產品指標

MSWI 過程的產品指標與選礦、石化等流程工業存在顯著區別,即前者不具有商品屬性[216].本文從控制科學的研究視角,將MSWI 過程的產品指標確定為飛灰產量、爐渣熱灼減率和燃燒效率.

1)飛灰產量

MSWI 過程產生的飛灰來源于MSW 燃燒、除酸性氣體產生的顆粒物和吸附DXN 和重金屬后的活性炭[217-218]等,對人類和生態環境的可持續發展存在巨大的潛在危害性[219].鑒于目前空氣污染控制設備(Air pollution control devices,APCDs)技術的局限性和環保排放政策的日趨縮緊性,加之飛灰產量難以有效控制,使得工業界和學術界的研究焦點主要集中在飛灰無害化處理[220-221]和資源化利用[222-223]等方面[224].因此,面向飛灰產量的建模、預測和智能優化控制方面的研究仍是待解決的挑戰性問題.

2)爐渣熱灼減率

爐渣熱灼減率指爐渣經灼燒后減少的質量占原爐渣質量的百分數,是評價焚燒效果和MSW 減容率的重要指標[225],國家相關標準規定其上限是5%.目前,爐渣熱灼減率采用現場采樣、運輸送樣以及實驗室內采用稱量、烘干、灼燒、冷卻和分析等步驟檢樣的離線檢測模式[226].對此,羅建明等[227]研制了爐渣熱灼減率在線檢測設備,但惡劣的工作環境導致其難以長周期的穩定運行;孫佛芹等[228]將爐渣外貌特征與其熱灼減率進行關聯,但未構建相應的映射模型.上述研究為爐渣熱灼減率的在線可靠檢測提供了初步探索思路.目前,針對爐渣熱灼減率的工藝控制是從專家經驗視角提供操作策略,如增加在爐排上的燃燒時間和采用富氧燃燒[229-230]等.

3)燃燒效率

燃燒效率是指表征燃料燃燒時加熱燃燒產物的熱量與該燃料在絕熱條件下完全燃燒時所釋出的低位發熱量之比.目前針對MSWI 過程的有關燃燒效率的研究暫無報道.危險廢物焚燒污染控制標準(GB 18484-2020 和GB 18484-2020)給出的定義為:煙道排出氣體中CO2濃度與CO2和CO 濃度之和的百分比.針對燃煤與其他可燃物的摻燒研究[231-232]表明,燃燒效率指標能夠定量評價燃燒狀態.通常,該指標越高越好,但其與CO 濃度和碳減排指標相矛盾,因此需要進行多目標優化研究.

綜上可知,國內外未見利用產品指標開展MSWI智能優化控制研究的相關報道.理論上,產品指標的優化控制能夠降低MSWI 電廠的運行成本,是MSWI 過程持續化發展的必經之路.

2.3.3 經濟指標

通常,MSWI 電廠的經濟收益主要源于MSW處理費和上網發電量.鑒于MSWI 過程的固有環保屬性,其額定處理量和汽輪機發電量在工藝上是相對固定的,因此在實際運行中應保持工藝上限值以確保最佳收益.一般而言,典型MSWI 電廠的發電量約為0.3～0.7 MWh/t[233].在正常運行條件下,確保發電量接近工藝上限目標值的變化情況包括:1)MSW 熱值高,處理量下降;2)MSW 熱值適中,處理量增加;3)MSW 熱值低,MSW 處理量顯著增加.考慮工藝上的局限性,在MSW 處理量增大時需要降低發電效率,而此時的熱交換效率和燃燒效率反而增大,這就需要將額外增加的熱能用于一、二次風加熱和其他需要熱能的環節,以便實現能量的最大化利用.因此,在進行面向MSWI 過程的智能優化控制研究時,需要對上述經濟指標進行轉換.目前,針對該方面進行建模與預測的研究還未見報道.

2.4 運行監控與故障識別研究

目前,MSWI 電廠現場故障檢測是在分散控制系統(Distributed control system,DCS)監測過程數據、工業攝像機監測爐內火焰以及運維人員定期人工巡檢提供現場信息的基礎上,由領域專家憑經驗進行診斷.因此,存在以下問題:1)DCS 高度集成的眾多設備所蘊含信息頻繁變化,異常工況報警功能僅依據所采集數據是否超過限制值觸發,易造成誤報且難以溯源;2)燃燒過程的高溫、強光現象以及其所產生的熔融態物質導致工業攝像機并不能完全捕捉清晰的燃燒畫面,這使得操作工程師難以做出良好決策,而非精準的決策失誤極易引發工況波動;3)巡檢工程師在高溫和大噪聲環境下依靠聽視覺感知MSWI 過程運行狀態的模式僅能判斷設備是否正常,卻難以保證其優化運行.由此可知,領域專家憑經驗在現場進行故障監測的模式存在次優性、滯后性和主觀性等問題,難以確保MSWI 過程的安全性、穩定性和最優運行.

1)定性檢測

20 世紀90 年代起,國外研究學者開始探索將計算機和人工智能技術用于MSWI 過程的故障診斷,輔助領域專家進行決策.針對焚燒系統和鍋爐系統,Ono[234]研制用于MSWI 電廠的模糊專家故障推理系統,能夠在DCS 系統設定的報警限內和限外進行征兆分析與預警和故障報警、分析與識別.隨后,國內在故障的定性檢測問題上開展大量研究,例如,針對尾氣排放和蒸汽流量異常,Chen等[235]基于聚類分析、神經網絡和Monte Carlo 統計進行在線診斷.針對MSW 局部燒穿、排渣不暢和爐內結焦等故障,陶懷志等[236]基于工藝分析和歷史經驗構建故障樹后再采用規則推理專家系統進行檢測,實驗表明其正確率可達到90%;同時,陶懷志等[237]采用BPNN 集成建模策略對排渣不暢和結焦故障進行診斷.針對燃燒狀態識別,周志成[238]構建基于BPNN的診斷模型,其正確率高達99%,但存在易過擬合、對訓練樣本要求高等問題.此外,針對過熱器與省煤器漏水、水平煙道積灰與結渣、爐膛結焦和排渣不暢等故障,Ding 等[239]構建基于RWNN 相似度檢索的案例推理模型,實驗表明性能良好.但是,上述方法在本質上均為構建分類器模型,僅能判斷是否發生故障,不能進行故障的量化與定位.

2)定量檢測

基于現場數據進行故障定量檢測的多元統計過程監控(Multivariate statistical process monitoring,MSPM)技術已受到工業界和學術界的廣泛關注[240-242],其基本策略為:首先,利用正常工況數據建立潛結構模型;接著,將采集的高維變量投影至低維空間;然后,通過比較統計指標(例如平方預測誤差(Squared prediction error,SPE)和Hotelling'sT2統計量)是否超過其控制限以確定是否發生故障及發生故障時的程度;最后,通過數據重構進行故障定位.Zhao 等[243]首次采用PCA 與規則推理進行焚燒爐故障的定量檢測,結果表明能夠有效降低故障誤報率.Tavares 等[244]對比基于PCA和PLS 的故障診斷,結果表明不但性能較佳而且不同的統計指標均能夠有效定位故障.面向MSWI 過程的故障定量檢測研究較少,僅采用線性PCA/PLS方法.顯然,MSWI 過程的動態、非線性、多尺度、多模態等特性對MSPM 的理論和應用研究均提出了新挑戰.

2.5 操作變量(控制變量)優化研究

目前針對MSWI 過程的主要被控變量(爐膛溫度、煙氣含氧量、蒸汽流量、燃燒線等)的設定值進行優化的研究還未見報道,已有研究多聚集于面向“布風布料”的操作變量(控制變量)設定值的優化[245].為實現MSWI 過程智能優化控制,上述兩種視角的目標均是在滿足多種等式及不等式約束的條件下,實現最小化尾氣排放指標、最大化燃燒效率、最小化物料消耗等經濟指標以及優化其他相關產品指標.因此,MSWI 過程操作變量的優化設定需要采用智能優化算法對多沖突目標進行尋優.

國外進行了面向燃燒過程進料量的優化設定研究,例如Anderson 等[246]采用多目標進化算法進行最優設定值搜索,結果表明能夠有效確保最大化的進料量和最小化的灰分碳含量的目標.目前,國內研究主要偏向于燃燒過程的燃燒風量優化設定,例如:夏恒[245]基于領域專家知識采用案例推理對其進行智能設定;在該研究的基礎上,丁晨曦等[247]進一步對二次風量進行智能補償,實現了二次風量的優化設定.但是,案例推理智能設定的核心思想是基于專家經驗的重用,優點是設定結果符合經驗認知,缺點是范圍受限難以尋找最優設定值.最近,喬俊飛等[248]提出基于分階段多目標PSO 算法的一/二次風量優化設定算法,基于實際現場數據進行了算法驗證,結果表明具有較強的全局尋優能力和魯棒性,為后續研究提供了支撐.上述針對操作變量的優化設定,在針對單穩定工況時具有較好的優化效果,但存在未考慮具有多工況適應性的“布風布料”優化以及多類型的優化目標,也未結合MSWI 過程的多模態數據等問題.

由上可知,面向被控變量進行優化的研究在國內外還暫無報道.顯然,該方向還有待于深入,尤其是在多沖突目標與多被控變量優化設定、多模態數據驅動的全流程運行指標優化設定等方面是未來面向MSWI 過程特性進行優化研究的挑戰性問題.

2.6 算法仿真驗證平臺研究

工業過程智能優化控制算法的驗證分為離線實驗室仿真實驗和在線現場應用調試2 個部分.智能優化控制算法需要通過接近工業現場的仿真環境進行性能測試和評估,提高算法與實際工業的契合度,促進學術界與工業界的聯合以使得研究成果落地.基于上述考慮,湯健等[47]提出由真實生產過程控制系統和虛擬過程控制對象組成的復雜工業過程半實物仿真實驗平臺,為純軟件仿真和工業試驗搭建橋梁,為智能算法的驗證測試提供近實際系統的仿真環境.

為搭建面向國內MSWI 過程的仿真平臺,嚴愛軍等[249]開發由真實設備層和虛擬對象層組成的監控半實物平臺.進一步,王天崢等[250]建立多回路控制虛擬對象模型和開發多回路控制軟件系統以完善半實物平臺.上述研究雖為控制算法的應用驗證提供了支撐環境,但在精準模型構建、智能控制算法開發等方面的研究仍有待深入,并且還未實現考慮工業現場不允許外部系統接入等限制條件下的閉環智能優化控制平臺的搭建.進一步,面向多模態模型構建與驗證中存在的采樣難、同步難、匹配難等問題,王天崢等[251]研制能夠同步多模態歷史數據的建模與驗證平臺,但其仍需結合半實物智能優化控制仿真平臺進一步完善.

上述研究成果為智能優化控制算法提供可靠的工程化驗證環境,但針對MSWI 電廠的安全性要求,如何實現上述平臺與實際工業過程無縫交互對接的研究還有待深入.此外,MSWI 過程的數字孿生平臺也是未來研究需要關注的.

基于上述分析與討論,面向MSWI 過程的研究成果歸納總結為附錄A.

3 MSWI 過程智能優化控制討論與分析

3.1 MSWI 過程智能優化控制的必要性

針對我國MSWI 電廠,體量視角而言其占比已遠超國際平均水平,質量視角而言通過工藝本土化和設備改造等創新,尾氣排放和余熱利用等指標已達到國際先進水平[252].但是,未來發展依舊面臨著MSW 成分復雜、隨季節與區域波動和發酵程度不均勻等特性,MSW 熱值、燃燒線、料層厚度、熱灼減率和DXN 排放濃度等工藝參數和運行指標難以實時檢測與準確預測,燃燒狀態不穩定、燃燒線未實現量化以支撐反饋控制等因素導致污染排放波動大,焚燒企業為確保排放達標采用爐溫超高位運行導致維修和故障頻繁,以及故障檢測與診斷嚴重依賴于領域專家等諸多問題.此外,政府和民眾對環保排放的監管力度日益增大.

目前MSWI 過程的控制主要依賴于多個專業崗位上的領域工程師,通過個體分工與群體決策機制借助DCS 系統的基礎回路控制和邏輯控制,憑借經驗以先進行感知與預判后再進行協調與溝通的不間斷工作模式實現在線運維與運行優化.顯然,這種人工結合DCS 的運行模式難以及時準確地以最優策略進行異常工況的預測、判斷與處理,難以決策得到最優運行指標的目標值,尤其是當運行工況發生變化時,更是難以有效保障MSWI 過程長時間運行在安全與優化狀態.顯然,亟需通過智能優化控制技術實現MSWI 過程的智慧化、低碳化、無害化、高效化和盈利化的可持續發展[2],提高余熱鍋爐系統能源利用效率和煙氣凈化系統材料回收效率,同時保持甚至降低運維成本,進而實現企業利潤最大化和污染物排放最小化.此外,通常新的智能優化控制技術與工業過程的融合均需要在小試、中試和應試等多個步驟與環節下進行測試評估[253-254].因此,對于安全性要求較高的MSWI 過程而言,迫切需要搭建半實物數字孿生平臺實現對實際過程的虛擬數字仿真和半實物仿真,進行雙向映射和信息交換以進行算法驗證.

綜上可知,目前諸多因素導致國內MSWI 運行不穩定.針對具體特定的突發狀況,雖然國內MSWI電廠均能采用輔助技術或應急預案予以處理,但燃燒過程依然會存在難以預料的困難并為后續運行造成隱患.智能化是利用新一代信息技術實現人機交互式的智能控制、智能運維、智能應急與巡檢,輔助領域專家智慧化運營MSWI 電廠.顯然,智能化是MSWI 企業運營和發展的必由之路,通過智能化技術實現全流程優化控制,減少領域工程師95%以上的手工操作,是持續化發展的必然要求,這對未來的智能優化控制研究提出了更高的要求.

因此,為應對我國MSWI 行業智能優化控制所面臨的種種難題,研發具有本土特色包含運行指標建模與預測、不同工藝階段智能控制、全流程協同優化決策和半實物數字孿生平臺的智能優化控制技術是提升行業水平、搶占新一輪MSW 處理技術制高點和破解MSWI 電廠“鄰避效應”的重要手段,也是中國環保產業可持續發展的客觀趨勢.顯然,研制MSWI 智能優化控制系統既符合我國循環經濟產業發展的內在要求,也是樹立我國MSWI 行業優勢和實現行業優化升級的必然選擇.

3.2 MSWI 過程智能優化控制的發展方向

在本質上,將新一代信息技術和人工智能與特定工業場景相結合,即工業人工智能技術,能夠為復雜工業過程的高性能控制器設計、智能運行決策、智慧化升級等創新應用提供支撐[255],其目的是適應復雜多變的工業環境以完成多樣化的運行目標和任務[256].顯然,MSWI 過程的高效化、綠色化可持續發展目標需要與工業人工智能技術的深度融合才能實現智能優化控制,進而降低或減少對領域專家即知識型工作者的依賴.因此,這迫切需要研究MSWI過程的指標建模與預測、智能控制、全流程協同優化決策以及半實物數字孿生平臺構建技術,其相互關系如圖5 所示.如圖5 所示,數字孿生平臺與實際MSWI 過程(對象層)、過程運行指標建模與預測(指標層)、過程智能控制(控制層)和全流程協同優化決策(決策層)進行信息的交互反饋,后4 個層級之間的信息傳遞關系為:對象層接收控制層所傳遞的控制器輸出ui,并將對象層運行得到的被控變量檢測值yi實時反饋給控制層,此外,過程對象狀態(變量)信息xi被傳遞給控制層的工況感知與故障診斷模塊中,同時指標層的各模型基于xi、yi和其他信息計算運行指標測量/預測值并反饋給控制層和決策層;控制層基于決策層的被控變量優化設定值wi、yi和工況感知與故障診斷模塊所獲得的實時、自組織地更新控制器參數,甚至其結構并傳輸至回路控制器以實現對象層的穩定控制;優化決策層利用、領域工程師對的經驗判斷等確定運行指標設定值,在進行全流程協同優化后獲得各階段的wi.此外,數字孿生平臺是利用云計算、過程大數據和人工智能等技術構建MSWI 過程的數字化虛擬模擬庫,進行上述決策層、控制層和指標層中相關參數的推理和交互反饋.

圖5 MSWI 過程智能優化控制結構Fig.5 Intelligent optimization control structure for MSWI process

3.2.1 MSWI 過程運行指標建模與預測

實現復雜工業過程智能優化決策與控制一體化系統正常運行的前提是能夠對關鍵運行指標進行實時檢測[257].顯然,環保、經濟和產品指標的在線檢測是確保MSWI 過程安全生產、穩定和優化運行的重要支撐.類似其他工業過程運行指標的建模與預測問題[258],可通過基于MSWI 過程易采集過程變量、火焰視頻等多模態數據構建智能模型予以實現,研究內容包括:

1)建模樣本的完備機制研究.MSWI 過程的多工序、多階段、機理復雜不清等特性,導致運行指標建模樣本的輸入和輸出在時間尺度上不同且存在差異性與不確定性,需要在分析基于熱能動力傳輸與化學物質轉化機理的過程變量與運行指標間的延遲特性、多時空尺度樣本與運行指標的相關性的基礎上,獲取多時空尺度的“真輸入-真輸出”建模樣本;進一步,針對高維稀疏性建模樣本,研究虛擬樣本生成等技術擴展樣本數量以緩解樣本分布不平衡和期望分布未知等問題,完善基于半監督學習的“真輸入-偽輸出”半虛擬樣本生成、數值仿真機理支撐期望分布的“偽輸入-偽輸出”全虛擬樣本生成以及基于對抗機制的混合樣本質量評價等算法,進而構建分布均勻且完備的運行指標建模樣本庫.

2)多源特征智能約簡與可解釋模型構建研究.

MSWI 過程涉及的過程變量眾多且相互之間耦合嚴重,運行指標與不同工藝階段的關聯性存在差異且機理不清,需要結合數值仿真明晰機理、領域專家總結經驗和數據提取蘊含知識等手段約簡模型輸入特征;此外,MSWI 過程數據具有多源多模態特性,需要研究過程變量和燃燒圖像的深度融合機制,研究基于綜合智能化感知的運行指標檢測設備/模型;進一步,考慮到需要基于指標模型對MSWI 過程進行定性和定量的評價,應深入研究具有較強可解釋性的工業人工智能算法對運行指標進行建模與預測.

3)在線動態建模與預測研究.實際MSWI 過程具有干擾因素眾多和工況波動頻繁等特性,這要求運行指標模型在應用時要能夠依據過程動態變化進行自適應調整以實現準確預測.對此,需研究:面向運行指標的運行工況漂移識別機制,采用基于數學模型[259-260]、多元統計[261-262]和人工智能[263-264]等方法面向MSWI 運行指標特性進行新工況漂移時刻、漂移程度和漂移位置的預判,運行指標模型的自適應更新算法與連續學習機制,知識遷移和增量學習等策略,提高在線建模的魯棒性和泛化性能.

4)運行指標智能預測系統開發.針對MSWI過程的多階段多源數據信息和已構建模型,建立集環保、經濟和產品運行指標于一體的智能在線預測系統,其功能包括:多源數據采集系統,多源數據表征、分析、編碼和解碼系統,數據、信息與知識的智能化處理與可視化系統,多運行指標模型集成預測系統,支撐實現運行指標的智能感知、預測和溯源.

近年來,國內外研究學者針對復雜工業過程(例如高爐煉鐵、電熔鎂、石化過程等)的運行指標建模問題,已取得了大量研究成果.例如,面向用于建模的標記樣本稀疏問題,提出了虛擬樣本生成[265-266]、半監督[267]、弱監督[268]和無監督[269]等建模方法,能夠為MSWI 過程建模樣本完備機制的研究提供有力支撐;面向多源信息表征以及模型可解釋等問題,已取得了在多特征信息融合[270]、多模態深度學習[271]、視覺數據深度建模[272]、貝葉斯數據驅動T-S 模糊建模[273]和深度森林回歸模型[211,213]等方面的研究成果,這也是研究MSWI 過程多源特征智能約簡與可解釋模型構建的理論基礎;面向在線動態預測問題,寬度學習系統[274-275]、概念漂移學習[276]和模型動態自組織[277]等研究成果,間接表明了MSWI 過程在線動態建模與預測和運行指標智能預測系統開發具有良好的可行性.

3.2.2 MSWI 過程智能控制

相對于以燃煤、燃氣等為原料的發電過程,在干擾因素多和工況波動頻繁的情況下,MSWI 過程實現不同工藝階段目標(固廢發酵過程混合均勻、固廢燃燒過程燃燒穩定、余熱交換過程熱能充分利用、煙氣凈化過程污染物超低排放)精準控制的難度更大[33,178].因此,借鑒其他類似工業過程[105,278],需要實現具有自適應、自學習和自組織能力的智能控制,研究內容包括:

1)被控對象智能建模研究.雖然MSWI 工業過程數據的體量大,但數據分布具有不平衡性.同時,非結構化數據(圖片和視頻)與過程數據間存在時滯和信息不對稱等問題,造成多模態數據難以融合.作為關鍵被控變量的燃燒線量化值缺失,無法構建相應的被控對象模型.此外,焚燒機理知識存在獲取難、量化難和利用難等問題.對此,需研究:基于數值仿真的MSWI 全流程建模以擴展真實運行數據分布邊界和獲取機理知識,非結構化數據的特征提取算法、基于機理和工藝知識的非結構化數據與過程數據匹配規則以及面向多模態數據特征深度融合的被控對象高精度建模;面向燃燒火焰的對抗生成與燃燒線量化機制,獲取完備量化模板庫以支撐對象模型構建;機理與數據混合驅動的半參數建模,降低模型復雜度的同時提高模型效率.

2)運行過程智能工況感知與故障診斷研究.MSWI 過程具有顯著非平穩特性,如:穩態工況與過渡工況交替頻繁、高溫高壓環境下傳感器存在顯著漂移等,這使得有效地對各工藝階段進行工況感知和故障診斷成為確保控制器穩定運行的重要保障之一.此外,工況感知和故障診斷模型構建還面臨著樣本缺乏、類型不明、難以解釋、變化/發生不確定、潛在故障未知等難題.借鑒其他工業過程[279],需研究:結合已知故障類型、過程大數據、火焰視頻和領域專家知識構建面向MSWI 過程的工況感知和故障診斷知識圖譜,提高故障信息的利用率和故障追根溯源的可行性和可解釋性;基于多視角知識和多模態數據,面向控制的運行工況漂移識別、量化與解釋;基于魯棒非線性潛變量模型的傳感器設備與焚燒裝備的在線狀態感知和故障診斷以及可視化,以保障基礎回路智能控制器的高效運行.

3)穩態工況基礎回路智能控制器研究.由于MSW 組分與熱值的區域和季節差異性、操作人員累積經驗和運維水平的層次不同等導致MSWI 過程具有多種類型的平穩運行工況,傳統PID 控制策略并不能適應上述情況.顯然,在對運行工況進行有效感知的基礎上,需要針對不同類型的穩定工況采取具有差異性的智能控制算法.借鑒應用于其他工業過程的模糊自適應[280]、PID 智能補償[281]、模型預測控制[282]等先進控制策略,結合MSWI 過程的穩定工況特性,需研究:面向MSWI 過程不同穩定運行工況的多變量PID 控制器及其參數智能辨識策略;面向具有不確定特性被控變量運行過程的神經網絡模糊控制器及其參數自適應策略;面向完備火焰模板庫的仿專家認知機制的多模態特征驅動燃燒線控制器;基于多模態數據驅動預測模型的多變量模型預測控制(Model predictive control,MPC),提高基礎回路對設定值的追蹤性能,保證運行指標平穩,實現穩態最優控制.

4)動態工況智能控制器的自組織機制研究.研究表明,間歇性運行的MSWI 過程會導致污染嚴重超標、運行成本顯著增大、處理量難以達產等問題[192].雖然現代主流工藝基本能夠實現年超6 000 小時最低要求的連續運行,但原料供應、運行管理、生產計劃、環保監督等因素對基礎回路控制策略所造成影響不可忽視.因此,動態干擾下的控制器需要具有容錯、魯棒、自適應等能力.借鑒應用于其他工業過程的容錯控制[283]、自愈控制[284]、事件驅動切換控制[285]等策略,結合MSWI 過程的動態工況特性,需研究:面向MSWI 過程量化動態工況的分層自組織控制框架;基于多模態數據的局部運行指標與關鍵被控變量智能預測模型構建;面向不同類型穩態控制器的增強學習事件驅動結構與參數自組織算法,保證焚燒設備在約束邊界運行;此外,需要研究基于機理知識、專家經驗和數據知識提煉可解釋的領域專家認知機制,進行多控制器切換運行策略研究和穩定性分析,實現降低運行成本和減少環境污染等目的.

快速發展的人工智能技術催生了面向不同工業過程領域的大量智能控制成果.例如,面向城市污水處理過程的自適應滑膜控制[286]、模糊神經控制[287]和強化學習跟蹤控制[288];面向連續攪拌槽反應器系統的事件驅動控制[289]、自適應跟蹤控制[290]和模型預測控制[291]等;面向高爐煉鐵過程的無模型自適應預測控制[292]、模型預測控制[293]、模糊控制[294]等.上述控制領域成果為MSWI 過程被控對象智能建模和基礎回路智能控制器的研究提供了理論依據和技術支撐.此外,針對燃煤發電過程的數據驅動運行工況監控成果[279],以及針對城市污水處理過程[286]和高爐煉鐵過程[295]的自組織控制的研究成果,為MSWI 過程的智能工況感知與故障診斷、動態工況智能控制器自組織機制的研究提供了支撐.

3.2.3 MSWI 全流程協同優化決策

通常,實現工業過程全局最優協同運行需要求解一類面向多類運行指標的混合、多目標、多約束、多尺度的動態沖突優化問題[32,296].MSWI 協同優化決策中的人機合作智能優化決策主要包括進料選擇、運維管理和現場運行決策等;全流程協同優化運行是在將MSWI 過程的各工藝階段的控制系統假設為獨立智能體的基礎上,以優化多沖突多尺度運行指標為目標對其設定值進行協同決策,實現集智能建模、工況感知、故障診斷、智能控制、運行優化于一體的全流程協同優化運行.為實現上述目標,借鑒其他復雜工業過程[278],研究內容主要包括:

1)全流程運行態勢智能感知研究.在目前MSWI 過程中,工藝參數的選擇設定以及全流程的優化運行主要依靠領域專家實現,但領域專家對運行狀態和決策信息的定性表達存在不精確性、不確定性和模糊性甚至不唯一性等問題.因此,需研究:基于機理知識信息提取、圖像深度知識表征、過程數據蘊含知識轉化、多模態數據特征關聯推理、態勢感知可信度定量評估等算法的全流程運行態勢智能感知網絡,構建多工藝階段差異化數據同步獲取與蘊含知識深度融合的決策與優化支撐環境,搭建面向MSWI 過程的智能化運行態勢感知服務系統.

2)多目標實時優化方法研究.通常,運行優化是智能控制的核心[297-298],即通過優化求解實際運行狀態或過程規劃問題.區別于基礎回路控制器自組織控制(解決單控制器優化),MSWI 過程的全局性能優化(即解決全流程整體優化)屬于多目標優化研究.從解決工業企業實際需求的視角出發,多沖突目標的優化求解對實現MSWI 過程的智能優化控制意義重大[246].如前文所述,受限于工藝和技術等原因,MSWI 的環保、產品和經濟指標間具有多沖突、多約束、動態時變和多時空尺度等特性,可將MSWI 過程優化問題視為多約束條件下的多目標函數求極值問題,這顯然是有待解決的挑戰性問題.此外,MSW 來源的多樣性和成分的復雜性,MSWI過程運行條件的多變性和工況波動的頻繁性等因素也增加了實時優化運行的難度.由于目前鮮有面向MSWI 過程被控變量設定值的多目標實時優化研究報道,此處忽略優化算法本身的優劣,筆者僅針對優化問題提供未來的發展方向.為解決上述問題,需研究:污染排放、碳排放等全局優化指標與發酵程度、爐渣熱灼減率、換熱效率、煙氣凈化物料消耗率等局部優化指標模型的設計;基于MSWI 過程特性的多目標優化任務拆解機制和獨立指標的優化算法;多運行指標融合機制和協同優化算法;考慮多工況、多時間尺度和多操作變量下的優化規劃算法;優化性能的定量和定性評價機制,增強智能優化控制方法的有效性和實用性.

3)人機合作增強交互演化智能決策研究.柴天佑等[299-300]在流程工業智能優化愿景中指出,領域專家與智能優化決策系統的人機合作與交互學習是未來發展的主要方向.MSWI 過程需要實現能源與物料消耗盡可能少、污染物零排放和環境綠色化的目標,這離不開領域專家所擁有的感知、認知、決策和執行等能力,即復雜工業過程的智能決策是通過領域專家針對運行系統的感知調控和工業人工智能技術的增強交互演化實現的.因此,需研究:增強學習驅動工業智能決策器與工業領域專家的交互演化框架;基于聽覺、視覺、文本與量化數據的工業領域專家意圖感知算法;基于增強學習的工業智能決策器內嵌優化算法動態更新機制;構建人機合作增強交互演化智能決策系統,實現多運行指標的綜合優化,以更好地解決MSWI 過程向高效、低碳和綠色發展所面臨的實際問題.

融合新一代信息技術的協同優化決策是實現復雜工業過程智慧化生產運行和減少對知識型工作者依賴的可行路徑[34].目前,面向復雜工業過程協同優化決策的研究已取得大量可供參考的優秀案例.在協同優化方面,取得了乙烯生產過程耦合約束下的分布式優化[301]、除鐵過程動態環境下的多目標優化[302]、燒結過程多時間尺度下的碳排放優化[303]、反饋補償機制下的高爐爐料料面優化[304]和混合模型支撐下的煉鐵過程智能優化[305-306]等成果,這為MSWI 全流程協同優化研究的可行性提供了指導和支撐.在智能優化決策方面,取得了基于對抗學習的選礦全流程運行智能決策[307]、數據驅動的乙烯裂解爐系統調度優化[308]、硅單晶和電熔鎂生產過程的多爐優化調度[309-310]等成果,這表明進行MSWI多目標實時優化算法和人機合作增強交互演化智能決策的研究具有理論基礎和可行性.

3.2.4 MSWI 過程半實物數字孿生平臺構建

將離線研究的智能優化控制算法直接應用于工業過程存在著安全運行風險高、試驗時間消耗大、人力與經濟成本高等問題.為此,數字孿生平臺技術得到了學術界和工業界的廣泛關注[311-314],其本質是借助大數據、云計算、人工智能、信息化等技術構建物理過程的實時鏡像,彌補物理實體所缺少的系統性仿真、優化、驗證和控制能力,進而支撐智能優化控制技術的低成本試錯與智能化部署等.針對我國MSWI 過程而言,迫切需要研究能夠將智能優化控制算法進行落地應用與驗證的半實物數字孿生平臺,輔助實現高效的熱能轉化和煙氣凈化,尤其是DXN 脫除等技術,同時支撐進行局部工藝的改進試驗和測試.研究內容包括:

1)全流程數值仿真研究.數字孿生是以大量數據作為支撐的新一代信息技術.實際采集的所謂MSWI 過程大數據主要在穩態工作點附近波動,這需要通過構建數值仿真模型實現全流程的機理分析,需要通過面向定制化工況的數值仿真獲取多工況下的虛擬大數據[315-316],研究內容主要包括:結合MSWI 過程機理與不同數值仿真軟件優勢,研究多軟件耦合定制交互接口的全流程數值仿真模型,以洞悉其全流程的多階段多屬性機理;結合焚燒機理和領域專家經驗等知識,研究數值仿真模型的參數調整和實驗實施策略,提高數值仿真模型與實際過程的貼合度;基于實際MSWI 過程的運行大數據,結合人工智能技術對數值仿真模型進行微調,增強表征實際過程的真實度.

2)虛擬化數字模型庫研究.數字孿生平臺構建的核心是孿生體,即物理實體在虛擬數字化空間的孿生體模型[314].MSWI 過程的數據特點是多源異構,既包括真實的結構化數據(溫度、壓力、流量等)和非結構化數據(圖像、視頻、文本等),還包括數值仿真模型生成的數字化空間虛擬數據.因此,為構建虛擬化數字模型庫,需研究:多源異構數據的采樣、分析、信息提取以及信息融合算法;分析全流程的不同階段,基于熱力學、流體力學等理論和人工智能技術研究多孿生體模型的異構集成機制,構建數字孿生內核模型庫.此外,考慮到具有高精度和寬覆蓋變量區間的孿生體模型是保證數字孿生平臺與實際工業過程相耦合以實現協同優化的基礎[317],需研究多分辨率多孿生體模型的深度融合優化技術以實現虛擬數字模型庫的自學習和自調整.

3)數字孿生虛擬演化推理研究.數字孿生平臺作為可與實際工業過程進行實時交互的虛擬鏡像,交互安全性是制約其工程應用的主要難點之一[318].面向MSWI 過程,需研制基于物理隔離裝置的虛擬交互系統,為虛擬側和數字側的實時交互與反饋提供安全保障,需研究:如何在數字孿生側進行MSWI過程的自組織、寬定義域演化推理以輔助物理側運行,從數字孿生模型歷史時刻(基于t-1 時刻實際和虛擬數據)到當前時刻(計算t時刻實際數據)再到未來時刻(估算t+1 時刻虛擬數據)的綜合演化分析算法,基于數字孿生的故障預警和推理溯源算法,保障MSWI 過程的穩定運行.

4)半實物數字孿生實驗平臺構建.工業過程通常不允許學術研究所獲得的智能優化控制算法直接在現場進行實驗.數字孿生平臺是虛擬化的MSWI過程,需要與接近工業現場的運行系統進行數據交互以驗證新算法.因此,需研究:接近工業現場能夠交互對接與迭代優化的半實物數字孿生平臺架構;面向多模態數據同步驅動的工業過程半實物仿真實驗平臺;確保物理安全隔離的多模態數據高效雙向安全交互機制的半實物數字孿生平臺軟硬件系統,實現對智能優化控制算法的有效驗證支撐.

目前有關MSWI 過程半實物數字孿生平臺的文獻還未見報道,如何實現仍是有待深入研究的開放性問題.

目前有關數字孿生的研究成果大多面向離散制造行業[319],面臨著數據收集、多學科融合、標準統一等諸多挑戰[320].面向具有連續運行特性的復雜工業過程,雖然實現數字孿生體與真實物理側迭代優化的數字孿生系統還未形成成熟的標準,但已在相關工業領域取得了大量成果.例如,針對單個大型設備或環節的包括渦輪機[321]、滾動軸承[322]和自動運輸系統[323]等;針對復雜系統和工業過程的包括智能制造[324]、智慧城市[325]、智能交通[326]和熱電廠[327]等.上述領域的成果為MSWI 過程的數字孿生研究提供了可行性.此外,面向流程工業,李彥瑞等[314]從數字孿生系統構建的視角探討數字孿生發展的關鍵技術,構建了煉鐵過程數字孿生模型和開發了增強交互系統平臺.同時,面向燃燒過程的數值仿真應用[15]和工業界半實物仿真平臺的大量實例[328],為MSWI過程半實物數字孿生平臺的研究提供了理論支撐和技術支持.

3.3 MSWI 智能優化控制系統愿景

柴天佑等[216,257,300]、桂衛華等[34]、丁進良等[278]知名學者在流程工業智能制造方面的成果為MSWI過程的智能優化控制研究提供了發展方向以及理論與可行性方面的支撐.面向MSWI 過程這一特定對象,有效利用云計算、大數據、工業人工智能等技術實現其智能優化控制,不但符合“中國制造2025”發展戰略,也是我國實現環保托底行業可持續發展的必然要求.因此,筆者認為,MSWI 全流程協同優化控制系統的愿景是:在垃圾分類[17]、雙碳戰略[24]、企業運營策略調整等約束條件下,圍繞MSW 處理的無害化、低碳化、減量化和資源化等迫切需求,減少煙氣污染物和CO2排放濃度,提高燃燒效率和熱效率,降低爐渣熱灼減率和飛灰產量以減少其二次處理成本,實現企業提質增效和減碳的目標.

MSWI 過程智能優化控制系統如圖6 所示,實際MSWI 過程提供實時運行數據(過程數據和火焰視頻)、設備數據(機械設備和巡檢感知等信息)和生產數據(日處理量、尾氣排放等信息);智能感知系統需要對MSWI 過程的多源多模態數據進行采集處理、挖掘融合、分析評估以及關鍵信息提取;MSWI 全流程協同優化控制邊緣端服務系統為智能優化控制系統提供優化計算的基礎平臺,包含DCS 數據采集系統、虛實信息數據庫、安全隔離網絡環境等;MSWI 半實物數字孿生平臺基于實時感知信息模擬運行虛擬孿生體,演化推理多場景下的運行態勢,基于半實物仿真平臺進行算法驗證,為實際智能運行優化提供協同支撐;MSWI 智能運行優化依托MSWI 全流程協同優化控制邊緣端服務系統平臺自動獲取實時感知真實數據和數字孿生虛擬數據,實現MSWI 過程工況感知、指標建模和故障預警等功能,進而服務于智能控制參數和協同優化參數的演化推理,為實際MSWI 過程的基礎回路控制和協同優化運行提供參數推薦.因此,MSWI過程智能優化控制系統的愿景是集智能感知、智能控制、協同優化、指標建模與工況感知、半實物數字孿生平臺于一體,能夠依據工業過程的動態變化進行自適應、自學習和自組織,最終實現全流程的優化運行.

圖6 MSWI 過程智能優化控制系統Fig.6 Intelligent optimization control system of MSWI process

4 結論

MSWI 是進行MSW 處理的核心和主流技術之一,也是當前生態文明建設和循環經濟體系的托底工業.在國家“雙碳戰略”和“藍天凈土”的新時代環保要求下,蘊含機理與經驗知識的海量過程數據和高速發展的工業人工智能為實現該過程的智能優化控制提供了契機.本文對現有MSWI 過程運行控制研究現狀和未來發展趨勢進行綜述和展望,指出進一步研究存在的主要挑戰包括:

1)在運行指標建模和預測方面.運行指標數據存在樣本量小、維數高、分布稀疏以及時間尺度上的多樣性、不確定和延遲等特性,導致常規建模方法難以支撐高性能模型的構建.因此,獲取分布均勻且完備的運行指標建模樣本庫,構建能夠融合多源特征且具有較強可解釋性的工業人工智能驅動運行指標模型,建立魯棒動態指標檢測與預測模型以及開發集運行指標智能感知、預測和溯源于一體的智能軟件系統是未來研究的主要挑戰問題.

2)在智能控制方面.MSW 作為燃料所固有的組分波動范圍大、熱物理性質復雜和熱值不穩定等特性使得研究MSWI 過程基礎回路的智能控制成為現階段運行的迫切需求.因此,構建基于多模態數據和機理知識雙驅動的智能被控對象模型、面向差異化工況的穩態智能回路控制器及其在強動態干擾下的自組織機制是具有挑戰性的難題.

3)在全流程協同優化方面.包含多工藝階段和多流傳遞運行模式使得MSWI 的全流程協同優化具有多目標、多約束和多尺度等特性.因此,必須面對的挑戰包括:深度融合數據與知識的全流程運行態勢智能感知機制、多沖突目標全局和局部耦合多層級智能優化機制解析、人機合作增強交互演化智能決策算法等.

4)在數字孿生平臺方面.實際工業過程的大數據集中分布在穩態工作點附近,其窄信息域的特點導致難以構建有效的數字孿生系統,因此,面對的挑戰包括:面向控制的多態勢虛擬數據獲取策略,多孿生體模型的異構集成機制,真實與虛擬大數據的融合挖掘算法,半實物數字孿生平臺體系架構與運行機制等.

進一步,如何構建面向MSWI 過程的工業元宇宙(即MSWI 元宇宙)是未來所面對的最大挑戰.

附錄A

附錄表A1 為 MSWI 過程的研究成果總結與對比.

表A1 MSWI 過程的研究成果總結與對比Table A1 Summary and comparison of research results for MSWI process